2026年, 第62卷, 第12期　
刊出日期：2026-06-20

  

• 全选
  |

特邀专栏：数字孪生赋能的高端装备智能运维
• Select
  认知数字孪生赋能航空装备：新范式与研究前沿

  冯珂, 张紫琳, 倪清, 杨彬, 胡亚安, 孟理华, 雷亚国

  机械工程学报. 2026, 62(12): 1-21. https://doi.org/10.3901/JME.260533

  摘要 ( ) PDF全文 ( )   可视化   收藏

  航空装备作为现代军事与民用航空领域的核心设施，其系统高度复杂、服役周期长、可靠性要求严苛，对装备的研制与运维提出了严峻挑战。数字孪生技术为航空装备全生命周期管理提供了有效支撑，但传统数字孪生仍停留在静态表征层面，难以实现对装备复杂动态行为的深度认知、演化预测及干预决策。在此背景下，随着大模型、知识图谱与因果推理等认知技术兴起，认知数字孪生成为新一代的研究焦点。当前，认知数字孪生的成果多局限于局部特定场景，其理论体系亟需完善，缺乏面向航空装备复杂系统的统一架构。鉴于此，梳理了一种面向航空装备全生命周期管理的新型认知数字孪生框架，旨在厘清从状态映射到自主认知的范式跃迁路径。首先，归纳了数字孪生技术从虚实映射向智能认知演进的发展脉络，并分析了该演进趋势在航空领域的应用现状与迫切需求。其次，重点分析了由物理实体层、虚拟实体层、交互连接层与认知嵌入层构成的认知数字孪生框架，及其在全生命周期的认知赋能机制。随后，从实现方法角度归纳了各层级的研究现状和技术路径。针对当前航空装备数字孪生应用面临的关键挑战，结合大模型等新兴技术，展望了以深度理解、自主演化与可信决策为核心特征的认知数字孪生体系发展图景。
• Select
  考虑周期性冲击的机器人谐波减速器加速退化建模与可靠性评估

  王嘉, 尹慧强, 王崇帅, 韩旭

  机械工程学报. 2026, 62(12): 22-32. https://doi.org/10.3901/JME.260479

  摘要 ( ) PDF全文 ( )   可视化   收藏

  工业机器人谐波减速器可靠性评估的准确性一定程度上依赖于加速退化模型对真实服役工况的复现能力以及加速退化试验方法的合理性。然而，现有加速退化模型和试验方法未充分考虑工业机器人用谐波减速器在变速变载、急停急启等工况下所承受的周期性冲击载荷作用，难以准确表征其真实退化过程，影响可靠性评估结果的准确性和可信度。为此，建立了一种考虑周期性冲击载荷的谐波减速器加速退化模型，该模型在Wiener过程中引入周期性阶跃冲击，以刻画机器人重复执行任务过程的启停冲击所引起的减速器性能突变，通过在幂律加速模型中引入冲击影响因子建立冲击载荷与退化速率之间的关联，并基于加速因子不变原则构建了加速退化模型。为保证模型精度，融合拉丁超立方采样与遗传算法进行高维非线性参数估计，获得模型参数95%置信区间；基于工业机器人实测载荷谱数据，提出服役载荷谱驱动的加速退化试验方法，结合当量扭矩一致性原则编制多级加速加载谱，以模拟变速变载及冲击环境；最后，对三台相同谐波减速器开展加速退化试验，获取传动误差退化数据并进行可靠性评估。结果表明，所提模型相较于现有模型具有更高的可靠性评估精度，能够更准确地预测谐波减速器服役寿命。
• Select
  时变工况激励下动态响应-润滑状态耦合的风机齿轮系统动力学特性研究

  余欣, 申子翰, 孙韵韵, 巫世晶, 刘胜

  机械工程学报. 2026, 62(12): 33-46. https://doi.org/10.3901/JME.260466

  摘要 ( ) PDF全文 ( )   可视化   收藏

  风机齿轮传动系统在随机风载情况下受到强时变工况激励，导致轮齿间润滑状态切换并影响动力学参数和最终动态响应。现有的研究忽视了不同润滑状态下齿轮动力学参数的变化以及所引起的啮合动力学特性改变，并反馈作用于润滑状态的复杂耦合行为，影响动力学分析的准确性。首先构建风机齿轮传动系统平移-扭转耦合的多自由度动力学微分方程组，推导轮齿间动态油膜厚度的表达式以判定啮合副润滑状态；然后考虑不同润滑状态对接触刚度、阻尼系数、摩擦系数等关键动力学参数进行建模；进而求解啮合副实时相对弹性变形量以更新动态油膜厚度，以此形成迭代。在此动态响应-润滑状态耦合模型的基础上，分析风机齿轮系统的动力学特性和润滑特性。研究表明：时变工况相较于恒定工况，显著引发啮合副振幅的增加，以及润滑状态切换的频繁性；相较于太阳轮-行星轮的啮合，高速级斜齿轮的啮合受到时变工况的影响更小；轮齿表面粗糙度也会产生作用，当粗糙度扩大时，啮合副更容易进入边界润滑状态，并引发振动幅值变大。研究结果能够为风机传动链的状态检测和故障诊断提供理论依据。
• Select
  行星齿轮箱线外啮合-故障冲击耦合激励现象学建模与分析

