工业设备数字孪生：创新应用与价值提升

表1 工业设备数字孪生系统在设计阶段的主要应用场景

（2）基于数字孪生的智能化设备制造

工业设备制造存在智能化程度低、可信度低、环节复杂等问题，且制造商难以全方位掌控生产状况、生产信息和排产信息，决策模型也难以实时呈现工业设备在制造过程中的动态变化，因此产品的品质和交付周期无法得到充足的保障。

数字孪生系统的应用能够大幅提高工业设备制造的智能化程度。具体来说，设备生产过程的数字孪生模型能够以智能化的方式对生产和检测环节进行监管，并全方位掌握各项生产需求和实际生产状况，充分确保产品质量，同时也能够为排产环节提供支持，进一步提高排产的智能化程度和可信度。

（3）基于数字孪生的虚拟调试

工业设备的安装调试存在安全保障差、实机调试成本高、调试周期长、经验影响大、实际运行效果确定性差等诸多问题，而数字孪生在工业设备安装调试中的应用能够有效解决这些问题。具体来说，数字孪生具有实时映射仿真功能，能够在数字空间中对工业设备的各项静态参数和动态参数等进行虚拟化调试，从而降低经验和实际运行的影响，达到提高设备调试的安全性、减少在调试成本方面的支出以及缩短调试周期的目的。

（4）基于数字孪生的智能运行决策

人、机、环等各项相关要素的协调配合是工业设备稳定运行并充分发挥效能的基本保障。在工业设备无法适应生产环境、生产任务和工作人员无法适应设备状态变化的情况下，工业设备将无法有效发挥自身效能。数字孪生在工业设备运行阶段的应用能够动态映射生产环境、生产任务和生产设备的状态，并据此设计设备优化运行方案，提高控制系统的智能化程度，有效提高设备在各个方面的适应能力。

在设备管理方面，企业可以充分发挥各类传感器的作用，采集相关数据信息，并借助多种数据处理方法来评估设备状态，预测设备的剩余使用寿命以及可能会出现的故障，从而有效预防设备故障带来的风险。虚实设备精准映射是企业利用数字孪生技术进行设备故障预测和健康管理的基础，企业可以在此基础上全面分析各项相关设备，对设备故障进行预测，并利用虚拟设备模型和设备的历史运行数据来重现已经发生过的故障，以便提高故障定位的准确性和维修策略的有效性。

当设备在数字孪生应用场景中出现故障时，企业的相关工作人员可以远程获取来自数字孪生模型的各项相关数据，如报警信息、日志文件等，并在虚拟空间中预演设备故障情况，从而实现远程的故障诊断和设备维修，减少在设备维护方面的成本支出，同时也有效防止出现设备长时间停机的问题。

（5）基于数字孪生的绿色回收

数字孪生技术在工业设备回收再利用阶段的应用是能够利用自身在工业设备全生命周期中记录的相关信息来对各项环境污染因素进行全面分析，避免因相关工作人员对设备使用过程、可回收零件类型、零件回收价值、设备回收拆解方式等内容缺乏了解而造成的资源浪费和环境污染，并根据各项零部件的性能衰减情况进行有针对性的处理，从而最大限度地提高资源利用率和设备价值。

（6）基于数字孪生的新型营销

在产品营销过程中数字孪生不仅能够为用户沉浸式体验产品的功能和性能提供方便，还能够利用虚拟化的数字模型在实际应用场景中从不同的层次和不同的维度向用户展示产品，提高产品展示的直观性、全面性和可信度，以便用户全方位了解产品的可靠性、使用寿命、生产质量、运行效率、运行状态和系统集成能力，从而达到优化营销效果的目的。

近年来，数字孪生技术在各个领域中的应用越来越广泛，社会对其引领技术变革的期望也不断提高，各行各业均在积极挖掘数字孪生技术的潜在应用价值，力图进一步提高数字孪生技术的价值创造能力。工业设备数字孪生不仅要满足企业的现有需求，还要拉动新需求，扩大市场范围，促进产业创新，衍生出更多新兴产业，发挥出更大的应用价值。

