面向特種底盤的數字孿生混合診斷系統建模技術及應用

周子璇，張鑫，康總寬，2，胡友民

(1.華中科技大學 機械科學與工程學院，湖北 武漢 430074；2.西北機電工程研究所，陜西 咸陽 712099)

特種車輛裝備結構復雜、功能多樣,其安全性、可靠性指標都遠高于普通車輛[1]。底盤作為特種車輛裝備的核心組成部件之一,其結構的復雜性導致故障檢測更加困難。因此,研究并開發針對特種底盤的專用診斷系統十分有必要。

近年來,數字孿生(DT)技術[2-5]在設備健康管理領域得到廣泛引用。如Ritto等基于數字孿生理念,搭建了一個集成物理模型和機器學習模型的系統框架[6];陶飛等提出數字孿生車間的概念[7],同時提出數字孿生五維模型,并從船舶、車輛、設備健康管理等工業領域提出其實施思路及方案[8]; Booyse等提出一種深度數字孿生框架并應用于設備的全生命周期健康管理[9];Tao等融合數字孿生技術提出了一種基于檢測驅動的故障預測與健康管理方法[10]。綜上,將數字孿生技術理念與特種底盤的固有特點及其故障診斷需求相結合,具備一定的技術先進性和實施可行性。

目前,針對大型機械裝備的故障診斷系統主要有以下3條技術路線：

1)基于知識的故障診斷系統建模[11]：如文獻[12]提出了一種基于代碼和通配符的知識規則表示方法,并利用數據庫模糊查詢實現知識推理。這種方式具有操作簡單的優勢,但對于故障表象不明顯的情況難以做出判別,導致失效。

2)基于數據驅動模型的故障診斷系統建模[13]：如文獻[14]提出了一種基于燃氣壓力評估的火炮底盤發動機故障診斷方法,從流體動力學建模的角度對發動機故障進行識別。該技術具有自動化程度高、識別能力強的優勢,但當歷史數據不充足時,模型的識別效果難以滿足要求。

3)基于信號處理的故障診斷系統建模[15]：如文獻[16]提出了一種基于多屬性決策理論的發射車底盤制動系統故障樹診斷方法,一定程度上改善了傳統分析方法準確性差、效率低的局限性。但該技術受專家經驗的制約且分析過程繁瑣。

此外,針對小型機械裝備,可通過有限元分析的方式對機械結構故障進行模擬,但這種方式計算規模受限,難以用于復雜的機械裝備。

筆者結合特種底盤的結構特點和運維需求,提出了一種基于數字孿生的特種底盤混合診斷系統架構及系統建模方法,設計并開發了特種底盤混合診斷系統。該系統通過構建多物理要素、多尺度、跨層次的特種底盤數字孿生模型,實現了對底盤物理實體的實時可視化監測與管理;通過感知適配特種底盤各部件的特征信息,設計了集智能診斷、專家知識庫診斷、人工遠程診斷于一體的混合診斷方式,實現了提高特種底盤運維可靠性并降低運維保障成本的效果。

1 特種底盤混合診斷系統設計需求

特種底盤主要可分為傳動系、行駛系、轉向系、制動系四大系統,由近萬個零件構成。若要對絕大多數的零部件進行監測,不僅實現成本高,且底層傳感器的布置難度大。通常情況下,底盤零部件的工作負荷及故障率的分布具有顯著的不均勻性。其中僅有少數零部件工作負荷較強,更容易發生故障或損壞,且會對車輛與人員安全造成重大危害。因此,從實際出發,通過對底盤故障進行主成分分析,將監測與分析的重點放在故障發生頻繁、故障危害大的典型零部件,并采用適配零部件的混合診斷技術,可顯著提高底盤故障檢測的經濟效益和管理效率。

特種底盤的常見故障模式如圖1所示。某型號特種底盤在某年度的故障分布百分比如圖2所示,數據來源于車輛售后維修部門。

結合圖1、2分析,四類底盤系統中,傳動系故障類型占比最高。其中最典型、最頻發的是離合器以及傳動軸軸承的故障,例如,分離杠磨損導致的離合器噪音過大、齒輪過熱損壞等。轉向系故障占比僅次于傳動系,以摩擦過大所導致的轉向器磨損以及齒輪泵的漏油現象居多。上述故障發生時,通常難以僅根據單一傳感器的數據進行故障定位與判別分析。基于數字孿生方法,實現多傳感器的數據融合與孿生模型驅動,有望解決上述問題。因此,針對特種底盤所構建的監測與診斷系統需要具備以下功能屬性：

