基于數字生的三峽升船機智能運維平臺研究

0 引言

三峽升船機作為中國首座采用齒輪齒條爬升方式的全平衡大型垂直升船機，是長江水運主通道和三峽水利樞紐至關重要的通航基礎設施，具有設施種類繁多、結構復雜、運行環境多變等特點，經過多年的運維實踐，積累了大量設備運行、巡檢、維護、缺陷處理、故障診斷等核心數據。然而，這些數據往往相互獨立、缺乏整合性，且數據標準不統一，導致了“數據孤島”現象的產生。由于升船機未能實現一體化的數字化能力規劃，運維數據的采集方式及設備設施的數字化表達尚不能全面反映升船機的整體運行狀態[1]。運維人員從實踐中總結的運維規律和故障診斷經驗，未能充分轉化為客觀、系統化的數據處理機制。同時，設備運行和業務流程中存在大量數據分析和挖掘不足的問題。因此，如何結合三峽升船機通航建筑物特征及海量運維數據特點，尋找高效、智能、科學的運維數據結構構建和評價分析方法，實現對升船機運行狀態的全面感知和智能分析，是實現升船機運維數字化轉型與提質增效的有效途徑。

2012年NASA提出了數字孿生的概念：數字孿生是指充分利用物理模型、傳感器、運行歷史等數據，集成多學科、多尺度的仿真過程。它作為虛擬空間中對實體產品的鏡像，反映了相對應物理實體產品的全生命周期過程。國內外學者們在數字孿生技術的研究與應用方面已取得顯著進展，從早期的概念提出，到航空航天、智能制造等領域的初步應用，再到如今在智慧城市、智慧交通等領域的廣泛探索，數字孿生技術已逐漸形成了較為完整的技術線路。從理論框架的構建，到關鍵技術的突破，再到實際應用的驗證，都代表著該技術發展與應用不斷成熟[2-3]。但在樞紐通航建筑物這一特定領域，特別是升船機這類復雜的通航建筑物，數字孿生技術的應用仍處于早期探索階段，面臨著數據獲取與處理、模型構建與更新、智能決策支持等多方面的挑戰。

針對上述問題，本文基于數字孿生技術[4-10]，構建三峽升船機智能運維平臺，通過BIM建模方法的數據獲取與處理機制[11-13]構建高精度數字孿生模型，優化智能運維決策支持系統，以實現對升船機運行狀態的實時監測、智能預警、健康評測和故障預測[14-17]，為運維人員提供科學、可靠的決策支持。

1 平臺總體架構設計

平臺技術路徑如圖1所示。

1.1 總體功能架構

根據三峽升船機運維管理業務與數據取用情況，平臺主要分為7個模塊： ① 首頁，通過3D模型整體展示升船機的運行數據、設備狀態數據及巡檢數據；② 數據可視化，綜合展示整體數據情況及局部重點數據； ③ 設備狀態監測，通過3D模型展示物理設備的數據變化； ④ 設備健康管理，判定升船機當前健康信息；

⑤ 運維信息管理，高效展示整體運維業務數據，包括設備基礎信息、缺陷故障信息、維修維護信息等； ⑥ 大數據推送； ⑦ 系統管理，對系統模塊等管理。平臺功能架構如圖2所示。

1.2 業務架構設計

三峽升船機智能運維平臺通過工業互聯網網關實現升船機全范圍、深層次的數據采集，以及異構數據的協議轉化和邊緣處理，構建智能運維管理的數據基礎。利用實時數據庫海量數據處理能力完成對升船機設備數據的采集、處理、存儲、分析及應用，海量多源數據的統計分析、運維檢修、設備監控、智能運維決策優化等多業務模塊功能通過可視化界面展現。

平臺業務架構如圖3所示，各業務模塊之間關系如下： ① 通過數據采集工具獲取計算機監控系統、驅動系統、監測系統的監測數據及異常報警數據； ② 通過數據采集工具從船閘（升船機）通航生產監控系統獲取升船機運維運行數據； ③ 采集設備維護數據后與運維任務進行對比； ④ 通過狀態診斷功能及基礎診斷數據對運維數據進行計算分析； ⑤ 對運維數據進行處理推送，實時抽取展示數據。

1.3 系統數據架構

三峽升船機智能運維平臺數據架構由數據采集層、統一數據接口、ELT（提取、加載、清洗與轉換）層、數據存儲管理層、標準可擴展的數據服務、應用層（設備狀態監測、運維服務管理、智能運維管理）運維服務API和統一門戶構成，如圖4所示。

