數字孿生支持下的設備故障預測與健康管理方法綜述

陸劍峰，徐煜昊，夏路遙，張 浩

(同濟大學電子與信息工程學院CIMS研究中心，上海 201804)

0 引言

設備運行維護管理是對運行中的設備采取有效的維護措施,以延長其使用壽命，從而保證整個系統的穩定運行。在工廠運行、產品維護等方面，設備運行維護管理一直是重要的研究領域和研究熱點。按維護動作發生的時間點，維護手段可分為事后維修、定期維護和視情維護[1]。

事后維修是在設備故障后再進行維修。這是最早出現的一種設備維護手段[2]。其維修步驟一般分為三步：①故障診斷;②更換或修理故障部件;③確認維修后設備的可靠性。雖然事后維修可以最大化利用設備的使用壽命，但增加了設備運行過程中發生故障后的危險性。若設備在非維護計劃內發生故障，也將打亂企業原有的生產計劃，造成不可預期的損失。該方法一般應用于非關鍵、不重要的設備，或設備一旦發生故障不會帶來嚴重后果的場合。如果是關鍵重要設備，則采用定期維護的方法。

定期維護是根據設備的使用時間，對設備定期性地實施維護。一旦維護間隔制定后，一般不再隨意改變[3]。20世紀50年代，我國引入了定期維護方法[4]，從防止設備突發故障、避免造成生產中斷的角度出發，對設備采取預防性的定期維護。雖然定期維護可以防止和減少突發故障，但會造成不必要的停機時間；由于機組工況不均衡，會出現設備過度維護或欠維護的情況，導致人力、物力的損失[5]。

視情維護，是在設備正常使用壽命期內，根據狀態監控收集的信息，為潛在的故障進行維護的方法[6]。作為視情維護方法之一的故障預測與健康管理(prognostics and health management,PHM)在20世紀90年代被提出[7-8]。提出該理論的目的是有效預測設備的故障將會何時發生，使工程師可以通過預測結果對設備視情決定恰當的維護時機，從而最大限度地增加設備的使用壽命。PHM所展現出的視情維護可以避免不必要的停機時間、提高設備安全性。因此，PHM在設備運行維護管理中得到了廣泛應用。

傳統的PHM實現方法包括基于經驗模型的方法、基于數據驅動的方法和基于物理模型的方法[9-10]。這些方法雖然已經得到了較為廣泛的應用，但仍然存在著對專家系統規則的依賴、需要大量歷史數據、對靜態數學模型優化較為困難等問題。

近年來，數字孿生技術得到了蓬勃的發展。因數字孿生具有對物理實體的高保真建模、對運行過程實時有效的數據采集與分析、模型與數據相融合等特點，將其應用于PHM領域，可有效解決傳統PHM方法的一些問題。因此，越來越多的學者開始研究數字孿生支持下的PHM方法。

本文對結合數字孿生技術的PHM實現進行綜述：首先，對傳統PHM方法作出總結，并指出傳統PHM方法中的一些局限性；然后，介紹數字孿生的基本概念，對數字孿生目前在PHM中的應用進行總結與分析；最后，對數字孿生支持下的PHM技術實施過程需要解決的問題進行總結與分析。

1 傳統PHM技術和框架

20世紀90年代，美國軍方率先提出PHM的概念，在F-35 聯合攻擊機(joint strike fighter,JSF)上開發了PHM系統[11]，并得到了成功的應用。美國通用電氣公司(GE)的F404發動機、普拉特·惠特尼集團公司(PW)的F117發動機等都采用了PHM系統。隨后，波音公司將PHM應用到民航領域，開發出飛機狀態管理系統[7]。在這個系統的保障下，波音公司降低了運行成本和維護費用，使得飛機飛行安全和航班運營效率大大提高。由于PHM技術在波音的成功應用，使該技術得到了廣泛研究，并應用到了機械設備、電子設備等領域。PHM是對設備運行狀態監測得到的數據作處理分析，估計設備的健康狀況，實現對設備的剩余壽命預測；通過分析得到的信息確定設備的最優維護時機，以達到成本最低和風險最小的目的[12]。傳統實現PHM的方法可分為基于經驗模型的方法、基于數據驅動的方法和基于物理模型的方法。

