基于數字孿生的復雜礦用設備預測性維護系統

張旭輝，鞠佳杉，楊文娟，呂欣媛

（1.西安科技大學機械工程學院，陜西西安 710054；2.陜西省礦山機電裝備智能監測重點實驗室，陜西西安 710054）

傳統的礦用設備維護一般是根據以往經驗制定周期性巡檢流程，并由經驗豐富的技術人員現場勘查、檢修[1-2]。隨著礦山智能化程度和測控水平的不斷提高，對礦用設備有效檢修（如狀態監測、預測維護等關鍵技術）的要求也不斷提升[3-4]。因此，具有狀態預測、分析決策功能的數字孿生技術成為設備故障預警領域的研究熱點[5-6]，受到了學者們的廣泛關注。

為實現最大程度的智能化預測，學者們在傳統數字孿生體組成框架的基礎上，提出了許多基于數字孿生的故障預警方法[7]，進一步明確了數字孿生體的框架結構及其系統特性，比較典型的應用場景包括航空航天系統[8]、制造加工系統[9]、復雜測控系統[10]、通信驅動系統[11]和融合裝配系統[12]等。這些系統的數字孿生體具有較高的靈活性，但存在系統復雜、實際應用困難等問題。為此，學者們嘗試采用簡潔的輸入或通過引入深度學習和大數據處理等方法來驅動系統的決策。例如：希臘佩特拉斯大學的Nikolakis等[13]為優化工廠內的物流作業，提出了一種以簡潔元素作為輸入的仿真方法來構建數字孿生體；太原理工大學的丁華等[14]提出了一種數字孿生與深度學習相融合的采煤機健康狀態預測系統；北京理工大學的張玉良等[15]通過構建航天器的數字孿生體來提高其制造加工過程中的智能決策水平；西安科技大學的張旭輝等[16]提出采用基本的虛實從動策略來實現復雜煤礦機電設備的遠程操控。然而，上述研究雖強調了虛擬預測結果驅動現實交互設備的虛實同動功能，卻忽略了現實交互設備操作后所產生新數據的回收與檢驗，易導致虛擬預測結果準確度降低。

針對上述數字孿生技術的應用難點，筆者以數字孿生體構建以及預測性維護流程為思路，綜合考慮煤炭機械的常見故障，構建了通用的復雜礦用設備預測性維護系統。首先，提出一種基于LabVIEW、MySQL和Unity3D的復雜礦用設備狀態監測方法，以實現多元數據的采集與分析，并通過3D可視化方式展示目標設備狀態；然后，對基于灰色粗糙集的BP（back propagation，反向傳播）神經網絡進行研究，以確定復雜礦用設備故障預警功能的實現方法；最后，基于混合現實（mixed reality,MR）技術構建復雜礦用設備的預測性維護系統，并以故障預警結果驅動輔助維修流程并部署至HoloLens眼鏡，引導維修人員操作。

1 基于數字孿生的復雜礦用設備預測性維護系統總體設計

1.1 預測性維護系統的功能需求

對于復雜礦用設備，基于數字孿生的預測性維護系統應滿足以下功能需求。

1）狀態監測。狀態監測是預測性維護系統的基石，承擔著數據采集與傳輸的任務[17]。在狀態監測過程中，將設備狀態數據通過虛擬交互手段簡明直觀地顯示在其三維模型上，以實現操作人員從整體上把控復雜礦用設備的運行狀態[18]。

2）故障預警。故障預警是預測性維護系統的關鍵，在對采集的設備狀態數據進行約束簡化處理后，對故障預測算法進行優化，以保障預測結果的合理性，進而對下一階段設備狀態進行故障預警[19]。

3）預測維護。預測維護是預測性維護系統的目標，為保障技術人員的現場實操性，結合MR技術將預測性維護指導信息部署至HoloLens眼鏡，技術人員通過佩戴眼鏡即可獲得簡潔直觀的維護指導[20]。