1)可感知：軟件系統能通過多種渠道來源對底盤的狀態進行感知或信息獲取,包括對底盤裝備的易損零部件進行傳感監測,并將實時信號傳輸至系統平臺進行存儲。

2)可分析：能對監測的目標信號進行有效分析,快速地對底盤裝備進行狀態判別與故障定位。

3)可反饋：依據分析結果,可給出可靠的處置措施,幫助隨車人員迅速掌握故障位置、執行正確操作。

4)可視化：在感知與監測的過程中,能對底盤裝備的狀態進行良好的可視化呈現,包括對車輛運行狀態、底盤各部件健康狀態等進行實時呈現。此外,由于底盤裝備的特殊性,數字孿生理念中的反向控制并不適宜應用于實際的駕駛過程,且本研究的側重點在于實時提供可靠信息給隨車人員,因此反向控制功能不在本研究的范疇之內。

2 混合診斷系統總體架構設計

特種底盤混合診斷系統的總體架構設計如圖3所示,由物理層、虛擬層、網絡層、數據層、應用層5個層次組成：

1)物理層：即特種底盤實體,包含底盤各系統及其零部件組成,還包括安置于底盤各部位的傳感裝置與可編程邏輯總控制器(PLC)等。

2)虛擬層：虛擬層通過三維數字化建模與數據驅動模型的集成技術,實現對物理實體的硬件抽象與虛實交互,通過構建底盤數字孿生體模型進行全方位、多尺度的仿真模擬,達到可視化、可交互的目的。

3)網絡層：集成管理數據與信息傳輸的多種類型通訊網絡,如物聯網、移動通訊網等,保障網絡安全與傳輸通暢,進而保證系統運行的實時性。

4)數據層：存儲與管理采集特種底盤設備的海量多源異構數據,實現對大數據的集成與有效管理,為應用層提供數據支持,驅動數字孿生體運轉。

5)應用層：通過搭建特種底盤混合診斷系統,實現混合診斷、設備監測、維保支持等多項核心服務集成化,并搭建集成設備檔案、知識庫、案例庫、人員資料等多個對象的管理平臺,形成一套完整的覆蓋云端與終端各項需求的嵌入式診斷系統。

3 混合診斷系統建模關鍵技術

3.1 系統功能/技術框架設計

為滿足特種底盤在實際工況中的監測、診斷、維保等多方面需求,充分考慮系統云端與車輛終端進行信息傳輸、分析的技術要求,需建立完善的系統功能框架和技術框架。表1為系統開發的技術選型結果。圖4為特種底盤混合診斷系統的功能框架設計。其中,系統執行功能是在管理功能、交互功能的基礎上進行開發和實施的,包括狀態監測、故障診斷、維保支持三大功能模塊。系統采用集成技術框架進行開發,盡可能發揮各種技術各自的優勢。

表1 技術框架選型結果

3.2 由實到虛的數字孿生體監測技術

為實現如圖3所示的系統架構,核心是要構建一套基于數字孿生技術的特種底盤監測方案,能對多源異構數據進行采集、傳輸、管理與分析等工作,并驅動數字孿生體運轉,實現可視化監測。圖5為本系統網絡通訊方案示意圖,涉及底層物聯、移動通訊等多種方式,主要可劃分為特種車輛終端與診斷系統云端兩個部分。利用工業總線連接各底層傳感器,并通過PLC進行組態管理,為各傳感變量建立寄存器地址、定義變量名。在特種車輛上設置工控機,與PLC總控采用自動控制(OPC)方式進行通訊,讀取各變量實時值,幫助隨車人員發現問題,并按預定設置對關鍵數據進行邊緣本地計算,以減少數據傳輸與云端計算的壓力,再基于軍用網絡或運營商專業傳輸至云端的數據庫服務器。此外,在特種車輛終端,可利用隨車人員的手機訪問診斷系統專用客戶端,并在客戶端上填寫問卷信息、發起診斷需求、接收分析報告等。而在診斷系統云端,基于Web服務器和數據庫服務器搭建B/S架構的診斷系統平臺,該平臺具備對各車輛終端上傳的信息進行收集、展示、分析和反饋的能力。