(1)基于經驗模型的方法。

基于經驗模型的方法是將專家知識和工程經驗建立成分析模型，再根據采集到的數據或觀測到的狀況，預測出設備的故障情況和剩余使用壽命。例如，馬丹等[13]提出基于故障樹，以推理規則的方式構建知識庫，采用正向推理策略和動態數據庫實現專家系統的推理機制和解釋機制，實現對艦船電力推進系統的智能化故障診斷。何成等[14]通過經驗模型對鋰電池建立狀態空間方程，且采用人工免疫粒子濾波算法實現對鋰離子的壽命預測。Tatiana等[15]設計了一個包含知識庫的專家系統。該系統可以用于預測設備故障和潛在的退化，但還不具備篩選數據和執行初步數據一致性分析的能力。Majidian等[16]將模糊邏輯方法應用于伊朗某電廠鍋爐再熱管的故障診斷，并比較了模糊邏輯方法和人工智能方法在該設備壽命預測方面的精確性。朱芳儀[17]通過故障樹分析的方法，實現對挖泥船柴油機的故障診斷，但無法對不可預知的故障作出診斷。

基于經驗模型的方法雖然可以模擬人類專家解決部分問題，但仍過度依賴領域內專家系統規則和系統特征模糊集的表達能力。

(2)基于數據驅動的方法。

基于數據驅動的方法是對設備大量的歷史數據進行分析，認識和學習設備健康和非健康狀況的特征，從而預測未來對象系統可能會發生的故障。由于基于數據驅動的方法不需要對象系統的先驗知識，因此該方法在PHM逐漸得到廣泛應用[18]。目前常用的數據驅動方法有基于統計方法和基于機器學習方法[19]。

①基于統計方法。

基于統計方法主要通過分析設備運行過程中的數據統計量，從數據中的變化提取特征進行預測。統計方法包括回歸方法和比例風險模型方法等。如高建敏[20]通過非線性回歸方法計算對軌道質量指數，并對該歷史數據進行分析，預測未來軌道質量指數的變化。Yong S等[21]通過主元分析減少了協變量的數量，再利用比例風險模型實現了對機械部件的壽命預測。

②基于機器學習方法。

機器學習方法具備常規算法不具備的自學習和自適應能力，一般指神經網絡法、支持向量機法和貝葉斯法等。

神經網絡法有自學習的能力和較強的非線性仿真能力。Tian Zhigang等[22]提出擴展遞歸神經網絡模型(extended recurrent neural network，ERNN)，實現對齒輪箱健康狀況的預測。Yu Wang等[23]提出通過兩階段數據驅動的預測方法，實現對軸承退化的預測。Lei Xiao等[24]提出了一種基于反向傳播神經網絡的退化預測方法，以無故障或懸掛歷史作為訓練樣本來解決問題。

支持向量機可以有效避免過擬合，且訓練速度快。Khelif等[25]通過支持向量機超參數的調整實現對設備的壽命預測。易輝[26]在支持向量機上進行創新，提出多種支持向量機的改進算法，實現了對高頻電源的故障預測。

貝葉斯法可對多變量和動態過程進行建模。Wu等[27]結合多元貝葉斯模型，實現了對鄂式破碎機的故障預測，提高了復雜礦冶設備多狀態的有效性和可靠性。Guang Jin等[28]提出了包括離線總體退化建模、在線退化評估和現場二次電池剩余壽命預測的貝葉斯框架，實現了對鋰離子型二次電池的剩余壽命預測。

基于數據驅動的方法需要大量的歷史數據，但實際工程中對于完整的設備退化數據采集難度較大、周期較長，限制了應用的范圍。

(3)基于物理模型的方法。

基于物理模型的方法是利用設備、產品或系統的生命周期載荷和失效機理知識，以達到對目標對象故障預測和診斷的目的[29]，且得出的結果相對更為精確[30]。侯新國等[31]在考慮保護或斷路器拒動情況下，對船艦電力系統建立故障診斷的數學模型，并通過量子遺傳算法對該模型進行求解，實現對船艦電力系統的故障診斷。H.Mehdigholi等[32]采用基于剛度的軸承系統預測模型，實現對軸承系統失效壽命和剩余壽命的預測。Basma Yousfi等[33]利用橢球算法對設備退化過程進行建模，實現對機電振蕩器的壽命預測。李奎等[34]對于交流接觸器電性能，基于Wiener過程建立了退化模型，并實現對交流接觸器剩余電壽命的預測。Climente-Alarcon等[35]將非線性失效模型與粒子濾波算法相結合，實現對異步電動機轉子桿的早期診斷，并預測其剩余使用壽命。

基于物理模型的方法對設備的建模要求較高。多數情況下，基于設備機理所構建的數學模型是靜態模型。靜態模型中的參數固定不變，在變更預測目標之后難以用原先的數學模型進行有效預測，因此普適性較差。

