基于數字孿生的清掃裝置智能運維系統設計

李敬兆,張佳文,石 晴,劉繼超,劉 陽

(1.安徽理工大學 計算機科學與工程學院,安徽 淮南 232001; 2.淮北合眾機械設備有限公司,安徽 淮北 235000)

數字孿生是以數字化方式對物理實體進行虛擬建模,借助算法模型、數據信息等模擬物理實體的實際行為,通過虛實映射、迭代優化等手段,充分發揮連接物理世界和虛擬世界的橋梁作用,進一步提高服務的實時性、高效性、智能性[1]。制造業的數字孿生應用包括實現生產流程可視化、設備監測與故障診斷故障預警、設備遠程運維等,用數字孿生技術構造智能運維系統能夠準確反映物理實體設備的生命周期運行狀態,為運維人員提供了高可視化、高智能度、低成本、低風險的工作環境。

王政等[2]針對機械設備智能化需求不斷增加的問題,對數據方面的關鍵技術進行了詳細闡述。高士根等[3]梳理了數字孿生在智能運維領域的發展現狀、關鍵技術及工程應用。黃彬彬等[4]針對復雜產品運維過程中管控難度大等問題提出了基于數字孿生的智能運維體系架構。陶飛等[5]從實際應用角度出發,針對數字孿生模型構建問題,探索建立了一套完整的理論體系。這些研究為數字孿生應用落地打下了堅實的基礎。

清掃裝置主要用于清理帶式輸送機皮帶上的輸送殘留物,防止異物導致機器故障,減少經濟損失。目前人們對設備的監測越來越重視,但實際在生產中應用于清掃裝置方面的監測并不廣泛,運維工作仍然存在很多缺陷。傳統運維通常采用人工定期檢修等方式,缺乏對裝置信息統一化、智能化的管理,故障診斷不及時,可視化程度低[6]。為解決這些問題,本文提出了一種基于數字孿生的清掃裝置智能運維系統,引入數字孿生技術[7],構建清掃裝置智能運維系統的體系架構,將清掃裝置內部分成串聯的子系統,分別是噴洗系統、清理系統、干燥系統,構建孿生模型,對子系統關鍵零部件電機軸承進行故障診斷監測裝置運行狀態;對模型進行輕量化處理,并將數據可視化到web端,實現對清掃裝置的智能運維。

1 系統框架

清掃裝置的使用目的是對帶式輸送機的輸送帶進行殘余物料的清理,避免異物清理不及時引起輸送機運行故障。通過建立清掃裝置智能運維系統,提高清掃裝置運行的安全性、穩定性,降低事故頻率,維護企業效益[8]。針對傳統清掃裝置運維系的不足,利用數字孿生實現數字空間和實體空間雙向映射的優勢, 結合運維需求構建系統框架如圖1所示。

圖1 系統框架

1.1 物理層

物理層即客觀存在的物理實體,主要包括智能清掃器、傳感器、物聯網關等物理設備。輸送機聯動信號開啟后,設備智能控制系統運行。為構建全面的監測體系,布置多個傳感器采集數據,并與上位機建立連接,為全方位可視化監視打下基礎[9]。

1.2 數據層

實現數字孿生體的關鍵之處在于利用實時數據源驅動模型,實現物理實體和虛擬模型之間的相互映射,以達到實時監測在線顯示的要求。在清掃裝置工作過程中,會產生大量數據信息,這些信息來源廣、類型復雜,為實現對數據信息的高效感知和處理,使用基于OPC UA[10]的數據采集框架對清掃裝置數據進行動態采集。OPC UA架構由服務器和客戶端構成。服務器對物理空間的實時運行數據進行采集與處理,通過請求-響應的方式將采集的數據發送給客戶端。數據處理架構如圖2所示。

圖2 數據處理架構

將OPC UA的服務器設置在工控機上,通過工業以太網與物理實體相連。采集設備對環境信息、裝置運行信息等進行采集,并過濾掉重復無效的信息。將遵循不同協議的數據轉換成符合OPC UA架構的格式,保障數據信息的正確性和實時性,方便對信息進行上傳存儲或發送到客戶端進行展示。

1.3 模型層

清掃裝置運維系統的模型層是對物理實體進行多維度的描述,包括虛擬模型、物理模型、功能模型等。要實現物理實體和虛擬模型的雙向映射需要將虛擬模型和物理模型進行功能和結構上的信息融合。借助SolidWorks等建模工具建立物理模型,在此基礎上,融合參數信息,建立邏輯模型;再結合故障診斷算法,構建功能模型,實現對清掃裝置的診斷和預測。為達到應用需求,數字孿生模型應具備精準化、可視化、輕量化的特性。

精準化:為避免孿生系統在運行過程中因誤差導致的嚴重問題,應在根本上避免誤差的迭代放大;不僅需要構建出準確的靜態模型,又要求模型能隨著數據源的驅動刷新輸出與實際符合的動態結果。

可視化:數字孿生應用的落地,將推進監控系統的進步。從二維監控系統過渡到三維交互系統。數字孿生模型在構建時應遵循可視化準則,保證模型的生動形象,支撐起數字孿生系統的可視化運維管控。

輕量化:為滿足數字孿生應用的高效性需求,應在保證高精確度、高仿真度的基礎上,對模型進行輕量化建設。減少冗余模型的產生,降低時延,提高模型的復用性。

1.4 應用層

涉及Vue、HTML、CSS、WebGL等技術,以實時數據和孿生模型為基礎,對虛擬層中的算法模型進行封裝,提供裝置狀態的直接展示,實現對清掃裝置的運行狀態實時監測,并對實時數據進行分析處理、判斷出裝置運行狀態,保證數據的迭代更新,維護預測可靠性,為故障預警、決策優化等提供支持。

