本发明涉及智慧矿山、数字孪生领域，特别是指基于数字孪生的高压辊磨机辊面寿命预测方法。
背景技术：
1、矿物碎磨装备是矿山、建材、冶金、电力、化工等国民经济支柱产业的重大装备。90％以上一次的能源，80％的工业原料，70％以上的农业资料都来自矿产资源。矿物碎磨装备是矿产资源开发核心设备。
2、随着金属矿产资源“贫、细、杂”的特点越来越突出，扩大生产规模及使用节能化设备，有效降低处理贫、杂、细矿产资源的单位选矿成本，已成为行业的发展方向之一。但是矿装备工况恶劣，处于高粉尘、高污染、潮湿易腐蚀、混合大量水和矿石的极端苛刻条件下，装备易发生故障或产品质量易不达标，这会带来巨大生产损失。
3、高端碎磨装备的大型化、复杂化发展趋势导致装备发生故障可能性和维修难度增大，装备停机给企业带来重大经济损失。高压辊磨机中，辊面为工作面，齿轮、轴承、转子等起到承载、动力转换的作用，往往工作在高压、高速、变载荷的工况下，是关键易损零部件。这些零部件的使用寿命具有很大的离散性。例如，同批次的轴承，使用寿命差别可达60倍之多，因此以额定寿命为依据，进行零件更换是不可行的，需要对关键零部件进行保养及维护。但传统的定期维修成本高，过早更换会造成资源浪费，过晚更换造成故障的扩展与恶化。然而，高端碎磨装备的“故障和寿命”，是装备多零部件故障/性能的耦合结果，目前对系统耦合故障机理及分离方面的研究有所欠缺，制约着故障诊断与寿命预测精度。
技术实现思路
1、针对以上背景技术中存在的不足，本发明提出一种基于数字孪生的高压辊磨机辊面寿命预测方法，具体步骤如下：
2、一种基于数字孪生的高压辊磨机辊面寿命预测方法，具体步骤如下：
3、s1、确定高压辊磨机关键零部件模型；
4、s2、肤面建模；
5、s3、根据高压辊磨机关键零部件结构特性，生成满足粒度特征的高压辊磨机模型，并完成高压辊磨机模型的量化评估；
6、s4、对完成量化评估后的高压辊磨机模型进行模型渲染；
7、s5、装配三维模型
8、s6、导入加工要素
9、s7、建立数字孪生高压辊磨机模型；
10、s8、通过建立数学模型对磨辊间物料的运动规律和受力情况进行分析；
11、s9、采用离散单元法进行辊面的磨损演变分析；
12、s10、将数字孪生与深度学习算法有机结合，构造智能诊断模型，实现智能寿命预测与诊断置信度估计。
13、进一步地，s1具体为：
14、根据柱钉式高压辊磨机物理空间几何参数、材料属性等多物理参数，确定其关键零部件，最后针对高压辊磨机的柱钉和定辊、动辊两个旋转轴利用nx12.0进行零部件的理想辊面建模；
15、进一步地，步骤s2具体为：
16、s2.1、建立辊面特征肤面模型
17、首先将辊面模型进行网格划分，提取网格数据，将平面特征采取离散余弦变换法描述，公式如下：
18、
19、式中：f(m,n)为初始信号数据，f(u,v)为离散余弦变换(dct)的系数，t(u)t(v)为平面特征函数算法的补偿系数；m和n表示坐标轴上的采样点序号，两者共同决定了建立平面模型的各点坐标位置；且u和v分别表示在离散余弦变换域中的采样频率，通过在平面特征上的每个位置上对应不同的频率进行拟合。
20、s2.2将圆柱类形状误差特征通过切比雪夫/傅里叶模型描述
21、采用如下公式：
22、
23、其中，r为轮廓上点到轴线的距离；r为圆柱半径；ti是第二类的切比雪夫多项式，i表示阶数；j为次数；aij，b ij表示系数，反映圆柱轮廓形状；
24、将生成的模型转化成stl格式与理想辊表面进行贴合，完成辊面的肤面模型建模。
25、s2.3、构建高压辊磨机零部件的肤面模型，划分网格并生成肤面模型。
