(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211217345.3 (22)申请日 2022.10.03 (71)申请人 长沙理工大 学 地址 410114 湖南省长 沙市天心区万家丽 南路二段960号长沙理工大学云塘校 区 (72)发明人 唐宏宾　李志祥　贺湘宇　徐晓强　 何知义　龚杨春　唐一　 (51)Int.Cl. G06Q 10/00(2012.01) G06Q 10/04(2012.01) G06F 30/20(2020.01) G06F 16/2458(2019.01) G06F 17/18(2006.01) G06F 119/04(2020.01) (54)发明名称 一种基于数字孪生的工程机械预测性维护 方法 (57)摘要 本发明公开了一种基于数字孪生的工程机 械预测性维护方法， 包括： 物理层， 由工程机械、 工控机以及外部环境组成； 数字孪生模型层， 实 现物理层在数字世界的全面、 真实、 客观、 实时的 映射； 数据感知层， 采集、 传输和存储工程机械运 行中产生的实时数据和历史数据， 并实现物理层 和数字孪生模型层的连接； 模型和数据融合层， 对物理层和数字孪生模型层产生的数据进行处 理， 实现模型和数据的有效融合， 并构建预测性 维护算法； 智能化服务层， 依据预测结果实现工 程机械的智能预测性维护服务。 本发 明能够有效 解决目前工程机械预测性维护中存在的全生命 周期内数字化模型保真度低、 故障数据不足、 模 型和数据融合 性差、 预测性维护精度低的问题。 权利要求书3页 说明书6页 附图3页 CN 115423132 A 2022.12.02 CN 115423132 A 1.一种基于数字孪生的工程机械预测性维护方法， 其特征在于， 该方法包括物 理层、 数 字孪生模型层、 数据感知 层、 模型和数据融合层以及智能化 服务层； 所述数据感知层采集、 传输、 存储物理层所产生的实时数据与历史数据， 并将数据通过 有/无线方式传送到数字孪生模型层， 实现模型 的实时仿真与更新； 同时， 数字孪生模型层 产生的仿真数据用于物理层工程机械的设计优化； 将数据感知层采集到的数据和数字孪生 模型层产生的模型仿 真数据， 同时输入到模型和数据融合层， 经过数据处理后， 用于数据驱 动算法与融合算法的构建； 最后智能化服务层通过预测结果与可视化技术实现工程机械的 智能化预测性维护服 务。 2.根据权利要求1所述的一种基于数字孪生的工程机械预测性维护方法， 其特征在于， 所述物理层 包括工程机械、 工控机和外部环境； 其中工程机械是指预测性 维护的对象， 工控 机是指用于存储工程机械实际运行过程中历史数据的设备； 外部环境是指 工程机械实际作 业中的外 部因素。 3.根据权利要求1所述的一种基于数字孪生的工程机械预测性维护方法， 其特征在于， 所述数字孪生模型层包括多领域耦合模型、 行为模型、 规则模型、 故障模型、 模型精度验证 和更新机制。 4.根据权利要求3所述的一种基于数字孪生的工程机械预测性维护方法， 其特征在于， 所述数字 孪生模型层的建立 步骤如下： 步骤S1针对工程机械， 将其划分为机械部分、 电气部分、 液压部分、 控制部分， 采用面向 对象、 增量式、 多领域统一建模原则； 步骤S2利用多领域统一建模语言Simscape建立理想状态下的机械模型、 电气模型、 液 压模型、 控制模型， 并依靠Sim scape提供的能量接口， 实现多领域模型的耦合； 步骤S3对工程机械在不同时间尺度 下外部环境与干扰、 以及内部运行机制共同作用下 产生的演化、 性能退化等行为进 行考虑， 采用但 不限于马尔可夫链、 有限状态机 建立行为模 型； 步骤S4通过对隐性知识和相关行业标准的不断挖掘， 产生新的规则和知识， 基于传统 机器学习和深度学习等技术建立规则模型， 使数字孪生模型具有自增长、 自演化和自学习 的能力； 步骤S5依据故障机理建立工程机械实际运行过程中产生的相应故障模型， 为预测性维 护算法的构建提供 可靠的故障数据来源； 步骤S6对工程机械实际运行数据进行采集， 然后在相同的工况条件下对理想状态下多 领域耦合模型进行仿 真， 将仿真得到的数据与实际数据进行比较， 通过不断增加模型细节， 从而达到实际物理工程机 械特性； 步骤S7通过包括行为模型、 实际运行数据与模型仿真数据映射关系在内的模型更新机 制来实现数字 孪生模型的实时更新。 