三峽升船機設備信息由相應的傳感器提供，其數據由數據采集層完成信息采集。統一數據接口層負責外部數據接人服務；ELT層則執行數據的提取、加載、清洗和轉換工作；數據存儲管理層統一存儲平臺采集的所有數據，包括原始數據與轉換后的數據；應用層執行運行資源監控、報警集中、狀態檢測、故障診斷、故障預測和實時信息推送等任務；運維服務API響應門戶終端的服務請求；統一門戶則提供人機交互界面，與各計算分析應用通過客戶服務方式通信。

2 關鍵技術

2.1 升船機數字孿生模型構建

升船機智能運維首先需要實現升船機物理、功能、參數、狀態等特征信息的數字化表達及展現，通過“數據感知子系統”獲取升船機運行的實時數據，最終以三維可視化模式呈現三峽升船機數字孿生模型（殼模），直觀展示升船機船廂、驅動系統及鋼絲繩等復雜設備的整體結構組成及即時運維狀態。為了使數據層級結構與物理模型匹配，引入了BIM建模方法，通過梳理三峽升船機的所有圖紙信息構建模型，建模流程如圖5所示。

為了讓模型具備設備特征和動態效果展示功能，首先結合監測傳感器布點在模型中標注相應的3D模型點位，包括點位坐標數據獲取、點位坐標代碼設計、頁面代碼驅動標注數據等具體過程。然后通過數據接口方式獲取傳感器監測數據，并封裝對應傳感器類型數據包，通過前端代碼技術驅動到模型展示，實現過程如下： ① 建立傳感器數據采集系統； ② 設立數據傳輸接口，提供WebServices服務； ③ 設立前后臺數據交互接口； ④ 建立three.js驅動數據包； ⑤ 進行模型數據展示。

通過JS代碼加載導出標準模型，再通過代碼傳輸指令集到JS代碼操作模型運動，3D模型狀態跟隨物理模型狀態變化而改變，轉變為數據驅動的數字孿生模型，如圖6所示

2.2 多源多層異構多用數據融合

三峽升船機的運維數據集包括了升船機整體及其組成部件的結構信息、健康狀況、性能參數以及運維統計數據等多元信息數據流，這些數據流具有高度的多樣性、多維交互性以及時空動態性。當前，僅依賴計算機監控系統提供的單一、零散的數據源以及間歇性的人工巡檢數據源，無法實現對設備運行狀態的全面和精確監測與預警。鑒于此，本次研究通過整合位移傳感技術、轉軸扭矩傳感技術、聲納傳感技術、雷達測控技術以及機器視覺技術等多種先進的智能傳感與檢測技術，對升船機的振動、溫度、應力應變等多維度狀態進行監測，并實現全周期數據采集，進而構建出升船機智能傳感監測網絡，打造升船機多源多維運維管理數據庫與數字孿生智能管理平臺，如圖7所示。

考慮到不同設備、不同類型、不同布點數據互相之間的影響，以及約束所形成的多層次、多分支、高維度數據特性，單一或簡單的數據模型已不再適用，本文通過更為復雜適配的樹形知識圖譜模型來描述設備與設備、數據與數據、設備與數據之間的結構和規律。

2.2.1 數據結構分析

為契合三峽升船機的物理結構模型，將升船機的復雜設備按組成特點分為不同層級，并將這些不同層級設備的不同類型、不同層次、不同維度數據分別對應到樹模型的根、干、枝、葉等部位，對不同數據源及特征數據進行提取、選擇、變換和組合，基于樹形知識圖譜模型層次結構和生長原理，建立升船機運維數據樹模型?；跀祿攸c對升船機運維數據進行分類管理。一是升船機運維情況包括運行、故障、維護、修理等不同指標，每個指標對應多個運維參數，如m，m，…，m_x 等；二是升船機健康狀態，包括狀態、性能等不同指標，每個指標對應多個運維參數，如 n₁，n₂，…，n_y 等。這些不同指標及參數根據仿生樹結構形成了指標樹模型的分支，每個設備根據設備特征及運維要求形成不同的二叉樹、三叉樹等結構。將數據間的關聯耦合關系建立數學模型，完成不同層級的數據融合，建立一個完整的數字孿生升船機智能運維樹形數據模型，如圖8所示。