26、根据关键零部件表面误差形貌，建立高压辊磨机零部件的肤面模型，该模型包括高压辊磨机零部件的尺寸信息和表面几何误差。采用nx12.0软件建立高压辊磨机零部件的理想模型，该模型在形状和尺寸上都是完美理想高压辊磨机零部件模型。将高压辊磨机零部件模型表面进行网格划分，cad模型网格划分是将三维cad模型分割为一系列小的几何单元，以便进行数值模拟、仿真和分析。提取高压辊磨机关键零件表面网格数据，在matlab软件中采用离散余弦变换法模拟系统误差生成肤面模型。将生成的肤面模型转化成stl格式与理想cad零件模型表面进行贴合，完成零件表面的肤面模型建模。
27、进一步地，s3具体为：
28、根据高压辊磨机关键零部件结构特性，生成满足中粒度特征的高压辊磨机模型；
29、具体公式：
30、
31、l(x)：产品粒度特征；z：产品粒度自相似性分布函数；xc：反映产品粒度分度的产品粒度。
32、进一步地，s4具体为：
33、在3d max中设置材质，新建一个材质球并选择多维；设置子材质数量和颜色，使渲染效果更加接近物理高压辊磨机，通过3d max中的屏幕颜色采集功能对模型进行颜色提取，以此完成对所有子材质的设置；
34、将材质球赋予所要渲染的模型，将模型不同颜色的表面设置与材质球的颜色相对应，实现同一模型不同表面的渲染。
35、进一步地，s5具体为：
36、根据结构特性在unity3d中完成高压辊磨机装配，在3d max中把渲染模型转化为unity3d可以识别的fbx格式，再导入unity3d软件中完成高压辊磨机模型装配；
37、进一步地，s6具体为：
38、通过nx12.0软件绘制工件三维模型，再转换为通用格式导入unity3d中构建；之后输入辊面和柱钉的相关信息：编号、名称、材料、属性等，便于对辊面和柱钉信息进行分类管理。
39、进一步地，s7具体为：
40、选择windows 10系统作为开发平台，以visual studio 2017作为集成开发环境，以python、高级着色语言glsl作为编程语言，建立基于数字孪生的高压辊磨机模型；
41、进一步地，s8具体为：
42、s8.1、计算料层的压缩反弹特性；
43、料层的压缩—反弹特性公式为：
44、
45、p0：压缩阶段的作用在物料上的压力
46、p1：物料的特定比压
47、δ0：初始相对密度
48、δ：任意物料层的相对密度
49、n:压缩曲线因数
50、压缩之后，当物料上的压力消失，被压缩的物料将反弹。依据实验数据，物料的反弹过程可由下面的方程描述：
51、
52、p2：反弹阶段的作用在物料的压力
53、δr＝ke·δs：反弹阶段结束时的相对密度
54、ke：物料的反弹率
55、δs：压缩阶段的结束时的相对密度
56、k:反弹因数
57、s8.2、建立高压辊磨机的数学模型：
58、通过分析三个区域的受力推导出数学模型，整个过程可依据物料在磨辊中的动力学特性划分为3个区，即：1.加速区(a1a 2—b1b 2)；2.压缩区(b1b2—c1c 2)；3.反弹区(c1c2—d1d 2)。
59、在磨辊间隙中部(z＝0)物料的p-δ特性与单轴压缩情况相同，沿z方向磨辊表面压力可用方程述。
60、p(α,λ)＝pn(α)·(1-2·|λ|)m λ＝z/l
61、pn(α)：磨辊中部对应圆心角α的磨辊表面压力
62、z：磨辊表面某一点到磨辊中部的距离
63、m:压力轴向分布系数，m≥1；
64、s8.3、确定物料在各区域的运动及受力；
65、根据对物料的压缩-反弹实验特性进行研究，得出了加速区、压缩区和反弹区的磨辊推力、磨辊驱动力矩和高压辊磨机驱动功率的计算公式。
66、s8.3.1、加速区(a1a 2—b1b 2)
