基于數字孿生軟件的設備預測性維護技術研究

陳磊 劉偉 袁君奇

（1.漢威廣園（廣州）機械設備有限公司，廣東廣州 510700；2.廣東省冶金長材裝備制造與運維工程技術研究中心，廣東廣州 510700；3.騰訊云計算（北京）有限責任公司，北京 100080；4.湖南華菱湘潭鋼鐵有限公司，湖南湘潭 411101）

一、新型工業化背景下鋼鐵行業生產設備管理現狀

國家統計局數據顯示：2022 年，我國累計鋼產量為10.13 億噸，占全球粗鋼產量的53.93%，已連續26 年位居全球第一。鋼鐵企業實現智能制造可以提高企業生產效率、產品質量，降低生產成本，實現信息互聯互通。

預測性維護是集設備數據采集、故障診斷、狀態預測、決策支持和維護活動于一體的維護方式，可滿足高質量、低成本、低勞動力的要求，將極大提高企業的經濟效益，助力數字化升級，提升企業競爭力。從在役設備的安全保障、提升生產效率等角度綜合考量，企業推進生產設備的預測性維護，實現“智能運維”勢在必行。

二、設備運維領域存在問題

設備是智能制造的生產核心，其穩定性、安全性、持續性會直接影響工業企業的生產產值。鋼鐵冶金行業屬于連續性流程工業，關鍵設備故障對生產的影響尤為巨大。棒線材作為鋼鐵冶金行業產品中的重要產品，廣泛用于建筑、機械、電力、航空等領域的結構件。棒線材生產線中高技術、高性能設備較多，具有生產節奏快、工序連續性強、設備結構及工況復雜、上線服役周期長等特點，設備一旦突發故障停機，會直接造成較大的生產效益損失。

鋼材軋制是鋼鐵全流程智能制造的關鍵，由于不同鋼種、不同工況對軋鋼過程的影響，軋鋼過程中各種參數會時刻變化，導致構建系統存在難以精準采集數據、難以在線進行實時診斷分析等難題，嚴重制約了軋鋼設備管理水平的提升，影響了軋材生產制造領域的高質量發展。

三、數字孿生技術在設備運維領域的應用概況

設備數字孿生運維系統通過聚焦生產設備運行管理和工廠數字化轉型升級，采集、匯聚、分析生產設備運行狀態數據，并將其以“產線級”和“設備級”數字孿生3D 可視化的仿真方式同步在Web、APP，對各類設備風險進行預警，支撐開展預測性維護活動，提高生產設備綜合運行效率。

運維系統以生產設備全生命周期為主線，運用云計算、大數據、物聯網、人工智能、數字孿生等關鍵技術，聚焦設備管理、生產運營等關鍵場景，構建全數字、全可視化的數字孿生體系。系統可根據設備運行狀態變化和業務需求，通過多維度的數據分析識別故障來源，確定故障程度，準確預測出設備隱患，及早安排人員和物料消除設備缺陷。這有效減少了非計劃停機情況，降低了維修費用，減少了庫存資金占用，提高了生產線運行效率并實現了輔助管理決策。

設備數字孿生運維系統作為產業互聯網平臺，兼具聚焦和普適雙重特性，面對行業需解決的難點、痛點問題以及不同需求，為鋼鐵冶金行業的用戶提供高線設備個性化定制服務模式，并集合人力、物力、財力等生產要素，通過扁平化組織縮小管理時空，增強應變能力，便于鋼鐵企業對設備進行高效管理。設備數字孿生運維系統采用“端-邊-云”協同的主流架構模式。該系統將各現場監測點、數據源作為端，將各廠部設立的高頻數據采集、處理及預警作為邊緣計算，將公司設備數字孿生運維系統平臺作為云，實現“端-邊-云”架構下的預警、預測、診斷、分析，詳見圖1。

依托運維系統，鋼鐵企業設備管理模式由計劃性維護轉變為預測性維護，同時為上下游用戶提供全產業鏈創新服務。

四、設備數字孿生運維系統軟件設計方案

設備數字孿生運維系統是讀取、瀏覽和分析數據的重要人機交互平臺，該系統基于生產設備運行狀態數據的采集、匯聚、分析以及數據可視化呈現，優化提升設備管理能效，使用先進成熟的自主研發系統為客戶提供生產可視化移動管理服務。本文以鋼鐵行業棒線材作為較典型的數字孿生技術應用場景進行闡述。

