数字孪生技术不仅是实现信息物理融合的核心，还是实现数字化故障诊断的关键。为了实现物理空间和信息空间的实时映射、故障实时预测、故障信息及时反馈，提出数字孪生驱动的离心泵机组故障诊断方法。

• 大部分数据驱动的故障诊断方法是基于离线数据展开的研究，缺乏一定的实时性、协同性和交互性。

针对在诊断结果反馈的过程中实时协同性欠缺和人机交互不友好的问题，利用数字孪生技术打破传统故障诊断方法中存在的壁垒。

在传统故障诊断中，健康状态的显示不仅缺乏三维动态可视化的效果，还无法实现物理实体和虚拟模型的实时交互。

本文通过数字孪生技术的优势弥补传统方法在实时协同性和人机交互方面的不足，实现新形势下的数字化在线故障诊断方法。该方法实现了物理实体和虚拟模型的实时映射和健康状态的动态可视化显示。其首要工作是依据物理实体构建数据孪生映射模型。

数据孪生映射模型主要由物理实体、虚拟实体、孪生数据、信息４个部分组成，与物理实体之间形成了一套闭环映射机制，如图１所示：

     

下面以离心泵机组为例，介绍数字孪生映射模型的构建，其构建公式如下：

在全生命周期的健康管理阶段，离心泵机组实体（EP）是实现孪生映射模型的前提条件，由此产生由实向虚的映射机制。离心泵机组实体是由多个功能模块和传感器组成，其中每个功能模块由不同的单元组成，如图２所示:

     

离心泵机组作为本文的研究对象，对其进行系统层级构建。其功能模块主要由电机和离心泵两部分组成，前者为后者提供动力功能，后者提供输送液体的功能。电机由转子、转轴、风扇等主要单元组成；离心泵由叶轮、泵体、泵轴、轴承、密封圈等主要单元组成，其中，轴承由外圈、内圈和滚动体３个子单元组成。

离心泵机组虚拟模型主要包括几何模型、分析模型和演化模型，如图３所示:

     

几何模型主要描述离心泵实体的几何参数和关系，几何参数主要包括离心泵、电机和联轴器的形状、位置、尺寸、公差等，关系主要包括离心泵、电机和联轴器之间的装配关系以及每个部件中零件的装配关系。离心泵机组的建模以及装配主要通过三维CAD软件SolidWorks实现，用于人机交互式的模型渲染主要在Unity 3D中完成。

     

分析模型由故障分析模型、性能分析模型、优化分析模型等多种模型组成，其作用是依据采集的各类数据实现对物理实体的分析。本文分析模型主要指故障分析模型，为了实现故障的实时分析、预测，通过基于数据驱动的故障诊断方法和基于模型仿真的故障结果验证方法构建故障分析模型。

一方面通过基于数据驱动的故障诊断方法构深度学习模型（深度双向长短时记忆网络模型）对采集的实时数据进行分析，从而实现故障的实时预测，具体方法在2.1节中详细介绍。

另一方面通过基于模型仿真的故障结果验证方法实现预测结果的验证，具体方法在2.2节中详细介绍。除此之外，基于深度学习的预测模型优化是通过深度学习模型调整方法实现，具体方法在2.3节中介绍。

     

演化模型的主要作用是在虚拟空间中同步离心泵机组的真实运行状态，是以几何模型为基础，通过模型对实时数据进行分析，获取离心泵机组的实际状态，对孪生数据和几何模型进行相应的更新和处理，从而实现离心泵机组的过程演化，其演化过程即数字孪生模型不断修正的过程，数字孪生模型修正方法将在2.4 节中详细介绍。

孪生数据是数字孪生驱动的健康管理的根源，孪生数据融合了多角度、多维度数据，从而更全面地描述物理实体的健康状态。离心泵机组的孪生数据主要包含离心泵的机组数据、采集装置参数、外界环境数据和知识数据等，具体如图４所示:

     

连接（L）主要包括离心泵机组实体和离心泵机组孪生模型之间的连接、离心泵机组实体和孪生数据之间的连接和离心泵机组孪生模型和孪生数据之间的连接。离心泵机组孪生模型在调用孪生数据中的故障诊断算法预测之后，将预测结果传输到孪生数据中。离心泵机组实体从孪生数据中读取故障信息，并通过调用设备维护规则对故障信息进行边缘计算，再利用边缘控制驱动物理实体做出相应的调整。

在此过程中，根据故障的实际情况作出调整处理故障，既可以使设备自动调整处理故障，也可以将自动生成的维修报告分配给维修人员进行停机维修。最终，通过采集、分析和处理使整个健康管理过程形成闭环。

