基于全机数字孪生模型的故障预测系统及方法与流程

本发明涉及数字孪生领域，具体是基于全机数字孪生模型的故障预测系统及方法。

背景技术：

数字孪生是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。

数字孪生，有时候也用来指代将一个工厂的厂房及产线，在没有建造之前，就完成数字化模型。从而在虚拟的赛博空间中对工厂进行仿真和模拟，并将真实参数传给实际的工厂建设。而工房和产线建成之后，在日常的运维中二者继续进行信息交互。

数字孪生是一种超越现实的概念，可以被视为一个或多个重要的、彼此依赖的装备系统的数字映射系统。

对于digitaltwin的极端需求，同时也将驱动着新材料开发，而所有可能影响到装备工作状态的异常，将被明确地进行考察、评估和监控。digitaltwin正是从内嵌的综合健康管理系统(ivhm)集成了传感器数据、历史维护数据，以及通过挖掘而产生的相关派生数据。通过对以上数据的整合，digitaltwin可以持续地预测装备或系统的健康状况、剩余使用寿命以及任务执行成功的概率，也可以预见关键安全事件的系统响应，通过与实体的系统响应进行对比，揭示装备研制中存在的未知问题。digitaltwin可能通过激活自愈的机制或者建议更改任务参数来减轻损害或进行系统的降级，从而提高寿命和任务执行成功的概率；

本发明旨在能够对全机数字孪生模型进行二次故障预测，更够更好的估算故障发生的类别、时间、位置，从而方便使用者提前预知解决。

技术实现要素：

本发明的目的在于提供基于全机数字孪生模型的故障预测系统及方法，以解决现有技术中的问题。

为实现上述目的，本发明提供如下技术方案：

基于全机数字孪生模型的故障预测系统，所述该系统包括实时故障采集模块、故障模型预构建模块、多次故障关联分析模块、故障检测备份库、二次故障预测模块，其中，实时故障采集模块、故障模型预构建模块、多次故障关联分析模块和二次故障预测模块依次通过内网连接，故障检测备份库分别与故障模型预构建模块、多次故障关联分析模块通过内网连接。

根据采用上述技术方案：所述实时故障采集模块用于实时对模型的故障数据进行采集，实时故障采集模块包括故障属性信息采集子模块和数据传输子模块，其中，故障属性信息采集子模块和数据传输子模块分别和故障模型预构建模块通过内网连接，故障属性信息采集子模块用于对故障的名称、位置、故障时间、数据延迟率进行采集，数据传输子模块用于将故障信息及时发送给故障模型预构建模块进行故障模型的构建。

根据采用上述技术方案：所述故障模型预构建模块用于基于故障的名称、位置、故障时间、数据延迟率对故障的信息进行整合，从而建立该故障的初步模型。

根据采用上述技术方案：所述故障检测备份库包括历史故障数据存储子模块和数据整合子模块，历史故障数据存储子模块用于对历史故障的数据、故障的发生位置、故障类别、故障时刻发生的数据延迟率进行存储，数据整合子模块用于对历史故障数据存储子模块内部的数据进行配对整合，将数据有序的打包发送给多次故障关联分析模块，其中，历史故障数据存储子模块和故障模型预构建模块通过内网连接，数据整合子模块和多次故障关联分析模块通过内网连接。

根据采用上述技术方案：所述多次故障关联分析模块用于根据故障检测备份库内部的历次故障数据进行分析，多次故障关联分析模块包括故障数据提取子模块，故障数据提取子模块用于对故障检测备份库内部的历次故障数据进行提取，故障数据提取子模块与故障检测备份库通过内网连接。

根据采用上述技术方案：所述二次故障预测模块用于根据多次故障关联分析模块对历史故障的分析，估算下一次故障发生的变化特征，从而进行可视化展示。

基于全机数字孪生模型的故障预测方法，

s1：利用实时故障采集模块实时对模型的故障数据进行采集，利用故障属性信息采集子模块对故障的名称、位置、故障时间、数据延迟率进行采集，数据传输子模块将故障信息及时发送给故障模型预构建模块进行故障模型的构建；

s2：利用故障模型预构建模块基于故障的名称、位置、故障时间、数据延迟率对故障的信息进行整合，从而建立该故障的初步模型，将初步模型发送给故障检测备份库内部进行存储；

s3：利用故障检测备份库内部的历史故障数据存储子模块对历史故障的数据、故障的发生位置、故障类别、故障时刻发生的数据延迟率进行存储，利用数据整合子模块对历史故障数据存储子模块内部的数据进行配对整合，将数据有序的打包发送给多次故障关联分析模块；

