面向制动器磨损预测性维护的数字孪生技术

《Mathematical and Computational Applications》：A Digital Twin for Brake Wear Predictive Maintenance

　　

制动衬片磨损受耦合的热-机械相互作用控制，其中性能退化会改变制动行为。这种改变后的制动行为反过来又影响车辆动力学，进而影响未来的磨损演化。现有的诊断和预测方法通常忽略了这种动力学-磨损耦合，这可能限制了它们在不断演变的运行工况下准确预测剩余使用寿命的能力。本研究提出了一种用于制动器磨损预测的数字孪生框架，该框架集成了状态估计、参数自适应以及感知动力学的退化建模。该方法结合了从车辆运行数据中估计制动衬片体积、通过逆向建模在线辨识制动磨损系数，以及使用依赖磨损的动力学模型进行退化的前向传播。所提出的数字孪生预测性维护框架使用矿山铲运机的模拟运行至失效数据集进行了评估，并与数据驱动和基于物理的预测性维护模型进行了比较。结果表明，数字孪生方法提高了剩余使用寿命预测的准确性和稳定性，特别是在异常退化工况下，并实现了更早地收敛到实际有用的预测结果。这些发现表明，准确的制动器磨损预测需要将退化建模与车辆动力学及在线参数更新相集成。所提出的数字孪生为在退化与系统行为强烈耦合的系统中实现更可靠的预测性维护提供了一条实用途径。

在重型机械和交通运输领域，制动器磨损直接关系到车辆的安全、运行性能以及非排气颗粒物排放。制动磨损过程受到复杂摩擦学相互作用的控制，这些作用受载荷、滑动速度、压力、材料特性、表面状况以及尤其是温度的显著影响。温度会强烈影响摩擦行为、热响应和材料退化。目前，针对制动器的诊断和预测方法主要分为基于物理的模型、数据驱动方法以及混合方法。然而，现有的预测方法通常依赖于预校准的退化模型，假设磨损独立于系统行为的变化而演化，从而忽略了制动磨损与系统动力学之间的耦合作用。在实际运行中，性能退化会改变制动性能，进而影响未来的磨损演化。现有数字孪生主要在已知条件下复制磨损，而无法在不断演变的系统行为下进行长期预测。针对上述局限性，研究人员开展了一项关于制动器磨损预测的研究，提出了一种数字孪生框架，该框架在全生命周期内对制动磨损和车辆动力学的耦合演化进行建模。研究得出结论，准确预测制动器磨损需要将退化建模与车辆动力学及在线参数更新相集成。该研究为退化与系统行为强耦合系统的可靠预测性维护提供了实用路径。该论文发表在《Mathematical and Computational Applications》。

为开展此项研究，研究人员主要采用了以下关键技术方法：利用基于Simscape多体动力学的多物理场联合仿真框架，结合Archard磨损定律生成耦合的运行至失效数据集；构建了由查表地图组成的高保真制动性能图集(Atlas)作为快速代理模型；设计了前馈神经网络构建数据驱动预测模型；基于固定磨损系数的Archard定律构建物理基线模型；利用逆向推理建立结合状态估计与参数在线辨识的数字孪生模型。模拟数据以某型矿山铲运机为案例进行构建，并设置了分布内(ID)和分布外(OOD)以及多种模型失配工况进行验证。

研究结果部分总结如下：
制动衬片体积估计：通过在分布内和分布外数据集上对物理模型和数字孪生模型进行对比研究，得出结论：基于固定参数的物理模型在异常磨损条件下会显著高估剩余制动体积，而具备状态更新、参数自适应和动力学-磨损耦合机制的数字孪生能够保持准确的体积估计。
磨损系数估计：通过仅对数字孪生进行在线Archard磨损系数逆向辨识测试，得出结论：数字孪生能够从运行数据中推断潜在的磨损参数，在ID和OOD数据中均能向真实磨损系数收敛，减少了对大量实验校准的依赖。
剩余使用寿命(RUL)估计：通过对比三种模型在ID和OOD样本中的RUL预测轨迹及均方根误差(RMSE)，得出结论：物理模型在OOD工况下产生过于乐观的预测，数据驱动模型预测方差大且泛化能力有限，数字孪生则通过持续校正偏差，在所有工况下提供准确且稳定的RUL估计。
RUL收敛敏感性：通过评估不同容差下模型达到可靠RUL预测所需的制动事件数，得出结论：数字孪生在OD工况下能显著提前收敛到可用的精度水平，其主要优势在于更早和更可靠地转化为可操作的预测。
数字孪生消融研究：通过对比分析静态物理基线、耦合传播、状态更新固定K模型以及完整数字孪生等变体，得出结论：动力学-磨损耦合和状态估计在测试数据接近训练分布时表现良好，而在OOD工况下，在线磨损参数更新对于调整未来退化投影至关重要。
模型失配鲁棒性：通过在生成数据中引入摩擦扰动、硬度扰动、依赖速度的磨损扰动及组合扰动进行测试，得出结论：即使在数据生成物理与预测模型内部假设不一致的情况下，数字孪生凭借状态估计和在线参数更新的结合，依然在异常退化条件下展现出最强的鲁棒性。

最后是研究的结论部分。本研究针对制动器磨损和车辆动力学在全生命周期内耦合演化的问题，提出了一种数字孪生预测性维护框架。通过模拟矿山车辆案例研究并与数据驱动及物理模型对比，结果表明数字孪生能准确估计体积、在线辨识磨损系数并提供稳定的剩余使用寿命预测。消融研究证实，虽然耦合建模在常规工况下有效，但在面对偏离历史预期的异常退化行为时，在线参数自适应显得尤为关键。进一步的模型失配研究显示，在存在未建模物理机制的扰动下，数字孪生依然表现出最强的收敛鲁棒性。本研究的核心贡献不仅在于将数字孪生应用于制动磨损预测，更在于证明了稳健的预测必须同时结合在线状态估计、在线退化参数辨识以及基于动力学-磨损耦合的显式传播。该框架不仅限于制动系统，还可推广至其他物理退化与系统动力学存在强耦合的资产。未来研究应致力于通过实验验证该框架，并探索不同退化机制在真实系统中的保真度。