10、智能数字双胞胎助力疲劳风险分析

智能数字双胞胎助力疲劳风险分析

在工业生产中，设备的疲劳风险是一个不容忽视的问题。随着设备负载的增加，对关键部件的监测变得愈发重要。本文将介绍一种基于智能数字双胞胎的疲劳风险分析方法，包括非线性缩放方法、应力指数、疲劳模型、动态模型、递归更新等内容，并通过热轧机的扭矩测量进行验证。

非线性缩放方法与应力指数

非线性缩放方法在自动生成缩放函数方面效果良好，能检测到小故障和异常。该方法已在正态、泊松和威布尔分布中进行测试，并应用于状态监测。它适用于大量统计分布。

应力指数从缩放后的特征值中获得，用于指示负载的严重程度。这些指数根据特定问题的采样时间计算，并以时变模糊数的形式呈现，以处理时间变化带来的不确定性。分类限制也可视为模糊的。

在疲劳分析中，应力指数的水平有明确的划分：
- (IS)i = -2：疲劳极限或持久极限。
- (IS)i ∈(-2, -1]：抛光操作，风险水平几乎无增加。
- (IS)i ∈(-1, 0]：谨慎操作，风险水平略有增加。
- (IS)i ∈(0, 1]：正常操作，风险水平有小幅度增加。
- (IS)i ∈(1, 2)：风险水平急剧增加，应避免此水平。
- (IS)i = 2：疲劳失效激活。

统计过程控制（SPC）是实时显示操作中应力危险水平的可行解决方案。标准控制图通常基于正态分布，但在许多情况下需要分析非高斯数据。广义SPC（GSPC）可将SPC扩展到非线性和非高斯数据，适用于大量统计分布。缩放函数的参数提供对应于(IS)i = 2的上控制限UCL。若将限制移至UCL*（即IS = 1），可实现更好的质量性能。

下面是应力指数水平的