“数字孪生/故障诊断”专题 | 第一篇：数字孪生技术及其在PHM领域的应用介绍

4月前浏览4415

本期给大家分享一下小编近期在做的一些调研工作：关于数字孪生技术及其在PHM领域的应用介绍。

一、数字孪生发展历程及定义

数字孪生最早是2002年美国密歇根大学的Michael Grieves教授在他的产品生命周期课程中提出的镜像空间模型，该模型包括了物理空间、信息空间以及二者之间的信息流，这三者也是后来数字孪生的三个基本要素，虽然当时没有明确提到数字孪生的概念，但业内一般认为数字孪生起源于此。
直到2010年，数字孪生的概念被美国国家航空航天局（NASA）在一份技术路线报告中正式提出，NASA描述了航天器数字孪生的概念和功能：数字孪生是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多尺度、多物理量、多概率的仿真过程，从虚拟空间反应相对应的实体设备的全生命周期过程。但受限于当时的技术水平，数字孪生并没有受到过多关注，直到近年来，随着大数据、云计算、物联网等新一代信息技术的发展，数字孪生才逐渐发展起来。
2018年，Ø北航陶飞教授的数字孪生课题组组提出了数字孪生的五维模型，探讨了数字孪生五维模型在卫星／空间通信网络、船舶、飞机、复杂机电装备、车辆、发电厂、立体仓库、医疗、制造车间、智慧城市10个领域的应用思路与方案，为数字孪生在多领域的应用提供了重要的理论支持和方法指导，并出版了首部数字孪生智能制造英文专著。Ø落马公司将数组孪生列为年未来国防和航天工业顶尖技术之首。Ø中国通信院发布《数字孪生城市研究报告(2018年)》。Ø德勒发布《工业4.0与数字孪生》报告。
2019年，Ø北航数字孪生组在《Nature》发表数字孪生文章、牵头和18家单位建立了数字孪生标准体系。Ø 中国信通院联合多家企业共同编制了《数字孪生城市研究报告(2019年) 。Ø波音737 MAX型飞机两次事故引发了人们对数字孪生技术的关注。
2020年，Ø工信部中国电子技术标准化研究院牵头编写了《数字孪生应用白皮书》发布。Ø中国信通院发布《数字孪生城市白皮书(2020年)》。Ø德勒发布《2020技术趋势报告》，数字孪生位列五大趋势之首。
2023年，Ø年初，中国信息通信研究院发布了《数字孪生城市产业图谱研究报告(2022)》。Ø易知微与数字孪生世界企业联盟联合众多行业专家及多家业内企业共同编写了《数字孪生世界白皮书(2023)》。

北航陶飞教授在《Nature》杂志的评述中认为：数字孪生作为实现虚实之间双向映射、动态交互、实时连接的关键途径，可将物理实体和系统的属性、结构、状态、性能、功能和行为映射到虚拟世界，形成高保真的动态多维/多尺度/多物理量模型，为观察物理世界、认识物理世界、理解物理世界、控制物理世界、改造物理世界提供了一种有效手段。

如图1所示，一个通用的数字孪生模型主要由物理层、数据层、模型层和应用层组成，通过服务接口和传输协议实现各层之间的数据和信息实时、高效交互，通过各模块协同运行与闭环反馈，能够实现能源装备、轨道交通等领域高端装备的智能运行与维护服务。

图1 数字孪生基本框架

数字孪生作为践行智能制造、工业4.0、工业互联网、智慧城市等先进理念的使能技术与手段，近期备受学术界和企业界关注，尤其是数字孪生的落地应用更是关注热点。

在大背景下，数字孪生产业发展还没有进入到理想化的元宇宙阶段，数字孪生技术已经不再是单一的技术体系，而是以积木式组装结合了物联网、大数据、人工智能、BIM、GIS等多项前沿技术的聚合技术。

二、数字孪生驱动的预测与健康管理

1 背景介绍

随着现代工业的发展和科学技术的进步，现代装备的结构越来越复杂，规模越来越大，特别是航空航天等高技术领域的产品和装备。航空航天产品和设备价格昂贵，结构复杂，通常在恶劣的环境中运行。这些复杂的系统承担着军事、国民经济等领域的关键任务，必须提供庞大的后勤保障体系来保证这些设备的安全运行。目前，广泛采用基于统计可靠性指标的定期计划维护保障体系，不考虑设备的实际健康状况，不仅浪费了早期维护的人力和资金，还可能因故障而造成安全隐患和事故。