依据诊断过程智能化的发展趋势，数据驱动中的基于人工智能的故障诊断方法是大势所趋，因此本文主要使用基于深度学习的故障诊断方法。但是，深度神经网络预测的过程类似黑箱原理无法解释，预测的精度不能达到100%，也有一定的几率出现误判的情况。

因此，综合基于模型仿真的故障结果验证方法的优势，验证预测结果的准确性，让智能化的故障诊断系统形成闭环，其方法体系图如图５所示:

针对数据驱动的深度学习模型预测结果可靠性的问题和物理实体与虚拟模型之间的实时协同性的问题，本文提出使用基于模型仿真的故障结果验证方法对数据驱动的故障诊断结果进行验证:

一方面，将二者结果的一致性作为故障预测模型调整的条件，构建反馈机制，实现在故障已知的情况下模型自动调整和在故障未知的情况下模型自动学习的功能；

另一方面，通过修正的数字孪生模型驱动数字孪生模型更新。通过以上方式实现离心泵机组的智能化诊断，如图６所示:

     

双向长短时记忆网络是长短时记忆网络和双向循环神经网络的综合产物。

传统循环神经网络在训练过程中具有梯度消失与梯度爆炸的问题，运用此种网络解决了训练过程中的不足。长短时记忆网络中包括记忆单元，记忆单元由输入门、遗忘门、输出门３个部门组成。因此该网络适合处理具有时间序列特点的数据。双向长短时记忆网络模型结构包括前向和后向两种传播方式，因此能够通过前向推理和后向推理使得前后事件相互关联。

本文结合振动数据具有的时序性特点和深度学习的优势，提出基于数据驱动的故障诊断方法。

所提方法主要以双向长短时记忆网络为基础，构建出深度双向长短时记忆网络，克服传统方法的不足，自适应地识别设备的故障类型。深度神经网络的输入主要为时域信号，隐藏层包含３个双向长短时记忆网络、一个全连接层和分类器，输出为预测出的故障类型。

为了验证基于数据驱动的故障诊断结果可靠性，运用基于模型仿真的故障结果验证方法对其结果的准确性进行复核。

因为基于数据驱动的故障诊断方法选用响应灵敏的振动信号作为数据根源，所以在验证过程中选用振动仿真来获取模拟过程中的振动数据。基于模型仿真的故障结果验证方法主要以故障模型为对象，在CAE软件ANSYS中，模拟物理实体的真实环境，对离心泵机组运行过程进行频率响应分析，并对其结果进行分析确定预测结果的准确性。

下面具体介绍故障结果的验证方法:

• 首先，根据数据驱动的预测结果生成故障模型，其生成方式是：从故障模型库中调用故障部位的相应故障模型，并对CAE模型的相应部位进行替换。

• 其次，将前处理过的数据孪生模型导入 ANSYS中，从孪生数据中获取环境参数（温度、湿度、压强等）和行为参数（转速、扭矩、位移等），并对故障部位的模型进行前处理。

• 然后，对其进行频率响应分析，得到有关振动的频域数据。

• 最后，通过余弦相似度算法，比较原始频域数据和仿真频域数据之间的相似程度，实现故障预测结果的验证，从而使得基于数据驱动的诊断结果更加可靠。

2.3 深度学习模型调整方法

设备结构的复杂和环境的多变导致故障类型增多，因此，故障处于不断更新的状态，而训练过的模型只能对更新之前的故障进行识别，更新后的故障却无法判断，从而造成诊断信息的滞后。除了新型故障导致深度学习模型预测结果不准确，模型对于已有故障的训练过程中也会存在一定问题，如数据缺失、训练样本不足等。

因此，为了让模型能够识别不断更新的故障，且能够获取一个较优的模型，本文提出以原始数据和仿真数据的一致性结果作为深度学习模型是否调整的判断条件，通过深度学习模型调整方法实现预测模型的优化，从而实现对新型故障的学习。

具体流程如下：

根据原始数据和仿真数据的一致性结果

• 若两者数据一致，则直接进行下一环节———数字孪生模型修正；

• 若两者数据不一致，则判定此种故障属于已有故障还是新增故障。

• 若故障已存在，则重新采集故障数据，对模型进行重新训练，从而实现模型的调整；

• 若故障未知，则根据故障数据分析新型故障的特点及规律，在孪生数据中的专家知识规则库中添加新的规则，为工作人员提供相应的故障知识指导。

• 与此同时，基于采集的新型故障数据和已有故障数据，微调神经网络参数，对深度学习模型进行重新训练，并更新孪生数据故障诊断模型库，使得调整的模型能够学习更多的故障。

