摘要
滚动轴承作为旋转设备中十分重要的零部件，其耐用性以及可靠性都影响着机械设备的健康状态。如何准确的识别滚动轴承的故障以及精确预测其剩余使用寿命，是亟需解决的问题。对于滚动轴承的故障诊断，传统的故障诊断技术需要依赖足够多的故障样本来训练高精度的学习模型，而采煤机运行工况复杂多变，安全要求高，故障数据稀缺的问题造成传统故障诊断方法难以达到稳定的高准确率；对于滚动轴承的剩余使用寿命预测，传统的预测方法主要依赖于专家知识，并且由于模型的泛化能力较弱，难以适应不同工况和变化条件下的准确预测。因此，本文通过结合数字孪生的相关理论，针对滚动轴承的故障诊断和剩余使用寿命预测进行深入研究，主要研究内容如下： （1）为了解决滚动轴承故障诊断过程中存在精度低、速度慢、无法实时监测其运行情况等问题，提出一种基于数字孪生和PNN(ProbabilisticNeuralNetwork)的滚动轴承故障诊断方法。首先，根据滚动轴承的结构和工作原理，建立基于数字孪生的故障诊断模型；其次，采用改进的萤火虫优化算法确定最优的平滑因子并应用于PNN中，以得到最优的故障诊断模型，使其能够更准确地识别和分类不同类型的故障。将优化后的故障诊断模型与数字孪生体相融合，以此构建一个高精度的轴承数字孪生体，并利用数字孪生模型进行实时故障诊断分析。最后，通过实验验证了算法的有效性与优越性。 （2）针对大型精密设备故障率低导致故障样本不足的问题，提出一种基于数字孪生与生成对抗网络的迁移学习故障诊断方法。首先，通过Three.js以及Ansys等建模软件建立滚动轴承数字孪生模型，对其进行虚拟实验获取实际场景中缺失的故障数据；其次，通过辅助分类生成对抗网络进行域自适应，以消除真实故障数据与模拟故障数据之间的领域差异，并生成包含故障标记且符合真实信号分布的合成数据；最后，在合成数据中训练故障诊断模型，使得在孪生模型中学到的故障诊断知识可以应用于实际场景下的故障诊断。对提出的方法在西储大学公开数据集上进行实验。 （3）针对传统寿命预测方法没有考虑实时工况和测量误差的问题，提出一种基于数字孪生技术的滚动轴承剩余寿命预测方法。首先，利用数字孪生技术，通过实时感知信息获取滚动轴承的状态数据，以全面反映轴承的工作状态。基于获取的数据，建立考虑实际工况的数字孪生模型，使模型能够准确的模拟滚动轴承的结构和行为；其次，利用非线性自适应维纳过程和滚动轴承的历史数据，建立一个考虑测量误差的剩余寿命预测模型；最后，通过期望最大化算法和卡尔曼滤波算法对模型中的未知参数进行求解和更新，从而对滚动轴承剩余寿命进行预测。最后，在XJTU-SYBearingDatasets数据集上进行实验验证。 （4）依托现实中某型号的滚动轴承，基于提出的滚动轴承故障诊断和寿命预测总体架构以及数字孪生体模型，建立滚动轴承故障诊断和寿命预测系统。系统分为客户端和PC端。客户端用于构建轴承的数字孪生模型，该模型采用Three.js建模软件以及C#编程语言进行编写，运行该模型使其产生孪生数据并存储到MySQL数据库中。PC端主要对客户端产生的数据以及真实故障数据进行故障诊断和寿命预测，最后将结果显示在系统的应用界面上。
NETL