基于數字孿生的設備預測性維護模式研究

張蕾

(中國電子科技集團公司第二研究所，山西 太原030024)

1 設備預測性維護技術

1.1 預測性維護及其必要性

生產過程通常對設備采用定期維護、事故后維修的運維模式，現代流水線設備對其連續工作時長也有比較苛刻的要求，應盡可能避免設備宕機，臨時更換生產設備不僅會增加生產的時間成本和運維成本，其不確定性也為企業帶來了不可估量的損失。此外，面對復雜的工況和生產過程中的苛刻環境，設備的不穩定性和對環境的適應能力也會被放大，進一步導致設備故障頻發。隨著智能制造技術的快速發展，傳統運維模式的局限性愈來愈大，如何利用現有的工業大數據，采集和分析相關狀態參數，實現設備的預測性維護是設備運維工作的當務之急。預測性維護是指以狀態為依據的維修，是對設備進行連續在線的狀態監測及數據分析，診斷并預測設備故障的發展趨勢，提前制定預測性維護計劃并實施檢測維修的行為[1]。因此，企業對設備預測性維護技術有著迫切的需求。

1.2 預測性維護的一般模式

設備預測性維護的一般模式如圖1所示。

圖1 預測性維護的一般模式

通常，對設備進行預測性維護需要：（1）對設備的故障原理和故障參數等屬性進行分析，以滿足預測性維護故障建模需求；（2）在進行預測性維護之前，往往需要通過設備傳感器對數據進行獲取和采集，進行狀態監測；（3）未經處理的數據一般情況下無法直接應用于建模、數據挖掘算法等過程，這時就需要對設備狀態監測數據進行噪聲去除、規范化等預處理，得到引發設備故障的某個或多個故障特征值；（4）建立故障模型，運用數據挖掘、數據分析等算法對獲取的故障特征值進行模式識別，實現故障診斷，或通過機器學習達到故障趨勢預測的目的，該過程包含大量的樣本訓練，對算法的多次優化才會使精度達到理想狀態；（5）根據不同的輸出結果判斷，提供故障維修還是預測性維護的決策支持。

1.3 一般模式存在的不足

雖然，基于數據分析的預測性維護模式可以實現針對監測數據的定量分析，也提高了設備故障預測的精度，但仍有大量的設備在線狀態數據、環境參數、設備歷史記錄等未在分析過程中使用，數據分析手段偏于單一，導致分析過程面向特定特征值，預測結果片面。如何利用虛擬仿真技術融合設備實時狀態數據、環境參數、設備歷史記錄等進行全方位地故障預測，是智能制造領域一個重要的研究方向。

2 數字孿生驅動下的設備故障診斷和預測

2.1 數字孿生及應用場景

數字孿生的概念模型是Grieves教授在2011年提出的，分為3個部分：物理空間的實體產品、虛擬空間的虛擬產品、物理空間和虛擬空間之間的數據和信息交互接口[2]，如圖2所示。

圖2 數字孿生概念模型

數字孿生構建了“實”和“虛”的數據連接通道，也為物理世界和數字世界提供了數據交互的理論基礎以及相應的技術支撐。物理實體通過與虛擬實體的關聯，通過指令信息和數據交互，直觀形象地表現出兩類實體的映射關系。數字孿生技術覆蓋了產品從設計到報廢回收的全生命周期，在智能制造領域應用非常廣泛。

2.2 數字孿生系統框架

數字孿生系統框架主要包括：實體層、數據融合層、服務層3個部分，如圖3所示。

圖3 數字孿生系統框架

（1）實體層：是數字孿生系統的基礎，也是故障診斷和預測的主要對象。通過物理實體傳感器實時采集相應的設備運行參數等作為感知數據，構建物理設備與設備數字孿生體的虛擬映射。

（2）數據融合層：通過數據噪聲去除、特征提取、特征融合等數據預處理手段，為多維數據源提供數據融合的基礎數據，經過數據轉換、重組和數據關聯用于后續故障診斷和預測建模。

（3）服務層：封裝系統中的數據挖掘算法、模型以及系統服務，通過實體層的虛實交互，仿真驗證實現設備的故障診斷和預測等功能。

結合數字孿生系統框架，其本質基于數字化技術將物理實體的數據與數字孿生體同步。同時，在數字孿生體中實時進行虛擬仿真、監測、驗證，通過相應模型達到故障識別和預測的目的。

2.3 數字孿生驅動的預測性維護模式

結合1.2小節中預測性維護的一般模式，融合數字孿生的預測性維護模式可分為以下5個具體步驟，如圖4所示。

圖4 基于數字孿生的預測性維護模式

步驟一：構建虛擬實體。與虛擬現實和增強現實有一定的區別，預測性維護模式中對數字化實體的要求不單純是模型外觀形狀與底層設備相似，更注重其運行參數、狀態數據等是否與物理實體保持實時同步。在構建虛擬實體模型時，即便已有充足的設備參數支撐，也需要對虛擬模型不斷迭代優化以滿足數據的一致性和完整性要求。

步驟二：數據源構建。數據源構建過程主要是由傳感器參數采集、設備狀態歷史數據、設備故障數據、設備維護記錄等組成。其中，工業以太網通過傳感器對底層設備的機械系統、電氣系統以及外部環境等參數進行采集。設備歷史狀態數據和維護記錄可以通過日常運維管理工作記錄。設備故障數據往往采用Simulink等仿真工具對進行模擬，得到特定場景下的故障狀態值。

步驟三：數據融合。由于步驟二中構建的是多維異構數據源，這些數據是無法直接被使用的，在應用之前需要對數據進行清洗、集成和轉換等一系列處理，稱之為數據融合。統一了數據源中異構數據的格式，并對無意義的垃圾數據進行剔除，同時輸入到數字化實體中，確保虛實統一。

步驟四：模式識別。分為故障診斷和故障預測，（1）經過數據融合后，根據不同類型的設備、以及傳感器采集到的數據經過特征提取等過程，獲得引起故障的特征值，同步傳輸到數字化實體中。進行虛擬仿真，并將運行結果同故障知識庫、設備歷史狀態等數據分別比較，判斷設備故障出現的原因。本步驟中特征值的提取是最為關鍵的，如果對應的特征值對設備故障不敏感，或沒有一定的規律性就無法準確地描述設備的工作狀況，也不能為數字孿生提供模擬仿真依賴的參數。（2）故障預測本質是對設備運行狀態規律建模，預測故障可能產生的趨勢。通常對多個時間、不同工況下的關聯性較強的一系列設備狀態參數建模，在數字化實體中進行數據挖掘仿真實驗預測可能產生的故障類型以及部位。

步驟五：設備維護決策。找出設備可能存在的隱患因素，按照提前制定的策略針對性地對設備部件進行預測性維護，以減少潛在的故障，將設備的使用價值最大化，降低停機帶來的損失。

3 應用效果分析

結合數字孿生技術進行設備的預測性維護，通過虛擬仿真驗證直觀地將故障診斷和預測結果反饋給管理人員，可以做到及時對設備中可能存在的隱患部件進行維護，提高了故障排查的可追溯性。同時，通過預測性維護技術大大提升了對偶發性故障的預測精度，避免對正常設備無意義的預防性維護，降低了設備運維成本。此外，基于數字孿生的預測性維護系統采用模塊化的開發方式便于未來擴展。

4 結束語

數字孿生技術作為智能制造的核心技術，應用場景非常廣泛。本文僅局限于在預測性維護領域的模式研究，如何豐富數字孿生技術在產品全生命周期中的應用，是今后進一步研究的方向。