1.一种基于数字孪生技术的多余度电静压伺服机构健康管理方法,其特征在于,包括以下步骤:S1、研究多余度伺服机构及各个组成部分的典型故障和故障机理;
S2、确定所述伺服机构的状态演化规律和工作性能退化的表征参量;
S3、将有限元模型和含损数学模型结合,构建多余度电静压伺服机构数字孪生体;
S4、迭代优化所述数字孪生体,使其能实时映射所述伺服机构实体的运行状态和性能退化历程;
S5、对多余度电静压伺服机构进行控制策略调整,实现所述多余度电静压伺服机构的健康管理。
2.根据权利要求1所述的基于数字孪生技术的多余度电静压伺服机构健康管理方法,其特征在于,在步骤S1中,所述研究多余度伺服机构及各个组成部分的典型故障和故障机理,包括以下步骤:S10、明确所述多余度电静压伺服机构包括但不限于典型任务剖面、实际使用环境工况及极限负载工况;
S11、对所述多余度电静压伺服机构的所有故障模式、影响及其危害度进行分析,建立完整的FMECA分析表和多余度电静压伺服机构故障树;所述FMECA分析表包括但不限于机构功能、故障模式、故障原因、故障影响、严酷度类别、故障检测方法和补偿措施。
3.根据权利要求2所述的基于数字孪生技术的多余度电静压伺服机构健康管理方法,其特征在于,在步骤S2中,所述确定伺服机构的状态演化规律和工作性能退化的表征参量,需要结合步骤S11中得到的所述FMECA分析表和伺服机构故障树。
4.根据权利要求1所述的基于数字孪生技术的多余度电静压伺服机构健康管理方法,其特征在于,在步骤S2中,所述确定伺服机构的状态演化规律和工作性能退化的表征参量,包括以下内容:S20、根据所述伺服机构故障知识库,研究其中关键故障机理的加速实验方法;
S21、根据不同的故障机理设计相对应的加速实验台,通过在试验台上对故障零部件进行加速寿命实验来揭示并验证故障产生的机理;
S22、通过采集所述故障零部件性能参数数据来确定伺服机构的状态演化规律;
S23、从众多的零部件参数中确定其工作性能退化的表征参量。
5.根据权利要求1所述的基于数字孪生技术的多余度电静压伺服机构健康管理方法,其特征在于,在步骤S3中,所述构建多余度电静压伺服机构数字孪生体,包括以下内容:S30、基于包括但不限于多余度电静压伺服机构的结构、工作原理、运行状态和性能参数的特征,在软件Matlab的Simulink模块中搭建多余度电静压伺服机构的数学模型;
S31、将所述步骤S2中研究的多余度电静压伺服机构故障模式包括但不限于油滤堵塞和增压油箱漏气植入数学模型中,形成含损数学模型,使其映射多余度电静压伺服机构实体的运行状态。
6.根据权利要求5所述的基于数字孪生技术的多余度电静压伺服机构健康管理方法,其特征在于,在步骤S3中,所述构建多余度电静压伺服机构数字孪生体,要基于包括但不限于多余度电静压伺服机构整体的构造和零部件结构,在三维建模软件包括但不限于UG、ProE和SolidWorks中建立多余度电静压伺服机构三维模型,并将其导入有限元分析软件包括但不限于Ansys、HyperWorks和Abaqus中建立考虑包括但不限于实际使用环境工况和极限负载的有限元模型,并与搭建的含损数学模型结合形成多余度电静压伺服机构数字孪生体。
7.根据权利要求1所述的基于数字孪生技术的多余度电静压伺服机构健康管理方法,其特征在于,在步骤S4中,迭代优化所述数字孪生体,使其能实时映射所述伺服机构实体的运行状态和性能退化历程,包括以下内容:S40、要在步骤S2研究的伺服机构故障机理和性能退化表征参量的基础上,从试验台上采集电静压伺服机构零部件性能退化数据;
S41、从伺服机构的性能参数中选取能表征其失效历程的关键性能参数;
S42、利用步骤S3中得到的数字孪生体与伺服机构实体进行实时状态数据交互,通过分析交互数据中选取的表征伺服机构性能退化历程的关键性能参数的数据,并与多余度电静压伺服机构性能退化曲线结合;
S43、探寻并验证性能退化程度与关键性能参数的关系,对多余度电静压伺服机构进行状态评估,实现伺服机构实体状态变化程度的量化。
8.根据权利要求1所述的基于数字孪生技术的多余度电静压伺服机构健康管理方法,其特征在于,在步骤S4中,对所述数字孪生体的全生命周期静态数据和运行过程动态数据进行层次分析后,更新孪生模型的性能状态,并与伺服机构实体的运行状态结合,实现数字孪生体的迭代优化,使其能实时映射伺服机构实体的运行状态和性能退化历程。
9.根据权利要求1所述的基于数字孪生技术的多余度电静压伺服机构健康管理方法,其特征在于,在步骤S5中,所述对多余度电静压伺服机构进行控制策略调整,实现所述多余度电静压伺服机构的健康管理,包括以下内容:S50、同步伺服机构运行状态和数字孪生体仿真进程,将运行状态的映射延迟控制在一定范围内;
S51、对步骤S4中实时采集的状态数据、最新生成的孪生数据和记录的历史数据进行数据融合处理,提取征兆信息,并与故障知识库中的知识匹配;
S52、对数字孪生体进行基于机器学习的多余度伺服机构剩余寿命预测和失效概率分析;
S53、根据预测结果及实时采集的伺服机构异常状态数据对伺服机构进行控制策略调整。