（1）价值本质视角

从价值本质的角度上来看，工业设备数字孪生技术的应用能够充分发挥数字孪生技术的作用，革新行业运营模式，根据企业的实际运营情况打造企业价值理念，提高企业的价值创造能力，进而助力企业提升质量、降低成本、提高效率、创造收益，如图4 所示。

     

①提升质量。数字孪生系统能够实现对产品信息的全方位、全流程追溯，并从产品设计和产品制造环节出发优化产品设计，提高品控水平，进而达到降低产品的故障率、返修率和次品率的效果。企业可以利用数字孪生技术来为用户提供全方位服务，充分满足用户的各类需求，并进一步推进产业升级和业务创新，提高产品定制水平，以便根据用户的个性化需求制造产品，同时也要强化自身竞争力，打造良好的企业形象，优化自身与用户之间的关系，建立产品全生命周期服务体系。

②降低成本。数字孪生技术具有强大的闭环双向沟通能力，能够集成业务水平、管理机制等要素，为企业减少在运维、故障、试错、资源、能耗、用工等方面的成本提供帮助。企业可以充分发挥数字孪生技术的作用来降低深化改革成本、技术改造成本和现代管理成本，建立以降本为重要内容的企业价值观念，并对自身的运营模式进行革新，提高运营环境的绿色化和可持续化程度，在此基础上进一步构建新的产品价值曲线，实现价值创造。

③提高效率。企业可以利用数字孪生技术来优化资源配置和业务流程，提高自身的柔性制造能力和工作人员的工作效率，缩短产品的研发和设计周期，并通过取长补短的方式来提升自身的价值创造能力，建立高效的运营体系，形成以增效为重要内容的价值理念。同时及时了解市场技术发展趋势等相关信息，建立并优化互联网生态网络，实时掌握供给需求变化情况，提高供应链的协同性，打造企业运营闭环，以便实现高效运营。

④创造收益。企业可以利用数字孪生技术来深入分析和精准洞察用户需求和市场需求，把握用户痛点，并在此基础上建立新的价值理念和商业模式，打破生产、技术和服务方面的限制，及时掌握市场变化情况，以便针对市场需求进行产品生产。同时对自身的业务、产品、市场策略等进行优化升级，进一步推动市场策略革新、主营业务增长、投资增长、单位产品价值增长、客户生命周期价值增长和市场机会增多，进而达到借助数字孪生来获取更高收益的目的。

（2）应用对象视角

工业设备数字孪生系统具有智能化的特点，能够在设备生命周期的设计、生产、调试、运行、维护、回收和营销等所有环节中发挥重要作用，为设备提供智能化、精准化的服务，并在多个方面帮助工业设备的生产商和用户获取更多价值收益。从应用对象视角来分析，设备数字孪生的应用价值主要体现在两个方面，如图5所示。

     

①对工业设备生产商的价值。一方面，工业设备数字孪生系统的应用能够有针对性地优化产品整体性能，弱化产品的不足，并提高产品利润。工业设备生产商可以利用工业设备数字孪生系统来根据具体应用场景构建闭环数字化反馈，以便精准处理各类不同的场景中存在的产品系统性问题、设计裕度A 问题和设计缺陷问题，达到提高产品的质量和利润的效果，进而获取更多收益。

另一方面，工业设备数字孪生系统所提供的产品运维服务具有全面性强和精准度高的优势，能够有效提高产品附加值。工业设备生产商可以利用工业设备数字孪生系统来全面把握各项产品运行相关信息，精准控制产品运行过程，并生成可用性高、适用性强的解决方案来为设备的运行、维护和升级提供强有力的保障，进而达到提高用户黏性和产品服务价值的目的。