s4：利用多次故障关联分析模块根据故障检测备份库内部的历次故障数据进行分析；

s5：利用二次故障预测模块根据多次故障关联分析模块对历史故障的分析，估算下一次故障发生的变化特征，从而进行可视化展示。

根据采用上述技术方案：所述步骤s4中，利用多次故障关联分析模块根据故障检测备份库内部的历次故障数据进行分析，还包括以下步骤：

a1：利用故障数据提取子模块对故障检测备份库内部的历次故障数据进行提取；

a2：利用多次故障关联分析模块根据故障检测备份库中的历史故障数据，识别故障的发生位置、故障类别和故障发生前后n分钟内数据延迟变化规律之间的关系；

a3：将变化规律发送给二次故障预测模块进行处理。

根据采用上述技术方案：所述步骤a2，利用多次故障关联分析模块根据故障检测备份库中的历史故障数据，识别故障的发生位置、故障类别和故障发生前后n分钟内数据延迟变化规律之间的关系中，还包括以下步骤：

所述设定故障时间为t1、t2、t3、…、t(n-1)、tn,故障的发生位置为d1、d2、d3、…、d(n-1)、dn,故障的发生类别为k1、k2、k3、…、k(n-1)、kn，在上述发生故障时间t1、t2、t3、…、t(n-1)、tn的数据延迟率为r1、r2、r3、…、r(n-1)、rn，设定t1、t2、t3、…、t(n-1)、tn时间故障发生前后n分钟内数据延迟ra1、rb1、ra2、rb2、ra3、rb3、…、ran、rbn；

判断故障时间为t1、t2、t3、…、t(n-1)、tn的间隔时间，当间隔时间约同，对tn+1时刻进行估算，当d1≠d2≠d3≠…≠d(n-1)≠dn，不对故障发生的位置进行统计，当存在两个相同的dn，对当前相同的故障发生位置进行标记，当k1≠k2≠k3≠…≠k(n-1)≠kn，不对故障发生类别进行统计，当存在两个相同的kn，对当前相同的故障发生类别进行标记；

设定故障发生前后n分钟内数据延迟率为e，根据公式：

根据上述公式计算出e1、e2、e3、…、e(n-1)、en，设定故障发生前后n分钟内数据延迟率均数为e,根据公式：

e＝(e1+e2+e3+…+e(n-1)+en)/n

将标记的故障发生位置、故障的发生类别、延迟率均数发送给二次故障预测模块进行下一次故障的估算。

与现有技术相比，本发明的有益效果是：本发明在能够对全机数字孪生模型进行二次故障预测，更够更好的估算故障发生的类别、时间、位置，从而方便使用者提前预知解决；

利用实时故障采集模块实时对模型的故障数据进行采集，利用故障属性信息采集子模块对故障的名称、位置、故障时间、数据延迟率进行采集，数据传输子模块将故障信息及时发送给故障模型预构建模块进行故障模型的构建；

利用故障模型预构建模块基于故障的名称、位置、故障时间、数据延迟率对故障的信息进行整合，从而建立该故障的初步模型，将初步模型发送给故障检测备份库内部进行存储；

利用故障检测备份库内部的历史故障数据存储子模块对历史故障的数据、故障的发生位置、故障类别、故障时刻发生的数据延迟率进行存储，利用数据整合子模块对历史故障数据存储子模块内部的数据进行配对整合，将数据有序的打包发送给多次故障关联分析模块；

利用多次故障关联分析模块根据故障检测备份库内部的历次故障数据进行分析，利用故障数据提取子模块对故障检测备份库内部的历次故障数据进行提取；利用多次故障关联分析模块根据故障检测备份库中的历史故障数据，识别故障的发生位置、故障类别和故障发生前后n分钟内数据延迟变化规律之间的关系；将变化规律发送给二次故障预测模块进行处理；

利用二次故障预测模块根据多次故障关联分析模块对历史故障的分析，估算下一次故障发生的变化特征，从而进行可视化展示。

附图说明

为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明。

图1为本发明基于全机数字孪生模型的故障预测系统的模块结构示意图；

图2为本发明基于全机数字孪生模型的故障预测方法的步骤示意图；

图3为本发明基于全机数字孪生模型的故障预测方法的步骤s4的具体步骤示意图；

图4为本发明基于全机数字孪生模型的故障预测方法的实施方法示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1～4，本发明实施例中，基于全机数字孪生模型的故障预测系统及方法，所述该系统包括实时故障采集模块、故障模型预构建模块、多次故障关联分析模块、故障检测备份库、二次故障预测模块，其中，实时故障采集模块、故障模型预构建模块、多次故障关联分析模块和二次故障预测模块依次通过内网连接，故障检测备份库分别与故障模型预构建模块、多次故障关联分析模块通过内网连接。

