復雜裝備運維系統數字孿生應用框架

摘 要：針對當前復雜裝備運維系統急需實現智能化轉型的問題，提出了一種與深度學習技術相結合的復雜裝備運維系統數字孿生框架，建立了基于深度學習的復雜裝備運維系統數字孿生理論和應用框架。在理論層面，結合深度學習構建了多層次的運維系統數字孿生框架；在應用層面，基于“知識－數據－模型”并行驅動的形式，構建了運維系統全生命周期的數字孿生應用框架；在數據角度，提出了一種理論框架與ＮＳＴ模型結合的應用形式，并通過實驗進行了驗證。實驗結果表明，針對動車組的非穩態時間序列數據，ＮＳＴ模型具有更好的預測效果。

關 鍵 詞：數字孿生；深度學習；復雜裝備；理論框架；應用框架；全生命周期；時間序列；智能化

中圖分類號：ＴＨ１７ 文獻標志碼：Ａ 文章編號：１０００－１６４６（２０２４）０５－０６６５－１１

當前，在工業４.０以及中國制造２０２５等政策的提出之后，伴隨著人工智能、大數據、物聯網等互聯網技術的迅速發展，以數據和信息為中心的智能化工業已經成為未來發展的風向標。在復雜裝備運維方面，未來的智能運維本質是將先進的通信技術和智能控制相結合，對運行過程產生的數據進行處理分析，實現信息智能感知、深度挖掘、自適應控制和優化決策等功能。但目前復雜裝備運維方式存在全生命周期信息鏈斷裂、系統結構復雜、運維作業繁瑣和維修效費比低的問題［１］。數字孿生（ＤＴ）技術的出現為智能運維的實現提供了通道［２］。數字孿生是對物理世界全周期的映射，具體表現為利用傳感器實時對物理世界進行感知，孿生體同步仿真，并將產生的數據進行整理、分析，反饋給物理實體，實現自適應控制和優化決策，預測未來的行為軌跡，降低故障概率，實現雙向自我更新。

數字孿生技術盡管在智能制造、智慧醫療及智慧城市等領域已經取得一定的成果，但大部分研究還存在于理論之中。深度學習的快速發展打破了數字孿生堅實的外殼，與深度學習技術的結合可以使數字孿生技術多方面的理論得到實現。數字孿生以數據驅動的方式，發掘現實世界數據中的特征和規律，結合知識分析運動的本質，實現理論與技術的完美結合。黃華等［３］提出了一種基于混合驅動的進給系統數字孿生模型自適應更新法。吳琦等［４］提出了一種數字孿生驅動的車間物流可視化監控方法。黃涵鈺等［５］結合數字孿生技術，以數據驅動為基礎，構建了生產線數字孿生系統。張春霖等［６］將深度遷移學習策略引入到刀具數字孿生模型，建立刀具切削變工況數字孿生模型。ＬＹＵ等［７］設計了一種基于數字孿生制造管理系統的故障識別算法。ＷＡＮＧ［８］建立了一種神經網絡預測模型優化算法，設計了基于數字孿生的煤與瓦斯突出強度預測系統。ＤＡＮＧ等［９］提出了一種基于云計算和深度學習的結構健康預測的數字孿生框架。ＪＩ等［１０］提出了一種焊接機器人的數字孿生系統，利用深度學習算法來分辨焊接過程中可能出現的缺陷。ＸＩＯＮＧ等［１１］采用了數據驅動與長短時記憶網絡（ＬＳＴＭ）模型相結合的方法，研究了一種基于數字孿生驅動的航空發動機的預測維修框架。ＤＡＩ等［１２］提出了一種新的范式數字孿生物聯網架構。

在復雜裝備運維方面，目前將數字孿生與深度學習進行融合，實現智能運維的應用研究較少。因此，本文就此方面進行了深入的探討，在理論和應用方面介紹了一種基于深度學習算法的數字孿生框架，并基于動車組轉向架實際運行數據進行了實驗驗證。

１ 面對復雜裝備運維全生命周期的數字孿生理論框架

１.１ 物理層

物理層包括復雜裝備實體及其運維業務涉及的物理實體、物理實體對應的活動集合、物理實體對應的空間集合。物理層提供了幾何參數、物理參數、行為規則和運行數據等資源，是數字孿生體系能夠正常運轉的基礎。數字孿生最終的目的是能夠實現物理層的全感知、全映射，從而對物理層的實體進行分析、預測和決策。因此，物理層也是數字孿生的實施層面。

１.２ 數據層

數據層是整個鐵路數字孿生體系的數據中心，匯集了來自各個層面的數據，可分為數據采集模塊和數據傳輸模塊。數據采集模塊收集來自物理實體出廠的幾何、材料、尺寸等基礎數據，物理實體運行過程中收集設備產生的多種感知數據。數據傳輸模塊傳輸虛擬層對數據進行整理和分析，并決策和優化控制數據和交互數據等。數據層是整個數字孿生系統的“血管”，為各個層面傳輸“營養”數據，維持整個體系的運作。數據層結構如圖１所示。