2.2.2 故障診斷分析

依據升船機樹型數字孿生模型，結合系統運行診斷體系，運用“故障樹分析法”和“熵權法”進行“升船機問題診斷數字模型”建模，為智能化診斷提供支撐。

故障樹分析法（faulttreeanalysis，FTA）是一種將系統故障形成原因按樹枝狀逐級細化的圖形演繹方法，可用于大系統可靠性、安全性分析和風險評價。它先對可能造成系統故障的各種因素（包括硬件、軟件、環境、人為因素等）進行分析，畫出邏輯框圖（即故障樹），再對系統中發生的故障事件由總體至局部按樹枝狀逐級細化分析，并在方案與初步設計階段對系統進行可靠性、安全性分析，常用于系統的故障分析、預測和診斷，找出系統的薄弱環節，以便在設計、制造和使用中采取相應的改進措施[18] 。

FTA以系統最不希望出現的故障狀態作為分析的目標（頂事件），找出能導致這一故障發生的全部因素（中間事件），再尋找出造成中間事件發生的全部因素，按此方式一直追溯到引起系統發生故障的全部原因（底事件），將系統故障與中間事件和底事件之間的

Fig.7 Multi - source and multi- dimensional data flow for ship lift operation and maintenance邏輯關系用邏輯門連結起來，形成樹形圖，以表示故障與產生原因之間的關系。通過計算找出系統發生故障和不發生故障的各種途徑；利用概率論方法計算系統出現故障的概率，評價引發系統故障的各種因素的相關重要度[18]。故障樹分析可以分為5個步驟：

（1）定義分析系統故障類型。由精通系統的專家成員和運維人員進行系統故障分析與分類，得到系統升船機核心故障問題類型。

（2）選定故障作為頂事件。

（3）確定故障邊界條件、失效指標，利用“熵權法”等方法對其發生概率進行計算。

以頂事件為最高故障類（ （L₀） ），層級邏輯可分解為（L₁，L₂，L₃，…，L_n） ，最終確定底層失效指標 $＼left（ ＼boldsymbol { ＼mathscr { x } } _ { 1 } ， ＼boldsymbol { ＼mathscr { x } } _ { 2 } ， ＼boldsymbol { ＼mathscr { x } } _ { 3 } ＼right.$ ，…，x_n） ，根據故障的底層失效指標進行定性與定量分析，并對頂事件（最高故障）的狀態變量 L（x_i） 進行邏輯類型構建。

底層失效指標 x_i 可構成最小單元的分析模型，其定性問題邏輯可依照系統設計標準值、部件出廠額定標準值進行判斷，實現各部件的定性故障判斷；或者建立底層失效指標 x_i 數值與系統或部件故障類型的數學函數關系，通過底層失效指標 x_i 數值變化得到相應的 L（x_i） 故障量化，實現定量單元故障診斷模型

例如在液壓系統中，可以通過建立兩個部件單元的關聯關系實現定量分析。假定整個系統中其他單元保持恒定，設核心比例伺服閥的電壓輸入指標為 x_i ，通過建立其與執行單元“油缸”的輸出行程 L 之間的數學關系，從而實現將 x_i 的電壓變化轉化為“油缸”行程L（x_i） 指標的變化，以此建立單元模型

（4）繪制故障樹。根據系統分析與失效指標，建立以保障升船機智能化安全運行為基礎的故障樹模型（圖9＼～11）。

（5）故障診斷模型代碼化。采用編程語言，對算法、模型進行代碼化封裝，從而實現信息化的快速診斷。

2.3 設備狀態與健康評價

智能運維平臺需要充分分析挖掘運維數據資源，以實現升船機設備狀態的實時評價和全生命周期的健康管理。通過傳感器采集設備的海量運行數據，建立三峽升船機的設備運維數據庫。為了更好地反映升船機多源多層數據結構，用 表示升船機所有設備單元數據樣本集合，同時由于升船機設備組成復雜，為了多層數據結構更好地評價設備多層級物理組成，用 表示每個設備單元的一級數據樣本集合， 表示每個設備單元的單級子數據集合，可以使得數據源具有良好的可生長性和計算迭代性。為了提升多源數據的準確度，讓數據信息更有效地反映設備真實運行狀態，還需要對設備運維數據進行預處理，通過對每個設備單元建立奇異值集合 ，可實現對采集的大量設備狀態數據進行去奇異值及空值預處理。

