基于數字孿生模型的設備故障診斷技術

楊俊峰，王紅軍，馮昊天，宋建麗

（北京信息科技大學機電工程學院，北京 100192）

0 引言

大數據技術與智能制造提出后，運用現代信息技術手段對設備進行科學化、信息化管理顯得尤為重要。數字孿生（Digital Twin）是指利用物理實體、傳感器、運行歷史等數據，結合多物理量、多學科、多尺度、多概率的對物理實體對象的特征、行為、形成過程和性能等進行描述和建模（Glaessegen E 等，2012），使其反映對應物理實體的全生命周期。數字孿生模型能很好建立虛擬仿真與物理實體的聯系。

隨著多領域建模、新型信息技術的發展，數字孿生成為復雜裝備系統運行維護領域的研究熱點[1]。對于復雜裝備，通過模型驅動和數據驅動相融合的方法，構建設備數字孿生體，可實現對設備的實時監測、故障診斷和優化，為數字孿生技術在設備全生命周期的應用提供實施方法。

但是，生產線存在多工位工藝、產品結構、信息和突發情況復雜不確定等問題。可視化方法有助于管理者實時掌握設備運行狀態和工作參數，及時做出決策，極大的減少維修損失。因此，構建數字孿生模型，實時反映生產線設備運行狀態，以有助于生產人員掌握生產運行情況，及時調整生產計劃，合理分配資源，實現設備高效利用。

1 模型驅動的數字孿生體初始模型構建

在數字空間中，依據設備的運行原理可使用模型驅動方法構建同一物理實體多尺度、跨時間的初始孿生模型[2]，包括物理模型、性能模型、局部線性化模型等，三種模型是同一設備在不同時間尺度和精度上的表示，綜合反映設備的內部結構、實時狀態和控制系統，不同模型在計算精度速度上的比較如圖1 所示。模型之間是遞進關系，具體表現為：完成幾何建模后，利用多領域綜合建模技術得到描述逼真的物理模型，但逼真度的越高，伴隨的是細節數據過多迭代周期過長，失去監測和診斷的意義；基于此，對模型進行維度縮放得到精確的部件特性，再采用部件法創建低維性能模型。該模型能與設備同步映射，可應用于設備狀態監測和故障診斷；在此基礎，根據低維度性能模型的運行狀態，在具體部位建立局部線性模型，為優化控制提供參考。

圖1 不同模型在計算精度速度上的比較

2 模型驅動與數據驅動融合數字孿生模型構建

基于初始模型，連接物理空間向數字空間傳遞的數據，搭建實時映射的運維數字孿生模型[3]。初始模型與物理空間采集的多數據融合，使模型具備行為特征，形成設備的運維數字孿生模型如圖2 所示。

圖2 運維數字孿生

將設備實際采集的實時數據與性能模型結合，形成一個自適應模型，其隨運行環境和設備性能變化，達到監測設備局部狀態和整體性能的目的；將包含歷史維修數據的故障模式引入物理模型和性能模型，構建故障模型，用于故障診斷和維護；將歷史數據與性能模型結合，在數據驅動下建立性能預測模型，評價設備性能和壽命預測；運行環境引入局部線性模型，形成控制優化模型，為設備優化提供策略。這些模型共同描述了一個包含多行為屬性的數字孿生模型，實現對設備的監測診斷與性能優化。

精準監測目的是解決設備退化導致的模型無法真實評價設備性能參數的問題。設備出廠時，依據設備性能模型建立額定性能模型，投入使用后，由于部件磨損、變形、加工誤操作等原因，設備性能退化，虛擬實體的性能輸出值偏離物理設備的傳感器測量值，設備性能參數（如變形、速度等）不能精確估計。為達到精確監測的目的，利用傳感器偏差數據可以實時修正基準模型的性能模型，從而建立一個設備性能自適應模型。實現方法為：根據傳感器測量值與虛擬性能模型輸出值之間的偏差，利用Kalman 濾波估計性能模型的變化程度，并使用神經網絡在包絡范圍內對基準模型進行補償修正，使虛擬實體輸出與真實設備輸出一致。

在故障診斷中，對同一批設備的故障與維護數據進行處理，形成故障模式，并將其引入初始模型。運行過程中，與設備采集數據實時比對，整理相似的故障模式，用以對故障進行預測。將設備性能模型與故障數據在數字空間融合，生成故障診斷模型，實現設備故障預測。設備故障有多種類型，如振動故障、潤滑故障等，數字孿生模型可以對設備的主要工作參數如速度、振動、溫度等進行監測，超出范圍進行報警。此外，將同一批歷史設備的故障模式整合到模型中。當實際測量參數超過設定范圍報警時，將測量數據與故障模式相匹配進行故障診斷，如圖3 所示。

圖3 故障診斷模型

性能預測是記錄同型號設備的運行歷史數據，融合基準模型進行性能預測。設備長期工作導致性能下降，為準確估計性能下降速度，對設備進行性能預測需結合傳感器實時數據和歷史運行數據。根據物理實體設備的多種故障數據，建立預測模型。該模型的構建包括評估參數選擇、樣本建立、指標設定、性能預測等4 個步驟。預測模型解決了物理實體設備的性能度量和預測，同時為故障診斷維修提供手段。

