[发明专利]数模联合驱动的全寿命滚动轴承数字孪生模型构建方法

权利要求书

1.一种数模联合驱动的全寿命滚动轴承数字孪生模型构建方法，其特征在于：包括以下步骤：

S1：通过加速寿命试验台在物理空间中采集其全寿命周期振动加速度信号；

S2：通过研究振动信号的幅值与缺陷尺寸之间的关系，利用BP神经网络对缺陷尺寸进行预测；

当轴承缺陷较小时，将其视为一个点，其产生的位移激励函数表示为：

其中θ_e是缺陷切向尺寸的一半，H_d表示位移激励，定义为

其中H表示缺陷的高度，ΔH公式如下：

ΔH＝0.5d-((0.5d)²-(0.5min(L,B))²)^0.5 (3)

其中d是滚动体的直径，L和B分别表示缺陷的长度和宽度；

当缺陷变大且表面形状为正方形时，位移激励用半正弦函数表示，其形式为

其中Δθ表示缺陷的角度，θ₀是第i个滚动元件缺陷的初始角度偏移量；

所述缺陷尺寸是指缺陷表面的面积，定义为

D(t)＝L(t)B(t)＝L²(t)＝B²(t) (5)

其中L(t)和B(t)分别表示演化缺陷的长度和宽度；

采用BP神经网络建立缺陷尺寸估计值与轴承振动信号均方根值之间的关系，所述BP神经网络的结构包括一个输入层，五个隐含层和一个输出层，所述五个隐含层均采用Relu激活函数，且神经元数量分别为128、64、32、16、8、1；

利用振动信号的均方根值及其模拟的缺陷尺寸对BP神经网络进行训练，通过训练后的BP神经网络和轴承振动信号在某一点的均方根值，预测出相应的缺陷尺寸；利用轴承寿命周期数据，使训练后的BP神经网络得到不同时刻的缺陷尺寸预测值；

最后使用以下缺陷演化模型对训练后的BP神经网络进行拟合：

其中C和n是由预测或者测量的缺陷尺寸决定的常数；

S3：利用全寿命周期振动加速度信号，得到一系列预测的演化缺陷；通过全寿命周期滚动轴承的振动信号，以及所述BP神经网络得到预测的缺陷D(t)；从式(5)得到L(t)andB(t)，再根据式(3)，得到时变的ΔH(t)如下：

ΔH(t)＝0.5d-((0.5d)²-(0.5min(L(t),B(t)))²)^0.5 (7)

将式(7)代入式(1)和(4)中，得到时变的位移激励H₁(t)和H₂(t)，再通过式(8)计算出第i个滚动体位于任意角度时的总接触形变量；

μ_i(t)＝xcosα_i+ysinα_i-γ-H′(t) (8)

其中γ是滚动轴承的径向游隙，在缺陷萌生阶段H′(t)为H₁(t)，在缺陷扩展和损伤扩展阶段为H₂(t)；

S4：根据演化缺陷，在二自由度动力学模型中引入相应的位移激励，在虚拟空间中建立滚动轴承全寿命周期动力学模型；将式(8)代入滚动轴承二自由度动力学模型得到全寿命周期的轴承动力学方程：

其中m是内圈和滚动体的质量和；c是阻尼系数；x和y分别表示轴承沿X、Y方向的振动位移；W_x和W_y表示作用在轴上X、Y方向的径向力；K是用Harris方法计算的总接触刚度；λ_i表示第i个滚动体的有效接触面积参数，写为：

S5：将虚拟空间中的仿真数据映射到物理空间中相应的数据中；通过训练样本(x_i∈X)和来建立虚拟空间域X和物理空间域Y之间的映射关系；域X和Y中的数据分布定义为x～p_data(x)和y～p_data(y)，映射函数F：X→Y表示如下：

利用CycleGAN神经网络在两个域之间生成映射函数，两个对抗损失函数L_X-GAN(G_X,D_Y)andL_Y-GAN(G_Y,D_X)分别用于训练两个发生器(G_X,G_Y)，其中L_X-GAN(G_X,D_Y)定义为：

所述CycleGAN神经网络在l₁范数的基础上引入以下循环一致性损失L_cyc(G_X,G_Y)：

在循环一致性损失和两个对抗性损失的情况下，CycleGAN的总损失写为

L_CycGAN＝L_X-GAN(G_X,D_Y)+L_Y-GAN(G_Y,D_X)+λL_cyc(G_X,G_Y) (14)

其中λ是控制参数，通过最小-最大化loss，CycleGAN网络无监督地学习非平行域X和Y的映射；

基于平滑L1损失函数提出一种平滑循环一致性损失，定义为

其中A＝G_Y(G_X(x))-x，B＝G_X(G_Y(y))-y。