數字孿生接口協議是一種用于數字孿生平臺的通信協議，定義了數字孿生內部之間、平臺與外部系統之間的數據交換方式和接口規范。數字孿生常用的接口協議包括ＯＰＣＵＡ、ＲＥＳＴｆｕｌＡＰＩ、ＭＱＴＴ及ＤＤＳ等。來自物理層的數據信息可能涉及數據持有者的敏感信息，一旦被泄露，會出現嚴重的隱私問題，因此需要一種安全和保護隱私的通信方案，抵御這些攻擊并滿足上述要求。區塊鏈技術［１３］是一種可以保證數據完整性和可驗證性的新興技術，數據存儲在區塊鏈中，幾乎不會被修改和泄露，并且用戶還可以隨時驗證數據。

除了正常接收和傳輸數據，想要維持運維數字孿生系統的正常運作，還需要保持數據的及時性和有效性。高性能傳感器和分布式傳感器保證了設備實時數據采集的準確性。５Ｇ等先進的傳輸技術縮短了數據傳輸時間，能保證通信的服務質量和實時的跟蹤性能，這些技術是實現信息傳遞及時性的重要技術支撐。對來自不同層面的或者同一層面的大量數據多源異構，需要進行整理、分類和集成處理，形成特定的形式或格式，實現數據傳輸的準確對接。深度學習、強化學習、遷移學習、可解釋的人工智能等先進的人工智能技術，可以實現對多源異構數據的快速處理，保證信息被高效和實時地傳遞。深度學習等先進的人工智能技術是實現信息傳遞有效性的重要技術保障。

１.３ 虛擬層

１.３.１ 數據預處理模塊

數據的預處理是深度學習流程的基本步驟，也是模型搭建和計算仿真之前的重要一環，為深度學習與數字孿生的結合而引入。數據驅動的物理實體信息或者參數傳輸到虛擬層，少部分符合條件的原始數據可直接進行建模和計算，多數的數據都需要進行預處理，這是由于原始數據存在缺失值、重復值、異常值、不一致及含噪聲等問題。不同于數據層的簡單分類處理，數據的預處理分為多個步驟，包括清理、標準化、數據標記和數據擴充。

復雜裝備不僅會產生大量的數據，且常為文本、圖像、音頻、視頻等多種形式的數據格式。傳統的數據預處理技術處理數據時可能會出現分析速度變慢，不能及時傳遞數據，數據值出現偏差、缺失等問題，進而影響數學模型的準確性。基于深度學習算法的數據預處理方法［１４－１６］能夠處理數量龐大、形式復雜的數據，其在復雜場景下的數據預處理方面展現出強大的能力，將其引入數據預處理模塊具有相當大的潛力。虛擬層框架結構如圖２所示。

１.３.２ 建模模塊

建模模塊結合了智能學習和優化算法，是數字孿生體系中至關重要的一環。針對復雜裝備運維系統數字孿生建模，應包括零件制造、裝配、運行和維護的全生命周期。目前常用的建模方法可分為模型驅動和數據驅動兩種形式。模型驅動的本質是使用數學公式來整合有關系統行為的演化或故障的數學計算過程，需要先驗知識、物理理解和專家經驗。由于目前的技術限制，不能完全復現真實世界的邊界條件，仿真和預測的結果具有一定的局限性。數據驅動的本質是利用深度學習算法挖掘數據的內部關系與特征，缺點是只能在數字角度實現數據的預測，而不能分析本質的行為規律。

在零件生產制造與加工過程中，零件的幾何形狀、溫度等條件在不斷變化，鑒于數據驅動方式的不足，此過程以模型和數據混合驅動的方式進行。利用ＣＡＤ軟件建立原始零件材料的幾何模型，以模型驅動的方式，基于原始材料的基礎屬性和零件加工過程的邊界條件等信息定義，計算機輔助工程（ＣＡＥ）實現加工過程的模擬仿真計算；在裝配過程中，按照既定的裝配順序，將模擬計算結束后的模型進行裝配，同時將裝配數據也導入基于模型定義（ＭＢＤ）建立的數據模型中。以模型驅動的建模在制造和裝配過程中主要起輔助作用，布置在物理實體上的傳感器數量和位置有限，因而獲得的數據具有局限性。

零件經過裝配總成構成了復雜裝備系統，其運行維護方面可按照系統、子系統、零部件的方式分層面建模，由于零部件的建模工作在制造和裝配過程中已經完成，所以此過程的重點是搭建子系統和系統的知識結構模型。知識圖譜是一種用于描述和表示實體之間關系的語義網絡結構，其中實體可以是人、地點、事件及概念等，這些實體可以幫助計算和推理。

１.３.３ 計算模塊

計算模塊作為虛擬層的“大腦”，貫穿于數字孿生全生命周期之中，數據驅動的深度學習計算模塊對已建立的模型進行學習和推理，以提供功能層所需要的預測和決策等功能。在零件制造階段，通過提取特征，多角度預測和優化零件的制造質量等手段，計算模塊為零件的生產提供技術支持；在裝配過程中，需要在一定目標和實際裝配資源的控制下，規劃和確定從零件到總成的裝配路線和工藝參數，以往的裝配過程總是靜態的，按照既定的路線重復工作。不同的裝配路線和工藝參數對總成后的零件質量影響較大，負責裝配的計算模塊可以對裝配路線和工藝參數進行優化設計，對幾何、物理、電磁、液壓等性能參數及時進行評析，以優先保證重要性能參數的原則，實現實時的動態調試，而且對突發過程中產生的擾動可及時干預處理。