②对工业设备用户的价值。一方面，工业设备数字孪生系统的应用能够将设备的效能发挥至最高水平，最大限度地提高设备的生产质量和生产效率，帮助工业设备用户减少在生产环节的成本支出。工业设备用户可以利用工业设备数字孪生系统来对生产过程进行智能仿真决策，提高排产、工艺优化和设备运行参数优化等工作的智能化程度，进而在充分确保产品质量的前提下达到低本高效生产的目的，获取更高的产品利润。

另一方面，工业设备数字孪生系统的应用能够为设备的安全稳定运行提供强有力的保障，有效防止非计划停机等意外的发生，缩短产品交付周期，充分确保产品供应链的稳定性。工业设备用户可以利用工业设备数字孪生系统来实现对设备故障的精准预测和诊断，以便以智能化的方式进行设备运维，降低非计划停机事件的发生概率和持续时间，确保整个产业链中的各个环节在交付周期方面的稳定性，进而达到提高用户满意度的效果。

工业设备数字孪生应用成熟度评估模型能够从应用需求出发对模型的基础设施、技术实施、实施管理和应用成效进行深入分析，并根据分析结果来评估工业设备数字孪生系统的实际应用情况和应用效果。工业设备数字孪生应用成熟度评估模型如图6 所示。

     

（1）基础设施

工业设备数字孪生应用成熟度评估模型能够从设备、网络、信息系统和安全四个方面对基于数字孪生的基础设施情况进行评估，具体如表2所示。

     

（2）技术实施

工业设备数字孪生应用成熟度评估模型能够从建模仿真、智能感知控制、

数据集成融合和服务应用四个方面对基于数字孪生系统的技术实施情况进行

评估，如表3 所示。

     

（3）实施管理

工业设备数字孪生应用成熟度评估模型能够从制度规范、组织设置和人员保障三个方面对基于数字孪生系统的实施管理情况进行评估，如表4 所示。

     

（4）应用成效

工业设备数字孪生应用成熟度评估模型能够从经济价值和应用效果两个方面对数字孪生系统落地应用后的应用成效进行评估，如表5 所示。

     

设备级数字孪生体中各个组件之间的互联互通与数据采集、数据传输、数据存储和数据处理息息相关。

数据采集是设备级数字孪生体实现组件互联的关键。工业设备数字孪生系统需要利用物联网和传感器等技术在物理系统中采集各项数据，并在确保数据采集和数据传输的容错性、实时性和分布式布置的前提下映射到相应的数字孪生体当中，同时也要根据应用需求进一步明确数据的类型、采集频率、归档需求等内容。

（1）数据来源

与其他各个级别的数字孪生相比，设备级数字孪生在物理系统中采集的数据信息大多来源于几何参数、工作状态、环境条件等，如表 6 所示。

     

（2）传感器技术

传感器具有信息采集功能，能够广泛采集物理环境中的各类信息，并将这些信息实时上传到虚拟系统中，以便在虚拟空间中构建设备级数字孪生体，并推动设备级数字孪生体实现数据互联。

传感器的测量精度直接关联着数字孪生的性能，因此相关工作人员在设计设备级数字孪生时需要在综合考虑传感器类型、传感器安装位置、传感器组合情况等问题的基础上充分确保整个系统中的各个传感器之间的协调配合和时间同步。

传感器在一定程度上影响着设备外观和用户体验，而且在构建设备级数字孪生体的过程中增加传感器数量会导致产品开发成本和产品制造成本升高，因此产品设计人员在设计和开发产品的过程中需要对各个方面的各项相关因素进行综合考虑。

现阶段，大多数设备级数字孪生体都会使用电流传感器测量功率，使用加速度传感器测量振动情况，使用测力计和声发射传感器来测量力，同时，这些传感器也是设备级数字孪生中最常见的几种传感器。

（3）物联网

物联网是设备数字孪生实现互联互通的网络支撑。具体来说，物联网能够通过网络为数字孪生提供数据采集和数据传输的渠道，数字孪生可以有效简化物联网系统，并利用物联网在传感和驱动方面的功能将现实世界中的物理系统精准复刻到虚拟空间当中。