本系統通過輸入、輸出和所封裝的關鍵技術及數字孿生技術，對設備幾何結構和外形的三維建模，應用軟件與控制算法等信息展開全數字化的建模技術，并結合多物理場仿真、數據分析和機器學習功能，使設備狀況以3D 可視化方式清晰完整地呈現；通過仿真、預測設備缺陷，對異常狀態及時作出報警，為進一步的故障分析、性能評估等提供信息和數據。最終，棒線材生產線以數字孿生3D 可視化的仿真方式展現“產線級”和“設備級”，在“設備級”中內部結構健康狀況清晰可見，且無限趨真。產線級棒線材設備數字孿生運維系統，如圖2所示，設備級棒線材設備數字孿生運維系統，如圖3 所示。項目主要創新成果如下。

圖2 棒線材設備數字孿生運維系統（產線級）

圖3 棒線材設備數字孿生運維系統（設備級）

（一）棒線材設備故障診斷分析技術研究

棒線材設備故障診斷分析首先通過對故障信號的處理，重構故障特征，然后進行數據分析，達到識別故障來源、最終確定故障程度的目的。在振動數據價值利用方面，通過多種診斷方式進行狀態評估和故障分析、故障識別。故障分析工具包括趨勢分析、時域波形等。在振動數據多指標提取層面，除常規振動有效值、峭度等指標外，根據多年經驗計算峭度密度、沖擊能量比、綜合指標等針對性振動指標，用于移動設備早中期損傷的監測。

（二）軋機故障信號降噪重構特征識別方法

通過故障信號降噪重構特征識別方法，實現軋鋼工藝設備故障的準確診斷。本方法將奇異值及奇異值向量結合起來，對采集的振動信號矩陣進行奇異值分解，以生成對應的奇異值向量。根據奇異值向量構造奇異值差分譜，再根據奇異值差分譜確定有效奇異值階次。在有效奇異值階次的范圍內，對奇異值向量進行快速傅里葉變換（FFT），搜索FFT 結果序列中具有工頻及其倍頻特征的幅值，以得到對應的噪聲奇異值。使用剔除噪聲奇異值的奇異值向量重構時域信號，以獲得故障特征信號。故障信號降噪重構特征識別方法能夠提高故障特征信號的信噪比，實現軋機設備故障的準確診斷。

（三）基于設備的振動信號報警識別方法及計算設備

建立覆蓋實施對象的關鍵零部件、關鍵故障形式的在線監測系統。通過數據采集與邊緣計算，采集設備當前時刻的振動信號，并計算出信號對應的均方根指標幅值，判斷均方根指標幅值是否超過預設的第一實時門限。若超過，則獲取振動信號對應的轉速、齒輪故障指標、軸承故障指標和工頻故障指標，判斷轉速、齒輪故障指標、軸承故障指標和工頻故障指標是否均滿足各自相應的無效報警狀態，若均滿足，則判定設備狀態正常，不發出報警信號；否則判定設備狀態異常，則發出報警信號。這種基于設備數據篩選、數據分析的信號報警識別方法可以更準確地捕捉設備故障，降低因單純使用均方根指標幅值進行故障識別所帶來的誤報警率。

此外，通過收集完整的設備運行數據，建立運行檔案。綜合運用振動、油液、溫度、電流、轉速等數據監測和故障診斷技術，及時了解設備運行狀態，把握運行周期的變化趨勢。基于振動信號的智能診斷算法主要針對常規工業旋轉設備，該算法以轉子動力學、軸承、齒輪故障機理為基礎，以實際故障案例數據為支撐，覆蓋多種故障類型、多維度判斷故障嚴重程度，可以大大提高專業診斷工程師生產力，讓用戶設備運維無憂。系統中的信號處理技術和數據處理功能，將原始振動波形處理成為振幅頻譜圖，通過再處理、包絡解調、倒譜等功能可以濾去特定頻率或者頻段波形。

