“前沿”系列：数字孪生驱动的工业设备预测性维护

刘胡

频率探索智能科技江苏有限公司

频率探索智能科技江苏有限公司从事过程机器的故障预测与智能维护系统开发及应用，具备机电设备故障机理数据库、动力学建模系统、人工智能诊断算法等核心技术，助力各类设备、系统和工厂的数字化赋能和智能化升级。

随着现代信息技术在其他专业技术领域的广泛，计算机技术与制造业的交叉融合获得了众多技术突破和落地应用，工业体系的整体发展战略在于提高信息技术在制造领域的带动作用，实现物理世界和信息世界的数据传递与虚实关系映射。数字孪生（digital twin）技术以其贯穿结构设计、制造、装配和运行健康管理等全部阶段的理念受到工业体系的广泛关注。数字孪生是一套深入从设计研发到产品应用整个周期每个环节的新兴概念。
数字孪生技术在机械设备和生产线等机械工程领域的应用，便于对工厂运行管理着掌握运行设备的实时健康状态，提高故障设备检修的效率，降低因设备故障和定期检修而随之减少的生产效率。数字孪生技术的概念与信息物理系统相近、设备健康管理相近。但相对传统的工业设备故障诊断的系统而言，数字孪生技术的优势在于，它可以通过物理对象与虚拟模型间数据的交互来指导孪生体模型依据物理对象运行状态的改变而实时演化。通过仿真分析将预判结果反馈给数字孪生系统的诊断控制中心并帮助物理实体进行优化和决策。
现阶段，得益于物联网、大数据、云计算、人工智能等新一代信息技术的发展，数字孪生被广泛应用于电力、船舶、城市管理、农业、建筑、制造、石油天然气、健康医疗、环境保护等行业，如图1所示。在其中的大多数应用领域，设备的故障诊断、健康管理、寿命预测和预测性维护都是其重要的应用方向。在智能制造的大背景下，数字孪生在工业设备预测性维护中的应用前景将让人充满期待。



图1 数字孪生的行业应用前景（图片出自：数字孪生应用白皮书）

数字孪生应用于设备维护和故障预测
传统的设备运维模式下，当设备发生故障时，要经过“发现故障——致电售后服务人员——售后到场维修”一系列流程才能处理完毕。客户对设备知识的不了解、与设备制造商之间的沟通障碍往往导致故障无法及时解决。
解决这一问题的方法在于将依赖客户呼入的“被动式服务”转变为主机厂主动根据设备健康状况提供服务的“主动式服务”。数字孪生提供物理实体的实时虚拟化映射，设备传感器将温度、振动、碰撞、载荷等数据实时输入数字孪生模型，并将设备使用环境数据输入模型，使数字孪生的环境模型与实际设备工作环境的变化保持一致，通过数字孪生在设备出现状况前提早进行预测，以便在预定停机时间内更换磨损部件，避免意外停机。通过数字孪生，可实现复杂设备的故障诊断，如风机齿轮箱故障诊断、发电涡轮机、发动机以及一些大型结构设备，如船舶的维护保养。
比如在与航空发动机中的应用，数字孪生将航空发动机实时传感器数据与性能模型结合，随运行环境变化和物理发动机性能的衰减，构建出自适应模型，精准监测航空发动机的部件和整机性能。并结合历史数据和性能模型，进行故障诊断和性能预测，实现数据驱动的性能寻优。航空发动机的数字孪生体架构包括发动机的物理系统、数字孪生体、测量与控制设备、以及包含了人机界面的用户域（如图2 所示）。



图2 航空发动机的数字孪生体架构

数字孪生在设备故障诊断中的应用案例-离心泵机组
01机组孪生模型的构建
几何模型主要描述离心泵机组实体的几何参数和关系，几何参数主要包括离心泵、电机、联轴器和底座的形状、位置、尺寸、公差等，关系主要包括离心泵、电机和联轴器之间的装配关系以及每个部件中零件的装配关系。

分析模型是由故障分析模型、性能分析模型、优化分析模型等多种模型组成，每种模型从不同的角度对健康状态的影响因素进行分析，形成多维度的分析方法。每种分析都融合了数据分析和模型分析两种模式。最终，实现多维度、多模式的立体分析方式。
演化模型是当运行时间的增加和周围环境的变化时，物理实体在迭代过程中不同时刻下的虚拟模型。该种模型能够帮助设备使用人员及时了解设备的健康状态。
模型的构建如下图所示：




图3 数据孪生模型

02机组孪生数据的构建
孪生体数据主要包含离心泵机组的相关数据、采集装置参数、外界环境数据和知识数据。
离心泵机组数据主要包括离心泵机组的主要技术参数、几何参数及关系、零部件的材料属性、运行数据、故障数据等。采集装置参数主要包括传感器参数信息、数据采集频率等。外部环境数据主要包括环境温度、湿度、压强等，通过各种类型传感器则可获取离心泵机组所处的真实外部环境，并将存入相应的关系型数据库中。知识数据主要包含故障诊断模型库、故障知识规则库、设备维护规则库等。故障诊断模型库主要为离心泵机组的智能诊断提供分析模型；故障知识规则库主要作用是在故障诊断的过程中为工程师提供故障知识；设备维护规则库主要为离心泵机组的故障维护提供决策模型。
03基于数据孪生的智能故障诊断方案
数据孪生体系中的智能故障诊断技术主要包括实时预测、结果验证、数字孪生模型修正、深度学习模型重构四个部分，技术方案如图4所示。通过数据驱动的故障诊断方法对离心泵机组的振动信号进行实时预测，再利用模型驱动的方式对诊断结果进行验证，从而保证了诊断结果的可靠性。若诊断结果准确，则对数字孪生模型进行修正；反之，则对深度学习模型重构。在深度学习模型重构之后，重新进行故障预测，直到诊断结果准确后停止。



图4 智能故障诊断技术方案

数字孪生模型下的预测性维护方案的自我修正特性保证了物理空间的工业设备和信息空间的孪生模型同步。深度学习模型重构为深度学习模型提供修复功能，不断提高深度学习模型的诊断精度和范围。同时，数字孪生的闭环性体现在能够描述物理实体的可视化模型和内在机理，以便于对物理实体的状态数据进行监视、分析推理、优化工艺参数和运行参数，实现决策功能，也提高了设备健康状态的判断准确性。
频率探索研发的AI设备卫士系统中的核心技术模块如：基于设备结构信息的故障机理研究、历史数据趋势、及故障模型优化等均是数字孪生驱动的诊断系统的基础。在实际案例中均有闭环的诊断技术方案，并逐步完善积累诊断专家知识库。现有的AI设备卫士内核是数字孪生技术的体现，随着监测、诊断、决策功能持续优化，频率探索将会把数字孪生技术应用到更多、更广的场景。
本文版权所有权归频率探索智能科技江苏有限公司所有，请勿私自转载

诚冉

前排，哇咔咔

福聚弘玲

是爷们的娘们的都帮顶！大力支持