与传统的物联网框架相比，新物联网框架中融合了数字孪生技术，且已经被整合为由物理系统、数字孪生体和应用三部分构成的设备级物联网框架，能够有效解决物联网和数据分析无缝集成的问题。具体来说，设备级的物联网框架中的数字孪生体如图7 所示。

     

数据传输就是通过网络将物理系统中的各项参数及相关数据传输到虚拟系统中，并利用电气控制、网络控制、可编程控制、嵌入式控制等方式在虚拟系统中对各项数据进行处理，进而在此基础上实现对物理系统的有效控制。

（1）通信接口协议

设备级数字孪生实现数据互联需要确保各个系统所使用的通信接口协议的一致性。一般来说，设备级数字孪生所使用的通信接口协议大多为OPC-UA协议、MQTT协议、MTConnect协议，如图8所示。

     

①OPC-UA协议是自动控制技术（OLE for Process Control，OPC）基金会所设立的最新的工业标准规范，能够同时创建多个具有服务器查询功能的客户端，并对相关数据进行解析，为物理系统和虚拟系统之间的信息通信提供支持，充分确保二者之间信息传输的实时性。

②MQTT（Message Queuing Telemetry Transport，消息队列遥测传输）协议是一种适用于低带宽、低资源需求的应用场景的传输协议，可以选择两个服务质量级别，且具有可靠性强、消息单次发送等特点，能够为物理系统和虚拟系统实时自动传输数据提供支持。

③MTConnect协议是一项具有高扩展度信息模型的数据交换标准协议，能够在互联网协议的支持下利用网络进行数据采集、数据传输和数据存储，同时也能够减少数据采集成本，并最大限度地降低通信时延。

（2）延迟域

设备级数字孪生的数据采集和传输在实时性和可靠性方面的要求较高。5G、光纤通道协议等高速网络的应用大幅提高了数据传输的速度和实时性，但就目前来看，信息数据传输技术在传输速率方面仍有较大的进步空间，数据丢失、数据传输速率低、控制系统故障等问题仍旧存在，实时通信质量难以得到有效保障。

当出现通信延迟现象时，设备级数字孪生可以通过构建延迟域的方式采集底层现象动态相关信息，减小通信延迟对数字孪生体造成的负面影响，并利用数据采集程序来掌握时变误差数据传输模型中的误差值，以便根据该误差值来确定误差补偿值，防止因通信延迟而对数控机床运动轴数字孪生体造成不利影响。

为了根据系统的历史更新情况来预测系统性能，设备数字孪生系统既要具备包含接口的数据存储概念，也要充分发挥机器学习技术的作用来分析各项相关数据。

（1）数据存储方案

智能存储系统能够以内部存储或云端存储的方式来存储来源于数据采集系统的各项数据。

①内部存储：以内部存储的方式存储数据。存储系统通常将数据存储在设备级数字孪生的物理系统当中，具有较强的数据安全保障，但同时也存在设备采购成本高、基础设施维护所需专业知识较多等不足之处。

②云端存储：在云端存储提供商的存储基础设施中存储数据的方式就是云端存储，这种存储方式具有成本低、灵活度高等诸多优势，且能够高效集成数据分析和机器学习解决方案，并充分确保方案的可行性。数据库技术是实现云端数据存储的重要技术，但传统的数据库技术难以有效解决多源数字孪生数据的数量增长和异构性提高带来的各类问题，也无法与数字孪生数据充分匹配。

（2）区块链

从本质上来看，区块链是一个能够记录和共享已执行的数字事件的分布式数据库，具有分布式、非中介化、不可篡改、信息真实可靠等特点，能够提高制造服务协议中的数据的同步性，并通过数据加密的方式来保障数据安全，以点对点的方式来进行数据共享。区块链中包含智能合约技术，可以在数据共享的过程中确保数据的安全性，避免出现错误数据和受损数据，防止因数据安全问题影响决策。

