數字孿生技術在水廠設備預測性維護中的應用研究

季慕州

(上海市政工程設計研究總院（集團）有限公司)

隨著城市化進程的加速和全球資源環境的日益壓力，對城市基礎設施的智能、高效管理日益成為當務之急[1]。在眾多基礎設施中，水廠設備的管理對城市的飲水供應和環境保護至關重要。然而，傳統的水廠設備維護管理面臨著諸多挑戰，包括種類多、運行環境復雜、維護工作量大、運維成本高昂等問題，這不僅影響了水廠的可靠性和效率，也對城市可持續發展提出了新的挑戰。加強使用高新技術，推動水務運營的數字化轉型是必然選擇，數字孿生技術在這樣的背景下，得到了廣泛的關注和重視。數字孿生技術通過在虛擬環境中創建物理設備的數字副本，實現對實際物理系統的模擬、監控和優化，從而提高設備預測性維護的可靠性和效率[2]。此次研究基于BIM 技術構建水廠設備數字孿生底座，利用傳感器、通訊網絡等手段實現設備運行狀態和關鍵參數的集成與監測，結合人工神經網絡創建故障預測模型，并通過預測性維護平臺和數字孿生駕駛艙進行可視化交互，助力管理者科學決策，期望為城市水資源管理提供創新的解決方案。這不僅對城市居民的日常生活產生積極影響，同時也為全球水資源管理領域提供了可復制和推廣的科學管理經驗。

1.水廠設備維護管理現狀

水廠設備維護管理是水廠正常運轉的重要環節。隨著水質標準的提升，水處理工藝趨向多元化、復雜化。水廠設備種類繁多且運行環境多樣，可能面臨潮濕、腐蝕、高溫等復雜環境條件，對設備的維護保養提出了很高的要求。傳統的水廠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察、檢修[3]。這種方式效率較低、人工成本高，并且不具備時效性，無法掌握故障發生時間、故障類型、發生位置，同時運維人員需要大量時間停機排查故障，這直接或間接給水廠帶來經濟損失，已無法滿足可靠、可維修、經濟安全、全生命周期管理的現代水廠設備管理要求，加強設備預測性維護具有重要意義[3]。

預測性維護是指根據設備的結構和運行特性，將溫度分析、振動檢測、噪聲信號等與故障診斷相結合，基于數據處理和分析的結果，運用AI 和工業機理融合算法對設備未來可能出現的故障進行預測和診斷，并據此制定相應維護計劃，確定維護的時間、內容和方式，其原理圖如圖1 所示。預測性維護集設備狀態檢測、故障診斷、故障預測、維護決策支持和維護活動于一體，是一種新興的維護方式[4]。現階段設備預測性維護仍面臨一些挑戰，運行數據多、算法要求高、維護成本大、展示手段單一等。隨著水廠監控水平和智能化程度的不斷提高，對水廠設備有效檢修的要求也不斷提高，具有狀態預測、分析決策功能的數字孿生技術成為設備預測性維護領域的研究熱點，受到了學者們的廣泛關注。

圖1 設備預測性維護原理圖

2.基于數字孿生的水廠設備預測性維護

2.1 數字孿生體總體架構

數字孿生以數字化方式創建映射物理實體的虛擬模型，通過虛實交互反饋、數據融合分析、決策迭代優化等手段，實現對物理實體的賦能。水廠設備的數字孿生體總體架構如圖2 所示。

圖2 水廠設備數字孿生體總體架構

物理實體包括了現實中的水廠處理設備和傳感器等硬件設施，作為數字孿生體的基礎設施層，用于收集設備狀態的全面信息；虛實交互部分主要利用通訊協議將采集的設備狀態數據傳輸存儲至數據庫，作為數字孿生體的數據中心；虛擬模型包括了狀態監測三維模型和故障預測算法模型，前者將設備三維模型與實時運行數據集成，后者通過數據處理、算法訓練、迭代優化建立；智能應用層是通過數字孿生駕駛艙、水廠設備維護系統等平臺方式將設備狀態診斷和預測結果進行分析和展示，助力管理者決策[5]。

2.2 數字孿生底座構建

數字孿生底座是指一個虛擬的數字模型，它與實際的水廠設備在數據、狀態、功能等方面高度一致。通過實時收集實際設備的運行數據，數字孿生底座能夠模擬設備的實際運行狀態，預測設備未來的性能變化，從而為設備的維護和優化提供決策支持[6]。

