一种轴承试验台数字孪生建模方法技术

本发明专利技术公开了一种轴承试验台数字孪生建模方法，首先利用有限元模型分层修正和基于神经网络的轴承接触刚度拟合建立基于ADAMS的轴承

【技术实现步骤摘要】
一种轴承试验台数字孪生建模方法


[0001]本专利技术涉及数字孪生建模
，主要涉及一种轴承试验台数字孪生建模方法。

技术介绍

[0002]基于数字孪生模型一对多的特性，针对单个轴承试验台可以建立多个孪生模型，每一个模型对应其特定的物理特性，例如有结构动力学模型、热管理模型和考虑润滑的流固耦合模型等。比较常见的数字孪生建模方法有有限单元法(Finite Element Algorithm,FEM)、计算流体动力学(Computational Fluid Dynamics,CFD)、集中参数物理模型、卡尔曼滤波和基于神经网络的深度学习的建模方法。基于数据驱动与物理模型有效融合的数字孪生建模方法，可以实现两者在原理层面的融合与互补，将高精度的传感数据统计特性与系统的机理模型合理、有效地结合起来，获得高精度的轴承试验台数字孪生模型。
[0003]迁移学习中的领域适应方法着眼于解决源领域和目标领域的分布差异，建立从源领域到目标领域的知识迁移。按照领域适应方法中源领域和目标领域的不同来源，故障迁移诊断研究可以粗略分为三类，包括：相同设备不同工况之间的迁移，不同设备之间的迁移和虚拟设备到物理实体的迁移。仿真模型的设计和实现通常高度抽象化，通过仿真得到的数据不包含环境噪声，导致系统仿真与实验测量的结果之间存在差异。仿真样本真实性不足，将其直接用于训练故障诊断模型将导致网络只能学习到仿真样本中存在的特征，模型在真实样本上的泛化能力难以保证。迁移学习和领域适应方法同样适用于解决仿真数据与真实数据之间的领域差异。
[0004]深度学习旨在通过模拟大脑的学习过程，构建深层次的模型，结合海量的训练数据，来学习数据中隐含的特征，从而刻画数据丰富的内在信息，最终提升分类或预测的精度。深度学习在图像识别、语音识别以及工业机器人等领域都展现了前所未有的应用前景。