数据处理是开发设备级数字孪生的重要支撑。具体来说，数据处理就是在物理系统中广泛采集大量完整度低、非结构化、有噪声、模糊、随机的原始数据，并通过对这些数据进行高效处理以获取有价值的信息。

（1）数据准备

一般来说，传感器等设备所采集的数据信息大多为存在信号噪声和漂移的原始数据，可能会出现数据丢失等问题。为了助力工业设备数字孪生实现数据互联，工业设备数字孪生系统需要通过数据去噪、数据平滑、重新格式化等方式来去除冗余数据、无关数据、误导数据、重复数据和不一致数据。

在实际操作过程中，工业设备数字孪生系统需要利用低通滤波器以补偿漂移的方式来过滤掉信号噪声，防止因漂移频率与负载频率重合所导致的无法有效去除信号噪声的问题。与此同时，对原始数据的平滑处理也能够有效防止出现由工频信号、周期干扰信号、随机干扰信号等噪声信号造成的信号波形毛刺，降低各类干扰信号的影响。

（2）特征提取

为了减少需收集的原始数据的维数，强化数字孪生相关机器学习模型的性能，工业设备数字孪生系统需要从时域、频域和时频域三个维度提取数据特征，简化计算，防止出现计算机学习算法的“维数诅咒”问题。

（3）数据融合

设备级数字孪生体中具有多种类型的传感器和模型，能够广泛采集不同来源、不同格式、不同时间尺度的数据，因此工业设备数字孪生系统需要通过数据融合的方式来融合、关联和集成各项动态的多元异构数据，提高数据的检测效率和可信度。

① 数据级别：对于可加的传感器数据，工业设备数字孪生系统可以利用经典推理、卡尔曼滤波、加权平均法等估计方法直接进行数据融合。

② 特征级别：工业设备数字孪生系统可以根据数据的特征向量来进行数据融合。

③ 决策级别：工业设备数字孪生系统可以分析各项来源于传感器的数据，在决策层处理故障数据、维修数据等相关数据信息，以便融合和支持各项决策。

近年来，信息技术和工业技术飞速发展，石油、化工、电力和汽车等工业领域的各个行业所使用的各类装备的复杂度、集成化程度和智能化程度越来越高，导致企业在装备的设计、制造、测试和运行维护等生命周期各环节中所花费的成本不断升高。

不仅如此，装备复杂度的提高也进一步加大了出现故障性能退化和功能失效等问题的概率，因此工业领域不断加大对复杂装备的状态评估和预测的研究力度，并通过故障预测和健康管理（Prognostics and Health Management，PHM）的方式提高装备运行的可靠性和经济性。具体来说，PHM 是一种由故障预测和健康管理两部分构成的复杂设备管理技术：

• 故障预测：从系统的现状和历史性能状态出发对部件或系统的剩余使用寿命、正常工作时长等功能状态进行预测；

• 健康管理：针对诊断预测信息、可用维修资源和装备使用要求等相关信息进行维修决策。

PHM的流程通常由数据预处理、数据传输、特征提取、状态监测、故障诊断、故障预测和保障决策等多个环节构成。具体来说，故障预测与健康管理流程如图9所示。

         

图9 故障预测与健康管理流程          

一般来说，PHM系统需要具备故障检测、故障诊断、故障隔离、故障预测、健康管理和寿命追踪等多种故障预测和健康管理相关功能，并充分发挥各类智能算法和推理模型的作用，利用传感器信息、专家知识、维修保障信息等信息资源对各类装备的运行状态进行监测、预测、判断和管理，提高任务规划和设备状态维护的智能化程度，以便根据实际装备和系统进行多层次、多级别、综合性的故障预测和健康管理。

传统的PHM大致可分为三种类型，分别是基于模型驱动的PHM、基于数据驱动的PHM和基于数据模型混合驱动的PHM，如图10所示。

         