為提高云端系統對特種底盤狀態監測的可視化性能,基于數字孿生技術與三維數字化建模技術,以模塊化部件為建模單位,為每個部件分別關聯其關鍵物理屬性,如轉速、電流、振動加速度等,對底盤全局各部件進行包含物理屬性的精細化建模。如車輛前輪傳動軸的數字孿生體包含了轉速、振動、溫度三項關鍵屬性,通過底層傳感器采集而來的數據對孿生模型進行驅動。考慮到傳輸延時和傳輸負擔的問題,采用以下兩種優化手段：

1)盡管豐富的物理屬性類型可以更加真實地反映現場實際,但考慮到系統使用效率,對每個部件只需綁定關鍵的物理屬性即可。

2)在車輛終端工控機上采用邊緣計算方式,對原始傳感數據進行數據約簡,只進行關鍵特征數據的傳遞(如軸的轉速只需要傳遞某段時間的轉速均值即可,因為短時間間隔內的轉速波動并非監測重點)。在基于邊緣計算架構的監測策略下,利用云端系統的底盤數字孿生體進行底盤實體的狀態監測,能實現快速、精準的監測效果。利用底盤數字孿生體進行狀態監測的使用效果圖如圖6所示。

3.3 由虛到實的混合診斷技術

3.3.1 混合診斷總體流程

由于工作環境的復雜性和工作任務的特殊性,對特種底盤狀態進行監測與診斷時,單一的故障診斷方式難以綜合考慮外界干擾因素和設備內在故障規律的雙重影響。因此,針對特種底盤裝置的診斷需求,本研究在多源異構數據的基礎上,將多種診斷方式相結合,充分考慮現場實際情況和專家經驗,設計了一套高效率、高可靠性的混合診斷流程,如圖7所示。

混合診斷流程將智能診斷、知識庫診斷、專家輔助診斷相結合,能夠充分發揮各種診斷方式的自身優勢,同時兼顧并提升診斷效率與可靠性,從而有效保障底盤裝備的安全性。但針對底盤裝置關鍵部件數目多、故障類型多、診斷難易程度不同等現實情況,混合診斷要求對不同類型的診斷任務因地制宜地選擇并實施相應診斷方法,而非套用全部診斷方式。例如,對于溫度異常導致的故障問題,只需要采用閾值檢測方法即可進行定位。這不僅有利于提高診斷效率,還使得故障診斷的判定依據更加精準。因此,掌握不同診斷任務的特點及技術需求,預先設定診斷方式,可有效增強診斷系統的可靠性。

當底盤出現新的故障類型時,智能檢測模型與知識庫將無法直接對這類新故障進行識別。此時,則需要人工專家依據云端數字孿生體模型,逐步分析確認故障模塊、故障部件,再由現場人員配合確認具體的故障模式。最后,這類新產生的故障知識將被補充到知識庫與案例庫中,并用于智能診斷模型的訓練。此外,當隨車人員無法上傳視頻圖片素材,且知識庫無法匹配相應解決方案時,人工專家同樣通過孿生模型對底盤的各子系統進行逐一分析以確認故障位置。

3.3.2 感知適配的混合診斷技術

智能診斷主要采用了壓縮感知[17]和深度置信網絡[18]兩項技術。

壓縮感知是一種數據壓縮技術,能在遠小于奈奎斯特采樣率的場景下,對數據進行稀疏采樣,使壓縮后的信號較好地保留原始信號的特征信息。在本系統中,壓縮采樣作為車輛端工控機的邊緣計算方式,對高頻采樣的原始信號進行壓縮處理,以減輕車輛端向云端系統數據傳輸的負荷。此外,云端系統可利用重構算法實現對壓縮信號的重構與復現,從而進行后續的存儲和分析工作。

深度置信網絡是一種經典的深度學習方法,基于多層受限玻爾茲曼機(RBM)實現信號特征的逐層提取。本系統選擇深度置信網絡作為故障模式識別算法主要有以下兩個原因：

1)深度置信網絡作為一種典型深度學習方法,對比傳統的機器學習方法具備更好的特征挖掘能力。

2)深度置信網絡的模型構建方式更加簡潔,它通過堆疊多個RBM來實現逐層的非線性映射,各層之間的結構信息相似,其網絡結構、模型超參數都更便于管理。

基于專家知識庫的故障診斷主要利用問卷信息分析方法對底盤部件進行故障診斷。在本系統中,采用模塊化管理方式對底盤的多個關鍵部件分別設計問卷,并在問卷知識庫中預先建立相應的邏輯判別規則。當隨車人員發現某個部件可能存在問題時,可通過手機打開終端應用,找到對應部件問卷,填寫相關信息,云端服務器則對這些問卷信息進行分析并匹配問卷知識庫,得出問卷分析的結論。以離合器故障診斷任務為例,圖8給出了問卷填寫和故障分析匹配的一個示例。

