面向预测性维护的数字孪生技术进展：机器学习的作用和功能（上）

本期受文章作者邀请给大家分享一篇中科院1区的数字孪生技术综述文章。

数字孪生是当前故障诊断领域的研究热点。本期推荐的这篇是广东工业大学陈翀副教授的文章，这篇文章先系统介绍目前制造业中数字孪生技术和预测性维护相关技术的最新应用，重点指出DT-PdM的前景，接着以明确和系统的方法确定、评估和分析已发表的文献（与DT-PdM相关的文献），初步分析目前研究状况。随后，介绍了ML在基于DT-PdM 的各个应用领域中的最新应用(HI构建、RUL 预测和故障诊断)。最后，揭示并讨论了在DT-PdM 中机器学习的挑战和机遇。

由于文章篇幅过长，小编将分两次为大家翻译介绍这篇综述，本节推文是这篇文章的上半部分，希望对大家的学习有所帮助（文章的2、4章节质量较高)，也同时希望大家可以多多引用。

论文基本信息

论文题目: The advance of digital twin for predictive maintenance: The role and function of machine learning

论文期刊:Journal of Manufacturing System

Doi:https://doi.org/10.1016/j.jmsy.2023.10.010

摘要

关键词：数字孪生 预测性维护 机器学习 故障诊断和健康管理

目录

1 引言

2 数字孪生和预测性维护的最新技术

   2.1 制造业中的数字孪生

   2.2 预测性维护的前沿应用

3 研究方法论

    3.1 研究问题

    3.2 搜索策略

          3.2.1 搜索词

          3.2.2 搜索数据库

          3.2.3 选择或删除的标准

          3.2.4 文章的选择或评估过程

          3.2.5 近期研究工作分类

注：小编能力有限，如有翻译不恰之处，请多多指正~

      若想进一步拜读完整版，请下载原论文进行细读。

1 引言

数字孪生 (DT) 主要由物理实体、数字镜像和连接组成，并且利用虚拟分析来增强物理实体的性能 [1,2]。DT 的概念源于 NASA 的阿波罗计划，整合了来自网络空间和物理空间的信息和数据 [3]。DT的概念最初由Michael Grieves提出，此后成为广泛使用的术语[4]。很多公司已将各种模型应用于其系统工程产出中，包括物理和数学模型。2012年，NASA将DT定义为“充分利用物理模型、传感器、运行历史和其他数据的多学科、多尺度的仿真过程集成，其作为物理实体在虚拟空间中的镜像反映了相应物理实体产品的全生命周期过程”[5]。然而，从DT的概念、特点和总体框架来看，基于DT的智能制造的实施还处于起步阶段[6]。DT现在在产品生命周期管理方面得到了广泛的研究。尤其近年来，有关预测性维护 (PdM) 的 DT 出版物引起了广泛关注。DT的应用采用主动方式进行设备管理服务，将温度、振动等实时设备传感器数据与环境数据相结合，更新DT模型并防止意外停机。因此，对DT-PdM现状的研究至关重要，这可以实现精确的设备状态验证、早期故障检测，并最终有助于提高系统的稳定性并降低成本。

PdM 技术用于评估运行中设备的状况，从而预测何时需要维护。与日常或定期维护相比，这种方法不仅节省成本，而且还提高了运营效率[7,8]。根据德国汉堡 IoT Analytics 的一份报告，PdM 市场目前估值为 69 亿美元，预计到 2026 年将达到 282 亿美元。目前市场上有超过 280 家 PdM 解决方案提供商，预计到 2026 年将增长到 500 家。PdM 的最终目标是通过利用实时或近实时数据传输和相关建模技术来实现基于状态的维护，以提高设备的运行可靠性并促进持续改进[9-11]。DT-PdM 是故障诊断、剩余使用寿命预测(RUL：Remaining Useful Life) 、构建健康指标（HI：Health Indicator ）的重要技术。它已应用于计算机数控机床、轴承和变速箱等多个领域，利用多源数据集构建虚拟模型以优化 PdM 应用。数据驱动模型目前需要收集大量多源数据并构建来自各种来源的模型，包括物联网（IoT： Internet of Things）数据、环境数据、运行数据、模拟数据和控制数据[12– 19]。基于物理的模型也是一种重要的建模方法，例如利用有限元分析 (FEA) 从组件构建 DT 模型 [20]。DT 作为一种利用基于物理的方法和数据驱动的方法的新技术，在 PdM 领域受到越来越多的关注[9,21-23]。图1是2001年至2022年Google Scholar索引的ML-PdM和DT-PdM发表论文数量的折线图。可以看出，ML-PdM和DT-PdM近年来都经历了快速增长。ML-PdM 每年的出版物数量始终多于 DT-PdM，而 DT-PdM 则略有增长。当前 DT-PdM 的实施面临着构建高保真模型并将其部署到行业中的挑战，其主要原因之一是难以对多模态数据进行集成、分析和建模，并导出DT的信息和知识。机器学习（ML）作为高级数据分析的关键技术，在DT-PdM中发挥着至关重要的作用。因此，有必要对最近发表的论文进行回顾和分析，以确定机器学习在 DT-PdM 中的作用和功能。