2 關鍵技術

2.1 孿生模型

孿生模型[11]的構建由物理模型、邏輯模型、功能模型3部分組成。在構建物理模型時,使用Solidworks軟件按1∶100的比例還原清掃裝置物理實體的部件。為減少時延、降低系統負荷,對模型進行輕量化處理,再導入到Unity中進行渲染。為實現雙向映射,使用SetParent()函數建立模型間的父子關系,使用Translate()函數、Rotate()函數實現平移和旋轉運動,為模型綁定預設的行為動作。再結合功能模型,訓練故障診斷算法實現對軸承的故障診斷。孿生模型搭建如圖3所示。

圖3 孿生模型

2.2 LSTM-ELM模型

為實現對關鍵部位軸承的故障診斷,建立LSTM-ELM診斷分類模型。使用殘差結構的LSTM[12](長短時記憶網絡)分析振動信號特征,再利用ELM[13](極限學習機)完成故障分類。

振動信號特征是單維的,與多維數據相比,冗余信號不多,采用單維卷積網絡進行特征分析,提高工作效率;為有效解決伴隨網絡層及加深出現梯度彌漫的問題,加速模型收斂,使用融合Dropout(隨機失活層)的LSTM模型進行軸承故障診斷。在模型訓練過程中,Dropout可以使某些神經元有一定概率停止工作,有效緩解過擬合現象,增強模型的泛化性。診斷模型如圖4所示。

圖4 故障診斷模型

在標準的RNN中,重復的網絡模塊只有一個簡單結構來調節流動值;在LSTM中,重復的模塊擁有不同的結構,分別為遺忘門(ft)、輸入門(it)、輸出門(ot)。

ft=?(Wf[st-1,xt]+bf),

(1)

it=?(Wi[st-1,xt]+bi),

(2)

ot=?(Wo[st-1,xt]+bo),

(3)

式中:st-1是上一個時刻的狀態;xt是當前時刻的輸入;W是權重矩陣;b是偏置向量,?是激活函數。

(4)

當前時刻記憶單元ct更新為

(5)

ht輸出為

ht=ot·tanh(ct).

(6)

ELM是一種單隱層前饋神經網絡模型算法,由輸入層xi,i∈1,2,...,M、隱含層ok,l=1,2,...,K和輸出層yj,j∈1,2,...,N組成。在執行規程中不需要調整網絡輸入權值、偏置,只需設置好隱層節點個數,最后產生唯一的最優解。網絡結構如圖5所示。

圖5 ELM結構

2.3 總體技術路線

基于數字孿生的清掃裝置智能運維系統的技術路線如圖6所示。在清掃裝置的物理實體上布置多個傳感器采集清掃裝置實時信息,構建孿生模型,使用實時信息驅動孿生模型運轉,結合LSTM-ELM診斷算法實現數字孿生體對清掃裝置的故障診斷。進一步通過WebGL等技術,將數據渲染到上位機界面,實現可視化智能運維。

圖6 技術路線

3 實驗驗證與結果分析

3.1 模型建立

根據提出的數字孿生智能運維系統框架,基于多模型融合的虛擬建模方法,結合SolidWorks、Unity等軟件,以淮北合眾機械設備有限公司生產的智能風水清掃器為實驗對象,建立虛擬模型如圖7所示。

圖7 虛擬模型

3.2 實驗結果及分析

根據采集到的信息對裝置進行數字孿生驅動的故障診斷是整個系統的核心。采集電機軸承內圈、外圈、滾動體在不同狀態下的振動信號數據制成數據集作為歷史數據注入數字孿生虛擬空間進行訓練,生成相應的振動信號數據,得到故障信號特征,用以完成網絡模型在不同故障條件下的分類訓練。正常類型與故障類型編號如表1所示。

表1 正常類型與故障類型編號

若令l表示參與分類的樣本總數,c表示正確分類的樣本數,則準確率為

(7)

在常規狀態下和不同故障狀態下對軸承故障診斷準確率對比如表2所示。傳統算法在正常、內圈故障、外圈故障、滾動體故障類型數據集上的準確率分別為95.51%、93.37%、92.96%、93.12%,平均精度為93.74%;改進后的ELM-LSTM算法的準確率在故障類型數據集上的準確率分別為97.73%、94.89%、93.25%、95.50%,平均準確率為95.34%。改進后的ELM-LSTM模型平均精度提高了1.6%,驗證了方法的有效性。

表2 軸承故障準確率對比

3.3 實驗可視化界面

在前端WebGL等技術的基礎上,以三維模型方式實現對清掃裝置的可視化運維,如圖8所示。主要包括清掃裝置運行參數、環境信息、三維模型等,同時通過設置清掃裝置參數等控制終端設備,實現聯動。

圖8 可視化界面

4 結語

數字孿生是一種利用數字化技術對物理實體進行虛擬模型的搭建,并實現兩者的雙向映射;智能運維則是利用多種人工智能技術,對設備進行自動化監測、診斷等。為了促進清掃裝置智能運維的全面化、精準化和可視化,將兩者進行結合,設計了基于數字孿生的清掃裝置智能運維系統。構建了清掃裝置智能運維的數字孿生框架;結合實際應用場景,設計了清掃裝置故障診斷模型;并完成了對清掃裝置的建模,結合前端展示技術,實現了對清掃裝置的可視化監控。通過上述方法對清掃裝置運行狀態進行實時監測,實現對裝置運行異常的故障預警,提高設備的可靠性和可用性,降低運維成本和風險。與傳統方法相比,該方法更直觀高效。