1.2 預測性維護系統的總體流程

基于數字孿生的復雜礦用設備預測性維護系統的總體流程如圖1所示。首先，基于復雜礦用設備的物理實體，搭建其數字孿生模型[14]，并借助傳感器實時采集設備的狀態數據；然后，對采集的狀態數據進行處理、分析，并搭建目標設備的機理模型，一方面實時呈現設備狀態監測結果，另一方面通過故障預測模型實現設備故障預警；最后，綜合狀態監測結果和故障預警結果來判斷目標設備在下一階段是否能正常運行，若正常則返回數據采集步驟，若異常則部署預測性維護流程，對設備物理實體進行預測性維護操作，維護后的狀態數據仍由傳感器采集，以實現狀態監測的迭代更新。

圖1 基于數字孿生的復雜礦用設備預測性維護系統總體流程Fig.1 Overall process of predictive maintenance system for complex mining equipment based on digital twin

2 復雜礦用設備數字孿生體構建

數字孿生體包含物理空間實體、虛實交互模塊、數字空間模型以及上層智能應用服務，構建完整數字孿生體的過程即為預測性維護系統的實現過程。構建復雜礦用設備的數字孿生體，其組成框架如圖2所示。

圖2 復雜礦用設備數字孿生體組成框架Fig.2 Composition framework of digital twin of complex mining equipment

物理空間實體是數字孿生體的基礎，包含現實設備與傳感器等硬件設施，將傳感器安裝于目標設備的各個關鍵部位，用于獲得全面精準的設備狀態信息。

虛實交互模塊采用以太網TCP（transmission control protocol，傳輸控制協議）通信協議，通過數據采集卡將各傳感器的基礎數據傳遞至數據庫，方便后續虛擬空間建模時調用相關數據。

虛擬空間模型包含目標設備的狀態監測模型和故障預測模型。其中：狀態監測模型打破了傳統幾何模型的限制，借助虛實交互技術在幾何模型的基礎上融合設備的實時狀態信息，實現對設備狀態的實時監測；故障預測模型是數字孿生體的核心，即利用目標設備的歷史狀態數據對預測算法進行訓練和優化，以得到最優的故障預測模型，從而達到故障預警的目的。

智能應用服務層通過綜合判斷數字空間模型的結果給出最終的維護決策。當技術人員在現場進行維護后，由虛實交互模塊將維護結果再次傳遞至數字空間進行預測分析，從而完成狀態數據的迭代更新，以保障預測性維護功能的可靠性。

3 復雜礦用設備狀態監測技術

狀態監測是預測性維護系統的底層技術，體現在數字孿生體虛擬空間層的狀態監測模型部分，是向虛擬世界呈遞物理世界真實狀態的紐帶[18]。在機械設備的設計、制造階段，包含海量的數據，例如尺寸結構、預估壽命和失效類型等；當機械設備投入生產后，會產生大量運行狀態數據、維修損壞數據等。為保證狀態監測模型的準確性，本文通過簡化虛擬模型、關注核心數據以及采用數據庫等方式來保證數據動態變化的實時性和可靠性。

傳統的狀態監測系統多以LabVIEW等專業軟件開發，數據傳遞便捷且高效，但圖表數據復雜，非專業人士難以理解和操作，故提出了簡潔、直觀的3D可視化狀態監測模型，以滿足數字孿生體對高保真模型的要求。復雜礦用設備的狀態監測流程如圖3所示。