模型驅動和數字驅動[4]的融合，構建設備故障診斷孿生模型：首先采用模型驅動方法搭建初始模型；然后基于初始模型，結合實時數據與歷史數據，進一步構建了具備精準監測、故障診斷、性能優化等行為屬性的設備數字孿生模型。

3 數字孿生模型下的故障診斷技術實現步驟

基于數字孿生模型的故障診斷實現步驟主要包括儀器設備的搭建、數據的采集與處理、模型的建立與融合、數據的融合、故障預測5 個步驟[5]，實施步驟如圖4 所示。

圖4 數字孿生模型下的故障診斷技術路線

（1）步驟一：儀器設備的建立。儀器設備是設備管理的前端，將儀器設備可視化，便于直觀看到設備的運行狀態，遠程管理查看設備信息，提供故障診斷策略。

（2）步驟二：數據的采集。為了保證孿生模型能夠實時迭代優化，需要設定數據通信與轉換的標準來對多源異構數據進行采集，實現不同通信接口之間的數據統一轉換與封裝，從而可以對數據進行統一的規范處理，實現多源異構數據的集成和融合。

（3）步驟三：模型的建立與融合。建立物理設備到孿生體的真實映射[3]，分析多維度下模型間的關聯及其映射。物理設備的全方位建模遵循幾何、物理、行為、規則等多個維度，通過建立各層模型的聯系，從結構和功能上對模型進行融合，生成的模型及虛擬仿真以三維形式進行可視化展示。

（4）步驟四：數據的融合。首先對物理設備實體的實時數據進行去噪、建模，其次對其結果進行歸類、分析，最后將設備實時數據與模型數據進行迭代、演化與融合，實現物理與虛擬模型的數據融合，使虛擬實體能夠真實反映出物理實體的全要素在整個工作過程的運行狀態。

（5）步驟五：故障預測。孿生模型建成后物理實體與虛擬實體之間進行同步映射，在孿生數據的交互下，兩者間實時交互為設備的故障預測提供基礎。

物理實體將狀態數據等孿生數據實時傳輸到虛擬系統，虛擬實體設備的運行狀態與物理實體同步，在此過程中不斷產生新的數據，如故障預測數據、維修決策數據等[6]。通過物理實體設備與虛擬實體新產生的實時數據將與已有孿生數據進一步融合，服務系統將依據所得融合數據評估設備運行狀態從而快速感知到故障事件，對故障原因進行準確定位并提供合理的維修策略。

4 系統運行機制

系統運行機制方面借鑒了現有的數字孿生五維模型[6]，提出的設備故障診斷數字孿生模型主要包含物理設備、虛擬設備、設備孿生數據以及設備服務4 個運行主體，各主體間通過數據連接，實現各部分間的互聯。圖5 所示為設備故障診斷的數字孿生模型運行機制圖[7]，系統通過物理設備與虛擬設備建立的連接實現了雙向實時交互，最終建立與物理設備完全對應的孿生模型，實現了物理設備、虛擬設備、設備服務之間數據的集成與融合。

圖5 數字孿生模型運行機制

5 實時監控孿生模型建立的具體步驟

Unity3D 引擎可應用于工業領域，實現實時監控孿生模型。模塊化處理，便于模型的構建，故將模型分為建模、控制、監控等三大主要模塊，分別對應虛擬設備的幾何模型、行為規則及設備運行可視化。

首先將設備實體在三維軟件等價建模，平衡渲染逼真效果和模型體積輕量化后，導入Unity3D 進行場景搭建，依據設備運行邏輯編寫腳本并賦予模型；建立數據與模型的通信，通過OPCUA 協議，實現與數據庫和傳感器的連接。通過孿生數據驅動，形成虛實映射關系，二者同步運行；經上述步驟，完成對孿生模型的搭建，之后可發布到電腦客戶端和移動平臺，模型展示如圖6 所示。

圖6 設備數字孿生模型

為了提高數據的實時性，可通過人機交互方式，點擊要查看設備，控制該設備信息采集裝置就會將信息發送給Unity3D 場景，經分析處理以文字和圖表形式將該設備的運行狀態展現在二維看板，從而保證專業用戶看到的數據是實時且直觀的。

通過數字孿生模型，數字化生產線變得更加透明，設備狀態、利用率、工件加工狀態、消息推送和異常報警能以非常直觀的方式向管理者展示，維修人員可基于孿生體數據進行簡單故障處理，通過設備狀態信息并結合故障診斷方法[9]，及時做出決策。同時，也可采用工業VR/AR 技術，快速定位故障部位，分析故障原因。

6 結束語

進行了數字孿生模型的建立和與故障診斷的結合，闡述了數字孿生在故障診斷領域的重要意義；基于數字孿生的五維模型定義，描述了設備故障診斷技術的數字孿生模型所包含要素；融合模型驅動和數據驅動的方法，在設備監測與故障診斷階段構建了全方位反映實體運行的設備模型，同時，依托于Unity3D引擎和OPCUA 協議，形成了設備的故障診斷數字孿生體。