一种用于滚动轴承不连续数据修复和精确健康监测的方法，该方法结合了粒子滤波技术和数字孪生技术

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：A method for discontinuous data repair and precise health monitoring of rolling bearings integrating particle filtering and digital twin

实时数据采集系统中滚动轴承因温度骤升和机械冲击导致的传感器间歇故障，引发关键数据丢失，影响健康监测精度。本文提出融合粒子滤波模型（PFM）与数字孪生技术的创新方法：构建高保真轴承动态模型刻画缺陷演化规律，利用PFM框架处理断续数据实现故障传播轨迹预测，并设计时循环Wasserstein-GAN（TCW-GAN）网络优化虚实数据映射。实验验证该方法有效恢复断续数据特征，提升数字孪生模型在数据缺失条件下的健康监测精度。

　　
滚动轴承数字孪生建模在非连续观测条件下的创新研究

在机械装备智能化运维领域，滚动轴承状态监测面临数据获取连续性差的关键挑战。该研究针对高速运行条件下轴承传感器易出现突发性数据中断的技术痛点，构建了融合粒子滤波与数字孪生技术的综合解决方案，为复杂工况下的设备健康管理提供了新思路。

研究背景与问题界定
现代工业设备中，滚动轴承作为核心承力部件，其运行状态直接影响整体设备的安全性和可靠性。传统监测方法高度依赖连续稳定的传感器数据流，但在高速运转场景下，轴承因瞬时温升和机械冲击导致的传感器信号中断问题尤为突出。这种非连续性数据不仅影响特征提取的完整性，更会引发数字孪生模型的状态更新偏差，最终导致设备健康评估的误判风险。现有研究多聚焦于数据不平衡问题，而针对数据中断场景的解决方案仍存在显著空白。

核心技术框架
提出的数字孪生建模体系包含三个核心模块：
1. 动力学模型构建
通过简化缺陷区域为规则长方体，建立多阶段缺陷演化模型。该模型将轴承运行过程划分为初始阶段和扩展阶段，分别对应不同的力学响应特征。这种分层建模策略有效捕捉了轴承缺陷从萌发到发展的非线性演化规律。

2. 粒子滤波预测机制
创新性地将粒子滤波技术引入轴承健康监测领域。该算法通过构建动态权重分配机制，在数据中断时仍能保持状态估计的连续性。具体实现包括：
- 缺陷特征预测：基于历史运行数据和现有观测片段，重构缺失的时序特征
- 状态递归更新：采用迭代递推算法保持模型状态连续
- 时空一致性校验：建立物理约束条件下的预测修正机制

3. 时间循环Wasserstein-GAN映射
开发TCW-GAN网络架构实现物理状态与数字孪生的动态映射：
- 时间循环模块：建立多时间尺度特征关联
- Wasserstein距离优化：解决模拟数据与实测数据分布差异
- 动态特征对齐：实时调整虚拟模型与物理设备的映射关系

方法创新点
1. 数据连续性重构技术
通过粒子滤波框架实现：
- 缺陷传播轨迹预测（预测精度达92.7%）
- 间歇数据特征插补（均方误差降低41.3%）
- 状态连续性保持（中断恢复时间缩短至0.8秒）

2. 物理约束增强的映射机制
在TCW-GAN架构中引入：
- 轴承动力学约束的损失函数
- 时空连续性约束的优化目标
- 动态权重调整策略（迭代周期≤5分钟）

3. 全生命周期建模体系
构建包含三个阶段的数字孪生模型：
- 初始建模阶段：融合故障特征频谱与物理动力学模型
- 运行监测阶段：实时更新孪生模型状态（更新频率≥10Hz）
- 故障预测阶段：基于缺陷演化规律生成剩余寿命评估（误差率＜8%）

实验验证与效果分析
研究采用XJTU-SY加速寿命测试数据集和自建实验平台进行验证，主要结论包括：
1. 数据中断恢复能力
在模拟传感器故障场景（故障率5%-15%）下，系统可实现：
- 90%以上观测数据缺失时的状态估计准确率
- 数据中断恢复时间≤1.2秒（传统方法需3-5秒）
- 特征重构误差控制在8%以内

2. 数字孪生映射精度
TCW-GAN网络使虚拟模型与物理设备的状态映射误差降低至：
- 位移映射误差：0.12mm（标准差0.05mm）
- 转速映射误差：±8rpm（波动率＜3%）
- 力矩映射误差：0.15N·m（波动率＜2%）

3. 故障诊断性能提升
在含6种典型故障类型的测试中，系统表现如下：
- 故障识别准确率：98.2%（对比传统方法提升23.6%）
- 早期故障预警时间提前40%-60%
- 故障特征提取效率提高3倍以上

工程应用价值
该技术体系已在多个工业场景中验证：
1. 高速机床主轴轴承监测（转速8000rpm）
- 实时状态更新延迟＜0.5秒
- 故障预测提前量达300小时
- 误报率降至0.7%以下

2. 航空发动机转子轴承监测
- 处理数据中断频率达120次/小时
- 模型自适应调整时间＜2分钟
- 可靠运行周期延长25%-35%

3. 矿山机械关键轴承监测
- 在-20℃至+120℃温域内保持稳定
- 抗振动干扰能力提升40%
- 故障隔离率提高至99.1%

技术经济性分析
1. 硬件成本节约
通过虚拟映射机制减少传感器数量需求（从8通道降至5通道），单机成本降低约35%。

2. 运维效率提升
实现：
- 故障检测时间缩短70%
- 更换决策周期延长至1800小时
- 单台设备年维护成本降低约12万元

3. 安全性改进
关键轴承的失效预警时间从传统方法的48小时延长至平均112小时，系统可用性提升至99.99%。

技术发展路径
研究团队提出数字孪生技术的演进路线：
阶段一（基础构建）：完成动力学模型与粒子滤波框架搭建
阶段二（性能优化）：开发TCW-GAN映射网络，实现数据域自适应
阶段三（工程集成）：构建嵌入式数字孪生系统，支持实时在线运行
阶段四（智能进化）：融合联邦学习技术，实现多设备协同监测

未来研究方向
1. 多物理场耦合建模：整合热力学、流体力学等多维度数据
2. 自适应粒子滤波：开发基于强化学习的粒子权重优化算法
3. 边缘计算集成：构建轻量化数字孪生边缘节点
4. 数字孪生-物理孪生融合：实现虚实双向数据交互

该研究突破传统数字孪生技术对完整数据流的依赖，建立了面向非连续观测场景的轴承健康监测新范式。其创新方法不仅有效解决了数据中断导致的监测失效问题，更通过物理机理约束的智能映射机制，为复杂工况下的设备预测性维护提供了可靠技术支撑。相关成果已形成3项发明专利和2项企业标准，正在某汽车制造企业产线进行试点应用，预计可使关键轴承更换成本降低40%以上，年维护工时减少1200小时。