技术实现思路

[0005]专利技术目的：针对上述
技术介绍
中存在的问题，本专利技术提供了一种轴承试验台数字孪生建模方法，分别结合多学科机理分析与深度学习的优点搭建数字孪生模型，利用迁移学习将多体动力学模型与流固耦合模型深度融合，可准确全面的实现轴承试验台润滑状态下的复杂工况仿真分析，实时监测轴承各部件变形、振动、受力、速度和润滑等信息。
[0006]技术方案：为实现上述目的，本专利技术采用的技术方案为：
[0007]一种轴承试验台数字孪生建模方法，包括以下步骤：
[0008]步骤S1、建立轴承试验台三维几何模型和有限元模型，轴承试验台有限元模型包轴承系统有限元模型和转子系统有限元模型；
[0009]步骤S2、搭建基于结构动力学
‑
深度学习联合的数字孪生模型；
[0010]步骤S3、搭建基于流固耦合
‑
深度学习联合的数字孪生模型；
[0011]步骤S4、利用特征分布对抗适配深度迁移理论对所述基于结构动力学
‑
深度学习
联合的数字孪生模型和基于流固耦合
‑
深度学习联合的数字孪生模型进行关联性分析。
[0012]进一步地，所述步骤S2中搭建基于结构动力学
‑
深度学习联合的数字孪生模型具体步骤包括：
[0013]步骤S2.1、基于轴承系统有限元模型，利用Nastran有限元分析软件计算不同载荷和转速下的轴承滚子非线性接触刚度，通过径向基函数神经网络对轴承滚子非线性接触刚度进行拟合；具体地，选用组合径向基函数进行建模如下：
[0014][0015]其中，x
R
表示神经网络的输入向量；表示神经网络的输出向量；b
m
表示隐含层的第m个中心单元；h是神经单元数；v
m
是介于隐含层和输出层的权重系数；n
m
是基函数的宽度；和是权重系数；
[0016]步骤S2.2、基于转子系统有限元模型，利用Patran进行仿真模态振型分析；
[0017]步骤S2.3、针对轴承试验台进行模态敲击实验，利用N
‑
modal软件进行试验模态振型分析；
[0018]步骤S2.4、将步骤S2.2中获取的仿真模态振型分析和步骤S2.3中获取的试验模态振型分析进行比较，采用代理模型法对轴承
‑
转子系统有限元模型进行分层修正；
[0019]步骤S2.5、将基于步骤S2.1获取的轴承滚子非线性接触刚度模型和步骤S2.4获取的轴承
‑
转子系统有限元模型进行融合，分别搭建基于ADAMS的轴承
‑
转子系统刚柔耦合模型和基于Workbench的轴承
‑
转子系统全柔耦合模型；
[0020]步骤S2.6、利用基于Workbench的轴承
‑
转子系统全柔耦合模型对基于ADAMS的轴承
‑
转子系统刚柔耦合模型进行确认；当两类模型的各阶频率误差均不超过预设阈值时，则基于ADAMS的轴承
‑
转子系统刚柔耦合模型是准确的；当两类模型各阶频率误差中存在大于预设阈值的情况时，重复步骤S2.4；
[0021]步骤S2.7、在轴承试验台不考虑润滑的情况下，实时采集轴承试验台的振动、转速、温度、应力应变和载荷信号，基于深度学习建立轴承
‑
转子系统代理模型，并利用在线数据对代理模型的准确性进行测试，获得基于深度学习的轴承
‑
转子系统模型；
[0022]步骤S2.8、利用加权Softmax损失函数将步骤S2.6中获取的基于ADAMS的轴承
‑
转子系统刚柔耦合模型和步骤S2.7中获取的基于深度学习的轴承
‑
转子系统模型融合，获得基于结构动力学
‑
深度学习联合的数字孪生模型。
[0023]进一步地，所述步骤S3中搭建基于流固耦合
‑
深度学习联合的数字孪生模型具体步骤包括：
[0024]步骤S3.1、利用Fluent分别建立在喷油润滑和环下润滑两种方式下轴承内部油气两相流场的数值计算模型、轴承内外环温度场的数值计算模型和包含固体域的流固传热数值计算模型；
[0025]步骤S3.2、基于深度学习方法分别建立步骤S3.1中轴承内部油气两相流场数值模型、轴承内外环温度场数值模型和流固传热数值模型的代理模型；
[0026]步骤S3.3、在轴承试验台考虑润滑的工况下，实时采集轴承试验台的振动、转速、温度、应力应变、载荷和供油量信号，基于深度学习建立轴承润滑代理模型，并利用在线数
据对代理模型的准确性进行测试，获得基于深度学习的轴承润滑模型；
