一种面向工业离心泵的数字孪生预测性维护方法、系统及存储介质

本发明属于工业自动化控制领域，特别涉及一种面向工业离心泵的数字孪生预测性维护方法、系统及存储介质。

背景技术：

1、在工业领域，离心泵作为一种广泛应用于流体输送的关键设备，其稳定性和可靠性对于保障工业生产的连续性和安全性至关重要。然而，传统的离心泵反应式维护需要在设备发生故障后才进行修理，这往往导致意外停机和生产中断，增加了维护成本和潜在的安全风险。其次，现有的离心泵故障诊断策略往往依赖于已有故障标记运行数据，收集大量带标记的故障数据需要大量的时间、资源和专业知识，尤其是在设备停机和拆解的情况下进行数据采集。而且，某些特定类型的故障可能只在特定条件下发生，这些偶发性故障的样本数据难以获取，导致故障样本不平衡。因此需要一种可真实模拟离心泵运行状态的仿真模型，用于模拟离心泵的各种类型故障以及性能退化过程，产生模拟数据用于故障诊断及预测模型的训练。

2、为了克服这些挑战，数字孪生技术和先进的数据分析方法被引入到离心泵的故障诊断中。利用数字孪生技术创建的虚拟模型可以实时反映物理泵的状态，无需频繁停机即可进行监测和分析。数字孪生模型可以通过模拟不同的工作条件和故障场景，生成故障数据，从而辅助故障诊断和预测。

技术实现思路

1、针对现有技术中存在的问题和不足，本发明的目的旨在提供一种面向工业离心泵的数字孪生预测性维护方法、系统及存储介质。

2、为实现发明目的，本发明采用的技术方案如下：

3、本发明第一方面提供一种面向工业离心泵的数字孪生预测性维护方法，包括以下步骤：

4、步骤1，搭建物理离心泵试验台并安装上不同类型的传感器，采集离心泵的实时运行数据；

5、步骤2，依据离心泵流固耦合理论，建立流激振动数字孪生动力学模型，采集离心泵在不同运行状态下的模拟振动数据；

6、步骤3，基于所述模拟振动数据和所述实时运行数据，构建基于图迁移学习模型的离心泵叶轮故障诊断模型，确定当前离心泵叶轮的故障诊断结果；

7、步骤4，根据获取的离心泵叶轮的故障诊断结果，确定当前离心泵的运行状态；若当前离心泵的运行状态为故障，则给出故障类别并告警；若当前离心泵的运行状态为正常，则运行步骤5；

8、步骤5，根据离心泵的实时运行数据，利用粒子过滤方法自适应地预测离心泵的未来退化状态并计算剩余使用寿命，依据剩余使用寿命制定离心泵的维护策略。

9、进一步地，步骤2中所述流激振动数字孪生动力学模型为其中m为质量矩阵，为所选节点的振动加速度矢量，c为阻尼矩阵，g为陀螺矩阵，为所取节点的振动速度矢量，k为刚度矩阵，b为旋转阻尼矩阵，q为节点位移矢量，ff为节点流体载荷矢量与节点的权重矢量和。

10、进一步地，步骤3中所述构建基于图迁移学习模型的离心泵叶轮故障诊断模型的具体方法包括：

11、步骤301，基于所述模拟振动数据和所述实时运行数据构建图，根据图数据节点确定邻接节点，并分别计算源域和目标域的邻接权重矩阵；

12、步骤302，对步骤301计算的邻接权重矩阵进行图卷积操作，获取源域和目标域节点的特征表示，所述源域和目标域的节点的特征表示均为：

13、

14、其中表示第i行的节点i的特征表示，fg(.)表示图卷积神经网络，s为源域的节点特征表示，t为目标域的节点特征表示；

15、步骤303，利用全连接网络将步骤302获取的节点特征表示进行节点分类；

16、步骤304，通过最小化源域和目标域节点间的wasserstein距离，最小化源域和目标域的节点特征分布差异；

17、步骤305，针对目标域构建标签分类器，通过反向传播方法最小化离心泵叶轮故障诊断模型的整体损失函数并对模型进行训练，根据标签分类器确定离心泵叶轮的故障诊断结果。

18、进一步地，步骤301所述计算源域和目标域的邻接权重矩阵包括：

19、(1)将源域和目标域的图分别表示为g＝(v,e,x)s、g＝(v,e,x)t，其中v和e表示图的节点和边,x∈rn×d表示长度为d的节点特征向量；

20、(2)获取图的节点并选择k个相邻节点构建连接：ne(si)＝knn(k,si,dm)ne(si)表示节点集合dm中节点si的前k个相邻节点；

21、(3)利用下式计算边的权重：所述的邻接权重矩阵为:

22、

23、其中ne(si)表示节点集合dm中节点si的前k个邻居，ξ为高斯核函数的带宽。

24、更进一步地，步骤302所述对步骤301计算的邻接权重矩阵进行图卷积操作包括设置基于图卷积神经网络的k层特征提取器，所述k层特征提取器为：式中i为单位矩阵，为的度矩阵，是k-1层的输出特征，为该层网络的权重，σ是非线性激活函数。