圖3 復雜礦用設備狀態監測流程Fig.3 Status monitoring process of complex mining equipment

首先，在真實礦用設備的實驗臺上，利用傳感器獲取設備狀態參數，并對傳感器采集的信號進行模數轉換，并自定義以太網TCP通信協議實現上位機數據連通；然后，利用LabVIEW軟件將采集的設備狀態數據儲存于MySQL數據庫中，以對礦用設備的歷史信息、狀態監測數據進行存儲管理與分類，從而方便Visual Studio軟件編程調用；接著，根據真實礦用設備的尺寸，利用SolidWorks軟件和3DMAX平臺搭建礦用設備的虛擬模型，并采用Unity3D開發引擎調用MySQL Navicat協同數據庫，將設備的狀態數據、幾何尺寸和維修歷史等重要信息通過標紅強提醒、語音播報和文字面板提示等方式顯示在狀態監測模型中；最后，利用礦用設備動態變化的位姿、工況等參數在虛擬世界中驅動數字孿生體，實現虛擬模型的迭代更新，并記錄工況數據以進行維護性預測處理。操作人員只要查看狀態監測模型中的可視化數據即可對礦用設備的狀態進行總體把控：通過鍵鼠移動選擇不同零件部位，在查看設備三維模型的同時觀察其當前的主要狀態。

4 復雜礦用設備狀態預測維護

在建立可呈現復雜礦用設備物理實體當前狀態的數字化模型后，利用狀態預測技術實現故障預測模型的構建是實現預測性維護功能的關鍵。人工神經網絡因具有良好的容錯與自學習能力，被廣泛應用于故障預測領域[20]。但在復雜礦用設備的實際運轉過程中會產生大量冗雜的狀態數據，而灰色關聯分析方法與粗糙集理論可在不同方向上約簡數據集，達到剔除無關屬性、無效數據的目的[21]，可滿足BP（back propagation，反向傳播）神經網絡的收斂與精度要求。因此，本文在復雜礦用設備的預測性維護系統中采用基于灰色粗糙集的BP神經網絡。

4.1 基于灰色粗糙集的BP神經網絡預測模型

要實現復雜礦用設備的預測性維護，就需要對大量的設備歷史運行狀態數據進行分析，通過對數據進行提取、處理，不斷地訓練優化故障預測模型，并通過仿真和預測獲得數字化、精確化的處理結果。首先，制作礦用設備的初始決策表，并利用灰色關聯分析方法剔除冗雜數據；然后，對剩余數據進行離散化處理，采用粗糙集理論去掉無關影響因素，得到約簡后的礦用設備數據決策表，將其作為待訓練BP神經網絡預測模型的輸入；最后，考察預測結果是否滿足精度要求，以判斷所構建的預測模型是否構建成功。基于灰色粗糙集的BP神經網絡預測模型的構建流程如圖4所示。

圖4 基于灰色粗糙集的BP神經網絡預測模型構建流程Fig.4 Construction process of BP neural network prediction model based on grey rough set

以復雜礦用設備的運行故障數據集[22]作為訓練集，其中：λ為礦用設備的故障狀態，λ=1時為故障狀態，λ=0時為正常狀態；a～f為6種可能引起礦用設備故障的影響因素。

1）灰色關聯分析。

令礦用設備故障狀態特征序列為X0，定義故障狀態序列Xi=(xi(1)，xi(2)，…，xi(n))，i=1，2，…，m），則其與特征序列間的灰色關聯度γ(X0，Xi)的計算步驟為：

a）求解序列Xi的均值像Xi′；

b）求解特征序列X0的均值像X0′，計算其與Xi′對應分量的差并取絕對值，記為Δi(k)，并求其最大值M與最小值N：

c）計算關聯系數γ(x0(k)，xi(k))：

式中：ξ為分辨系數，ξ多數情況下取0.5。

d）計算灰色關聯度：

若灰色關聯度較低，則認為這些數據無法有效反映復雜礦用設備的故障特征，應篩選去除。

2）粗糙集約簡。

對于初始決策表DT，其縱向屬性約簡算法的處理步驟如下：

a）計算差別矩陣Mn×n(DT)=(cij)n×n的下三角矩陣；

b）對析取范式進行合取運算，得到差別函數Δ；

c）變換形式得Δ′=?kΔk，根據與之對應的約束項，制作礦用設備故障縱向約簡決策表。

以等頻裝箱法對經過灰色關聯分析橫向約簡后的數據表進行離散化處理，以差別函數進行數據集的屬性約簡，剩余的即為復雜礦用設備的故障影響因素。

3）BP神經網絡預測模型構建。

BP神經網絡包含輸入層、隱含層和輸出層，其中：輸入層個數與故障影響因素個數一致，設為k；隱含層以試算法確定，設為j；輸出層僅有故障狀態λ，故設為1。最終的BP神經網絡三層結構為k-j-1。