（1）升船機設備組成復雜、數量繁多，設備狀態診斷較為復雜，設備故障的發生、發展雖然有時不能通過計算機監控系統及在線監測傳感器的振動、應力等時域信號數據得到反映，但往往引起信號頻率結構的變化。如升船機船廂、齒輪箱等設備布置了大量振動、應力檢測傳感器，這些周期性的時域信號很難區分，需要分解為若干模態分量進行頻域數據分析，這里引入了SSA-ICEEMDAN算法，可實現良好的數據去噪和時域信號分解，如圖12所示。主要步驟如下： ① 利用SSA-ICEEMDAN算法對數據進行預處理，獲取用于表征設備健康狀態信息的頻域特征分量集合 ; ② 結合卷積神經網絡，搭建升船機設備健康狀態感知模型； ③ 將升船機運行產生的在線數據經過相同的數據處理和頻域分析提取之后，輸人到已經訓練好的感知模型中對設備當前狀態進行感知識別，由此得到三峽升船機設備狀態評價結果、健康狀態預測趨勢和運維管理決策支撐。

（2）升船機部分設備健康狀態可由普通數據信號來分析判斷。由于每個設備單元具有多源多層數據指標特征，用熵權法來建立設備的健康狀態評價模型，并給出設備健康狀態等級及其相應的運維建議措施，通過計算得到健康狀態評價數值后就可以獲取設備的健康評級和運維決策，設備綜合健康狀態評估指數計算模型如下：

式中： α_i-x 是參數健康數值; β_i-x 是參數權重系數; δ_i-x

是各指標權重數值。

為了準確反映設備健康狀態及動態變化趨勢，確

立不同設備狀態或工況下各設備檢測數據的最優數值，建立設備單元的最優數據集合 （2 。由于不同設備單元、不同指標的數據格式及內容不一樣，需要對數據進行標準化預處理，以最優數據集合為參考對象，通過分析得到各層級數據指標的標準化健康數值，計算模型如下：

式中： y_i-x 為該參數實際值 ;f_i-x 是指該參數 y_i-x 的最優值。

為了評價設備各評價指標對設備狀態的差異性和重要性，同時還需要考慮設備組成復雜性帶來的分級評價差異，可對設備單元建立差異化的多級評價指標，使用熵權法來評估各指標在設備評價中的重要性，對第 i 級的評價指標集合 進行權重分析，第 g_i-x 個指標的熵值為

由此得到各項指標的權重 δ_i-x ：

3平臺實現及應用

通過以上關鍵技術完成了智能運維平臺的系統開發實現，平臺通過大數據管理與推送模塊配置外部數據及獲取設備狀態數據接口信息，通過配置規則實現數據流轉發目的地等靈活配置，并支持自定義SQL轉發規則配置。數據流轉支持轉發到Kafka、RO-MAMQS、IoT數據分析等消息中間件或平臺，實現海量運維數據流的高吞吐、可持久化和可水平擴展，并支持流式數據處理等多種特性分布式消息。三峽升船機智能運維平臺開發實現如圖13所示。

對于設備健康管理功能的有效性，以某液壓油設備單元為例，通過液壓油狀態在線監測設施獲取了上閘首活動橋、上閘首臥倒門等10套液壓系統液壓油的關鍵指標監測數據流，包括黏度、酸值、水份、清潔度等，單次監測數據集如表1所列。

依據設備綜合健康狀態評估指數計算模型，以該液壓油理論最佳指標為參考，最優數據集合取值為 F ，由公式（1）～（4）計算，10套液壓油設備單元的綜合健康狀態評估指數數值如圖14所示。

由于計算中選取了各項指標的最理想和最優數值，如清潔度取1，實際上液壓油清潔度小于6就已是極佳健康狀態，所以整體數值偏低。由健康狀態評估結果可知，下閘首臥倒門液壓系統的液壓油相對而言健康狀態最好，下閘首工作門液壓系統的液壓油相對而言健康狀態最差（綜合健康狀態評估指數0.1509），實際監測數據中，下閘首工作門液壓系統液壓油的清潔度處于最差等級（表1），且黏度降低較多，與實際的監測數據結果比較吻合。

4結論

（1）本文以三峽升船機運維管理為對象，通過建立與升船機運維數據特征相適應的升船機數字孿生模型，提出了適用于海量數據高效分析處理的平臺功能結構、業務架構、數據架構設計，構建了基于數字孿生的三峽升船機智能運維平臺，可實現設備狀態監測、設備健康管理、運維信息管理和運維業務管理等功能，為大型升船機的數字化、智能化運維管理做出了可行性研究和實踐探索。

（2）通過構建與升船機物理結構特征相適應的升船機數字李生樹形運維數據結構，基于升船機樹型數字孿生模型建立了設備定性、定量故障分析方法及模型，提出了時域信號模態分解分析和物元熵權法兩種升船機設備健康狀態評價方法途徑，以液壓油設備單元為例，驗證了數據運算結果與設備實際狀態的吻合性，論證了升船機智能運維平臺的有效性。

參考文獻：

[1]于勇，范勝廷，彭美偉，等.數字孿生模型在產品構型管理中應用探討[J].航空制造技術，2017（7）：41-45.