如前所述,當基于專家知識庫的故障診斷結果與智能診斷結果出現矛盾時,則采用人工專家診斷的方式進行結論修正。因此,最終的故障診斷結果可以結合智能診斷、知識庫診斷、專家輔助診斷3種方式,大大提高了診斷結果的可靠性,更加符合特種底盤實際的故障診斷需求。最終,診斷結果(即設備故障識別號,為空則表示無故障)與維保知識庫進行匹配得到維修/維護意見,形成檢測報告推送到隨車工作人員的系統賬戶。

4 混合診斷系統實例應用

根據某特種車輛制造商售后維修部提出的實際需求,筆者設計提出的系統可作為售車業務的信息化配套服務,為車輛采購方提供長期可靠的底盤裝置運維保障。該系統基于數字孿生的設備監測理念,設計開發了一套融合智能檢測、知識庫診斷、人工專家診斷的混合診斷系統,實現了對底盤關鍵部件的監測、診斷、維保支持等核心業務功能,構建了可自更新的知識管理、模型管理、案例管理等業務支持模塊。此外,本系統還開發了設備建檔管理、人員管理等功能模塊,進一步提高信息化水平。

本系統的核心是對底盤實施混合診斷,混合診斷過程示意如圖9所示。其中,針對特種底盤的診斷過程能夠綜合問卷知識庫診斷、智能模型診斷以及在數字孿生體輔助下的人工專家診斷3種策略,得到更加可信的診斷結果。診斷結果直接存入云端數據庫中,并在系統內部為隨車人員推送相關信息,以指導其現場操作。

特種底盤混合診斷系統平臺界面如圖10所示。通過對底盤部件進行選擇,云端監測系統平臺可對指定部件的孿生體模型進行獨立加載及呈現,并為其關聯相應的數據源實現狀態監測。圖10(a)中央選擇了前輪傳動軸這一部件,點擊即可查看其實時狀態、實時數據,并可發起相應操作。圖10(b)～(d)給出了3種診斷方式的界面示例。在圖10(b)中,既可通過設置定時任務由后臺調用診斷模型自動診斷,也可手動執行診斷操作。圖10(c)為問卷知識庫前臺顯示界面,其診斷結果通過與后臺數據庫匹配而來,同時可人工匹配結果進行校正、勘誤,校正結果會即時更新至后臺知識庫。圖10(d)為人工專家輔助診斷的界面示例,當問卷分析結果(也即知識庫診斷結果)與智能診斷結果不一致時,可由人工專家綜合隨車人員上傳的資料、問卷信息、孿生模型等,給出診斷結果與維保意見,在此界面下予以答復。

本系統的正常運行需要依賴底層多源數據的支持,因此需要在底盤安裝多種類型傳感器。表2為特種底盤傳動系主要采用的傳感器型號及靈敏度信息,部分未統計在內。

表2 傳動系傳感器列表

該系統實際應用后,在監測、診斷、維保三個方面都發揮了有益的效果。在監測方面,立足于底盤數字孿生體模型,各部件狀態都能在孿生模型上可視化展示,起到了由實到虛的監測效果;在診斷方面,融合智能診斷、知識庫診斷、人工輔助診斷三種診斷方式,實現由虛到實的故障診斷,診斷結果更加實用可靠;在維保方面,能有效指導隨車人員的維保操作,降低故障的排查和維護時間,有效提高特種底盤裝備的運維可靠性。

5 結束語

針對特種底盤故障率高、故障難發現、難維保問題,筆者提出了一種基于數字孿生的混合診斷系統架構,闡述了特種底盤裝置的全方位監測、多方式集成的混合診斷策略以及系統建模關鍵技術。構建了數字孿生特種底盤多層次三維可視化監測模型,采用了智能診斷+知識庫診斷+人工診斷多方式融合的自適應診斷方法,能更好地定位到底盤裝置的關鍵部件進行混合故障診斷,幫助隨車人員及時有效地發現底盤問題,提高底盤裝備的運維可靠性。借助數字孿生技術,本研究工作實現了從實到虛的數字孿生體監測、由虛到實的混合診斷過程。未來將進一步增強系統應用的普適性,并將建模方法擴展到更多特種裝備上進行驗證,以實現更大的應用價值。