根据采用上述技术方案：所述实时故障采集模块用于实时对模型的故障数据进行采集，实时故障采集模块包括故障属性信息采集子模块和数据传输子模块，其中，故障属性信息采集子模块和数据传输子模块分别和故障模型预构建模块通过内网连接，故障属性信息采集子模块用于对故障的名称、位置、故障时间、数据延迟率进行采集，数据传输子模块用于将故障信息及时发送给故障模型预构建模块进行故障模型的构建。

根据采用上述技术方案：所述故障模型预构建模块用于基于故障的名称、位置、故障时间、数据延迟率对故障的信息进行整合，从而建立该故障的初步模型。

根据采用上述技术方案：所述故障检测备份库包括历史故障数据存储子模块和数据整合子模块，历史故障数据存储子模块用于对历史故障的数据、故障的发生位置、故障类别、故障时刻发生的数据延迟率进行存储，数据整合子模块用于对历史故障数据存储子模块内部的数据进行配对整合，将数据有序的打包发送给多次故障关联分析模块，其中，历史故障数据存储子模块和故障模型预构建模块通过内网连接，数据整合子模块和多次故障关联分析模块通过内网连接。

根据采用上述技术方案：所述多次故障关联分析模块用于根据故障检测备份库内部的历次故障数据进行分析，多次故障关联分析模块包括故障数据提取子模块，故障数据提取子模块用于对故障检测备份库内部的历次故障数据进行提取，故障数据提取子模块与故障检测备份库通过内网连接。

根据采用上述技术方案：所述二次故障预测模块用于根据多次故障关联分析模块对历史故障的分析，估算下一次故障发生的变化特征，从而进行可视化展示。

基于全机数字孪生模型的故障预测方法，

s1：利用实时故障采集模块实时对模型的故障数据进行采集，利用故障属性信息采集子模块对故障的名称、位置、故障时间、数据延迟率进行采集，数据传输子模块将故障信息及时发送给故障模型预构建模块进行故障模型的构建；

s2：利用故障模型预构建模块基于故障的名称、位置、故障时间、数据延迟率对故障的信息进行整合，从而建立该故障的初步模型，将初步模型发送给故障检测备份库内部进行存储；

s3：利用故障检测备份库内部的历史故障数据存储子模块对历史故障的数据、故障的发生位置、故障类别、故障时刻发生的数据延迟率进行存储，利用数据整合子模块对历史故障数据存储子模块内部的数据进行配对整合，将数据有序的打包发送给多次故障关联分析模块；

s4：利用多次故障关联分析模块根据故障检测备份库内部的历次故障数据进行分析；

s5：利用二次故障预测模块根据多次故障关联分析模块对历史故障的分析，估算下一次故障发生的变化特征，从而进行可视化展示。

根据采用上述技术方案：所述步骤s4中，利用多次故障关联分析模块根据故障检测备份库内部的历次故障数据进行分析，还包括以下步骤：

a1：利用故障数据提取子模块对故障检测备份库内部的历次故障数据进行提取；

a2：利用多次故障关联分析模块根据故障检测备份库中的历史故障数据，识别故障的发生位置、故障类别和故障发生前后n分钟内数据延迟变化规律之间的关系；

a3：将变化规律发送给二次故障预测模块进行处理。

根据采用上述技术方案：所述步骤a2，利用多次故障关联分析模块根据故障检测备份库中的历史故障数据，识别故障的发生位置、故障类别和故障发生前后n分钟内数据延迟变化规律之间的关系中，还包括以下步骤：

所述设定故障时间为t1、t2、t3、…、t(n-1)、tn,故障的发生位置为d1、d2、d3、…、d(n-1)、dn,故障的发生类别为k1、k2、k3、…、k(n-1)、kn，在上述发生故障时间t1、t2、t3、…、t(n-1)、tn的数据延迟率为r1、r2、r3、…、r(n-1)、rn，设定t1、t2、t3、…、t(n-1)、tn时间故障发生前后n分钟内数据延迟ra1、rb1、ra2、rb2、ra3、rb3、…、ran、rbn；

判断故障时间为t1、t2、t3、…、t(n-1)、tn的间隔时间，当间隔时间约同，对tn+1时刻进行估算，当d1≠d2≠d3≠…≠d(n-1)≠dn，不对故障发生的位置进行统计，当存在两个相同的dn，对当前相同的故障发生位置进行标记，当k1≠k2≠k3≠…≠k(n-1)≠kn，不对故障发生类别进行统计，当存在两个相同的kn，对当前相同的故障发生类别进行标记；