負責運維的計算模塊承擔了機械、電磁、液壓、流體等多領域分析任務。深度學習具有良好的普適性，與任何領域都能較好結合，完成運維模塊的計算任務。從系統的角度看來，盡管知識圖譜本身具有一定的學習和推理功能，但無法滿足復雜裝備系統的要求。圖神經網絡（ＧＮＮ）是一種能夠處理圖數據的深度學習模型，利用深度神經網絡對圖數據中的拓撲結構信息和屬性特征信息進行整合，進而提供更精細的節點或子結構的特征表示，并能較好地以解耦或端到端的方式與下游任務結合，滿足了知識圖譜對學習實體、關系屬性特征和結構特征的要求，與知識圖譜完美契合。

１.４ 功能層

功能層代表了數字孿生體系的上限，根據不同的定制服務要求，為物理層提供功能性服務。根據不同的要求，功能層可分為典型部件功能退化機理、故障預測及健康狀態評估服務３部分，提供三維視覺模型的底層算法邏輯，支持與運維人員的展示和交互方案。對于復雜裝備的典型部件，功能層在運行過程中的狀態關系著整個系統的安全，根據運行數據和知識分析部件材料的腐蝕或磨損進程，評估健康狀態是否達到預警值，提前制定維修或更換計劃，保證系統正常安全運行；根據歷史運行數據預測未來狀態和行為變化，為可能出現偏離正常狀態的突發情況做好應急預案。在人機交互的過程中，復雜裝備的狀態參數需要實時可視化地展現給操作人員，通過底層的算法邏輯，將結果數據進行二維或者三維的展示，甚至軟件平臺的搭建和維護也是數字孿生需要實現的功能。

２ 面向復雜裝備運維全生命周期的數字孿生應用框架

２.１.１ 時間序列

時間序列［１７］是一組或者幾組變量按照時間先后順序演變的序列，其間隔時間固定，可以是任意時間單位。目前，時間序列已經不僅僅是隨時間變化的數據，而是更廣義的時間序列數據，包括音頻數據、視頻數據和自然語言數據等。音頻數據是聲音隨時間變化的序列，視頻數據是圖像隨時間變化的序列，都屬于時間序列的范疇。自然語言數據雖然沒有明顯隨時間變化，但也是按照時序生成的，具有一定的時間特征。時間序列數據可以分為平穩時間序列和非平穩時間序列。平穩時間序列是指均值、方差、自協方差不隨時間變化，統計特征比較穩定，而非平穩時間序列的統計值會隨時間而變化。目前，時間序列的預測問題是一個研究熱點，通過分析因時間變化的量的歷史數據來預測未來數據，以數據驅動的方式挖掘數據內部特征與關系，實現數據的預測和分類等功能。

２.１.２ 構架機制

Ｔｒａｎｓｆｏｒｍｅｒ［１８］注意力機制最早是由谷歌在２０１７年提出的一種新型神經網絡架構，是第一種完全依賴自注意力機制形成的網絡架構，在處理時間序列數據方面表現出良好的效果。注意力機制是讓機器模擬人的感知力和注意力，感知數據中重要部分和不重要的部分，自注意力機制屬于注意力機制的一種，根據輸入項間的相互作用來計算輸入項的權重，即通過輸入項的“內部表決”來決定應該重點關注哪些輸入項。傳統的神經網絡在處理時間序列問題上，無法處理長序列數據，或處理效果很差，容易出現梯度消失或梯度爆炸的過擬合現象，無法滿足長序列處理的穩定性和準確性。與ＬＳＴＭ和循環神經網絡（ＲＮＮ）不同的是，Ｔｒａｎｓｆｏｒｍｅｒ注意力機制對序列數據的長期依賴關系和相互關系表現出很強的建模能力，在平穩性時間序列預測方面展現出很好的效果。然而，目前Ｔｒａｎｓｆｏｒｍｅｒ模型對非平穩性時間序列預測問題表現出一定的局限性，但也有相關研究［１９］在此方面取得了一定的進展，說明Ｔｒａｎｓｆｏｒｍｅｒ模型在處理非平穩性時間序列預測問題具有一定的潛力。

２.２ 應用框架

零件的制造與加工、裝配、運行與維護的復雜裝備全生命周期應用框架如圖３所示。基于模型定義，利用３Ｄ-ＣＡＤ模型存儲信息數據技術，在復雜裝備運維領域中進行幾何信息、物理信息等多角度的信息集成。在零件的制造與加工過程中，首先利用ＭＢＤ技術的信息集成優點，將零件的幾何信息、物理信息集成在零件的三維模型中。然后利用有限元仿真，將集成了幾何和物理信息的三維模型導入規則信息，模擬零件的加工過程。最后以傳感器數據為基準，利用基于深度學習的虛實同步技術，計算實際加工過程中傳感器數據與數值仿真產生模擬數據間的誤差，對于超出限定誤差范圍內數據的仿真過程進行校正，實現模型的不斷更新。因此，零件模型中集成了幾何、物理、行為和規則４種信息。同時，基于深度學習的虛實同步算法可以對傳感器數據集進行學習和迭代，預測和優化零件的實際制造過程，提高出廠的零件質量，并且將零件的成型數據模型傳輸到數據中心。