25、进一步地，步骤303所述利用全连接网络将步骤302获取的节点特征表示进行节点分类的操作包括：

26、(1)定义标签分类器函数为fc(h；θc)，其中h代表节点的输入表示，θc为可训练参数；

27、(2)将源域和目标域网络节点的标签预测分数表示为：式中表示有gcn生成的节点表示；

28、(3)使用sigmoid作为激活函数，并使用源域网络中具有标记节点的交叉熵损失作为分类目标，使用梯度反向传播方法，计算模型整体损失函数：

29、

30、其中y为源域网络中带有标签节点vsl的预测分数矩阵。

31、进一步地，步骤304所述最小化源域和目标域节点间的wasserstein距离的操作包括：

32、(1)定义域判别器为fd(h；θd)，式中h＝[fg(a,x；θg)]v，其表示为图神经网络中的v节点表示学习，该节点带有特征矩阵，θd为可训练参数；

33、(2)通过极大极小值方法训练所述域判别器，所述训练过程的损失函数为其中，为经验wasserstein距离，为梯度惩罚项，γ为平衡系数，在优化生成器时设置为0；

34、(3)更新生成器fg(·)中的参数，最小化源域和目标域节点之间的wasserstein距离。

35、进一步地，步骤5的具体操作如下：

36、步骤501，基于离心泵的物理特性和运行原理，构建描述离心泵性能退化情况的系统方程，所述系统方程为其中yt是离心泵的退化状态，yt-1表示t-1时刻离心泵的退化状态，ut-1表示t-1时刻的状态噪声，c和m表示与机械退化过程相关的系数；

37、步骤502，基于离心泵的实时运行数据，提取特征指标；

38、步骤503，对特征指标进行趋势性和单调性分析计算，采用加权平均融合法构建评估离心泵性能的健康因子；

39、所述单调性的计算过程为：其中n是特征向量xi的长度；所述趋势性的计算过程为：其中ti是时间序列中的时间点，x是给定时间点ti的特征指标值，n是时间序列中的观测数；

40、步骤504，构建离心泵状态观测方程，采用粒子滤波法对离心泵的性能退化状态进行预测，计算离心泵的剩余使用寿命；

41、步骤505，根据离心泵的剩余使用寿命，制定离心泵的维护策略。

42、进一步地，步骤504的具体操作为：

43、(1)构建观测方程zt＝yt+vt，zt是在时间步长t的过程中传感器采集的振动数据经过特征提取、融合后的健康因子，vt是测量噪声，代表实际测量中的随机误差或不确定性；

44、(2)给定时间步长t内离心泵的所有实时运行数据，根据下式估计离心泵提前l步预测中的未来退化状态yt+l和后验pdfp(yt+l|zt)：

45、(3)根据(2)中预测出的离心泵未来退化状态计算离心泵的剩余使用寿命rul，离心泵rul的定义为退化状态超过预先设定的临界值之前剩余的使用时间rul(t)＝tr-ts，其中ts是当前时间，tr是离心泵退化状态达到预先指定阈值的时间。

46、本发明第二方面提供一种面向工业离心泵的数字孪生预测性维护系统，包括实体模块、数据处理模块和应用服务模块；

47、所述实体模块由物理实体和虚拟实体组成，用于通过采集物理实体的实时运行数据驱动虚拟实体的运行，虚拟实体通过模拟故障类型数据对物理实体进行故障诊断与退化性能预测；

48、所述数据处理模块包括数据去噪单元、数据清洗单元、特征提取单元、特征融合单元、数据转换单元以及数据库，用于对所述实体模块采集的数据进行处理，为系统提供干净、有序的数据，支持系统基于数据的决策制定；

49、所述应用服务模块包括离心泵故障诊断服务单元，离心泵性能退化预测服务单元、剩余使用寿命计算服务单元以及设备维护决策服务单元，用于利用所述数据处理模块得到的数据进行离心泵的故障诊断、剩余使用寿命预测以及维护策略的制定。

50、本发明第三方面提供一种电子设备，包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述面向工业离心泵的数字孪生预测性维护方法中的任一步骤。

51、本发明第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序经计算机处理器执行时实现如第一方面所述面向工业离心泵的数字孪生预测性维护方法中的任一步骤。

52、与现有技术相比，本发明的有益效果如下：

53、(1)本发明针对工业离心泵提出了一种数字孪生驱动的跨域故障诊断方法，通过将离心泵试验台传感器的实时物理数据(如温度、压力、振动等)与数字孪生模型融合，利用数字孪生模型模拟不同故障类型下的行为和性能退化过程，生成充足的生命周期孪生数据，有效弥补工业中实际数据不足的问题。

54、(2)为了实现孪生数据和实际测量数据的跨域预测，本发明开发了基于图卷积神经网络迁移学习方法的离心泵故障诊断模型，将在数字孪生模拟数据中学习到的故障知识迁移到离心泵的实测数据中。通过最小化数字孪生模拟数据与实测数据间的wasserstein距离，有效缩小两者特征分布差异，实现跨域故障诊断。

55、(3)本发明开发了基于粒子滤波器的自适应预测方法，用于通过测量数据来进行离心泵性能退化估计和剩余使用寿命预测，根据rul预测结果，制定维护计划和策略，以优化离心泵的运行和维护活动。

56、(4)本发明基于面向工业离心泵的数字孪生预测性维护方法的算法模型，还集成开发了离心泵预测性维护数字孪生系统，该系统在提高离心泵运行可靠性、降低维护成本方面具有重要的应用价值，为数字孪生技术在工业设备故障诊断领域的推广提供了有力支持。