[2] WANGH，FUT，DUY，etal.Scientificdiscoveryintheageofartifi-cial intelligence[J].Nature，2023，620（7972）：47-60.

[3] 陶飛，劉蔚然，張萌，等.數字孿生五維模型及十大領域應用[J].計算機集成制造系統，2019，25（1）：1-18.

[4] 馮鈞，朱躍龍，王云峰，等.面向數字孿生流域的知識平臺構建關鍵技術[J].人民長江，2023，54（3）：229-235.

[5] 王大江，張學東，孫文磊，等.特種變壓器生產車間數字孿生系統構建方法[J].工程科學學報，2023，45（11）：1948-1961.

[6] 羅浩，孫文磊，常賽科，等.基于數字孿生和多源數據融合的風力機葉片運維方法研究[J].機床與液壓，2025，53（2）：179-189.

[7] 常賽科，孫文磊，劉志遠，等.基于可信標識的工業設備全生命周期運維系統研究[J].制造技術與機床，2023（11）：82-89，94.

[8] 張本昕，呂靜.鋼鐵企業設備智能運維管理平臺探索[J].重型機械，2024（2）：30-34.

[9]崔歡歡，周方曉，李智杰，等.基于BIM的機電設備系統建模方法[J].現代建筑電氣，2017，8（2）：37-42.

[10]龐志寧，連濤，王冬明.基于BIM技術的機電設備零部件參數化建模及分析方法[J].港口裝卸，2017（5）：21-25.

[11］劉達新，王科，劉振宇，等.基于數據融合與知識推理的機器人裝配單元數字孿生建模方法研究[J].機械工程學報，2024，60（5）：36-50.

[12］劉銘，何利力，鄭軍紅.融合多源異構數據的圖卷積神經網絡混合推薦模型[J].智能計算機與應用，2024，14（2）：1-8.

[13]崔員寧，孫澤群，胡偉.基于規則提示的知識圖譜通用推理預訓練模型[J].計算機研究與發展，2024，61（8）：2030-2044.

[14］談群，苗洪雷，秦拯，等.基于知識圖譜的水電站設備故障根因分析方法[J].人民長江，2024，55（2）：259-264.

[15]賀玉彬，時曉燕，史天穎，等.大型水庫健康評價方法與應用：以大渡河瀑布溝水庫為例[J].人民長江，2024，55（6）：53-59.

[16］謝雪松，謝路楊，都騰飛，等.基于改進型CEEMDAN和RBF神經網絡的往復式壓縮機閥片故障診斷研究[J].機械工程師，2020（11）：90-92，96.

[17］張陽，謝立華，段正強.基于ASP模式的機械設備多特征參數健康狀態綜合評價[J].機械設計與制造工程，2023，52（8）：112-116.

[18]許化東.基于故障樹分析法的汽車故障診斷專家系統的研究[D].合肥：合肥工業大學，2002.

（編輯：胡旭東）

Research on intelligent operation and maintenance platform of Three Gorges ship lift based on digital twin

ZHENG Weili，LI Ming，WANG Tingting （Three Gorges Navigation Authority，Yichang 443ooO，China）

Abstract：To addressthe shortcomingsof traditional operation and maintenance（Oamp;M）practices forthe ThreeGorges ship lft，suchasinsuficientdataminingandrelianceonsubjectiveexperienceinfaultdiagnosis，tispaperemploeddigitaltwinthe ryintegratedwithkeytechnologiesincludingfaultdiagnosisanalysismethods，mater-elemententropyweightmethod，convolutional neuralnetwork（CNN）algorithm，SSA-ICEEMDANalgorithmtodevelopanintellgentOamp;Mplatformfortheshiplit. Throughplatformimplementationanddataanalysis，thesystemsuccesfullachieveddyamicmonitoringfaultdiagosis，dpredictive maintenanceoftheship lift’soperational status，giving acomprehensivehealth evaluationontheequipment.Application resultsdemonstratedthattheplatformnotonlyensuresthesafeandstableoperatioofthe ThreeGorgesshiplift，butsignificantly enhanced 0amp;M efficiencyaswell.Thissuccessful applicationof digitaltwin technologyandassociated methodsin the intellgent （20 0amp;M of large -scale ship lift navigation facilities provides an innovative solution for analogous engineering challenges.

Key Words：Three Gorges ship lift；digital twin;intelligent operation and maintenance（Oamp;M）；health evaluation