2.4 数字孪生模型修正方法

为了实现离心泵机组演化过程的可视化，本文通过数字孪生模型修正方法反应设备在实际运行过程中的状态。

状态包含健康状态和故障状态:

• 在设备处于健康状态时，信息空间的数字孪生模型不存在任何故障，并将正常运行的数据保存到孪生数据中的运行数据库；

• 当设备处于故障状态时，不仅需要将运行数据保存至孪生数据中的运行数据库，还需将每个测点下的故障数据保存至孪生数据中的故障数据库，故障数据的保存有利于后期深度学习模型的训练和人工故障分析。与此同时，以验证结果作为判断条件，若预测的故障结果准确，则将故障部位的模型替换为数字孪生模型中的几何模型，并对故障部位进行高亮显示，用于离心泵机组的故障报警。若预测的故障结果不准确，则对深度学习模型进行调整，在故障结果验证准确后重复上述相应步骤。

3 应用实例

下面以离心泵实验台架为例，实验台架主要由离心泵、电机、传感器（位移、加速度、转速、压力等）、控制台（PC）和采集装置（16通道）组成，如图７a所示。

       

离心泵机组的测点布局如图８所示：

       

本文主要实现数字孪生驱动的故障诊断，通过传感器布局和数据采集，获取实时运行过程中的各类数据，再通过深度学习算法和模型仿真方法对实时数据进行预测和验证，并利用数据孪生技术驱动模型实时更迭。深度学习预测功能和模型仿真功能分别借助MATLAB和ANSYS，使用Echarts实现数据可视化功能，最后，将前文提及的功能集成到Unity3D平台中。

通过正常状态、泵组转子不平衡故障和电机机脚基础松动故障３种工况对数字孪生驱动的离心泵机组故障诊断系统进行测试，３种工况分别如图7b～图7d所示:

       

两种故障模式通过故障注入的方式实现，其中：泵组转子不平衡的故障注入方式为在联轴器上添加质量圆盘；基础松动的故障注入方式为在机脚处拧松螺栓。

首先，基于离心泵实验台架，构建离心泵机组的数字孪生映射模型。其次，采集离心泵机组的运行数据（转速、进出口压力、振动位移、振动加速度等），并通过TCP/IP协议的方式发送至Unity 3D平台中。

平台中离心泵和电机的转速基于采集的实时数据进行更新，模拟离心泵机组的实时运行状态，在Unity 3D平台的集成效果如图９所示：

       

图中包括基于位移传感器测量的位移测点间隙电压、峰峰值和频域数据，基于加速度传感器测量的电机机脚测点和轴承测点的平均电压、峰峰值和频域数据，其中频域数据利用集成的ECharts图表进行展示。

与此同时，将数据保存到孪生数据中，作为历史数据不仅可以供工程师进行分析，还可以作为深度学习的训练样本。然后，以动态链接库的形式调用训练后的深度学习模型，对采集的数据进行实时预测，如图10a所示，并利用频率响应分析对故障模型进行仿真，基于余弦相似度算法对比仿真结果和原始数据，从而实现对故障诊断结果的验证，如图10b所示。最后，若故障预测结果准确，修正离心泵机组的数字孪生模型，如图10c所示。若故障预测结果不准确，则通过调整深度双向长短时记忆网络实现深度学习模型的调整，界面如图10d所示。

       

4 结束语

本文在以往数字孪生技术研究的基础上，在智能健康管理背景下探讨了产品从传统故障诊断向智能故障诊断的转换思路，并给出一种可行的数字孪生驱动的故障诊断方法，使得物理实体和虚拟模型之间实现故障实时的动态循环映射，完成故障诊断过程的智能化、故障反馈的数字化和验证预测故障的自动化，形成完整的闭环体系。最终以离心泵实验台架为例实现了新型故障诊断系统功能。

现阶段，研究对象侧重于离心泵，且将物理实体和虚拟模型的实时交互过程方法和基于深度学习的单一故障的诊断方法作为研究的侧重点，后续将进一步考虑电机和水箱以及管路故障、多种故障融合的诊断方法研究和多种故障同步分析的方法，并将其融入基于数字孪生的系统平台之中。

---

参考文献：张胜文,杨凌翮,程德俊.数字孪生驱动的离心泵机组故障诊断方法研究[J].计算机集成制造系统, 2023, 29(5):1462-1470.