ML是促进DT-PdM发展的重要技术[24]。它已被应用于制造和航空航天等许多领域[25,26]。随着传感器技术的发展，数据在数据驱动的PdM中被收集、存储和应用。此外，数据与物理信息相结合也正在成为一种有效的建模方法。机器学习使用有效数据来揭示隐藏的知识并构建复杂的相关性，以提高模型的准确性并帮助对问题做出决策[27]。在工业4.0的背景下，DT-PdM话题受到持续关注，但仍处于起步阶段。因此，许多研究人员研究了机器学习技术来促进DT-PdM的发展，例如虚拟空间中的故障诊断和RUL预测[28,29]。然而，现有的与DT-PdM相关的综述文章主要集中于分析DT-PdM的应用场景，对 DT 模型进行分类，或研究特定组件。对于机器学习的作用和功能仍然缺乏探索[5,30,31]。因此，本文的主要贡献是：

• (1)提出了利用机器学习技术的DT-PdM框架；
• (2)通过对过去五年发表的相关论文的严格审查，确定机器学习在 DT-PdM 中的作用和功能；
• (3)讨论了实施DT-PdM时在高保真数字模型构建、数据融合、物理信息机器学习和云边协作方面的研究挑战和未来机遇，并提出解决方案。

本文的其余部分组织如下：第 2 节介绍了最新的 DT 和 PdM相关技术：分别介绍 DT 和 PdM相关技术。第 3 节详细介绍了收集论文的方法，第 4 节介绍了 ML 在 DT-PdM 中的作用和功能，并解释了 DT 技术在现有应用中的贡献。第 5 节介绍未来机遇，第6节做个总结。

2 数字孪生和预测性维护的最新技术  

2.1 制造业中的数字孪生

根据最近的报告，到 2022 年，DT 的支出已达到 46 亿美元，预计到 2030 年将增长到 340 亿美元左右。这包括各种技术，例如计算机辅助设计(CAD) 建模、连接、云计算、工业物联网 (IIoT) 软件平台、远程监控、机器学习和系统集成等等。本质上，DT由三个主要组成部分组成：物理空间中的物理产品、虚拟空间中的虚拟产品以及物理与虚拟空间之间数据和信息交互的接口[5]。从本质上讲，DT 是一项逆向的工程技术，其中物理世界中发生的一切都被复 制到数字空间中。真正的全生命周期通过持续的跟踪和反馈来实现的。DT有几个关键特性，包括：

• (1) DT允许物理实体和数字镜像之间协作通信[39]；

• (2) DT可以对物理实体的行为和性能进行观察和预测；

• (3) DT 的存在使制造商能够在现实世界中实施决策之前，先以虚拟方式测试和优化其运行；

• (4) DT可以通过收集数据、分析性能、提供优化反馈来不断改进。

DT 是物理实体的虚拟模型，可用于模拟其行为并预测其性能。物联网、大数据、边缘计算等技术的发展为制造业DT建模的发展铺平了道路。它可以通过在问题发生之前识别和解决问题来帮助优化生产流程、减少停机时间并提高产品质量。DT的起源和发展深深植根于工业领域，最初是为了确保美国空军装备的可靠和稳定，后来是为了提高产品生命周期各个阶段的产品设计、开发和测试的效率。智能调度是车间技术的一个重要方面。然而，传统的算法模型，如马尔可夫模型，由于存在较大的耦合因素，并不能始终保证车间调度的长期稳定性和准确性。因此，利用DT技术结合真实和虚拟交互从而自动优化算法，可以增强生产计划和调度，减少生产停机对现场的影响。