图10 传统PHM系统的三种类型          

（1）基于模型驱动的PHM

基于模型驱动的PHM 能够在技术层面为工业设备数字孪生系统掌握被预测组件和系统的故障模式过程提供支持，同时可以在已知对象系统的数学模型且明确系统工作条件的前提下根据功能损伤程度来评估各项关键零部件在有效使用寿命周期内的损耗情况和故障累积效应。此外，基于模型驱动的PHM还可以借助构建随机过程模型并集成物理模型的方式来对各项零部件的剩余使用寿命的具体分布情况进行评估，进而确保故障预测能达到实时性强

和深入对象系统本质的效果。

（2）基于数据驱动的PHM

基于数据驱动的PHM 主要包括人工神经网络、模糊系统和其他计算智能方法，这些方法能够利用各项历史故障数据和统计数据集来掌握预测模型的实际情况和复杂的部件或系统的数学模型的实际情况，并充分利用测试或传感器数据来实现对故障的精准预测。

（3）基于数据模型混合驱动的PHM

基于数据模型混合驱动的PHM 主要包括以下四种类型，如表7 所示。

表7 基于数据模型混合驱动的PHM 的四种类型          

         

以上各项故障预测和健康管理方法均存在一定的局限性，大多面临对专家系统规则库的依赖性较强、对历史数据的需求量较大、对系统特征的有效表示的要求较高、静态数学模型优化难度大等问题，而数字孪生技术的应用能够有效缓解这些问题。

数据是PHM 对各项设备进行故障预测和健康管理的基础，模型、大数据分析技术、物理基础条件、行业知识和经验是PHM 判断设备健康状况的重要支撑。工业设备数字孪生系统可以利用数字孪生技术来根据物理实体构建高保真模型，并实时采集和分析各项相关数据，以智能化的方式推动模型与数据融合，在数字化模型中实时呈现物理实体的性能、状态、预测趋势和故障诊断等信息，以便充分满足整个生命周期中所有环节的相关需求，实现对各项装备的故障预测和健康管理。

3.2 数字孪生驱动的PHM应用              

数字孪生驱动的PHM可以充分发挥数据的作用，并对物理装备和虚拟装备进行同步映射和实时交互，同时提高PHM服务的精准度，构建全新的装备运行状况管理模型，以便利用该模型来快速找出故障位置和故障原因，及时制定行之有效的验证维护方案。

虚拟装备能够充分确保自身与孪生数据驱动的物理装备之间运行的同步性，并在此基础上生成装备评估、故障预测、维护验证等多种类型的相关数据信息，通过数据智能化的方式优化机理模型构建过程，同时为数据采集、数据分析和模型构建等工作提供支持。

数字孪生模型驱动的PHM可以在虚实融合的基础上利用物理系统运行过程数据动态更新模型运行现状，以便及时精准预测和评估装备的健康状态、剩余使用寿命和整体功能。

（1）高保真建模技术

高保真建模技术是数字孪生技术落地应用的重要技术支撑，大致可分为概念模型和模型实现方法两项内容。

具体来说，概念模型中融合了以模型融合为基础的数字孪生建模方法、自动模型生成和在线仿真的数字孪生建模方法、数字孪生五维模型建模方法等多种建模方法，涉及物理实体、虚拟实体、孪生数据、服务组成和连接等诸多内容，且具有普适性的特点，能够从宏观上对数字孪生系统架构进行描述。模型实现方法指的是针对数字孪生模型的实际应用研发建模语言和模型开发工具，并在此基础上提高相关技术和工具的多样性。

现阶段，SysML、UML、XML、AutomationML等数字孪生建模语言都是较为常用的建模工具。除此之外，CAD等通用建模工具和FlexSim、Qfsm等专用建模工具也在模型开发方面发挥着十分重要的作用。一般来说，数字孪生模型应充分确保各项静态参数、动态参数和参数关联关系的精准度以及物理实体的共生程度，并在各项应用功能完备的前提下对模型进行简化，确保模型的轻量化和高效性程度。

