利用数字孪生支持基于系统级状态监测数据的故障诊断

深度学习模型为数据驱动的故障诊断创造了巨大机遇，但它们需要大量带标签的故障数据进行训练。本文提出利用数字孪生来支持开发数据驱动的故障诊断模型，以减少训练过程中使用的故障数据量。所开发的故障诊断模型还能够基于系统级状态监测数据诊断组件级故障。所提框架在真实机器人系统上进行了评估。结果表明，由数字孪生训练的深度学习模型能够诊断来自 4 个不同电机的 9 种故障/失效的位置和模式。然而，由数字孪生训练的模型性能仍有提升空间，尤其是在数字孪生模型与真实系统存在差异时。