近年来，数字技术在制造业的商业前景已经大大改善，企业不断突破其应用界限。这种转变的一个很好的体现就是进军“工业虚拟宇宙”。数字孪生生态系统通过实时更新和集成相关数据及技术，提升工业设备设计阶段及设备运行阶段的效率。近年来，英伟达也重点关注工业虚拟宇宙。Nvidia 的 Omniverse 平台：一个具有协作功能且能够精确模拟物理环境的平台。该平台允许制造商以高保真程度去可视化复杂的流程和场景，确保即使是最微小的细节也能得到审查和完善。此外，Nvidia 其人工智能方面的实力在分析元宇宙中的数据、推动预测维护和性能优化方面发挥着至关重要的作用[41]。Nvidia 和西门子建立的工业虚拟宇宙方面合作代表了 DT 之旅的关键时刻。这不再只是在数字领域复 制物理世界。它是关于构建一个全面的、互连的、智能的虚拟环境，可以与物理环境一起成长、适应和创新。

此外，DT技术已在机械、物流、能源工业、武器装备等多个行业中得到应用[5]。例如，劳舍尔等人开发了一种基于DT的仿真工具，以最大限度地缩短工厂反应堆停机时间，并能够从仿真结果中得出可靠的信息，以支持设计和决策过程[42 ]。吴等人 [43]提出了一种利用万物互联和DT的冷链物流服务平台架构。 Hu [44]提出了一种相互信息增强的DT方法来提升视觉引导机器人的抓取性能。目前数控机床往往因精度问题而影响生产。研究人员已经研究了用于机床状态监测的 DT [45,46]。基于 DT 的多功能性，另一个重要的应用是 PdM。PdM 在大量学术研究的支持下，已成为PHM领域广受欢迎的方法 [47-49]，许多机构都采用它来节省成本并提高效率。

2.2 预测性维护的前沿应用

PdM 技术用于评估运行中设备的状况，从而预测何时需要维护。与日常或定期预防性维护相比，这种方法不仅节省成本，而且还提高了运营效率[7,8]。PdM的最终目标是通过利用实时或近实时数据传输和相关建模技术来实现基于状态的维护，以提高设备的运行可靠性并促进持续改进[9-11]。目前，主要有三种PdM解决方案：数据驱动建模、基于物理的建模以及结合数据驱动和基于物理的方法的混合建模。数据驱动建模涉及使用传感器收集的多维大量数据进行研究、探索和挖掘，结合领域知识来构建设备 PdM 模型。基于物理的建模是对物质运动规律的研究，结合多种因素，并可能采用假设等方法，通过仿真来探索设备PdM的规律和知识。此外，数据驱动和基于物理的方法的混合是PdM的重要方法，其中数据驱动模型和物理模型相结合形成混合模型并进行预测。下一节将提供更多详细信息。深度学习是机器学习领域的最新先进技术。除了深度学习之外，经典的机器学习算法也对 DT-PdM 的进步发挥了重要作用 [3]。然而，它们的应用和功效根据具体任务和数据类型的不同而有所不同[50]。经典的机器学习算法对于中等大小的数据集非常有效。经典机器学习算法，如决策树、支持向量机、聚类技术等。当数据结构不太复杂时，这些技术可能会很有效[51]。在部署经典机器学习算法时，需要进行特征工程。相比之下，深度学习算法需要大量数据和大量计算资源才能有效训练。深度学习可以有效地从复杂的内部结构（如图像、文本或高维传感器数据）中提取特征，而无需复杂的特征工程[52]。ML技术的发展促进了PdM的数据驱动方法[53]。这种方法在故障诊断和 RUL 预测方面显示出了有希望的结果。例如，Yu 等人采用非线性方法来降低固有信号分量，并通过非平稳条件下齿轮箱振动的传递函数来识别不同齿轮故障的动态矩阵[54]。陈等人将gcforest算法引入PdM并建立预测模型，并成功实施[55]。贾米尔等人提出了一种迁移学习模型，可以从类似工作条件和模型的小训练样本中提取有用信息，在不同环境中实现高模型精度[56]。左等人开发了一种概率尖峰响应模型，以促进多层网络学习并提高轴承故障诊断模型的性能[57]。在数据驱动的PdM的众多研究中，深度学习近年来受到越来越多的关注，因为它可以自动提取与健康状况相关的关键特征。

