基于數字孿生技術的礦用設備預測性維護方案研究

魯澤明，王秀莉

（中國電信股份有限公司山西分公司，山西 太原 030006）

0 引言

隨著我國煤礦智能化發展不斷深入，實現煤炭生產裝備智能化運行維護成為現階段建設智能礦山的關鍵，故基于數字孿生技術的礦用設備智能化運行管控成為當前煤礦智能化領域中重點研究方向之一[1]。

本文選擇礦用刮板輸送機作為礦用裝備智能化研究對象，通過建立裝備動力學模型、構建故障模型與診斷方法、仿真分析等技術手段，驗證數字孿生技術在煤炭生產裝備的預測性維護方面應用的可行性。

1 數字孿生技術優勢

數字孿生技術優勢在于構建內外結構、材料特性、運行機理等與物理實體無限趨近的數字化“孿生體”，應用數據交互技術實現虛實映射，通過數字孿生體運算、推測、仿真、驗證等步驟，實現對物理實體現行狀態的展現與未來狀態的預測[2]。

本文所述基于數字孿生模型的礦用裝備預測性維護方案，通過對物理裝備的數字孿生體進行模擬故障注入，利用模型仿真與映射算法完成故障特征數據獲取與分析學習，并將物理世界的感知數據注入診斷算法模型，對設備運行狀態進行分析診斷，實現礦用裝備的預測性維護。

2 數字孿生關鍵技術

2.1 建模與仿真

相比傳統計算機輔助設計與制造技術，數字孿生建模與仿真需融合環境、材料性能等眾多因素，以及裝備運行中的力、熱、電等物理屬性，使其能在最大程度上模擬物理實體。

2.2 映射算法

通過構建數字孿生體靜態或動態的驅動模型，建立裝備運行中復雜對象、屬性、關系的數學描述算法，經過數據注入與算力驅動實現物理實體與數字孿生體的映射交互，從而建立起模型、數據、算力驅動的實時動態響應模式。

2.3 數據交互

利用物聯網、邊緣云計算、大數據等網絡通信與數據處理技術，將數據進行實時采集、存儲、篩選與處理，以對外部環境的變化進行快速、有效判斷與處置，通過實時感知、動態控制、自主學習構建數據交互機制，實現虛實融合與共智協同。

2.4 數據引擎

數據引擎是數字孿生的底層驅動力，是孿生體操作數據的接口，涉及數字孿生體應用過程中的環境參數、狀態參數、設備性能及耦合擾動等感知數據，對象、過程、行為等仿真數據，以及驅動因素、運行機制等模型數據，是孿生體運行所需及產生的海量數據的存儲、處理和保護數據的核心服務能力。

3 方案設計與實現

基于數字孿生模型的礦用設備預測性維護方案整體框架由數字空間和物理空間組成。其中實現數字孿生預測性維護的關鍵點在于故障與運行模型的構建，具體介紹如下。

3.1 預測性維護模型

3.1.1 故障模型

故障模型是故障特征數據的來源，故在構建數字孿生模型時，應綜合考慮多方面的因素，盡可能構建高保真度的孿生模型，然后以應用需求為導向，對數字孿生模型進行故障注入。

在孿生模型初步構建完成之后，需進行運行精度驗證。孿生模型與物理實體的運行參數等約束條件應保持一致。然后將仿真結果和實驗結果進行對比分析，誤差校正，確保精度符合實際應用要求。

3.1.2 故障特征

在選擇具體的故障特征生成方法之前，應首先針對刮板機常見故障設置應用目標，并確定故障特征選擇。在刮板機運行過程中特征信號數據類型為溫度、振動、音頻等。

（1）溫度信號：當設備出現某種故障時，會出現溫度上的變化。但是溫度信號對早期故障不敏感，當設備故障發展到一定階段后，溫度才會有比較明顯的變化。

（2）振動信號：設備運行過程中的振動信號可以較好地反映其健康狀況。振動信號的采集和處理較簡單，效果可靠，應用廣泛，對早期故障相對敏感，但易受外界噪聲因素干擾，須做好信號降噪處理。

（3）音頻信號：是指裝備運行過程中因摩擦等情況發出的音頻。在反映設備的運行狀況時有較高的參考價值，但在煤炭生產過程中干擾噪聲過大，音頻處理成本較高，且無法通過仿真方法得到。