傳統PHM方法及其特點對比如表1所示。綜上所述，傳統PHM方法在理論與實際應用中都已經得到了較大的成功，但這些方法仍然存在著對專家系統規則庫的依賴、需要對所有系統特征的有效表示、需要大量歷史數據、對靜態數學模型優化較為困難等局限性。數字孿生技術的出現為解決上述問題提供了新的方法。

表1 傳統PHM方法及其特點對比

2 數字孿生技術及其在PHM中的應用

2.1 數字孿生發展背景及應用

數字孿生的概念始現于NASA的阿波羅項目[36]。該項目為了對正在太空中執行任務的飛行器作出精確地狀態反映和運行預測，制造了兩個完全相同的空間飛行器：一個用于太空中執行任務；另一個在地球上用于同步反映太空中執行任務飛行器的飛行狀況，并進行操作模擬，從而輔助航天員在危急時刻作出正確的決策。在地球上的飛行器被稱為Twin，也就是孿生體。

數字孿生的理論來源可追溯到2003年，美國密歇根大學的Michael Grieves教授在其產品全生命周期管理的課程中提出 “與物理產品等價的虛擬數字化表達”的概念。2005年，這一概念被稱為“鏡像空間模型”[37]。2006年，這一概念改用“信息鏡像模型”來描述這一概念[38]。2010年，NASA定義了未來飛行器數字孿生體范例，闡明了航天器數字孿生的定義和功能。2011年，Grieves教授與NASA專家John Vickers共同提出數字孿生三維模型，包括物理實體、虛體模型以及二者間連接的數字孿生概念[39]。自此，數字孿生的概念已初步形成，且逐漸獲得越來越多的關注。數字孿生是在信息物理系統(cyber-physical system,CPS)的基礎上發展而來[40]。當前，數字孿生強調在數字空間對物理系統建立特征、行為、過程和性能相對應的實時映射模型。

在建立理論基礎后，數字孿生也得到了較為廣泛的應用。從孿生對象的組成來看，目前數字孿生的應用可以大致分為產品數字孿生和系統數字孿生。

產品數字孿生更注重把一個產品看作一個整體，從產品滿足、維持、延長其設計性能的角度來考慮。莊存波等[41]提出了產品數字孿生體的概念。產品數字孿生體是產品物理實體的工作進展和工作狀態在虛擬空間的全要素重建及數字化映射，是一個集成的多物理、多尺度、超寫實、動態概率仿真模型。產品數字孿生是對產品全生命周期的覆蓋，目的是最大程度滿足用戶需求，從而保證在整個生命周期內的產品穩定和優化運行。楊斌等[42]以元動作理論為基礎，對機械產品建立運動研究的數字孿生六維結構模型，并規劃了數字孿生驅動的運動性能調控模式，實現機器人運動性能精細化管理。鄭孟蕾等[43]將產品動態數據的結構、屬性和規模特征相結合，提出基于時序數據庫的產品數字孿生建模方法，提升了海量動態數據的導入、存儲和性能分析。王嶺等[44]通過對環境、工藝過程中的物理對象建模，并使用多傳感器進行模型與物理對象之間數據映射與互聯，構建航空發動機低壓渦輪單元體數字孿生模型，實現物理設備與數字孿生模型的物理融合、模型融合、數據融合，提高了航空發動機對接裝配的精度和效率。

系統數字孿生更多地從系統組成部分的協同運行、滿足系統多個目標優化的角度來考慮。陶飛等[45]提出“四化四可八用”的生產系統數字孿生模型構建準則，并在此基礎上探索構建“建-組-融-驗-校-管”的數字孿生模型理論體系。周瑜等[46]在城市復雜適應系統理論的基礎上，提出構建實體城市與數字城市相互映射、協同交互的數字孿生系統，為建設數字孿生城市給出探索方向。文獻[47]中對數字孿生車間進行車間要素實體建模、生產過程動態建模和生產系統仿真建模，實現對新能源動力電池生產車間的數字孿生模型構建，為車間生產過程可視化監控、涂布工藝過程的仿真及從原料到成品的生產規劃等服務提供了重要支持。

2.2 數字孿生在PHM中的應用

過去十年，數字孿生得到了蓬勃的發展。目前，數字孿生的定義為：以模型和數據為基礎，通過多學科耦合仿真等方法，完成現實世界中的物理實體和虛擬世界中的鏡像數字化模型的精準映射，并充分利用二者的雙向交互反饋、迭代運行，以達到物理實體狀態在數字空間的同步呈現，通過鏡像化數字化模型的診斷、分析和預測，進而優化實體對象在其全生命周期中的決策、控制行為，最終實現實體與數字模型的共享智慧與協同發展[47]。傳統PHM方法中存在著對物理模型建模精度要求過高、需要大量數據集等的問題。基于數字孿生系統可對物理實體建立高保真模型，并對實時的運行系統進行數據采集與分析，以及采用模型與數據相融合的智能化方法，因此可以將此技術應用于PHM領域以形成新的技術方法。