  景鸿翔, 甄冬, 冯国金, 臧立彬, 谷丰收

  机械工程学报. 2026, 62(12): 47-59. https://doi.org/10.3901/JME.260477

  摘要 ( ) PDF全文 ( )   可视化   收藏

  齿轮副在啮合过程中往往偏离理论啮合线，产生线外啮合冲击；故障状态下，线外啮合冲击显著增大，并与故障冲击形成耦合激励，影响齿轮箱的振动响应。然而，现有现象学模型难以表征耦合冲击激励。为此，通过线外啮合力模型和刚度模型，分别分析了齿轮副健康及故障状态下的线外啮合力及刚度变化。依据啮合相位关系推导了啮合冲击函数，建立了表征线外啮合力、故障冲击力与啮合周期时序关联的纽带。基于啮合冲击函数，构建了线外啮合-故障冲击耦合激励下的现象学模型。通过匹配同步提取变换方法，分析了冲击激励下的响应特性。不同故障程度下仿真和实验信号分析结果表明，随着故障程度增大，边带幅值及时频能量随之增大。基于此，通过FM0和MSET能量谱量化表征了故障演化规律，仿真和实验变化规律一致，验证了所提模型在表征耦合冲击激励方面的有效性。
• Select
  多段速机电耦合执行系统的行为孪生建模与短时瞬态预测研究

  赵子夜, 陈晓慧, 丁晓喜, 余文念, 彭一真, 罗杰

  机械工程学报. 2026, 62(12): 60-76. https://doi.org/10.3901/JME.260321

  摘要 ( ) PDF全文 ( )   可视化   收藏

  地铁门执行系统作为典型的多段速机电耦合执行系统，在运营过程中状态切换频繁，非线性与时变动态特性显著，且对环境扰动与乘客行为敏感，导致关键行为变量在短时间尺度下难以精准预测。为提升系统的短时瞬态行为预测与前瞻性调控能力，构建融合机理建模与数据驱动的数字孪生行为模型，实现对未来0～0.5 s内电机电流与门页位移等关键变量的预测。首先，建立以转矩平衡、传动效率与载荷响应为核心的机电耦合动力学模型，实现对系统运动行为的精准表征；其次，提出基于模式搜索算法的隐含状态辨识器与动作周期级的模型-参数更新机制，实现状态参数的等效反演估计；随后，融合时间卷积网络与Transformer Encoder，设计物理引导的深度学习预测模型(Physics-guided deep learning prediction model，PG-DLPM)，提升模型的预测精度与可解释性；最后，构建基于门页运动行为的一致性评价指标，并利用监测信号驱动孪生模型生成高保真状态参数序列，与实测数据融合后作为PG-DLPM的输入，实现短时瞬态行为的高精度预测。基于某地铁线路的实测数据开展实验验证，结果表明所构建的孪生模型在行为上与实体系统具有高度的虚实一致性；相较主流时序预测模型，PG-DLPM的均方根误差和平均绝对误差均值分别降低37.45%和46.05%，标准差降低63.13%和79.01%，预测精度与鲁棒性均具有显著优势，为门执行系统的智能调控提供有力的决策依据。
• Select
  面向旋转机械健康监测和早期故障检测的Diffusion-Ramanujan数字孪生架构

  胡文扬, 李奇, 林起鉴, 王天杨, 阎绍泽, 褚福磊

  机械工程学报. 2026, 62(12): 77-86. https://doi.org/10.3901/JME.260488

  摘要 ( ) PDF全文 ( )   可视化   收藏

  旋转机械的健康监测与早期故障检测对保障设备安全运行至关重要。传统故障特征提取方法多依赖预设参数，限制了实际应用效果。Ramanujan周期变换虽能通过正交子空间有效分离信号周期成分，但其性能高度依赖高保真故障仿真模型，而模型构建通常需要先验故障特征信息，难以在缺乏故障样本的场景中推广。为解决此问题，提出一种融合条件扩散模型与Ramanujan周期变换的数字孪生架构(Diffusion-Ramanujan)。该方法采用无分类器引导机制构建条件扩散模型，将未知类型故障样本转化为健康样本，通过对比转化前后样本包络谱的分布差异，自动挖掘潜在故障特征；进而基于所提取特征构建唯象仿真模型作为数字孪生体，驱动Ramanujan周期变换实现无参数依赖的故障特征分离，并构建健康因子评估设备状态。IMS轴承数据集实验结果表明，所提方法能在缺乏故障先验知识的情况下有效识别早期故障，较提升包络谱、Anomaly-Transformer等基线模型具有更早故障检测时间和更高监测准确性，为旋转机械健康管理提供了不依赖预设参数与先验知识的有效路径。
• Select
  边云协同下数字孪生驱动的齿轮传动系统在线监测技术

  朱本然, 潮群, 王忠睿, 刘成良

  机械工程学报. 2026, 62(12): 87-97. https://doi.org/10.3901/JME.260559

  摘要 ( ) PDF全文 ( )   可视化   收藏

  齿轮传动系统在高端装备中应用广泛，其结构性能传统评估方法依赖离线有限元仿真，计算耗时较长，难以满足在线监测的高时效性要求。为此，提出一种边云协同的数字孪生在线监测技术。构建由物理层、边缘层、云层和通信层组成的数字孪生总体框架，并明确各层功能与技术路线；针对有限元模型的非结构化网格拓扑，设计一种基于图神经网络的代理模型，用于齿轮传动系统结构性能快速预测；搭建齿轮传动试验台在线监测平台，在边云协同框架下完成状态信号采集、结构性能预测与云端可视化渲染全流程，验证所提技术的可行性。结果表明，设计的代理模型预测结果与离线有限元仿真结果的吻合度超过90%，在线监测全流程响应时间小于4 s，能够精确、快速监测齿轮传动系统核心部件的全域结构性能，为高端装备的实时状态监测提供了可行的新途径。