在裝配過程中，基于ＣＡＤ軟件將零件按照裝配規則進行組裝，可以實現幾何結構的裝配。然而，零件的裝配過程具有強時序性和耦合性，僅在結構上完成組裝不能完全表征裝配過程零件間的耦合關系。同時，裝配準則通常以語義文本的形式進行保存，需要專業人員進行解讀，提高了裝配過程中數字孿生模型的搭建難度，因此本文提出了基于知識圖譜的裝配知識模型。按照實體和關系標注、實體和關系提取、知識融合、圖譜生成的順序進行搭建，形成結構化圖知識網絡，實現問答交互。在三維零件模型進行組裝的過程中，通過調用裝配知識圖譜，結合圖神經網絡計算零件總成后性能最佳的裝配順序，并且配合實際裝配數據，對裝配過程進行校正和反饋。

在運行與維護過程中，將裝配總成后的模型信息重新提取與重構，去除裝配過程信息，只保留成型后的模型集成信息。同時，運維過程中產生了大量的多源異構數據，包括非平穩的時序數據，視頻、音頻、文本等。為了更好識別多種運維數據間的知識關系，建立基于多模態的動態運行知識圖譜，搭建復雜裝備的運行知識圖譜，利用多模態模型整合多種數據，并結合ＧＮＮ實現知識圖譜的動態更新；對于非平穩的時序數據，搭建基于Ｔｒａｎｓｆｏｒｍｅｒ的神經網絡模型，實現時間角度的狀態預測；利用有限元仿真模型對復雜裝備三維模型進行模擬仿真，實現物理環境和行為動作的可視化預測。通過搭建“知識－數據－模型”并行的動態數字孿生模型，能夠準確、深入地了解復雜裝備運維過程中動態的時空特征和潛在的因果關系，實現動作預測和故障診斷。

３ 應用實現

３.１ 數據集

動車組屬于典型的復雜裝備，本節以動車組運維為例，對上文提出的理論進行部分驗證。在動車組運行過程中，產生了龐大的以時間為進程的多源異構數據，以時間序列角度進行建模可以精確描述動車組的運行過程。動車組運行產生的數據多數歸類于非平穩時間序列。對于非平穩時間序列建模預測，以往的研究通常進行平穩化預處理來減弱原始數據的非平穩性，從而獲得優異的預測效果，但是直接平穩化預處理會導致數據的過平穩化問題。

在本節實驗中，所用數據為動車組關鍵部件轉向架運行過程中產生的真實數據，選取了２號車廂某一天６∶００～１７∶００時刻的數據，時間間隔為３０ｓ。表１為數據特征及其對應的簡稱。傳統的Ｔｒａｎｓｆｏｒｍｅｒ模型在處理平穩時間序列數據方面已經取得一定的成果，但對于非平穩的時間序列表現不理想，無法解決過平穩化的問題。本文應用了Ｎｏｎ-ＳｔａｔｉｏｎａｒｙＴｒａｎｓｆｏｒｍｅｒ（ＮＳＴ）［１９］模型對上述運行時間序列數據進行建模和預測分析。ＮＳＴ模型在平穩化處理數據的同時，引入了去平穩化因子，保留了原始數據的非平穩性。

３.２ ＮＳＴ模型簡介

序列平穩化模塊：將輸入的數據序列做時間維度的歸一化處理，如圖４中１部分所示，在訓練階段接受的輸入變量由整段序列的各個滑動窗口采集而來，使相鄰窗口內子序列都具有相同的均值μｘ和方差σｘ，減弱了輸入樣本在時間維度的分布差異，提高了平穩性，具有較好的預測性。為避免過度平穩化處理去除了原始數據的時間特征，因此保留了各個窗口序列原本的均值和方差，在平穩化注意力模塊后輸出部分進行反歸一化處理，以恢復序列原本的非平穩性，如圖４中２部分所示。去平穩化注意力模塊：在模型的內部注意力模塊中設計了非平穩序列數據的去平穩化模塊，在傳統Ｔｒａｎｓｆｏｒｍｅｒ注意力機制計算公式的基礎上，加入原始數據的均值和方差，要實現原始輸入的注意力圖，需要引入尺度變化因子，定義為去平穩化因子，采用一個多層感知機（ＭＬＰ）自適應地學習去平穩化因子，實現模型的內外部均具有原始數據的非平穩性，如圖４中３部分所示。

３.３ 實驗結果

從復雜裝備運維系統數字孿生應用框架中的“數據”角度進行實驗，對基于Ｔｒａｎｓｆｏｒｍｅｒ的深度學習模型在處理復雜裝備非平穩數據方面的應用可能性進行了驗證。以Ｉｎｆｏｒｍｅｒ模型為基線。

