基于数字孪生的行车多因素隐性级联故障诊断

• Published in: 计算机集成制造系统 Vol. 29; no. 6; pp. 2086 - 2101
• Main Authors: 张辉辉, 郑龙辉, 孙奕程, 杨芸, 李婕, 黄德林, 鲍劲松, 张丹
• Format: Journal Article
• Language: Chinese
• Published: 东华大学 机械工程学院,上海 201620%约克大学 机械工程系,加拿大 安大略 多伦多 M4Y1 M7 30.06.2023
• Subjects: stacked denoising auto-encoder; 数据驱动; 模糊贝叶斯网络; 数字孪生; data-driven; fuzzy Bayesian network; digital twin; 堆栈降噪自编码器; mutil-class support vector machine; 多类支持向量机
• ISSN: 1006-5911
• DOI: 10.13196/j.cims.2023.06.024

TP391; 针对行车传统运维方式中存在的可管可控状态不明、故障时定位分析耗时久、设备宕机时间长等问题,为实现行车状态运维的智能化转型升级,基于数字孪生技术和数据驱动方法,提出一种用于行车多机构联动、多因素耦合的隐性级联故障诊断分析方法.以数据驱动为核心,构建了数据驱动的行车数字孪生模型,详细阐述了行车数字孪生系统的组成和交互行为;对显性故障和隐性故障进行分类和定义,设计了 SDAE—MCSVM—FBN方法解决多因素隐性级联故障;构建了数据驱动的行车数字孪生模型的原型系统,以某大型国企钢厂某车间内的行车作业过程为例,与传统运维方式中的人工点检对比,在所提方法应用前后,故障维修时长和设备宕机时长分别减少的时间比例区间为 24.5%～32.8%,20.5%～32.4%,证实了所提方法对隐性级联故障诊断分析的有效性和可行性.