[发明专利]一种基于数字孪生的轴承全生命周期监测方法

权利要求书

1.一种基于数字孪生的轴承全生命周期监测方法，其特征在于：包括如下步骤：

步骤一：构建轴承数字孪生体；

步骤二：对建立的轴承数字孪生体进行服役状态下的仿真修正；

步骤三：运用修正后的轴承数字孪生体进行全生命周期监测和预警；

所述步骤三具体为：

步骤3-1：将步骤二中完善的轴承数字孪生体在unity3D中进行实时动态仿真，所述实时动态仿真与服役状态下轴承实时同步，实时运算形成数据；

步骤3-2：将步骤3-1中所述的实时运算数据运用神经网络算法进行服役状态下预测，所述神经网络算法通过实时数据对轴承数字孪生体不断学习、完善，实现对轴承服役状态的监测及预警；

所述神经网络算法为脉冲神经网络；

所述脉冲神经网络通过实时数据对轴承数字孪生体不断学习、完善这一事件的瞬时突触交互模式的事件驱动模拟算法为：

输入：步骤3-1中实时动态仿真脉冲序列、需要判断的模拟周期T；

输出：神经网络神经元发放的轴承性能信号的脉冲序列；

（1）由步骤3-1中实时动态仿真脉冲序列初始化队列中的轴承数字孪生体仿真结果的脉冲事件；

（2）当实时动态仿真脉冲序列初始化队列不空，即发生的时刻t＜需要判断的模拟周期T时，开始执行；

（3）提取动态仿真脉冲序列中时序最小的脉冲事件，即轴承数字孪生体发生变化的时刻t、发生时刻t时的目标神经元i、孪生体变化权值w；

（4）计算t时刻神经元i的状态，即判断此时刻轴承性能状态；

（5）更新神经元i状态，更新过程中神经元i与权值w进行相加计算，达到收敛，减小由于程序计算造成的误差，并记录t时刻及对此事件进行预警；

（6）如果发生时刻t时的目标神经元i大于上一时刻t₁的变化值i₁，执行下一步；

（7）为每个发生时刻t时的目标神经元i进行迭代运算；

（8）在队列中插入脉冲事件，即将轴承性能突发事件加入预测队列中；

（9）结束；

（10）复位神经元i的状态；

（11）如果计算没结束；

（12）循环步骤。

2.如权利要求1所述的基于数字孪生的轴承全生命周期监测方法，其特征在于：所述步骤一具体为：

步骤1-1：采集所监测轴承的物理特征；

步骤1-2：通过温度传感器、速度传感器及振动传感器采集服役状态下轴承运转数据，并记录轴承服役环境；

步骤1-3：根据步骤1-1和步骤1-2中采集的轴承物理特征、轴承运转数据和轴承服役环境，在unity3D中建立轴承数字孪生体。

3.如权利要求2所述的基于数字孪生的轴承全生命周期监测方法，其特征在于：所述轴承物理特征包括：轴承内径、轴承外径、轴承内圈厚度、轴承外圈厚度、动载荷、静载荷、脂润滑限速、油润滑限速、接触角、滚动体数量、保持架参数和轴承装配参数；所述轴承装配参数包括：轴承安装位置、轴承安装精度和轴承安装方式；

所述轴承运转数据包括：轴承运转时的内圈实时温度、滚动体实时温度、保持架实时温度、内圈实时角速度、滚动体及保持架实时角速度、内圈实时振动频率、滚动体及保持架实时振动频率和外圈实时振动频率；

所述轴承服役环境包括：载荷大小、环境湿度和环境温度。

4.如权利要求1所述的基于数字孪生的轴承全生命周期监测方法，其特征在于：所述步骤二具体为：

步骤2-1：运用步骤1-2所述的轴承运转数据对轴承数字孪生体进行仿真修正，将输出的数据与传感器数据进行逆向比对；

步骤2-2：将逆向对比的差异作为修正系数完善在unity3D中建立的轴承数字孪生体上。

5.如权利要求4所述的基于数字孪生的轴承全生命周期监测方法，其特征在于：所述步骤2-2中的修正系数是非线性的。