尽管数据驱动的 PdM 是当前研究的重点，并且相对容易收集输入信息，但物理建模对于辅助 PdM 的发展也不容忽视。基于物理的方法主要利用物理原理来探索、总结和模拟系统的运行[58]。基于物理模型的 PdM 也是一种重要方法，例如有限元方法，它使用数学关系来探索潜在的关系[9,59]。利用有限元模型和蒙特卡罗方法减少寿命预测的不确定性，建立寿命预测模型来预测零部件寿命[9]。数值分析是另一种替代方法，通过从微观角度分析裂纹的不确定性，对从反馈传感器收集的应力数据进行建模，以研究退化趋势并结合裂纹长度分析组件的 RUL [9,60]。液压泵在机器中产生动力，da Silveira 等人使用知识探索和映射来导出子过程的物理模型和基于振动分析的模型，以在液压泵上实施 PdM [61]。艾瓦利奥蒂斯等人对使用寿命预测和健康管理 (PHM) 技术的生产设备，开发了一种基于物理模拟模型的 RUL 计算方法用于PdM。对生产工厂的资源进行建模，以实现其功能的模拟并确定机器的状态活动[21]。物理模型的开发基于耦合系统中多个物理场的跨学科分析。 然而，目前基于PdM的方法主要集中于单一的物理建模方法，导致对物理领域多种模式融合的探索不够。这些模式包括运动场、化学反应、静电相互作用和物理场[22]。混合数据驱动和物理方法在这些问题方面具有巨大潜力。

在通过物理模型增强数据驱动模型方面，数据驱动和物理混合的使用变得越来越流行。这种方法涉及将物理模型生成的数据与原始数据进行合成，以创建精度更高的寿命预测模型。研究已经证明了这种方法的有效性，特别是在高可信度模型中[9,62]。通过机器学习优化物理模型需要适当且必要的条件[63]。然而，机器学习对物理模型的优化需要一定的充要条件。必要条件涉及输入和输出参数之间的因果关系，而充分条件涉及输入参数和输出结果的理论构建[22,64]。最近的研究提出了各种杂交方法来提高杂交的准确性。例如，郑等人开发了正则化深度多项式混沌神经网络来实现展开系数的迭代学习，并利用该方法来提高卫星系统的可靠性[65]。Yu 开发了一种基于 DT 的混合物理和数据驱动模型来识别变速箱中的小故障 [66]。同样，Chi 等人提出了一种系统框架方法，通过构建极限学习机并基于堆叠自动编码器（AE）模型模拟能源管理系统行为来动态分析信息系统的实时可靠性[67]。李等人提出了一种新颖的高维数据抽象框架，使用高斯函数来捕获潜在空间中的极限状态函数以进行过程回归的可靠性降维[68]。

总而言之，数据驱动和基于物理的方法的集成有利于 DT-PdM 的发展。数据驱动方法可能会受到数据收集的限制，并且数据的质量可能无法满足特定应用的要求。另一方面，基于物理的方法可以解决数据样本缺乏的问题，但整合物理知识来开发数据驱动方法可能具有挑战性。因此，在未来的研究中需要更多地关注数据驱动和物理方法的混合。

3 研究方法论

在本节中，我们进行了系统的文献综述来研究 DT-PdM 的使用。该方法包括五个步骤：指定研究问题、确定搜索来源、制定文章选择标准、根据广泛的审查对过去五年内发表的文章进行分类，以及提供每篇文章的简要描述。该方法确保对现有文献进行全面且公正的分析。该综述旨在概述 DT-PdM 的研究和应用现状，并确定未来研究的范围和差距。为了解决上述 PdM DT 的开发挑战，本节旨在研究 ML 技术在此背景下的作用。表 1 中列出的研究问题是本次调查的基础。