（四）具有故障點定位的棒線材設備故障診斷方法

現有故障診斷技術在棒線材設備的應用中，大多針對單個測點，通過生成頻譜圖判斷故障情況。因此，對于多測點，需要查看多個測點分別對應的頻譜圖才能判斷單體設備是否發生故障。上述方法花費時間較長，且效率較低。本文提出了高效的故障點定位診斷系統。一是獲取待監控設備多個振動測點對應的振動數據，然后對各個振動測點對應的振動數據進行分析，生成各個振動測點對應的候選頻譜圖，保證了生成的各個振動測點對應的候選頻譜圖的準確性。二是根據各個候選頻譜圖對應的幅值之間的關系，對各個候選頻譜圖進行融合處理，生成目標頻譜圖，保證了生成的目標頻譜圖中可以包括各個候選頻譜圖的特征，進而保證了生成的目標頻譜圖的準確性。最后，對目標頻譜圖中的幅值和頻率進行分析，確定待監控設備對應的故障，保證了確定的待監控設備對應故障的準確性。

系統通過對圖譜數據分析，實現識別故障來源、診斷故障程度的目標。在振動數據圖譜方面，可使用趨勢分析、時域波形、包絡解調等多種信號分析處理手段，診斷設備故障的部位、損壞形式和嚴重程度。棒線材設備數字孿生運維系統（圖譜分析），如圖4 所示。設備在某一運行狀態下，各種故障類型（不平衡、不對中、共振故障等）均對應特定振動頻率，在振動頻譜圖可以確定設備故障來源。不同故障來源均有其故障初期、中期及后期典型圖譜，與設備振動圖譜對比即可準確判斷故障發展程度。

圖4 棒線材設備數字孿生運維系統（圖譜分析）

（五）棒線材設備數字孿生模型研究

數字孿生是利用人工智能、大數據等新的計算能力完成數據處理任務，以數據、模型為主要元素構建的基于模型的系統工程，依靠包括仿真、實測、數據分析在內的手段對物理實體狀態進行感知、診斷和預測，進而優化物理實體，同時進化自身的數字模型。數字孿生是物理實體數字空間的重構。操作數字空間的對象時，物理空間的實體對象進行相應動作和發生狀態變化時，數字空間的對象也會相應地發生改變[1]。由于計算機技術可以更加方便地處理和分析數字數據，本文利用物理實體的數字映射進行計算分析，同時利用人工智能等方法幫助預判、輔助決策或直接驅動，形成“感知—決策—執行”完整的閉環。

3D 可視化是鋼鐵設備管理的需求痛點之一，通過數字孿生技術可以同步展現設備運行狀態以及故障零部件信息，為客戶的使用提供了極大的便利。目前，市場上沒有能直接生成設備模型（零件級）并關聯對應數據的軟件，無法單獨對某一零部件進行動作或改變狀態。本項目開發了零部件重構組裝功能，可自動對零部件模型進行組裝，完成設備的3D 還原。

數字孿生模型是由數字模型、數據分析和知識庫構成。系統將數據可視化，對現場設備通過3D 建模，并以數字孿生的仿真手段將現場實時數據同步在Web、APP，以“產線級”和“設備級”數字孿生3D 可視化的仿真方式呈現，如果振動強度超出預警值，則以不同的顏色標識出來。

設備數字孿生運維系統基于設備制造的基礎數據，結合設備運行中產生的狀態監測數據和信息，借助各種故障模型和人工智能算法，通過業務與平臺系統實時對接、業務模型實時回溯調整，構建能夠準確反映物理設備狀態的虛擬實體，在物理和數字孿生間實現動態和同步。持續的數據交互，進一步幫助虛擬孿生對物理世界中的設備運行機理和狀態實現更加完整的掌控，形成了主動預測、結果研判功能，實現智能算法設備報錯、設備殘余壽命計算等。依托虛擬孿生體積淀的數據和模型，使用人員可以更好地模擬和測試物理環境中的多種場景，達到更加精細的數據分析和優化[2]。豐富多元的人機交互方式推動了全新生產管理和設備維護協作模式的發展。

本系統為國內鋼鐵工業首套基于AIoT 的棒線材設備數字孿生運維系統，實現了數據可視化、物理空間設備的數字化。參數包括型號、轉速比、三維空間位置、齒輪齒數、滾動軸承滾動體數目等，系統建立了包含詳細參數的3D仿真模型，詳見圖5。系統通過對設備各類相關狀態的采集、分析、統計、預測，對設備異常進行綜合分析，得出狀態判斷結果和處理方案。用戶可直觀、及時地發現故障劣化趨勢，確保能夠及時維護處理，保證整線的正常運作，提高設備狀態管理的準確性、有效性，提升設備狀態的控制能力及人員作業效率。