３.３.１ 不同特征數預測對比結果

在不同特征數條件下，對比了Ｉｎｆｏｒｍｅｒ與ＮＳＴ模型對列車運行狀態的預測能力，結果如圖５所示。圖５ａ為Ｉｎｆｏｒｍｅｒ模型在全特征（特征數為３８）下的最佳預測效果圖，圖５ｂ為在相同超參數下的ＮＳＴ模型預測圖，圖５ｃ為ＮＳＴ模型的最佳預測效果圖。由圖５ａ、５ｂ對比可知，當設置相同的超參數時，Ｉｎｆｏｒｍｅｒ模型的預測誤差在開始階段比較小，預測值基本符合真實值的變化趨勢，但隨著時間的增加，預測效果開始逐漸變差。而具有相同超參數的ＮＳＴ模型的預測值與真實值具有相同的趨勢，預測效果明顯優于Ｉｎｆｏｒｍｅｒ模型。由圖５ｃ可知，當ＮＳＴ模型的超參數不被限制時，此時的預測值雖然具有微小的滯后，但基本符合真實數據值的變化，得到了精確度較高的預測結果。通過上述對比可以發現，對于動車組運行狀態，ＮＳＴ模型具有良好的預測能力。

圖６為減少一些相似特征后，部分特征（特征數為１８）下的不同模型預測效果圖。由圖６ａ、６ｂ對比可知，在設置相同的超參數情況下，圖６ｂ的預測效果依然更好，而且由圖６ｃ可知，特征數量的減少對ＮＳＴ模型的預測能力沒有影響，精確度仍然很高。

圖７為主要影響特征（特征數為６）下的不同模型預測效果，通過圖７可以看到與圖５、６相似的結果。Ｉｎｆｏｒｍｅｒ的預測效果較差，ＮＳＴ模型依然保持著優秀的預測能力。由此可知，隨著特征數量的減少，對ＮＳＴ模型的預測能力幾乎無影響，但對Ｉｎｆｏｒｍｅｒ模型影響較大。因此，相比Ｉｎｆｏｒｍｅｒ模型，ＮＳＴ模型預測精度更高，穩定性和泛化能力更強，適合應用于非穩定性較強的復雜裝備運維系統數字孿生體系。

３.３.２ 不同預測目標對比結果

圖８、９為兩種模型對于不同目標特征ＡＳＰＢ１和ＡＳＰＢ２的預測效果。由圖８、９對比可知，基于Ｉｎｆｏｒｍｅｒ模型的預測值在一定程度上展現了原始值的變化趨勢，但存在較大的精度誤差，兩種目標特征的預測結果較差。而ＮＳＴ模型對于兩種目標特征的預測結果都較精確，雖有微小的滯后，但是基本符合原始數據的趨勢，因此證明ＮＳＴ模型對非平穩的復雜裝備系統時序數據預測具有更好的處理能力。

圖１０、１１分別為兩種模型對兩種目標特征的預測誤差。由圖１０、１１可知，隨著預測時間的增加，Ｉｎｆｏｒｍｅｒ算法對原始數據的預測誤差逐漸變大，最大誤差達到了２.５，預測性能逐漸下降。而應用ＮＳＴ模型的預測誤差雖然變化波動較大，但是差值始終在０附近，最大誤差僅為１.０左右，而且使用ＮＳＴ模型的最大預測誤差值較小。對比之下，ＮＳＴ模型對于原始數據的預測更有優勢。

本節用均方根誤差（ＲＭＳＥ）和平均絕對百分比誤差（ＭＡＰＥ）來評價模型的預測性能，誤差結果越小，代表預測性能越好，具體結果如表２、３所示。ＦＲＭＳＥ表示預測值與目標值之間的均方根誤差，其表達式為

式中：～ｙ（ｔ）為預測值；ｙ（ｔ）為真實值；Ｎ為測試數據集的數量。

ＦＭＡＰＥ表示測量預測值與真實值之間的平均絕對百分比誤差，其表達式為

４ 結束語

本文基于數據維度設計了基于深度學習的復雜裝備運維系統數字孿生應用框架，進行了多維度、多層次的描述，以數字孿生與深度學習相結合的應用實例為研究對象，驗證了應用的可行性。

本文提出了基于深度學習的復雜裝備運維系統數字孿生理論和應用框架，從物理層、數據層、虛擬層、功能層４個方面闡述了理論框架方面的結合方法，從復雜裝備全生命各個時期的角度描述了應用框架的實施方式。此外，從復雜裝備運維系統數字孿生應用框架中的“數據”角度，發掘了基于Ｔｒａｎｓｆｏｒｍｅｒ的深度學習模型在處理復雜裝備非穩態時間序列的潛力并進行了對比分析，驗證了應用的可能性。

