(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110528136.X (22)申请日 2021.05.14 (65)同一申请的已公布的文献号 申请公布号 CN 113221277 A (43)申请公布日 2021.08.0 6 (73)专利权人 西安交通大 学 地址 710049 陕西省西安市咸宁西路28号 (72)发明人 曹宏瑞　王磊　乔百杰　陈雪峰　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 专利代理师 高博 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 113/28(2020.01) G06F 119/02(2020.01)(56)对比文件 CN 108304927 A,2018.07.20 CN 112685949 A,2021.04.20 CN 110532626 A,2019.12.0 3 CN 112241608 A,2021.01.19 CN 110532626 A,2019.12.0 3 CN 110705181 A,2020.01.17 US 20190 57317 A1,2019.02.21 US 2021110532 A1,2021.04.15 KR 102025 652 B1,2019.09.27 Zhifeng L iu等.Data Super-Netw ork Fault Predicti on Model and Mai ntenance Strategy for Mec hanical Product Based o n Digital Tw in. 《SPECIAL SECTION ON DATA- ENABLED I NTELLIGENCE FOR DIGITAL H EALTH》 .2019, (续) 审查员 姚培 (54)发明名称 一种基于数字孪生模型的轴承性能退化评 估方法及系统 (57)摘要 本发明公开了一种基于数字孪生模型的轴 承性能退化评估 方法及系统， 采用轴承数字孪生 模型对服役工况下不同健康状态轴承的振动响 应信号进行仿真计算； 提取能表征轴承损伤程度 的特征指标； 获取轴承实际退化过程振动数据， 并从中提取能表征损伤程度的特征指标； 构建迁 移长短时记忆网络， 利用仿真和实际获取数据训 练TLSTM模型， 得到当前轴承健康 状态指标， 对轴 承性能退化状态进行评估； 当轴承健康 状态指标 HI连续m次超过报警阈值时报警。 本发明利用与 实际轴承同步更新的数字孪生模型仿真得到的 轴承退化数据， 既能获得高信噪比轴承退化数 据， 提高轴承评估精度， 又能避免深度学习模型 需要大量标签数据的问题。 [转续页] 权利要求书3页 说明书9页 附图3页 CN 113221277 B 2022.12.09 CN 113221277 B (56)对比文件 丁华等.数字孪生与深度学习融合驱动的采 煤机健康状态预测. 《中国机 械工程》 .2020,(第 07期), 谢飞等.基 于迁移学习的LSTM互联网金融指数高精度预测方法. 《西南民族大 学学报(人文社 科版)》 .2020,(第07期), 王奉涛等.基 于长短期记 忆网络的滚动轴承 寿命预测方法. 《振动.测试与诊断》 .2020,(第02 期),2/2 页 2[接上页] CN 113221277 B1.一种基于数字 孪生模型的轴承性能退化评估方法， 其特 征在于， 包括以下步骤： S1、 构建服役状态下轴承数字孪生模型， 使用正常轴承运行数据对轴承数字孪生模型 进行更新与修 正， 构建轴承数字 孪生模型 具体为： S101、 查询轴承的几何、 材料参数， 实时获取轴承运行过程中工况信息和振动加速度信 号； S102、 对步骤S101 实时获取的信号进行降噪处 理， 并通过 FFT将信号变换到频域； S103、 依据步骤S101中得到的轴承几何、 材料参数以及物理作用关系， 建立轴承动力学 仿真模型； S104、 将工况/环境参数实时输入步骤S103建立的轴承动力学仿真模型中， 得到轴承数 字孪生模型实时振动响应， 并通过 FFT将信号变换到频域； S105、 将步骤S104变换到频域的信号与步骤S102降噪后实测结果进行对比， 计算主要 频率幅值的偏差值； S106、 根据步骤S105计算的偏差值， 对轴承动力学仿真模型的径向和轴向间隙， 轴承座 的刚度和阻尼参数进行调整和修 正， 获得实时同步更新的轴承数字 孪生模型； S2、 利用步骤S1构建的轴承数字孪生模型对服役工况下不同健康状态轴承的振动响应 信号进行仿真计算， 对不同健康状态轴承进行标注， 构建正常和损伤状态轴承数字孪生数 据库； S3、 从步骤S2构建的正常和损伤状态轴承数字孪生数据库中提取表征轴承损伤程度的 特征指标； S4、 构建迁移长短时记忆网络， 利用步骤S3得到的表征轴承损伤程度特征指标对迁移 长短时记 忆网络进行训练， 得到预训练的孪生轴承性能退化评估 模型； S5、 获取轴承实际退化过程振动数据， 并从轴承实际退化过程振动数据中提取表征损 伤大小的特征指标， 结合步骤S 3得到的表征轴承损伤程度的特征指标和实际退化过程振动 数据对步骤S4中建立的孪生轴承性能退化评估模 型进行迁移更新， 并将实际轴承退化数据 输入更新的模型 得到当前轴承健康状态指标HI， 对轴承性能退化状态进行评估。 2.根据权利要求1所述的基于数字孪生模型的轴承性 能退化评估方法， 其特征在于， 步 骤S2中， 按0～1区间的数字对不同健康状态轴承进行 标注。 3.根据权利要求1所述的基于数字孪生模型的轴承性 能退化评估方法， 其特征在于， 步 骤S3中， 采用二代小波对正常和损伤状态轴承数字孪生数据库中的振动信号进行分解， 并 计算不同尺度信号的时域和频域特 征。 4.根据权利要求1所述的基于数字孪生模型的轴承性 能退化评估方法， 其特征在于， 步 骤S4中， 迁移长短时记忆网络的遗忘门输出ft、 输入门输出it、 输出门输出ot， 以及单元状态 Ct、 单元输出状态ht、 候选单元状态 具体为： ft＝σ(Wf·[ht‑1,xt]+bf) it＝σ(Wi·[ht‑1,xt]+bi) ot＝σ(Wo·[ht‑1,xt]+bO)权　利　要　求　书 1/3 页 2 CN 113221277 B 3