圖5 數字孿生應用模型

五、設備數字孿生運維系統軟件核心技術及性能指標

本文針對行業存在的共性難點及痛點問題，研制開發了數字孿生過程仿真模型、線材軋機的故障信號降噪重構特征識別方法、基于設備的振動信號報警識別方法及計算設備、遠程在線監測和智能診斷系統及方法等，建立了基于AIoT 的棒線材設備數字孿生運維系統，核心技術自主創新如下。

（一）首次創建基于AIoT 的棒線材設備數字孿生運維系統

系統通過AI 算法等進行數據處理，構建基于模型的故障診斷系統，依靠包括仿真、實測、數據分析在內的手段對運行狀態進行感知、診斷和預測，完成設備的虛實映射，實現零件級的數字關聯。接入設備狀態信號數量≥4 種（振動、溫度、含水量、轉速）。

（二）研究發明一種高速線材軋機的故障信號降噪重構特征識別方法

系統通過對采集的振動信號進行奇異值向量提取、分析、降噪實現對故障的識別。故障特征提取為實現裝備故障的準確診斷奠定了基礎。降低隨機噪聲≥90%。降噪后工頻干擾信號被消除，得到干凈的基頻及倍頻信號，有利于分析和診斷設備運行狀態。

（三）研究發明一種基于設備的振動信號報警識別方法及計算設備

系統通過采集設備當前時刻的振動信號，判斷均方根指標幅值是否均滿足各自相應的報警狀態。該種設備的振動信號報警識別方法及計算設備可更準確地進行故障推理，捕捉設備故障，降低因單純使用均方根指標幅值、閾值設定進行故障識別所帶來的誤報警率。

（四）研究發明一種高速線材軋機遠程在線監測和智能診斷系統及方法

系統通過多類型振動數據分析，確定故障類型及實現零部件故障點定位，在參數完整的前提下，預警準確率≥86.5%，與傳統方法相比，該法基本擺脫監測系統對專業診斷工程師的依賴。

此外，基于AIoT 的棒線材設備數字孿生運維系統具備可接入測量點多、高可靠性傳感器網絡、高性能數據采集模塊、主流/安全/穩定系統架構、集成邊緣計算與網關、數據實時分析、智能診斷預警、邊緣與中心計算結合、數據安全保障等技術條件。

通過一系列技術創新，本文建立了以故障預測和健康管理為核心的設備智能運維系統。

六、設備數字孿生運維系統軟件應用成效

（一）數字孿生3D 可視化，助力實現設備預測性維護

設備數字孿生運維系統助力實現設備預測性維護。系統基于設備運行狀態數據的采集、匯聚、分析，對異常狀態及時作出報警，以3D可視化的呈現方式輔助設備維護人員找到故障原因并進行分析，便于他們發現故障的早期征兆，判別設備異常，監控和掌握設備狀況，預測故障隱患和可靠工作壽命，減少誤判問題的概率，從而采取相應的措施快速消除故障，避免、減緩、減少重大事故的發生，提高設備安全性，最大限度地降低故障影響，實現高效的運行環境。棒線材設備數字孿生運維系統（設備級），詳見圖6。

圖6 棒線材設備數字孿生運維系統（設備級）

（二）及時發現設備缺陷，降低維修費用

設備數字孿生運維系統采用B/S 架構，具有完整的網絡功能，安裝于服務器內。該系統支持基于服務器的客戶端分析、診斷、管理共享以及基于網絡瀏覽器的客戶端瀏覽和數據共享功能。系統利用在線監測與分析儀器，采集振動、溫度、油液、電流、轉速等信號數據，對設備異常運行狀態進行實時分析，支持實現多重征兆的多級預警與智能診斷，揭示缺陷（故障）的原因、程度、部位，為設備的在線調理、停機檢修提供科學依據，為進一步的故障分析、性能評估等提供信息和數據[3]。系統通過科學評估設備健康狀態，生成設備維修規劃和維修策略，提高設備的維修保障效率，延長運行周期，降低修護費用。

（三）完善企業信息化建設，以互聯互通，消除“數據孤島”