67、在加速区物料密度恒为δ0，在区域a1a 2—b1b 2面的任何一个水平断面中的质量流率是恒定的，因而：
68、
69、则：
70、
71、vαvβvα0分别是相应于圆心角α,β,α0的各水平层垂直速度。
72、s8.3.2、压缩区(b1b 2—c1c2)
73、在压缩区各层物料垂直速度等于磨辊表面速度，任一水平的质量应相等，即
74、δα·[s+d(1-cosα)]＝δ0·h0＝δs·s
75、在这个区域，对应圆心角α的料层相对密度为αδ：
76、δα＝δs·s/[s+d(1-cosα)]
77、磨辊中部的水平比压：
78、
79、压缩区磨辊表面任一点(α，λ)处的水平比压可由下列式计算：
80、
81、磨辊表面任一点的法向比压pγ(α,λ)和剪力pτ(α,λ)可由水平比压p(α,λ)分解得到：
82、
83、s8.3.3、反弹区(c1ac2—d1d2)
84、在反弹区任一水平层的质量应相等，在这个区域中对应于任意中心角δα的相对密度为：
85、δα＝δs·s/[s+d·(1-cosα)]
86、磨辊中部区的水平比压为：
87、
88、在反弹区磨辊表面任一点(α，λ)处的水平比可由下述方程计算：
89、
90、这些公式帮助我们确定高压辊磨机的产量、能耗、磨辊的扭矩以及物料的相对密度等重要工作参数的数值。
91、进一步地，s9具体为：
92、s9.1、将高压辊磨机模型导入edem软件进行磨损仿真；
93、将高压辊磨机的三维模型导入edem软件中，包括浮动辊和固定辊，以及覆盖硬质合金柱钉的表面。根据设计需求选择适当的材料，并将其应用于模型的各个部件。将设计好的模型转换为通用格式，导入到edem中进行仿真。在edem中，设置模拟条件，包括磨机的比力和轧辊转速。通过这一过程，可以模拟高压辊磨机在实际操作中的磨损情况，进而优化设计和操作参数，提高设备的性能和寿命。
94、s9.2、计算磨损演变：
95、使用基于粗糙接触理论的archard磨损模型调整网格单元来模拟辊面磨损的演变，分析高压辊磨机在不同磨损状态下的功率消耗和粒度分布。在这个模型中，磨损演变是通过使受力的三角形元件的表面网格发生变形来实现的，从而导致几何形状的体积损失。磨损量的计算公式如下：
96、磨损量δv由下式给出：
97、
98、k:无量纲磨损常数
99、fn:法向粒子接触力
100、δd:粒子表面接触的滑动距离
101、进一步地，s10具体为：
102、s10.1、进行降噪自动编码网络的特征提取；
103、利用数字空间的孪生振动数据和传感器采集的实时的振动信号，使用振动信号作为输入来训练稀疏自动编码器(sdae)。sade模型由n个dae模型组成，采用非监督的方法进行训练，当所有的dae模型完成后，对整体参数进行调整。编码过程为：
104、y＝s(wx、+b)
105、w：编码网络的权重
106、b：编码网络的偏差
107、s：sigmoid激活函数
108、y:编码层输出
109、
110、wt解码网络的权重
111、解码网络的偏差
112、经过降噪编码后，得dae的最小化目标函数
113、
114、下一层的dae网络。
115、
116、训练完成后，sdae可以提取出反映对象全生命周期退化状态的运行特征变量。
117、接下来，基于sdae提取的运行特征变量，通过构建智能体agent环境状态、奖励r、动作ac将退化状态分类问题抽象成一个马尔科夫决策过程。利用深度强化学习网络(dqn)进行进一步训练。具体如下：
118、
119、β＝dqn模型学习率
120、η＝折扣系数