陶飛等[48]提出數字孿生支持下的PHM將會帶來動態的物理與虛擬設備實時交互的故障觀察方式；基于物理、虛擬設備特征關聯的故障分析方式；基于高逼真度虛擬模型驗證的維修決策方式；自主精準服務的PHM功能執行方式。劉大同等提出[49]數字孿生支持下的PHM在對系統設備維護、維修和狀態監測的基礎上，可通過虛擬現實技術對系統設備整個壽命周期產生全面的影響。具體可解釋為數字孿生支持下的PHM對設備檢測點的各類傳感器所采集到的數據進行實時感知，并通過嵌入式系統和通信網絡輸入到虛擬模型。在虛擬模型中通過對實時數據和歷史數據進行算法分析，可得到設備會發生故障的零部件或子系統，并預測其會發生故障的時間。工程師可根據輸出的結果在虛擬模型中進行維護，監控維護后輸出的結果。若故障問題沒得到解決，則將仿真結果反饋給故障類型知識庫重新進行分析，以找到故障發生的根本原因。在故障解決后，再對物理實體進行預防性維護，實現故障預測與健康管理[50]。

在技術框架上，陶飛等[51]提出物理層、模型層、數據層、服務層和應用層的數字孿生系統架構，從物理融合、模型融合、數據融合和服務融合四個維度，探討實現數字孿生車間信息物理融合的基礎理論和關鍵技術。Zheng Y等[52]提出物理層、信息處理層、虛擬層的面向產品數字孿生實現框架，用數據采集、傳輸、處理、匹配等方法實現上層數字孿生應用。李浩等[53]提出包括生命周期環、數字孿生體環和設計方法環的復雜產品數字孿生的環形設計框架，為數字孿生的產品設計、制造與運行提供研究方向。在這些框架的基礎上，文獻[47]提出基于數字孿生的設備預防性維護框架。該框架將數字孿生分成了建模、監控、診斷和預測四個階段。基于數字孿生的設備預防性維護框架如圖1所示。與傳統PHM技術框架中的對象層、數據層、信息層和決策層[54]相比，數字孿生支持下的PHM在模型、數據以及模型與數據融合上進行完善，由數字模型、數據分析和知識庫構建數字孿生模型，通過模型和數據雙驅動，實現對設備的全生命周期管理，完成壽命預測。

圖1 基于數字孿生的設備預防性維護框架

數字孿生支持下的PHM可以實現物理實體與數字孿生模型間的實時交互，確保數字模型的高仿真性。Tao F等[55]提出數字孿生五維模型，并將數字孿生支持下的PHM應用于風力渦輪機，實現風力渦輪機的物理實體與數字孿生模型的模擬和交互，完成對其的PHM，證明該方法的可行性。Ezhilarasu C M等[56]將數字孿生技術與綜合車輛健康管理(integrated vehicle health management,IVHM)技術相結合，評估了飛機等復雜系統的健康狀況。數字孿生支持下的IVHM可幫助驗證和優化狀態監控邏輯，并從開始階段就能掌握整個系統的知識，便于在數字孿生模型中增強診斷和預測過程。丁華等[57]通過邊緣計算減少延時，以實現數字孿生體構建的超寫實仿真，完成設備實時狀態的可視化，可綜合指導機械設備的預測性維護。趙艷秋等[58]通過對空間在軌制造結構實體建立數字孿生模型、健康檢測模型、數據采集系統，解決了靜態預測模型預測精度不佳的問題，實現了對空間在軌制造結構實體剩余壽命預測。

此外，數字孿生支持下的PHM可以生成虛擬數據集，對于包含部分失效數據的數據集也有較強的處理能力。李慶偉等[59]將數字孿生支持下的PHM應用于500 m口徑球面射電望遠鏡(five-hundred-meter aperture spherical radio telescope，FAST)的索網結構。數字孿生模型可以通過有限元分析采集觀測時無法采集的實時數據，并成功預測索網內構件的疲勞壽命。駱偉超[60]通過基于遷移學習的數字孿生模型與數據融合的預測性維護方法，解決運行數據性能退化、標記可行性不好的問題，實現了對數控機床刀具、主軸系統和進給系統的故障預測與健康管理。