參考文獻（Ｒｅｆｅｒｅｎｃｅｓ）：

［１］張華兵，周英耀，徐磊，等．網絡數據中心ＩＴ設備人工智能化運維應用［Ｊ］．沈陽工業大學學報，２０２２，４４（５）：５４１－５４５．

（ＺＨＡＮＧＨＢ，ＺＨＯＵＹＹ，ＸＵＬ，ｅｔａｌ．ＡｒｔｉｆｉｃｉａｌｉｎｔｅｌｌｉｇｅｎｃｅｏｐｅｒａｔｉｏｎａｎｄｍａｉｎｔｅｎａｎｃｅａｐｐｌｉｃａｔｉｏｎｓｏｆＩＴｅｑｕｉｐｍｅｎｔｉｎｎｅｔｗｏｒｋｄａｔａｃｅｎｔｅｒ［Ｊ］．ＪｏｕｒｎａｌｏｆＳｈｅｎｙａｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，２０２２，４４（５）：５４１－５４５．）

［２］王楠，陳亞冬．基于數字孿生的城市軌道交通智慧運維應用［Ｊ］．城市軌道交通研究，２０２３，２６（１１）：１９４－１９７．

（ＷＡＮＧＮ，ＣＨＥＮＹＤ．Ｒｅｓｅａｒｃｈｏｎｉｎｔｅｌｌｉｇｅｎｔｏｐｅｒａｔｉｏｎａｎｄｍａｉｎｔｅｎａｎｃｅａｐｐｌｉｃａｔｉｏｎｏｆｕｒｂａｎｒａｉｌｔｒａｎｓｉｔｂａｓｅｄｏｎｄｉｇｉｔａｌｔｗｉｎｓ［Ｊ］．ＵｒｂａｎＭａｓｓＴｒａｎｓｉｔ，２０２３，２６（１１）：１９４－１９７．）

［３］黃華，李嘉然，趙秋舸，等．基于混合驅動的進給系統數字孿生模型自適應更新法［Ｊ］．計算機集成制造系統，２０２３，２９（６）：１８４０－１８５１．

（ＨＵＡＮＧＨ，ＬＩＪＲ，ＺＨＡＯＱＧ，ｅｔａｌ．Ａｄａｐｔｉｖｅｕｐｄａｔｅｍｅｔｈｏｄｏｆｄｉｇｉｔａｌｔｗｉｎｍｏｄｅｌｆｏｒｆｅｅｄｓｙｓｔｅｍｂａｓｅｄｏｎｈｙｂｒｉｄｄｒｉｖｅ［Ｊ］．ＣｏｍｐｕｔｅｒＩｎｔｅｇｒａｔｅｄＭａｎｕｆａｃｔｕｒｉｎｇＳｙｓｔｅｍｓ，２０２３，２９（６）：１８４０－１８５１．）

［４］吳琦，張勝文，國明義，等．數字孿生驅動的車間物流可視化監控方法［Ｊ］．機床與液壓，２０２３，５１（２２）：１２０－１２６．

（ＷＵＱ，ＺＨＡＮＧＳＷ，ＧＵＯＭ Ｙ，ｅｔａｌ．Ｄｉｇｉｔａｌｔｗｉｎｄｒｉｖｅｎｖｉｓｕａｌｍｏｎｉｔｏｒｉｎｇｍｅｔｈｏｄｏｆｓｈｏｐｆｌｏｏｒｌｏｇｉｓｔｉｃｓ［Ｊ］．ＭａｃｈｉｎｅＴｏｏｌ＆ Ｈｙｄｒａｕｌｉｃｓ，２０２３，５１（２２）：１２０－１２６．）

［５］黃涵鈺，毛柯夫，苑明海，等．數據驅動的生產線數字孿生系統構建與應用［Ｊ］．制造技術與機床，２０２４（２）：６７－７４．

（ＨＵＡＮＧＨＹ，ＭＡＯＫＦ，ＹＵＡＮＭ Ｈ，ｅｔａｌ．Ｃｏｎｓｔｒｕｃｔｉｏｎａｎｄａｐｐｌｉｃａｔｉｏｎｏｆａｄｉｇｉｔａｌｔｗｉｎｓｙｓｔｅｍ ｆｏｒｄａｔａｄｒｉｖｅｎｉｎｔｅｌｌｉｇｅｎｔｍａｎｕｆａｃｔｕｒｉｎｇｌｉｎｅ［Ｊ］．ＭａｎｕｆａｃｔｕｒｉｎｇＴｅｃｈｎｏｌｏｇｙ＆ＭａｃｈｉｎｅＴｏｏｌ，２０２４（２）：６７－７４．）

［６］張春霖，周婷婷，胡天亮，等．刀具切削變工況數字孿生模型構建方法［Ｊ］．計算機集成制造系統，２０２３，２９（６）：１８５２－１８６６．

（ＺＨＡＮＧＣＬ，ＺＨＯＵＴＴ，ＨＵＴＬ，ｅｔａｌ．Ｃｏｎｓｔｒｕｃｔｉｏｎｍｅｔｈｏｄｏｆｄｉｇｉｔａｌｔｗｉｎｍｏｄｅｌｆｏｒｃｕｔｔｉｎｇｔｏｏｌｓｕｎｄｅｒｖａｒｉａｂｌｅｗｏｒｋｉｎｇｃｏｎｄｉｔｉｏｎｓ［Ｊ］．ＣｏｍｐｕｔｅｒＩｎｔｅｇｒａｔｅｄＭａｎｕｆａｃｔｕｒｉｎｇＳｙｓｔｅｍｓ，２０２３，２９（６）：１８５２－１８６６．）