3.1 研究问题

为了解决上述 PdM DT 的开发挑战，本节旨在研究 ML 技术在此背景下的作用。表 1 中列出的研究问题是本次调查的基础。

3.2 搜索策略

根据研究问题，论文设计了检索策略，重点关注关键词、检索资源、检索标准以及与该主题相关的已发表文章集 合。使用布尔运算符的搜索查询如图 2 所示

图2 搜索出版物的查询词

3.2.2 搜索数据库

使用关键字插入法选择了六个数据库进行搜索，包括 IEE EXplore Digital Library、Science Direct、Springer Link、Scopus、Google Scholar 和 Taylor & Francis。这些数据库都是具有代表性的科学研究数据库，包含大量与综述主题密切相关的文献。

• IEE EXplore Digital Library (http://ieeexplore.ieee.org).
• ScienceDirect (http://www.sciencedirect.com).
• SpringerLink (https://link.springer.com).
• Scopus (https://www.scopus.com)
• Google Scholar (https://scholar.google.com).
• Taylor & Francis (https://taylorandfrancis.com)

3.2.3 选择或删除文章的标准

下面列出了选择过程的纳入和排除标准，排除标准适用于出版物的标题、摘要和关键词。

排除标准，满足以下限制的来源被排除在本研究之外：

(1)  排除使用搜索查询在数据库中收集的综述文章。

(2)  排除没有数据来源或实验结果的文章。

(3)  排除应用于PdM的DT的技术与文章主题不匹配的文章。

(4)  非英文文章。

本研究纳入标准，满足以下限制要求：

(1)  所有文章均以英文撰写，涉及解决 PdM 问题的 DT 技术。

(2)  引入新技术以提高用于 PdM 的现有 DT 技术性的文章。

3.2.4 文章的选择和评估过程

通过使用基于布尔运算符的数据库关键字搜索，从六个主要数据库中检索了大量出版物，并根据选择和排除标准进行选择。最终，26 篇出版物经评估符合选择标准。如表2所示。

在上一节中，回顾了 PdM-DT 的最新研究，包括使用 DT 技术的不同 PdM 应用实施过程。研究发现，ML技术在PdM的DT中发挥着至关重要的作用，但仍有一部分没有应用ML技术。表2对近五年PdM DT的文章进行了分类。在表 2 中，主要分类目标包括探索 ML 技术在 PdM DT 中的作用以及 ML 技术是否已用于构建模型。另一个分类是所使用的机器学习技术的类型，包括传统机器学习算法、深度学习和迁移学习。超过一半的研究已经应用机器学习技术来构建 PdM 模型的 DT。此外，数据是机器学习的一个重要方面，但经常被忽视。最后，研究目标和任务单独列出。表 2 中的一些见解列出如下：

（1）数据类型：研究考虑各种类型的数据进行分析，例如传感器数据、检查数据、力测量数据、声学数据、振动信号、图像、文本、模拟数据等。机器学习在识别与健康和维护需求相关的工作模式、异常、趋势方面发挥着至关重要的作用。然而，如何综合整合这些多源数据进行DT-PdM还需要进一步探索。

（2）ML的使用：已经使用的各种机器学习算法，包括深度学习、SVM和随机森林。在不同类型的算法中，深度学习是这些研究的主要选择，因为它能够从多源数据中提取与健康状况相关的高级特征。

（3）研究任务：这些研究的研究任务主要集中在故障诊断、HI构建和RUL预测。这些是 PdM 的主要任务，旨在通过预测和识别可能出现的故障或退化，从而做出维护决策。

深度学习已成为 PdM 应用中最流行的机器学习技术。这是通过收集高质量的输入数据来实现的，这些数据包括不同的数据类型，例如信号、文本和图像 [10]。卷积神经网络 (CNN) 等深度学习已被证明是有效的，并已应用于许多工业应用，例如轴承、齿轮箱和泵等不同目标的故障诊断、HI 构建和 RUL 预测 [9,66,76]。然而，虽然深度学习已广泛应用于 PdM，但其对 DT 的影响尚未得到广泛探讨。深度学习的使用需要大量的训练数据。此外，深度学习算法需要大量的计算资源来进行模型训练，这在实际部署中可能是一个挑战。像深度学习这样的“黑盒”模型也对解释能力提出了挑战，促使研究人员为 PdM 中的 DT 开发可解释的模型。尽管如此，虽然大多数 DT-PdM 应用涉及大量输入数据源并使用机器学习技术，但其中一些数据源的描述很差，并且多源数据收集通常不充分。基于不充分的多源数据构建DT来提升PdM的性能是具有挑战性的。因此，探索机器学习在 DT-PdM 中的作用至关重要。