數字孿生底座構建的首要任務是利用BIM 技術創建三維模型。為了確保數據的準確性和完整性，需要對實際設備進行全面的數據調研，并確定關鍵參數和運行指標。對采集的數據進行標準化處理后，創建相應標準的BIM 模型。目前市面上常見的設備建模BIM 軟件主要有SolidWorks、Revit 等，前者用于機械設備行業，模型精度一般能達到《建筑信息模型設計交付標準》（GBT 51301-2018）中的4.0 級模型精細度（即零件級模型），對硬件要求很高；后者用于建筑行業，更支持土建專業，對設備模型則主要是外形尺寸的表達，對硬件要求一般[7]。水廠設備根據實際用途和運維管理要求選擇不同的建模軟件，核心專用設備通過SolidWorks 創建零件級模型單元后，對運維管理中非重點監控和展示的部分進行簡化，保留核心內容后通過STEP 或IGES 等中間格式導入Revit 中與土建模型進行集成，一般通用設備可通過Revit 直接創建構件級模型單元與土建部分整合。在BIM 運維模型輕量化的基礎上，需要添加設備基礎信息和運維需求信息，包括設備型號、模型編碼、規格、制造商、使用年限、維護方案等，并在實際設備、構件發生變化時對BIM 運維模型數據進行實時更新，保證實模一致性，實現全生命周期的數據共享。設備物理實體和BIM 運維模型如圖3 所示。

圖3 設備物理實體和BIM運維模型

設備狀態監測是預測性維護的數據基礎，通過與現場SCADA 系統及傳感器、物聯網設備等實時數據源相連接，收集設備的運行狀態、生產狀態和環境參數等，例如溫度、震動、濕度等，將這些數據傳輸到數據存儲和分析系統中。將處理后的設備狀態監測數據與BIM 模型進行集成，通過將設備的屬性和狀態信息與BIM 模型中的相應元素進行關聯，這有助于保持數字模型與物理實體的同步，實現對設備狀態的實時監控和反饋[3]。管理人員只需要查看相應設備BIM 模型上的實時監測數據，包括運行狀態、預警信息等，就可以對水廠設備整體狀體進行把控，設備狀態監測三維模型如圖4 所示。

圖4 設備狀態監測三維模型

2.3 基于SOM 網絡的故障預測模型

自組織映射網絡（Self-Organizing Map，SOM）是一種廣泛應用于數據挖掘的人工神經網絡，基于SOM 網絡的故障預測模型是一種利用神經網絡技術進行設備故障預測的方法。該模型通過對設備的歷史運行數據進行分析和學習，能夠識別出設備的正常狀態和異常狀態，并預測設備未來的性能變化和故障風險，具有較多的優點。首先SOM 網絡是一種無監督的學習算法，不需要事先標記的訓練數據，該算法能夠自動組織和學習數據的結構。其次，SOM 網絡通過拓撲映射將高維輸入空間映射到低維拓撲結構中，這使得在輸入空間中相似的數據在拓撲映射上也是相鄰的。這種映射保留了輸入數據的拓撲關系，使得結果更容易理解和可視化。并且SOM 網絡針對復雜數據，也有良好的處理效果，這得益于SOM 網絡的降維能力和聚類能力[8]。通過學習數據的低維表示，SOM 可以減少數據的復雜性，保留主要的特征，同時減小計算量和存儲量，當相似的輸入模式在SOM 中被映射到相鄰的區域，形成具有自組織特性的聚類結構，有助于識別和理解數據中的模式。對于數據挖掘來說，SOM 的輸出在拓撲結構上有著直觀的可視化，使得結果容易被解釋和理解，并且適用于各種類型的數據，包括數值型和離散型數據。

基于SOM 網絡的設備故障預測流程圖如圖5 所示。首先收集與設備狀態相關的傳感器數據，包括溫度、振動、電流、電壓等各種測量值，這些數據在設備正常運行和故障狀態下可能會發生變化。然后對采集到的數據進行預處理，包括去除噪聲、歸一化、特征提取等步驟，以便更好地適應SOM 網絡的輸入[9]。其次，通過預處理的數據對SOM 網絡進行訓練，在這個過程中，SOM 的神經元將自組織地表示輸入數據的相似性。接著將新的傳感器數據輸入已訓練好的SOM 模型，得到每個數據點在拓撲映射上的位置。通過可視化數據的分布，識別數據中的異常模式。通過觀察SOM中的聚類情況，可以檢測到不同的數據模式，異常模式表現為SOM 中的離群神經元或不尋常的聚類。然后基于SOM模型的輸出，可以建立故障預測模型，預測設備是否有發生故障的風險，通過風險評估為設備的生命周期管理提供決策支持[10]。最后定期更新SOM 模型，以適應設備狀態的變化和新的數據模式。通過迭代和優化，可以不斷提高設備故障維護的準確性和穩健性。