故障特征數據是故障診斷算法的數據基礎，其數據量和樣本分布情況對故障診斷算法至關重要。在針對具體的應用對象時，首先應對不同的仿真方法進行對比分析，然后選擇效果最優的仿真方法，從而獲得可信度較高的“虛擬數據”。綜上，本文將針對生產實際中易于采集的溫度與振動特征信號開展相關研究。

3.1.3 故障診斷模型

故障診斷模型是實現預測性維護的核心，首先初步構建診斷算法模型，然后利用故障特征數據對診斷算法模型進行優化，最后根據優化訓練的結果，對診斷模型參數進行調整，實現診斷算法模型迭代。

圖1 故障診斷流程

本文所采用的數字孿生體故障診斷算法將采用深度學習中卷積神經網絡算法模型進行設計，其可有效提取數據中的關鍵特征，減少網絡中參數傳遞數量。

3.2 運行動力學模型

運行動力學模型是確保礦用裝備數字孿生體數據交互驗證的基礎，通過建立運動力學方程實現正常運行狀態模擬，是實現故障注入及故障排除后，孿生體運行狀態反饋的重要步驟。

毛君等[3]對礦用刮板輸送機的動態特性給出了有效的動力學模型構建方法，采用多體動力學理論，建立刮板輸送機多自由度的動力學模型，并得到相應動力學微分方程。但構建運行動力學模型僅是數字孿生技術應用于預測性維護的第一步，更為關鍵的是將故障特征信號與動力學模型運行狀態參數進行對標映射。

在溫度特征信號對標映射方面，可將軸承轉矩M與軸承轉速N代入軸承發熱量與熱學計算公式，結合故障模型算法，完成故障特征溫度信號與動力學模型運行狀態參數的對標。

式中，C為物質的比熱；t為溫度變化；M為軸承驅動單元的轉矩；N為軸承轉速；Q即為發生熱量。

在振動信號對標映射方面，李曉黎[4]提出一種對振動信號進行模擬的多維度預測模型，徐青青等[5]提出一種過濾干擾噪聲的振動信號提取方法，對軸承故障信號分解和特征參數提取效果較好。本文應用上述模型與方法，完成故障特征振動信號與動力學模型運行狀態參數的對標。

在實際應用中，往往采用上述故障特征型號對標映射方法，形成多維度動態數據映射關系表后，仍需通過各類型傳感器采集物理實體的相關故障特征信號（如溫度、振動等）進行驗證，完成對物理實體運行狀態的預測性診斷與判定。

4 實驗驗證

4.1 孿生體模型實現

采用國內主流Web3D數字孿生建模引擎，完成刮板輸送機孿生體外部結構及關鍵部件電動機等模型構建，并注入預測性維護模型與運行動力學模型，通過模擬啟停、空載、負載等運行狀態，完成系列運行動力學狀態參數設置，并結合相應算法形成多維度動態數據映射表。

圖2 刮板輸送機數字孿生模型

4.2 孿生體故障模擬

為驗證孿生體預測性維護模型設計的有效性，在刮板機核心部件電動機軸承孿生體中進行損傷模擬，即在軸承孿生模型內圈、外圈滾道上分別注入寬4 cm、長25 cm的磨損損傷，經運算得出孿生體正常態與故障態時軸承溫度與振動頻率數據變化：

表1 軸承孿生體溫度測算數據表

表2 軸承孿生體振動測算數據表

4.3 真實故障數據采集

圖3 刮板輸送機電動機軸承故障

獲取某礦刮板輸送機運行歷史故障數據：采集數據為電機軸承在運行中發生磨損故障情況下，軸承溫度與振動頻率隨時間變化數值。

表3 電機軸承溫度數據采集表

表4 電機軸承振動特征數據采集表

4.4 驗證結論

將模擬數據與真實數據進行對比，結論如下：數字孿生體模擬實體運行狀態變化，獲得預測性“故障數據”是可信的，數據結果準確率最高接近90%，且隨著真實數據集樣本數量增加，準確率可進一步提高。由此可證，文中所提出的基于數字孿生技術的預測性維護方案具有一定可行性。

5 結束語

本文所提出的礦用裝備預測性維護方案，僅探討了數字孿生技術在煤炭生產領域應用的一隅?？梢灶A見，在我國煤礦智能化建設快速發展的趨勢下，數字孿生技術將會在煤礦智能開采、綠色低碳等建設方向發揮更為重要的作用。■