5.根据权利要求1所述的一种基于数字孪生的工程机械预测性维护方法， 其特征在于， 所述数据感知 层包括传感器、 工业 通信协议、 有/无线网络、 数据存 储。 6.根据权利要求5所述的一种基于数字孪生的工程机械预测性维护方法， 其特征在于， 所述数据感知 层的建立 步骤如下： 步骤S1通过大量的高精度传感器， 例如压力、 温度、 振动、 声发射等传感器对需要 的实权　利　要　求　书 1/3 页 2 CN 115423132 A 2时运行数据和环境 参数进行采集； 另一方面 通过工控机等设备对历史数据进行采集； 步骤S2基于OPC ‑UA （OLE for Process Control‑Unified Architectur e， OPC‑UA） 的工 程机械场景感知数据获取技术， 构建OPC ‑UA的服务器端和客户端， 服务器端负责多传感器 数据的解析并提供 给客户端统一的数据， 解决数据接口形式和通信协议问题； 步骤S3采用分布式边缘存储与集中式云存储相结合的存储方式， 引进边缘计算， 将用 于实时分析 的数据通过网络传输到靠近数据源最近的计算设备上进行处理分析并实现本 地存储， 减少设备端与云端网络吞吐量的压力， 缓解云中心设备数据分析负载， 提高数据分 析响应效率与数据存储安全性； 对于时延不敏感数据和需要集中处理的数据则通过专线传 输到云中心， 云中心可随时访问边 缘计算数据。 7.根据权利要求1所述的一种基于数字孪生的工程机械预测性维护方法， 其特征在于， 所述模型和数据融合层包括数据处 理、 数据驱动算法、 融合 算法。 8.根据权利要求7所述的一种基于数字孪生的工程机械预测性维护方法， 其特征在于， 所述模型和数据融合层的建立 步骤如下： 步骤S1对感知数据与模型仿真数据采用但不限于均值插补、 同类均值插补或手动插补 进行缺失值补充； 采用但不限于平均法对数据进行平滑和降噪处理， 剔除原始数据中随机 干扰， 从而实现数据的预处 理； 步骤S2为减少计算量和提高预测性能， 对数据进行时域、 频域、 时频域分析， 并提取包 括平均值、 标准差、 峭度、 歪度等在内的特 征作为多源输入； 步骤S3为加快数据驱动算法模型的构建， 基于传统机器学习构建那些故障或性能退化 数据特征提取简单， 利用传统机器学习即可满足诊断和预测要求的数据驱动算法； 步骤S4对于那些特征提取困难， 数据量较复杂的故障或性能退化数据， 则利用深度学 习极强的非线性拟合能力进行 特征的自动提取和数据驱动算法模型的构建； 步骤S5对于工程机械故障数据或性能退化数据易获取、 易标记 的情况， 利用可标记 的 故障数据或性能退化数据构建数据驱动模型， 通过数字孪生模型获取基于模型 的预测值， 然后基于滤波算法实现模型预测值和数据驱动预测值的融合， 利用数据驱动结果作为系统 观测值来修正基于模型的预测值； 步骤S6对于工程机械故障数据或性能退化数据难获取、 难标记 的情况， 通过故障模型 注入相应的故障， 仿真获取对应的故障数据和 性能退化数据， 利用仿真得到的数据进行数 据驱动模型 的训练， 并将训练好的模型迁移到实际应用场景中， 将采集到的实时运行数据 输入到迁移后的模型， 从而快速实现预测性维护。 9.根据权利要求1所述的一种基于数字孪生的工程机械预测性维护方法， 其特征在于， 所述智能化 服务层包括状态监测、 故障预警、 寿命预测、 智能维护策略。 10.根据权利要求9所述的一种基于数字孪生的工程机械预测性维护方法， 其特征在 于， 所述智能化 服务层建立 步骤如下： 步骤S1利用Simulink  3D Animation实现物理空间的实时可视化， 通过力反馈操纵杆、 三维鼠标等其他硬件设备实现虚拟世界的交互， 立体视觉沉浸式查看三维虚拟世界， 并且 通过在Web游览器中使用Simulink  3D Animation  Web查看器来实现在计算机、 手机和平板 电脑等移动设备 上显示物理 空间的实时虚拟模型； 步骤S2采用MATLAB 软件实现服务化封装， 通过生成应用软件、 移动端App或网页的方式权　利　要　求　书 2/3 页 3 CN 115423132 A 3