圖5 基于SOM網絡的設備故障預測流程圖

2.4 數字孿生技術和SOM 網絡的協同作用

數字孿生技術提供對物理系統的數據采集和實時監測，可以產生大量的數據和模型，這些數據和模型可以作為SOM 網絡的輸入，豐富了訓練數據集，增強了其在設備故障預測中的準確性和可靠性。SOM 網絡可以對數字孿生模型進行調整和優化。SOM 網絡具有自組織性，可以根據輸入樣本的特性進行自我學習和優化，從而改進數字孿生模型的參數和結構。這可以提高數字孿生模型的準確性和實時性，更好地實現物理系統的實時監測和仿真。在實時異常識別方面，數字孿生技術的動態監測與SOM的模式識別相結合，實現了設備異常行為的及時識別。當數字孿生監測到異常時，SOM 網絡能夠迅速而準確地定位異常模式，提高了對設備異常的實時感知和響應。通過歷史數據的模擬，數字孿生技術為SOM 網絡提供了更多潛在故障模式的訓練樣本。這使得SOM 網絡能夠學習并識別這些潛在故障模式，實現了對未來可能發生故障的預測，為預防性維護提供了有效的支持。SOM 網絡在分析數字孿生提供的數據時揭示了復雜的數據關系和潛在故障模式。這些分析結果反饋給數字孿生模型，為數字孿生技術提供了更深層次的數據解釋和理解。通過這種反饋循環，系統更好地理解設備狀態的復雜性，有助于優化操作決策和維護策略。數字孿生技術與SOM 網絡的協同作用不僅增強了設備預測性維護的準確性和可靠性，同時建立了一個動態適應的智能化系統，為水廠設備的可持續性管理提供了強大的支持。

2.5 設備數字孿生駕駛艙

數字孿生駕駛艙是一個集成了設備運行監測、故障預測、維護計劃和可視化展示等功能的管理系統，旨在為管理者提供全面的決策支持，水廠設備數據孿生駕駛艙如圖6 所示。通過數字孿生技術，該系統能夠將現實設備的基礎靜態數據、空間數據、動態物聯數據、流媒體數據、業務數據等映射到虛擬世界中，從而幫助管理者更好地理解設備生產和運行狀態，及時發現和解決問題，并做出更加科學和準確的預測性維護決策。

圖6 水廠設備數字孿生駕駛艙

基于數字孿生BIM 模型，展示設備資產信息、運行統計信息、歷史生產信息、維保工單等數據信息，集成設備保養、故障、維修的全部業務數據，形成以設備為核心的全生命周期維護管理手段[11]，進一步提升管理效率，實現設備精益管理。未來數字孿生技術將結合更加先進的機器學習和人工智能算法，能夠更加精準地模擬水廠設備的工作狀態，并預測潛在故障和問題。在此趨勢下，水廠設備的遠程監控和維護將更加普遍和便捷，人力資源的需求大大減少，設備的利用率和經濟效益得到顯著提升。

3.結論

隨著全球城市人口的不斷增加和經濟的快速發展，城市水資源管理面臨著前所未有的挑戰。其中，水廠設備作為城市飲水系統的核心組成部分，其可靠性、效率和可持續性的管理對城市居民的生活品質和城市環境的可持續性發展至關重要。本文提出一種基于數字孿生的水廠設備預測性維護管理手段，引入自組織映射神經網絡，對設備故障進行預測并制定相應維護方案。數字孿生模型可以實時反映設備的運行狀態和性能指標，使得能夠及時發現問題并采取預防措施，同時可以幫助診斷復雜故障的原因，提供更精確的維護建議，減少設備故障和延長其壽命，進而提升了水廠的智能化管理水平。在某水廠實際應用中設備故障停機時間縮短約40%，設備維護成本降低約20%，提高了設備維護管理的效率和準確性。但是研究仍然存在不足，數據采集涉及了水廠的部分設備，并沒有覆蓋全廠，數據分析的類型還不夠豐富。未來需要進一步研究和探索數字孿生技術在設備預測性維護中的應用和優化，為水廠的可持續發展提供更加科學和有效的技術支持。