［７］ＬＹＵＺＨ，ＧＵＯＪＫ，ＬＹＵＨＢ．Ｓａｆｅｔｙｐｏｋａｙｏｋｅｉｎｚｅｒｏｄｅｆｅｃｔｍａｎｕｆａｃｔｕｒｉｎｇｂａｓｅｄｏｎｄｉｇｉｔａｌｔｗｉｎｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｄｕｓｔｒｉａｌＩｎｆｏｒｍａｔｉｃｓ，２０２３，１９（２）：１１７６－１１８４．

［８］ＷＡＮＧＺＱ．Ｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｏｆｃｏａｌａｎｄｇａｓｏｕｔｂｕｒｓｔｉｎｔｅｎｓｉｔｙｂａｓｅｄｏｎｄｉｇｉｔａｌｔｗｉｎａｎｄｄｅｅｐｌｅａｒｎｉｎｇ［Ｊ］．ＦｒｏｎｔｉｅｒｓｉｎＥｎｅｒｇｙＲｅｓｅａｒｃｈ，２０２２，１０：１８４－１９２．

［９］ＤＡＮＧＨＶ，ＴＡＴＩＰＡＭＵＬＡ Ｍ，ＮＧＵＹＥＮ Ｈ Ｘ．Ｃｌｏｕｄｂａｓｅｄｄｉｇｉｔａｌｔｗｉｎｎｉｎｇｆｏｒｓｔｒｕｃｔｕｒａｌｈｅａｌｔｈｍｏｎｉｔｏｒｉｎｇｕｓｉｎｇｄｅｅｐｌｅａｒｎｉｎｇ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｄｕｓｔｒｉａｌＩｎｆｏｒｍａｔｉｃｓ，２０２２，１８（６）：３８２０－３８３０．

［１０］ＪＩＴ，ＮＯＲ Ｎ Ｍ．Ｄｅｅｐｌｅａｒｎｉｎｇｅｍｐｏｗｅｒｅｄｄｉｇｉｔａｌｔｗｉｎｕｓｉｎｇａｃｏｕｓｔｉｃｓｉｇｎａｌｆｏｒｗｅｌｄｉｎｇｑｕａｌｉｔｙｉｎｓｐｅｃｔｉｏｎ［Ｊ］．Ｓｅｎｓｏｒｓ，２０２３，２３（５）：２６４３－２６４９．

［１１］ＸＩＯＮＧＭ Ｌ，ＷＡＮＧＨＷ，ＦＵＱ，ｅｔａｌ．Ｄｉｇｉｔａｌｔｗｉｎｄｒｉｖｅｎａｅｒｏｅｎｇｉｎｅｉｎｔｅｌｌｉｇｅｎｔｐｒｅｄｉｃｔｉｖｅｍａｉｎｔｅｎａｎｃｅ［Ｊ］．ＴｈｅＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＡｄｖａｎｃｅｄＭａｎｕｆａｃｔｕｒｉｎｇＴｅｃｈｎｏｌｏｇｙ，２０２１，１１４（１１）：３７５１－３７６１．

［１２］ＤＡＩＹＹ，ＺＨＡＮＧＫ，ＭＡＨＡＲＪＡＮＳ，ｅｔａｌ．Ｄｅｅｐｒｅｉｎｆｏｒｃｅｍｅｎｔｌｅａｒｎｉｎｇｆｏｒｓｔｏｃｈａｓｔｉｃｃｏｍｐｕｔａｔｉｏｎｏｆｆｌｏａｄｉｎｇｉｎｄｉｇｉｔａｌｔｗｉｎｎｅｔｗｏｒｋｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｄｕｓｔｒｉａｌＩｎｆｏｒｍａｔｉｃｓ，２０２１，１７（７）：４９６８－４９７７．

［１３］ＳＯＮＳ，ＫＷＯＮ Ｄ，ＬＥＥＪ，ｅｔａｌ．Ｏｎｔｈｅｄｅｓｉｇｎｏｆａｐｒｉｖａｃｙｐｒｅｓｅｒｖｉｎｇｃｏｍｍｕｎｉｃａｔｉｏｎｓｃｈｅｍｅｆｏｒｃｌｏｕｄｂａｓｅｄｄｉｇｉｔａｌｔｗｉｎｅｎｖｉｒｏｎｍｅｎｔｓｕｓｉｎｇｂｌｏｃｋｃｈａｉｎ［Ｊ］．ＩＥＥＥＡｃｃｅｓｓ，２０２２，１０：７５３６５－７５３７５．

［１４］ＣＨＥＮＧＹ，ＬＩＤ，ＧＵＯＺＹ，ｅｔａｌ．Ａｃｃｅｌｅｒａｔｉｎｇｅｎｄｔｏｅｎｄｄｅｅｐｌｅａｒｎｉｎｇｗｏｒｋｆｌｏｗｗｉｔｈｃｏｄｅｓｉｇｎｏｆｄａｔａｐｒｅｐｒｏｃｅｓｓｉｎｇａｎｄｓｃｈｅｄｕｌｉｎｇ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｒａｌｌｅｌａｎｄＤｉｓｔｒｉｂｕｔｅｄＳｙｓｔｅｍｓ，２０２１，３２（７）：１８０２－１８１４．