121、dqn算法迭代寻找最佳的状态分界点，采用calinski-harabaz系数ch(s)可以较好的量化健康状态评估分类问题，具体公式：
122、
123、式中：m:健康退化全寿命过程中的样本点数n:划分的健康状态的类别数
124、bn：类间特征数据对应的协方差矩阵tr(.):协方差矩阵的迹wn：类内特征数据对应的协方差矩阵。
125、s10.2、获得表征健康状态的特征序列；
126、根据bellman方程和ε-greedy算法，经过dqn算法迭代寻找最优策略，并计算出最优的健康状态分界点。通过对阶段趋势进行分析与筛选，确定较大趋势性的健康序列，选择排名靠前的特征维度作为主要的健康特征，以便更好的了解健康状态。最终，筛选出健康特征序列。通过dqn的自适应辨识能力，识别不同的退化阶段，并获得表征健康状态的特征序列。
127、s10.3、构建并实施寿命预测模型；
128、利用寿命预测模型来实时评估高压辊磨机的辊面退化状态，以便及早发现性能损坏的早期迹象，并采取预防性维护措施来应对潜在的隐患。经过无监督的特征自动提取和健康特征识别两步骤后，获得健康状态特征对应的观测序列，并用于训练健康寿命预测模型的流程。
129、当分析的振动信号是连续的时间序列的离散时值，采用高斯混合模型连续观察密度。通过计算每个样本特征对应似然概率的数值，构建了健康状态评估指标(ha)，通过这个指标来综合评估高压辊磨机的辊面状态退化趋势，具体计算公式：
130、
131、pi:第i个样本特征对应的似然概率，t:输入模型的特征向维度，oi:观测序列的第i个特征。
132、相对于现有技术，本技术具有如下有益效果:
133、第一：本文利用数字孪生技术构建高压辊磨机高保真模型，通过边缘数据驱动超写实仿真，实现高压辊磨机实时状态可视化，为高压辊磨机健康状态预测提供定性分析依据；
134、第二：对高压辊磨机，利用在线监测数据，基于sdae提取的运行特征变量、深度强化学习网络(dqn)模型和hmm模型三者相结合实现高压辊磨机剩余寿命预测定量分析；综合定性定量分析结果为高压辊磨机预测性维护及其寿命预测提供全方位、多角度的决策指导。
135、第三、为了将该方法成功应用于矿山机械设备健康状态预测，需要进一步提高数据获取手段、完善数字孪生模型、改进寿命预测模型，从而实现综采工作面安全、高效、绿色、智能。在三者融合下，为解决柱钉式高压辊磨机的辊面健康状态评估，创造了一种基于“智慧矿山”的矿山机械设备状态智能感知系统和寿命预测，并对辊面提出一种实时检测的新方法。
136、第四、本文主要对矿物碎磨装备的关键部件进行研究，如高压辊磨机辊面采用柱钉辊面。柱钉采用高耐磨的硬质合金制造，镶嵌在辊套基体内。在工作过程中，随着柱钉的磨损，柱钉和基体的高度差变小，难以形成保护性料垫，导致柱钉磨损，镶嵌深度不能保证柱钉稳定的镶嵌在辊面上，出现大面积脱落，辊面失效。由于硬质合金柱钉循环进出高压力区域与物料直接接触摩擦，承受不规律的往复压应力、剪切力和冲击载荷，受力情况比较复杂，柱钉断裂、蹦角和掉落及辊面裂纹和掉块是其重要的失效形式，分析柱钉辊辊面失效模型，有助于提高高压辊磨机的运转周期和辊面寿命。
137、第五、基于离散单元法和archard磨损模型首次对辊压机辊面柱钉磨损的动态演变进行了数值仿真,通过仿真分析可以评估磨机对产品大颗粒强度的影响。可以模拟不同磨损程度下产品颗粒大小的变化，从而评估磨机的性能表现。通过对仿真结果进行综合分析，可以深入了解高压辊磨机的运行情况，进而优化设备性能，提高生产效率。这些工作对于工业生产的稳定发展具有重要意义。
1.一种基于数字孪生的高压辊磨机辊面寿命预测方法，其特征在于，具体步骤如下：
