چارچوب دوقلوی دیجیتال مبتنی بر یادگیری ماشین آگاه از فیزیک برای نگهداری پیش بینانه در سیستم های مکانیکی دوار

خرابی های غیرمنتظره در اجزای کلیدی سیستم های دوار، یکی از چالش های اساسی در بهره برداری صنعتی است. روش های صرفا داده محور در شرایط کم داده و تغییر شرایط کاری، توان تعمیم پذیری کافی ندارند؛ از سوی دیگر، مدل های صرفا فیزیکی قادر به درک عدم قطعیت های موجود در مسیر واقعی تخریب نیستند. این مقاله یک چارچوب نگهداری پیش بینانه مبتنی بر ادغام یادگیری ماشین آگاه از فیزیک و دوقلوی دیجیتال پیشنهاد می کند که در آن، لایه دوقلوی دیجیتال همگام سازی حلقه بسته میان داده های سنسور بلادرنگ و مدل فیزیکی تخریب را فراهم می آورد و لایه پیش بینی از یک شبکه حافظه کوتاه مدت بلند دوجهته با قیود فیزیکی جاسازی شده برای تخمین عمر باقیمانده استفاده می کند. قیود فیزیکی شامل تنظیم کننده یکنواختی تخریب، پیشین تخریب نمایی و قید همواری زمانی است که نوسانات غیرفیزیکی پیش بینی را سرکوب می کنند. نتایج آزمایش ها بر پایه مجموعه داده عمر کامل یاتاقان NASA IMS نشان می دهد که چارچوب پیشنهادی به ریشه میانگین مربعات خطای۰۹۹۶/۰ و میانگین قدر مطلق خطای ۰۷۶۲/۰ در پیش بینی عمر باقیمانده دست یافته و در شاخص های یکنواختی و روندگرایی نیز بر خطوط پایه صرفا داده محور برتری دارد. این چارچوب مسیری فنی ارائه می دهد که دقت، تفسیرپذیری و سازگاری فیزیکی را به طور همزمان در نگهداری پیش بینانه سیستم های مکانیکی فراهم می کند.

کلیدواژه ها:

نگهداری پیش بینانه ، دوقلوی دیجیتال ، یادگیری ماشین آگاه از فیزیک ، عمر باقیمانده ، یاتاقان غلتشی