數字孿生運維系統在系統設計中，充分考慮各類設備的集成管理需求，以及將來推廣擴展的支撐能力，制定了整體架構解決方案。系統采用開放式架構設計，支持并兼容在各主流廠商的硬件IT 基礎設施以及各類虛擬化設備上部署運行。同時，設備數字孿生運維系統基于能力開放模式構建，面向多源異構的數據集成環境，封裝復雜的底層技術實現，提供開放的標準化數據服務接口，易于與第三方系統或工具進行集成，構建新業務服務。在系統架構上，系統從在線的功能（代碼）編輯工具，到開放API、SDK，再到應用服務部署發布，提供了多層次、多方式的二次開發能力。

設備聯網化打通了企業各生產設備信息化系統間的數據通道，建立精準、實時、高效的數據互聯體系，將多類型設備信息和參數統一保存和管理。相關人員能夠實時查看設備運行動態數據，可留存和追溯數據，實現設備全生命周期管理。

（四）有效提高設備運維工作人效價值，為人員安全提供保障

數字孿生運維系統展現層采用B/S 架構設計，支持從數據集成、數據分析、流程設計、可視化展現、消息推送等各環節提供靈活高效的配置能力，實現業務服務的快速構建。同時，支持跨系統訪問能力，滿足跨系統需求，并且擁有良好的訪問體驗。此外，面向設備監測、告警通知、運維工單等功能應用，形成具有一致的用戶體驗。在網絡安全機制下，客戶或運維人員、用戶可以使用移動APP 來訪問系統，快速便捷地進行智能運維服務。

（1）實時查看巡檢人員出勤情況、巡檢時間和進度，記錄巡檢數據，監控巡檢人員是否按照巡檢和保養標準計劃開展工作。

（2）將傳統的人工記錄、紙質表單、簽字審批等流程轉換為線上系統流程化管理，形成無紙化作業，可追溯記錄。

（3）全天候監測設備運行狀態，減少人員靠近轉動部位次數，降低危險作業頻率，為人員安全提供保障[4]。

七、未來改進建議

智能制造的實現是一個從半自動化到全自動化，最終實現智能化、柔性化生產的過程。智能制造將制造業與信息技術、互聯網技術相結合，在生產工藝、生產管理、供應鏈體系、營銷體系等多個方面實現全產業鏈的互聯互通。本文建議結合以下關鍵技術對數字孿生運維系統作進一步優化提升。

（一）多源多通道數據實時采集感知技術

多源傳感器數據采集是智能制造過程中實現智能感知的前提，多源傳感器數據采集系統由各類傳感器（振動傳感器、壓力傳感器、轉速傳感器、溫度傳感器、流量傳感器、視覺傳感器等）組成，實現對多源、多通道分布式數據的實時采集、分析和轉換等。多源傳感器數據采集系統包含信號轉換技術、實時網絡通信技術、多線程管理技術、數據緩存池技術、黑匣子技術、信息安全技術等。

（二）異構數據內容融合與傳輸共享技術

通過對各種異構數據進行內容分析和融合處理，從海量數據中挖掘出隱藏信息和有效數據，提高智能產品與裝備狀態監測的準確性。異構數據包括：海量的物理特征數據，如振動/溫度/轉速/電流/壓力/流量傳感數據、文本/超文本、聲音數據、影像數據、視頻序列等。

（三）大數據驅動故障診斷深度學習技術

設備運行過程中產生的海量特征數據蘊含著大量的故障信息，在收集智能裝備運行特征數據的基礎上，應用深度學習算法對大數據進行知識挖掘，能夠獲得與故障有關的診斷規則，實現對智能產品與裝備的故障預測和診斷。

（四）數字孿生與數字樣機建模分析技術

數字孿生充分利用物理模型、傳感器更新、運行歷史等數據，集成多學科、多物理量、多尺度、多概率的仿真過程，在虛擬空間中完成仿真映射，從而反映了相對應的智能產品與裝備的全生命周期過程[5]。

八、小結

實踐證明，設備數字孿生運維系統的有效投用，解決了重復投入建設、數字資源分散、設備故障預防應對能力不足等問題。本系統在湖南華菱湘潭鋼鐵、寶鋼股份武漢鋼鐵、廣西盛隆冶金等大型鋼鐵企業落地應用后，推進設備預測性維護策略的成效明顯，同時逐步成為企業數字化轉型升級的重要引擎，不僅賦予智能制造新的內涵，而且通過數字孿生生產線的標桿示范作用，為推進行業可持續發展和打造智慧鋼鐵注入了新動能。