數字孿生支持下的PHM可充分利用所構建的系統模型，結合數據智能化方法彌補機理模型構建過程的不足，并且通過機理來指導數據的采集和分析。基于物理和數據空間的融合，利用物理系統運行過程數據不斷更新信息模型的運行狀態，并利用信息空間數字模型的運行結果對維護方案進行仿真和比較，得到優化結果后再指導物理系統的運維。利用數字孿生，可以有效解決傳統PHM方法的一些問題，是一個值得研究的方向。

3 基于數字孿生的PHM應用發展方向

數字孿生技術的出現極大地推動了產品設計、制造和運行過程的智能化，但其概念的提出至今不過十幾年的時間，在具體領域的應用還處于起步階段。基于數字孿生技術的PHM應用仍需要學者們進一步深入研究。主要問題如下。

(1)模型集成和管理問題。數字孿生系統需要“高保真的建模”，涉及產品數字樣機、多物理場和多領域的模型集成與管理問題。這個問題包括以下幾個方面。

①建模軟件的集成。數字孿生所需要構建的模型不僅包括三維模型，還包括多領域的機理模型。CAD/CAE軟件以及機理模型分析軟件(如Modelica、Matlab等)要進行有效的集成才能保證多領域、多物理場模型的融合。

②建模數據的集成。因現有的建模技術存在著無法實現海量多格式數字孿生體數據兼容的問題，缺乏能將工程數據與產品模型進行整合的數據格式[61]，因此將各學科模型和數據統一集中管理是一個重要的研究方向。

③模型的有效管理。復雜產品會涉及眾多的組件，包括跨行業的機理；一個生產系統更是會涉及多行業、多領域的模型。不同的模型需要有效地進行組織和管理，如模型的電子倉庫、模型的版本管理和配置管理等。傳統的PLM軟件是面向產品級的，不能滿足系統級數字孿生的需求，而且對于數字孿生所涉及的“模型+數據”特點針對性不足，需要進一步地完善。

(2)數據采集和傳輸問題。數字孿生技術的特點是物理和信息融合，需要實時地將物理系統運行過程數據傳輸給數字模型。采集高精度現場數據和數據快速傳輸是構建數字孿生系統的基礎。各類采集到的數據應能夠更完整地復現目標實體設備的運行狀態。因此，研發出滿足各種物理、化學和生物特征采集需求的智能傳感器技術是一個重要發展方向。

同時，物理實體與數字孿生模型間存在雙向數據傳輸，物理實體的當前運行狀態傳輸給數字孿生模型以實現對模型的實時修正，而在數字孿生模型中完成的仿真優化結果反饋給物理實體，可用來指導設備作出真實決策。這對泛在的、高傳輸率的數據網絡提出了需求。5G通信技術的高速率、低延遲、大容量和高可靠的特點，能夠滿足數字孿生系統的數據傳輸要求，并且減少對固定位置的限定。因此，將5G等移動通信技術應用于數字孿生已成為當前發展的重要方向之一。

(3)數據治理問題。對于復雜產品構建數字孿生模型必將產生大量的數據(包括數字孿生模型運行、仿真、預測得到的數據和數字孿生之間通信交流產生的數據[62])，結合機器學習方法對龐大的數據量進行分析和處理，以獲得有效的知識信息。構建完整的知識庫也需要學者進行深入研究。

(4)數字孿生生態問題。一個設備不是孤立存在的，而是有其運行環境。如果沒有外在的數字孿生系統支持，單獨的設備數字孿生系統也不能發揮應有的作用。目前，數字孿生應用具有領域較為單一、信息物理融合時間周期短、智能化服務不到位等不足。文獻[63]提出數字孿生制造生態系統的組成和概念。該概念的提出為物質世界與信息世界的交互與融合提供了新的研究方向。未來應在不同孿生系統間的統一數據傳輸和交換協議、模型自適應和整個孿生生態的進化等方面作更多研究。

4 結論

PHM利用對設備的視情維護，提高了設備運行維護管理的有效性和智能化，能降低維護成本、提升設備的運行價值。傳統PHM方法在模型構建、數據分析和利用等方面存在不足。利用數字孿生雙向映射、動態交互、實時連接和迭代優化的特點，可以充分發揮模型和數據的各自作用并進行融合：數據代表了物理實體，是從物理實體運行過程采集而來，代表實際；模型代表虛擬，是從數字模型分析、仿真而來。虛實融合就是模型和數據的融合。預測是數字孿生的核心價值，也是有效實現設備PHM的關鍵。