设定故障发生前后n分钟内数据延迟率为e，根据公式：

根据上述公式计算出e1、e2、e3、…、e(n-1)、en，设定故障发生前后n分钟内数据延迟率均数为e,根据公式：

e＝(e1+e2+e3+…+e(n-1)+en)/n

将标记的故障发生位置、故障的发生类别、延迟率均数发送给二次故障预测模块进行下一次故障的估算。

实施例1：限定条件，设定历次故障发生的时间为12.5、1.6、2.5、3.6、4.5；上述发生故障时间的数据延迟率为30％、42％、37％、28％、41％，设定时间12.5号故障发生前后7分钟内数据延迟率为12％、21％；设定时间1.6号前后7分钟内数据延迟率为9％、14％，设定时间2.5号前后7分钟的数据延迟率为8％、11％，设定时间3.6号前后7分钟的数据延迟率为17％、19％，设定4.5号前后7分钟的数据延迟率为16％、22％，设定故障发生前后n分钟内数据延迟率为e，根据公式：计算得出：

设定故障发生前后n分钟内数据延迟率均数为e,根据公式：

e＝(e1+e2+e3+…+e(n-1)+en)/n；

计算得出：e＝(13.5％+30.5％+27.5％+10％+22％)/5＝20.7％；

将标记的故障发生位置、故障的发生类别、延迟率均数发送给二次故障预测模块进行下一次故障的估算。

实施例2：限定条件，设定历次故障发生的时间为12.5、1.3、4.6、5.5、7.8；上述发生故障时间的数据延迟率为47％、30％、37％、58％、46％，设定时间12.5号故障发生前后5分钟内数据延迟率为14％、17％；设定时间1.3号前后5分钟内数据延迟率为16％、21％，设定时间4.6号前后5分钟的数据延迟率为20％、26％，设定时间5.5号前后5分钟的数据延迟率为19％、27％，设定7.8号前后5分钟的数据延迟率为21％、23％，设定故障发生前后n分钟内数据延迟率为e，根据公式：计算得出：e1＝31.5％、e2＝11.5％、e3＝14％、e4＝35％、e5＝24％；设定故障发生前后n分钟内数据延迟率均数为e,根据公式：

e＝(e1+e2+e3+…+e(n-1)+en)/n；

计算得出：e＝(31.5％+11.5％+14％+35％+24％)/5＝23.2％；

将标记的故障发生位置、故障的发生类别、延迟率均数发送给二次故障预测模块进行下一次故障的估算。

实施例3：限定条件，设定历次故障发生的时间为10.3、1.3、7.8；上述发生故障时间的数据延迟率为56％、31％、44％，设定时间10.3号故障发生前后5分钟内数据延迟率为15％、26％；设定时间1.3号前后5分钟内数据延迟率为7％、11％，设定时间7.8号前后5分钟的数据延迟率为16％、23％，设定故障发生前后n分钟内数据延迟率为e，根据公式：计算得出：e1＝35.5％、e2＝22％、e3＝24.5％；设定故障发生前后n分钟内数据延迟率均数为e,根据公式：

e＝(e1+e2+e3+…+e(n-1)+en)/n；

计算得出：e＝(35.5％+22％+24.5％)/3＝27.3％；

将标记的故障发生位置、故障的发生类别、延迟率均数发送给二次故障预测模块进行下一次故障的估算。

实施例4：限定条件，设定历次故障发生的时间为2.4、4.6、5.15、6.17；上述发生故障时间的数据延迟率为68％、71％、59％、67％，设定时间2.4号故障发生前后10分钟内数据延迟率为27％、32％；设定时间4.6号前后10分钟内数据延迟率为10％、27％，设定时间5.15号前后10分钟的数据延迟率为22％、36％，设定时间6.17号前后10分钟的数据延迟率为21％、38％，设定故障发生前后n分钟内数据延迟率为e，根据公式：

计算得出：e1＝38.5％、e2＝52.5％、e3＝30％、e3＝37.5％；设定故障发生前后n分钟内数据延迟率均数为e,根据公式：

e＝(e1+e2+e3+…+e(n-1)+en)/n；

计算得出：e＝(38.5％+52.5％+30％+37.5％)/4＝39.6％；

将标记的故障发生位置、故障的发生类别、延迟率均数发送给二次故障预测模块进行下一次故障的估算。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。