4.2 預測性維護功能實現

預測性維護功能屬于數字孿生體上層的智能應用服務部分，是虛擬世界指導物理世界的載體。故障預測模型將故障預測結果通過本地數據庫發送至遠程PC（personal computer，個人計算機）端，在MySQL Navicat數據庫中可查看MR維修指導服務中故障編號匹配表中的故障診斷結果。當預測性維護系統的故障編號為1時，則需要進行相應的維護操作，發送故障編號以驅動部署相匹配的MR輔助維護流程。其中，MR技術支撐模塊承擔著對應預測性輔助維護程序下載任務，佩戴HoloLens眼鏡的維修人員可根據驅動指令進行現場作業，保證維護工作的準確高效。

維護指導過程的數據驅動模塊由Visual Studio軟件編寫，可實時向基于數字孿生的復雜礦用設備預測性維護系統下發故障類別指令。每臺礦用設備在數據庫中都對應一張數據表，用于存儲設備運行狀態數據和設備基本信息，通過建立狀態數據的時間戳作為關鍵索引可獲取設備運行狀態預測故障時間點，以此驅動決策部署。每張數據表包含的字段有：設備編號、設備型號、時間戳和預測狀態編號等，如表4所示。

表1 復雜礦用設備數據庫字段信息表Table 1 Field information table of complex mining equipment database

5 采煤機搖臂部液壓柱塞泵預測性維護功能實驗驗證

為驗證所提出的基于數字孿生的復雜礦用設備預測性維護系統的狀態監測、故障預警以及維護指導等功能，以采煤機搖臂部液壓系統為對象進行分析。

1）狀態監測。

根據采煤機液壓系統的真實尺寸，利用SolidWorks軟件和3DMAX平臺搭建其虛擬模型，并在Unity3D開發引擎中搭建虛擬場景。利用安裝在采煤機搖臂部液壓柱塞泵上的傳感器采集當前的故障數據，并采用基于STM32的便攜式采集儀實現采集數據的模數轉換；然后，自定義以太網TCP通信協議實現上位機數據連通，利用LabVIEW軟件將采集的多元數據分類后存儲，以便Visual Studio軟件編程調用，并調用MySQL Navicat協同數據庫，對當前液壓柱塞泵的狀態數據進行匹配，為虛擬模型添加幾何尺寸、維修歷史和狀態參數等數據，并顯示在其狀態監測模型中。

表2所示為在實驗臺上采集的右搖臂液壓柱塞泵外泄口油溫、進油口壓力、回油口壓力、工作濕度、泵機轉速和相對振幅等6個參數（記為a～f）。

表2 采煤機右搖臂液壓柱塞泵故障數據Table 2 Fault data of right rocker hydraulic plunger pump of shearer

2）故障預警。

基于表2數據，構建基于灰色粗糙集的BP神經網絡預測模型，具體步驟如下。

a）灰色關聯分析。

樣本序號即代表采煤機液壓柱塞泵的使用周期，故以第1組樣本為特征序列進行灰色關聯分析。表3所示為采煤機右搖臂液壓柱塞泵故障數據的灰色關聯分析結果。由表3可知，樣本7，11，14，20與樣本1的灰色關聯度較低，表明這4組數據無法有效反映采煤機右搖臂液壓柱塞泵的故障特征，視為無效冗雜數據。

