摘要 本文提出了一种基于数字孪生的集成故障诊断框架，用于检测法兰管道连接中的螺栓松动。该方法结合了基于有限元的数值建模、实验模态分析以及先进信号处理辅助的深度学习，以在运行激励下实现可靠的松动检测。首先，建立螺栓法兰管道的有限元模型，并利用实验辨识的固有频率对其进行更新，从而建立经过验证的数字孪生模型。随后对健康状态和螺栓松动状态下的动态响应进行仿真与实验测量。为提取故障敏感特征，利用 Haar 滤波器组对振动信号进行分解，随后使用平滑伪 Wigner–Ville 分布（SPWVD）将其转换至时频域。生成的时频表示随后用于训练卷积神经网络（CNN）。本研究的一项关键贡献在于混合数字孪生学习策略，其中 CNN 训练使用数值数据和健康实验数据进行，同时在实验松动条件下进行故障分类。结果表明，所提出的框架有效捕获了螺栓松动特征，并为螺栓法兰连接的状态监测提供了一种实用且符合物理规律的解决方案。
Yousefabad et al. (Tue,) 对此问题进行了研究。