（2）传感与物联技术

物联网是一种可以利用互联网根据约定的协议连接大量物品的网络，具有智能化的识别、跟踪、定位、监控和管理等功能，能够在网络层面为各项联网物品之间的信息交互提供支持。

工业设备数字孪生体系可以借助物联网来为虚拟装备和物理装备之间的信息交互提供支持，并利用传感器、定位系统和监测设备等多种技术手段和工具来掌握各项物理装备实体的实时运行状态，利用5G、光纤等信息传输工具来向数据模型和机理模型传输数据信息，以便构建模型对装备进行分析，进而根据分析结果对装备进行有效的故障预测和健康管理。

（3）高效融合分析技术

工业设备数字孪生系统可以利用多源异构数据的数据融合技术来确保数据和决策的安全性、可靠性和全面性，利用专家系统、深度学习和支持向量机（Support Vector Machine，SVM）等模式识别工具来打造虚实数据印证驱动的故障识别方法，利用大量数据资源构建健康评估模型和决策模型，以便充分发挥装备数字孪生数据的作用，实现对装备的健康管理。

数字孪生驱动的PHM 具有直观性强、自主性强和可信度高等优势，能够提高各类基于数字孪生的设备的安全性和可靠性。但由于目前数字孪生技术的成熟度较低，在故障预测、健康管理等方面的应用还不够完善，因此相关工作人员需要加强对数字孪生技术在装备PHM 领域应用的研究，提高数字孪生技术在故障定位、虚实交互、故障机理研究、故障特征归纳、知识库构建、健康管理方式研究等方面的应用水平，推动PHM服务实现自组织、自学习和自优化。

3.3 基于数字孪生模型的故障诊断预测              

在工业领域的产品生产线上，随时可能出现信息、产品结构、多工艺工位等方面的问题，因此数字孪生预测模型需要提升自身的可视化程度，以便实时展现生产线上各项设备的运行状态和工作参数，为相关工作人员了解设备的实际运行状态、定位设备故障、改进生产计划和优化资源分配提供方便。

（1）模型驱动的数字孪生体初始模型构建

设备数字孪生系统可以在数字空间中构建同一物理实体的物理模型、性能模型和局部线性化模型等多种不同尺度、不同时间、不同精度的数字孪生模型，从设备的驱动原理入手，充分发挥模型驱动方法的作用，对设备的内部结构、实时状态和控制系统进行全方位呈现。

数字孪生模型之间存在递进的关系。一方面，设备数字孪生系统在根据物理实体构建出几何模型后可以利用多领域综合建模技术来确保物理模型的逼真度，但同时逼真度的上升也会带来细节数据和迭代周期的增长，检测和诊断的意义将会随之淡化；另一方面，设备数字孪生系统可以通过缩放模型维度的方式来确保部件特性的准确性，构建低维性能模型。

从映射层面来看，模型与设备在各个方面均具有较强的同步性，能够在设备状态监测和故障诊断中发挥重要作用，不仅如此，基于低维度性能数字孪生模型运行状态的局部线性模型也能够为实现进一步优化控制提供支持。

（2）模型驱动与数据驱动融合的数字孪生模型构建

模型驱动与数据驱动融合的数字孪生初始模型能够打通物理空间和数字空间之间的数据传输通道，构建能够同步反映物理实体现状的运维数字孪生模型，并融合大量来源于物理空间的数据，强化数字孪生模型的行为特征，进而针对设备构建运维数字模型。