基于上述背景，提出了预测与健康管理（Prognostics and Health Management，PHM）。在保证高技术复杂装备和任务能力安全可靠的前提下，支持快速准确的故障定位、维护决策和基于实际健康状态的任务决策。通过基于设备当前健康状态的状态维修（Condition-based maintenance，CBM），大大降低了终端用户的维护成本。健康管理技术的核心是预测技术，因此称为预测与健康管理（PHM）。

近年来，数字孪生技术开始出现在PHM领域。据新闻报道，美国国防部将数字孪生概念引入航天器健康维护中，并将其定义为集成多个物理量、多个尺度、多个概率的模拟过程。数字孪生基于飞机的物理模型构建其完整映射的虚拟模型，并利用历史数据和传感器的实时更新数据来描述和反映物理对象的全生命周期过程。许多研究应用都反映了数字孪生思想在处理复杂系统健康监测、诊断和预测问题方面的有效性。

2 数字孪生驱动的PHM框架

传统上，数字孪生依赖于基于确定性物理的模拟来近似被监控的系统。不幸的是，对于复杂的系统，由于制造和材料的不确定性，通常不可能在一组同质资产中模拟每个单独的资产。

数字孪生本质上是物理系统的一个独特的活模型，在多物理场仿真、机器学习等技术的支持下。它允许持续适应环境或操作中的变化，并提供最佳的业务结果。然而，还存在一些有待解决的问题，如：

1）如何建立模型来全面、准确地描述复杂设备；

2）如何建立设备与其数字镜像模型的交互机制，使其共同进化，共同支持PHM；

3）如何融合物理空间和虚拟空间的数据，为PHM提供有价值的信息。

系统级健康管理的体系结构标准采用开放系统架构(OSA)/CBM，如图2所示。该标准由波音公司发起，后来被业界接受，被国际标准化组织命名为ISO13374标准。该标准从信息层次定义了健康管理系统逻辑结构的功能层次，将现有的传感器技术、信息处理技术、诊断技术、预测技术、决策技术集成到一个统一的框架中。该标准定义了各种智能技术之间的信息交换接口，可以满足整个健康管理工程领域信息交互、移植、共享和重用的需求，为健康管理领域各种智能技术的扩展、升级和互操作奠定基础。目前，该标准已逐步渗透到新一代军用和民用飞机、航天器的PHM体系中。

图2 基于开放系统架构(OSA)/CBM的数字孪生框架

数字孪生框架主要包括物理设备、虚拟数字孪生模型、虚拟模型向物理设备提供的服务、物理设备与虚拟模型之间的数据同步四个部分，可以用PHM的OSA/CBM模型来解释，如图2所示。其中，物理设备相当于数据采集层，可用于采集环境、工作条件、状态、测点感知等各种信息；在物理设备通过信号处理层之后将数据传输到虚拟模型；随后，利用数字仿真、物理建模、数据融合等技术，实现了OSA/CBM的状态监测层、健康评估层和预测层；最后，虚拟模型通过决策支持层和表示层向物理设备提供各种PHM服务。物理设备和虚拟模型之间的数据同步可以通过人工智能、机器学习和数据挖掘等技术实现，不同的物理设备可以使用不同的数据同步方法。

2.1 了解物理设备

标准化的物理系统是数字孪生模型的先决条件。它可以是任何现实世界的系统，例如电力系统、供水系统或航天器系统。与传统系统相比，以数字孪生为代表的物理系统必须具备实时数据的采集和传输能力。

为了构建PHM的数字孪生模型，物理系统采用自下而上的方式收集数据。物理系统首先获取子系统的各种参数数据；然后采集系统级观测数据；最后，将这些数据从子系统合并到系统，作为整个系统的健康指标（Health Indicators，HI）。这种自下向上的方法有利于基于物理机制的数字孪生模型的后续建立。

此外，物理世界需要将许多类型的数据传输到虚拟世界，例如操作环境、工况条件、传感器数据等。物理系统需要标准的数据通信设备来实现统一的数据封装策略和通信接口(或协议)。基于这些通信设备，物理系统对多类型、多尺度的数据进行标准化、清洗和打包，然后上传到虚拟世界的数字孪生模型中。这大大提高了虚拟世界中数据的可操作性。