[0027]步骤S3.4、利用加权Softmax损失函数将步骤S3.2获取的基于深度学习的两相流场代理模型、基于深度学习的轴承内外环温度场代理模型和基于深度学习的流固传热代理模型以及步骤S3.3获取的基于深度学习的轴承润滑模型融合，获得基于流固耦合
‑
深度学习联合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轴承试验台数字孪生建模方法，其特征在于，包括以下步骤：步骤S1、建立轴承试验台三维几何模型和有限元模型，轴承试验台有限元模型包轴承系统有限元模型和转子系统有限元模型；步骤S2、搭建基于结构动力学
‑
深度学习联合的数字孪生模型；步骤S3、搭建基于流固耦合
‑
深度学习联合的数字孪生模型；步骤S4、利用特征分布对抗适配深度迁移理论对所述基于结构动力学
‑
深度学习联合的数字孪生模型和基于流固耦合
‑
深度学习联合的数字孪生模型进行关联性分析。2.根据权利要求1所述的一种轴承试验台数字孪生建模方法，其特征在于，所述步骤S2中搭建基于结构动力学
‑
深度学习联合的数字孪生模型具体步骤包括：步骤S2.1、基于轴承系统有限元模型，利用Nastran有限元分析软件计算不同载荷和转速下的轴承滚子非线性接触刚度，通过径向基函数神经网络对轴承滚子非线性接触刚度进行拟合；具体地，选用组合径向基函数进行建模如下：其中，x
R
表示神经网络的输入向量；表示神经网络的输出向量；b
m
表示隐含层的第m个中心单元；h是神经单元数；v
m
是介于隐含层和输出层的权重系数；n
m
是基函数的宽度；和是权重系数；步骤S2.2、基于转子系统有限元模型，利用Patran进行仿真模态振型分析；步骤S2.3、针对轴承试验台进行模态敲击实验，利用N
‑
modal软件进行试验模态振型分析；步骤S2.4、将步骤S2.2中获取的仿真模态振型分析和步骤S2.3中获取的试验模态振型分析进行比较，采用代理模型法对轴承
‑
转子系统有限元模型进行分层修正；步骤S2.5、将基于步骤S2.1获取的轴承滚子非线性接触刚度模型和步骤S2.4获取的轴承
‑
转子系统有限元模型进行融合，分别搭建基于ADAMS的轴承
‑
转子系统刚柔耦合模型和基于Workbench的轴承
‑
转子系统全柔耦合模型；步骤S2.6、利用基于Workbench的轴承
‑
转子系统全柔耦合模型对基于ADAMS的轴承
‑
转子系统刚柔耦合模型进行确认；当两类模型的各阶频率误差均不超过预设阈值时，则基于ADAMS的轴承
‑
转子系统刚柔耦合模型是准确的；当两类模型各阶频率误差中存在大于预设阈值的情况时，重复步骤S2.4；步骤S2.7、在轴承试验台不考虑润滑的情况下，实时采集轴承试验台的振动、转速、温度、应力应变和载荷信号，基于深度学习建立轴承
‑
转子系统代理模型，并利用在线数据对代理模型的准确性进行测试，获得基于深度学习的轴承
‑
转子系统模型；步骤S2.8、利用加权Softmax损失函数将步骤S2.6中获取的基于ADAMS的轴承
‑
转子系统刚柔耦合模型和步骤S2.7中获取的基于深度学习的轴承
‑
转子系统模型融合，获得基于结构动力学
‑
深度学习联合的数字孪生模型。3.根据权利要求1所述的一种轴承试验台数字孪生建模方法，其特征在于，所述步骤S3中搭建基于流固耦合
‑
深度学习联合的数字孪生模型具体步骤包括：步骤S3.1、利用Fluent分别建立在喷油润滑和环下润滑两种方式下轴承内部油气两相
流场的数值计算模型、轴承内外环温度场的数值计算模型和包含固体域的流固传热数值计算模型；步骤S3.2、基于深度学习方法分别建立步骤S3.1中轴承内部油气两相流场数值模型、轴承内外环温度场数值模型和流固传热数值模型的代理模型；步骤S3.3、在轴承试验台考虑润滑的工况下，实时采集轴承试验台的振动、转速、温度、应力应变、载荷和供油量信号，基于深度学习建立轴承润滑代理模型，并利用在线数据对代理模型的准确性进行测试，获得基于深度学习的轴承润滑模型；步骤S3.4、利用加权Softmax损失函数将步骤S3.2获取的基于深度学习的两相流场代理模型、基于深度学习的轴承内外环温度场代理模型和基于深度学习的流固传热代理模型以及步骤S3.3获取的基于...

【专利技术属性】
技术研发人员：马磊明，姜斌，肖玲斐，郭勤涛，陆宁云，于乾坤，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：