• 将性能模型与来源于设备的实时数据融合，并构建出一个能够及时适应运行环境和设备性能变化的自适应模型，同时实现对设备局部状态和整体性能的有效监测；

• 在设备的物理模型和性能模型中融入包含历史维修数据的故障模式，并在此基础上构建具有故障诊断和维护功能的数字孪生故障模型；

• 将历史数据融入性能模型当中，并借助数据来构建数字孪生性能预测模型，从而实现对设备性能的评价和对设备使用寿命的预测；

• 将运行环境引入局部线性模型当中构建数字孪生控制优化模型，并利用该模型来描述具有多种行为属性的数字孪生模型，以便监测诊断和优化设备的各项性能。

在故障诊断环节，设备数字孪生模型可以通过分析处理同一批设备的故障和维护数据的方式来建立故障模式，并将该故障模式融入数字孪生初始模型当中；在设备运行环节，设备数字孪生模型可以实时对比设备的数字孪生体数据和物理实体数据，找出类似的故障模式，以便有效预测设备故障。具体来说，设备故障可分为振动故障、润滑故障等多种类型，涉及速度、振动、温度等多项设备运行参数。当数字孪生模型实时监测到设备的某项参数的变动超出设定范围时，可以综合使用测量数据和故障模式来完成设备故障诊断工作。

设备数字孪生模型可以通过融合基准模型的方式来记录下同一个型号设备的历史运行数据，实现性能预测。从实际操作方面来看，设备数字孪生系统可以通过综合利用传感器实时数据和历史运行数据的方式来预测设备性能，明确设备性能的实际下降速度，并充分发挥物理实体的各项故障数据的作用，通过评估参数选择、样本建立、指标设定和性能预测的方式构建数字孪生预测模型，以便对物理实体设备的性能进行精准评估和预测，为设备故障诊断和故障维修工作提供支持。

模型驱动和数据驱动融合的数字孪生模型既能利用模型驱动方法构建数字孪生初始模型，也能在此基础上综合运用设备运行的历史数据和实时数据来构建设备数字孪生模型，实现对设备运行情况的精准检测、故障诊断和性能优化。

（3）数字孪生模型下的设备故障预测实现步骤

从实际操作步骤上来看，利用数字孪生模型来预测设备故障主要需要完成搭建仪器设备、采集和处理数据、建立并融合模型、融合数据和故障预测五项工作，如图11 所示。

①搭建仪器设备。数字孪生模型在设备管理中的应用提高了各项仪器设备的可视化程度，为相关工作人员远程查看设备信息、掌握设备运行状态并制定设备故障诊断方案提供了方便。

②采集和处理数据。基于数字孪生模型的设备故障预测可以在明确数据通信标准和数据转换标准的前提下采集多源异构数据，统一转换、封装、集成和融合来源于各个通信接口的数据，充分确保数字孪生模型能够实时迭代优化。

             

图11 基于数字孪生模型下设备故障预测              

③建立并融合模型。设备数字孪生系统需要根据物理实体设备的几何、物理、行为和规则等各个维度的信息数据构建数字孪生模型，并在二者之间建立联系，充分确保映射的精准度，同时在设备的结构和功能层面利用各层模型之间的联系进行融合，以三维可视化的形式呈现模型和虚拟仿真。

④融合数据。设备数字孪生系统应对物理实体设备的各项实时数据进行清洗，完成去噪和建模工作，并根据数据类型分析数据处理结果，进一步迭代、演化和融合设备的物理实体数据和虚拟模型数据，以便利用虚拟实体来全方位展现物理实体的各项要素在各个环节中的运行状态。

⑤故障预测。在数字孪生模型的支持下，设备的物理实体和虚拟数字孪生体能够进行实时映射，助力设备实现虚实交互，以便为设备故障预测工作提供强有力的支撑。

在基于数字孪生模型的故障诊断预测中，物理实体设备可以在数字孪生系统中实时上传各项状态数据，提高数字孪生体与物理实体在运行状态方面的一致性，并不断产生大量新的故障预测数据、维修决策数据等相关数据。与此同时，设备数字孪生系统也可以将新的实时数据和已有的孪生数据进行融合，以便服务系统对设备的实际运行状态进行精准评估，从而进一步提高故障预测的及时性、故障定位的准确性和维修方案的合理性