2.2 虚拟设备的构建

物理设备中的各个部件都会随着时间的推移而退化，虚拟设备建模的重点是建立各个部件退化过程耦合影响下的虚拟退化模型。目前，PHM领域的复杂系统建模方法大致有两大类。

第一类不考虑子系统的退化，直接通过系统的总体输出来分析系统的整体性能退化模型。该方法采用单个或多个性能指标来描述退化过程，并基于系统整体性能的退化数据建立数据驱动的退化模型。如利用不同类型传感器获得的历史数据形成性能指标，直接用于描述风电场的系统级退化状态，然后利用纯数据驱动算法建立健康模型，监测风电场的状态。但对于大多数复杂系统，由于影响整体性能的因素很多，上述方法必须在有足够数据的基础上基本完成。

第二类方法考虑子系统或组件。首先，建立了各子系统和部件的性能退化模型；然后根据子系统和部件之间的相关关系进行退化建模，最后利用该模型预测系统整体性能。该方法的核心思想是建立子系统或部件的退化指标与整个系统的退化指标之间的数学关系，而核心步骤是分析和建立各个退化过程之间的关系。现有文献中描述各组分降解过程之间关系的方法大致可分为两种：

第一种方法使用固定的数据模型，其建模要求较低，主要工作集中在模型的参数估计上。这些模型主要有两种：第一类模型直接使用定义的分布函数来描述两种退化模式之间的联合分布。函数copula是这些分布函数的典型代表。函数联结可以通过各种变换适应多种相关退化情况。这种关联关系建模方法描述了退化模式之间的定量关系。然而，完成模型的参数估计需要大量的数据，并且由于忽略了系统结构和运行规律，假设的定量关系可能与实际情况不一致。

第二种方法将子系统或组件之间的关联关系划分为多类，如竞争、积累、加速与竞争、触发、竞争等，然后在这些已知关系的基础上建立关联模型。该关联关系模型能够对应系统的实际情况，参数计算也相对简单，但能够描述的关联关系类型非常有限，只能适用于简单系统。

2.3 PHM服务的确定

随着PHM的实际应用，国内外PHM的标准研究也在蓬勃发展。目前国际上与故障诊断和健康综合管理相关的标准有：IEEE1232（与所有测试环境相关的人工智能信息交互和服务）、IEEE1451（智能发射机接口标准）、IEEE1522（可测量的测试质量指标）、IEEE1856（电子系统健康管理标准框架）、ISO13374标准（有条件的维护架构）、OSACBM标准（有条件的维护和开放的体系结构）等。

ISO13374标准处理机械状态监测与诊断问题，对数据和信息提供了开放软件规范的基本要求，建立了数据处理、通信和机械状态监测与诊断信息表达软件规范的综合指导，定义了从数据采集、分析到健康评估、预测评估、以及使用六个不同的分层处理模块和常见输入输出的咨询建议。

2.4 DT数据同步策略

数据同步的过程可以描述为物理系统利用模型更新策略和实时观测数据对DT模型进行跟踪和预测，DT模型再将健康监测数据返回给物理系统，便于后续的CBM。

数字孪生技术首先根据物理机理建立物理系统的虚拟模型，由物理系统将历史数据和实时监控数据送入虚拟模型。虚拟模型对上述数据进行实时训练、监控和预测，分析物理系统当前的健康或性能下降状态，并将分析结果传回物理系统，为物理系统提供健康监测、故障诊断、剩余使用寿命预测、维护辅助决策等服务。数字孪生的运行过程是物理系统与虚拟模型同步演化的过程，其中最重要的部分是物理系统与虚拟模型之间的数据同步。目前的数据同步算法主要有贝叶斯更新算法、随机滤波算法、机器学习算法等。

贝叶斯更新算法主要用于统计模型。物理系统的退化过程可以通过随机系数模型、Wiener模型、Gamma模型、逆高斯模型等虚拟模型来描述，然后通过贝叶斯更新算法与物理系统结合。该方法最大的特点是能够基于概率论对退化过程的不确定性形成令人信服的表示，从而增强虚拟设备的鲁棒性和容错性。

随机滤波算法主要用于由系统动态方程（状态空间）描述的虚拟模型，包括卡尔曼滤波、无迹卡尔曼滤波、粒子滤波等。虚拟模型通常具有一个或多个动态状态变量。通过建立系统整体性能变量与系统多个状态变量之间的数学关系，跟踪系统状态变量，得到物理系统关键性能变量的变化规律。

近年来，机器学习算法在数字孪生技术中的应用越来越广泛。将数字孪生体的数据同步与机器学习相结合，有助于实现更高效、更快的数据同步和虚拟模型更新。同时，机器学习方法可以融合各种历史数据、实时数据和仿真数据，实现高保真的数字孪生。