［１５］ＰＥＮＧＳＬ，ＳＵＮＳＪ，ＹＡＯＹＤ．Ａｓｕｒｖｅｙｏｆｍｏｄｕｌａｔｉｏｎｃｌａｓｓｉｆｉｃａｔｉｏｎｕｓｉｎｇｄｅｅｐｌｅａｒｎｉｎｇ：ｓｉｇｎａｌｒｅｐｒｅｓｅｎｔａｔｉｏｎａｎｄｄａｔａｐｒｅｐｒｏｃｅｓｓｉｎｇ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＮｅｕｒａｌＮｅｔｗｏｒｋｓａｎｄＬｅａｒｎｉｎｇＳｙｓｔｅｍｓ，２０２２，３３（１２）：７０２０－７０３８．

［１６］ＤＵＡＮＬ，ＣＡＩＪＸ，ＬＩＡＮＧＪ，ｅｔａｌ．Ｉｄｅｎｔｉｆｉｃａｔｉｏｎａｎｄａｎａｌｙｓｉｓｏｆｎｏｎｓｔａｔｉｏｎａｒｙｔｉｍｅｓｅｒｉｅｓｓｉｇｎａｌｓｂａｓｅｄｏｎｄａｔａｐｒｅｐｒｏｃｅｓｓｉｎｇａｎｄｄｅｅｐｌｅａｒｎｉｎｇ［Ｊ］．ＴｒａｉｔｅｍｅｎｔＤｕＳｉｇｎａｌ，２０２２，３９（５）：１７０３－１７０９．

［１７］ＡＬＳＨＡＲＥＦＡ，ＡＧＧＡＲＷＡＬＫ，ＳＯＮＩＡ，ｅｔａｌ．ＲｅｖｉｅｗｏｆＭＬａｎｄＡｕｔｏＭＬｓｏｌｕｔｉｏｎｓｔｏｆｏｒｅｃａｓｔｔｉｍｅｓｅｒｉｅｓｄａｔａ［Ｊ］．ＡｒｃｈｉｖｅｓｏｆＣｏｍｐｕｔａｔｉｏｎａｌＭｅｔｈｏｄｓｉｎＥｎｇｉｎｅｅｒｉｎｇ，２０２２，２９（７）：５２９７－５３１１．

［１８］ＶＡＳＷＡＮＩＡ，ＳＨＡＺＥＥＲＮ Ｍ，ＰＡＲＭＡＲＮ，ｅｔａｌ．Ａｔｔｅｎｔｉｏｎｉｓａｌｌｙｏｕｎｅｅｄ［Ｃ］／／２０１７Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ３１ｓｔＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＮｅｕｒａｌＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇＳｙｓｔｅｍｓ．ＬｏｎｇＢｅａｃｈ，ＵＳＡ：ＣｕｒｒａｎＡｓｓｏｃｉａｔｅｓＩｎｃ．，２０１７：６０００－６０１０．

［１９］ＬＩＵＹ，ＷＵＨ，ＷＡＮＧＪ，ｅｔａｌ．Ｎｏｎｓｔａｔｉｏｎａｒｙｔｒａｎｓｆｏｒｍｅｒｓ：ｅｘｐｌｏｒｉｎｇｔｈｅｓｔａｔｉｏｎａｒｉｔｙｉｎｔｉｍｅｓｅｒｉｅｓｆｏｒｅｃａｓｔｉｎｇ［Ｃ］／／２０２２Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ３６ｓｔＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＮｅｕｒａｌＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇＳｙｓｔｅｍｓ．ＬｏｓＡｎｇｅｌｅｓ，ＵＳＡ：ＣｕｒｒａｎＡｓｓｏｃｉａｔｅｓＩｎｃ．，２０２２：９８８１－９８９３．

（責任編輯：楊 樹 英文審校：尹淑英）

特邀專家 魏喆，沈陽工業大學機械工程學院教授，國家一流學科建設點負責人，入選２０２１年國家級高層次人才特殊支持計劃“萬人計劃”科技創業領軍人才，遼寧省智能制造與工業機器人重點實驗室主任，現任中國機械工業教育協會第四屆工業設計專業教學委員會副主任委員、中國圖學學會計算機輔助工業設計分會委員、中國機械工程學會高級會員、國家級工業設計中心／國家級工業設計研究院執行院長、遼寧省工業設計協會秘書長。創新性地提出性能驅動產品優化設計理論與方法，并在數字化智能化設計與制造、復雜裝備設計與數字樣機、制造業信息化關鍵技術及軟件開發等領域進行深入的理論研究與科研實踐。主持和參與科研項目１９項，發表高水平論文５０余篇，參與國際學術會議到會報告２次。科研成果有效提升了裝備制造企業創新能力，推動了遼寧省裝備制造業轉型升級和智能化解決方案的實施。

基金項目：遼寧省“揭榜掛帥”科技項目（２０２２０２０６３０ＪＨ１／１０８）；中國國家鐵路集團有限公司科技研究開發計劃項目（Ｎ２０２２Ｊ０１４）。