[发明专利]机理-数据异构信息融合的旋转机械数字孪生建模方法

说明书

本发明属于工程机械技术领域，公开了一种机理‑数据异构信息融合的旋转机械数字孪生建模方法，包括：基于物理实体建立几何模型，建立旋转机械机构的损伤耦合机理下的动力学白箱模型；物理空间实时采集多源动态数据；考虑关联性将物理空间采集的离散数据投影到历史演化时间维度，建立基于大数据统计与网络系统的黑箱模型；将白箱模型和黑箱模型进行异构融合，建立从物理空间到信息空间的关联映射特征，形成完备的数字孪生灰箱模型。本发明从机理与数据两方面建立旋转机械的物理空间数据到信息空间寿命预测的映射关系，在保障工程机械装备可靠高效运行、预防重大事故中具有实际意义。

技术领域

本发明属于工程机械技术领域，尤其涉及一种机理-数据异构信息融合的旋转机械数字孪生建模方法。

背景技术

工程机械的传动系统长期服役在重载、大冲击、变转速的复杂作业环境下，各种载荷对旋转部件形成了非平稳、非周期、非线性的激励，经常出现表面损伤失效、变形失效和断裂失效等问题，导致温度异常、动力损失、性能退化，甚至会降低整个传动链的可靠性和安全性，引发重大安全事故，造成巨额经济损失。因此，对于机械传动系统在复杂工况下的模型模拟具有重要研究意义，为安全作业提供技术支撑。

以旋转机械中的液力变矩器为例，液力变矩器是跨能域非线性强耦合系统，在传动过程中，除内部环流与涡流所产生的流体压力载荷外，液力变矩器还受到外载荷与离心载荷的共同作用，还存在偏载、变载和润滑不良等复杂工况，使得各个叶轮之间的内流场、温度场与变形场相互影响；此外，由于损伤的存在，改变其中某个特征参量将会引起其它部分参量或全部参量的变化，并且会影响到振动信号的频谱结构、幅值大小、平稳特征等，而传统的有限元模型求解精度不高，液力变矩器具有很强的动态性和不确定性，准确地描述液力变矩器振动机制与作业机理极为困难。

一方面，液力变矩器的机理模型对实际工况的估计并不全面，鉴于工程机械复杂的工况，使用“白箱模型”进行寿命预测不仅耗时长，且评估准确性不高。另一方面，因液力变矩器的退化程度和失效时间离散性较大，且损伤形式不尽相同、测试数据稀缺，运用大样本数据统计出的共性损伤特征价值密度低、数据质量参差不齐，且难以构建足够大的“黑箱模型”进行训练。因此亟需探索出丰富且全面的数字孪生“灰箱模型”。

因此，如何建立能更加真实的反映复杂工况下旋转机械的安全性与可靠性的研究模型就显得尤为重要。

发明内容

针对现有设计方法的不足，本发明的目的是提供一种机理-数据异构信息融合的旋转机械数字孪生建模方法。本发明基于旋转机械的损伤及耦合机理与动力学模型，结合工业物联网中的历史运行数据进行映射反馈，以物理空间和信息空间之间的虚实交互为途径，构建融合机理和数据框架的旋转机械的数字孪生模型，通过深度机器学习在虚拟映射中完成其退化行为和性能的实时监控、全生命周期状态的预测与评估。

为了实现上述目的本发明采用如下技术方案：

机理-数据异构信息融合的旋转机械数字孪生建模方法，包括以下步骤：

步骤1，基于旋转机械机构的物理实体，建立旋转机械机构的几何模型，根据旋转机械机构的实际服役行为，构造适宜裂纹奇异性建模与求解的小波有限元模型，并据此建立旋转机械机构的损伤耦合机理下的动力学白箱模型；

步骤2，物理空间实时采集旋转机械机构在不同服役时间与剩余寿命、典型损伤下的多源动态数据，提取多源动态数据的特征数据；考虑关联性将物理空间采集的离散数据投影到历史演化时间维度，建立基于大数据统计与网络系统的黑箱模型；

步骤3，采用高维正交法将白箱模型和黑箱模型进行异构融合，得到机理与数据驱动的复合异构混合模型，建立从物理空间到信息空间的关联映射特征，形成完备的数字孪生灰箱模型。

进一步地，所述旋转机械机构为液力变矩器、齿轮箱或轴承。