表3 采煤機右搖臂液壓柱塞泵故障數據灰色關聯分析結果Table 3 Grey relational analysis results of fault data of right rocker hydraulic piston pump of shearer

b）粗糙集約簡。

采用等頻裝箱方法對經灰色關聯分析橫向約簡后的數據進行離散化處理，然后利用基于差別函數的屬性約簡方法對離散化處理后的數據進行條件屬性約簡，得到的約簡結果為{a，c，d，e，f}，即影響采煤機液壓柱塞泵故障的主要因素有5個：溫度、進油口壓力、回油口壓力、轉速和相對振幅。

c）BP神經網絡預測模型構建。

對于三層BP神經網絡，由灰色粗糙集處理后的條件屬性為5，因此輸入層神經元個數為5；根據試驗測算的結果，為使最小訓練步數達到精度要求，隱含層神經元節點數取15。因此，最終確定為5-15-1的三層BP神經網絡。

訓練函數選用Levenberg-Marquardt算法中的trainlm函數，隱含層和輸出層分別選擇tansing和logsing作為激活函數，學習率為0.05。在剩余的16組樣本中，以前15組樣本為訓練樣本，以剩余1組樣本為測試樣本，在MATLAB軟件中進行BP神經網絡預測模型訓練，結果如圖5所示。測試結果表明，所構建預測模型的絕對誤差為1.08%，均方誤差較小，結果較為可靠，可用于采煤機液壓柱塞泵預測性維護。

圖5 BP神經網絡預測模型訓練結果Fig.5 Training results of BP neural network prediction model

利用訓練好的BP神經網絡預測模型來預測采煤機左搖臂液壓柱塞泵的故障狀態，結果如表4所示。其中，第6和第13組為冗余數據，作舍棄處理。根據模型預測結果給出相應的故障編號，由表4結果可知，該模型的預測準確率達到90%以上。將預測結果保存至MySQL數據庫，若分析匹配的左搖臂液壓柱塞泵故障編號置1，則根據故障預測結果驅動對應的C#程序進行預測性維護指導流程添加，以部署該故障類別下的MR預測性維護指導流程。若故障編號置0，則繼續進行狀態監測。

表4 基于BP神經網絡的采煤機左搖臂液壓柱塞泵故障預測結果Table 4 Fault prediction results of hydraulic piston pump of left rocker arm of shearer based on BP neural network

3）現場輔助維護。

維修人員佩戴已部署好采煤機左搖臂液壓柱塞泵輔助更換流程的HoloLens眼鏡，打開系統進入預測性維護模式，在GUI（graphical user interface，圖形用戶界面）面板上查看其歷史參數、故障狀態等，如圖6所示。實驗結果表明，采煤機搖臂部液壓系統預測性維護指導流程關鍵步驟通過語音提示、文字指引和虛擬工具演示等實現液壓柱塞泵的更換流程指導，維修人員根據該流程拆卸液壓柱塞泵，更換故障液壓配件，驗證了所提出的基于數字孿生的預測性維護系統的可行性。

圖6 采煤機搖臂部液壓系統預測性維護系統功能驗證結果Fig.6 Functional verification results of predictive maintenance system for hydraulic system of shearer rocker arm

6 總結

本文針對復雜礦用設備維護難題，聯合LabVIEW軟件、MySQL數據庫和Unity3D開發引擎，提出了基于數字孿生的預測性維護系統，實現了狀態監測、故障預警和現場輔助維護等關鍵功能，解決了物理空間與虛擬空間的數據交互、狀態預測和決策驅動的問題。結果表明，所提出的基于數字孿生的預測性維護系統可為復雜礦用設備的預測性維護提供創新性方法，可促進現實世界與虛擬世界之間的數據交互。然而，所提出的預測性維護系統仍有一定的改進空間，如樣本數據僅針對采煤機的液壓柱塞泵，還需要針對其他復雜零部件進行深入研究，以進一步提高系統的普適性；在故障預測算法等方面，還需根據不同目標對象進行訓練、優化，以提高系統的準確性。