“数字孪生/故障诊断”专题 | 经典文章分享：数字孪生驱动的复杂设备PHM

数字孪生是当前故障诊断领域的研究热点，该论文是北京航空航天大学陶飞教授于2018年发表的文章，非常经典，该论文系统的阐述数字孪生五维模型的原理框架及数字孪生驱动的PHM的方法，并以风力发电机为例，对比数字孪生和传统方法的差异。

截至目前该论文在谷歌学术上显示被引用733次，想必是入门必备的经典文章之一，非常值得阅读！

论文基本信息

论文题目：Digital twin driven prognostics and health management for complex equipment

论文期刊：CIRP Annals - Manufacturing Technology

Doi：https://doi.org/10.1016/j.cirp.2018.04.055

作者：Fei Tao , Meng Zhang , Yushan Liu , A.Y.C. Nee

机构：

a School of Automation Science and Electrical Engineering, Beihang University, Beijing 100191, PR China 

b Department of Mechanical Engineering, National University of Singapore, Singapore 117576, Singapore

第一作者简介：陶飞，男，教授、博导，国家级领军人才（2019），现任北航国际交叉科学研究院常务副院长、北航党委人才工作办公室副主任，曾任北航自动化科学与电气工程学院副院长、北航高新技术办公室主任、北航科学技术研究院副院长兼基础研究处处长。2007年到2009年在美国密歇根大学（Dearborn）从事先进制造技术和信息化方向研究学者和博士后研究工作，2009年3月回国后直评为副教授，2011年遴选为博导， 2013年破格评为教授，并一直在北航自动化学院从事教研工作。主要从事智能制造与装备、数字孪生、数字工程、制造工业软件、绿色可持续制造等教研工作。第一作者出版专著5部，在Nature等期刊上发表30余篇ESI高被引论文；被引用3万余次；连续入选2019，2020，2021，2022年科睿唯安全球高被引学者、Elsevier中国高被引学者。国家重点研发计划、国家自然科学基金重点国际合作等项目负责人。获国家科技进步二等奖（排名1）、中国机械工业技术发明一等奖、中国青年科技奖、北京市教学成果二等奖等。现任国家智能制造专家委员会委员、中国机械工程学会理事、RCIM副主编、CIRP通信会员。入选美国SME智能制造Top 20最具影响力学者（2021），创办《Digital Twin》国际期刊，发起数字孪生国际论坛和国际会议。(来源：百度百科）

 摘要

故障诊断和健康管理 （Prognostics and Health Management，PHM）技术 在产品的生命周期监控中至关重要，尤其是对于在恶劣环境中工作的复杂设备。为了提高PHM的准确性和效率，针对复杂设备提出了数字孪生（Digital twin, DT）这一实现物理-虚拟融合的新兴技术。首先构建了复杂设备的通用数字孪生体，然后提出了一种基于数字孪生驱动的PHM的新方法，有效利用了数字孪生的交互机理和融合数据。以风力发电机组为例，验证了所提方法的有效性。

目录

4.1  问题描述

4.2  对提出的DT驱动PHM方法验证

4.3.性能比较与分析

1 引言

飞机、轮船、风力涡轮机等复杂设备设计用于在恶劣环境中工作数十年。因此，在其运行过程中性能下降是不可避免的，这可能导致故障，从而导致高昂的维护成本。故障诊断和健康管理（PHM）的引入，能够实现复杂设备的可靠运行。它用于监测设备状态，进行故障诊断，并提供维护设计规则[1]。

 然而，目前关于PHM的大多数工作主要是由其物理空间中的设备驱动的，与其虚拟模型几乎没有联系。当前，随着信息物理系统（Cyber Physical Systems，CPS）的发展，重视实现物理空间与虚拟空间的无缝融合、提高复杂设备的PHM显得至关重要。在这种情况下，在虚拟空间中，引入了设备及其数据的数字镜像来描述真实实体的行为。参考文献[2]中已经探索了一些潜在的应用，但是，实现由物理和虚拟空间驱动的PHM，仍然存在一些突出的常见问题。它们包括：

• 构建高保真数字镜像从而透彻地描述设备;
• 建立设备与其数字镜像之间的交互，使其无缝支持PHM;
• 融合物理空间和虚拟空间的数据，为PHM生成准确的信息。

 本文采用数字孪生（DT）作为物理-虚拟融合的参考模型，针对上述3个问题进行了研究。首先，基于DT，在几何、物理、行为和规则等不同层次上构建设备的高保真数字镜像模型;它甚至可以在物理距离之外访问设备。其次，DT的交互机制可以检测来自环境的干扰、设备的潜在故障和模型中的缺陷；这是一种耦合优化，使设备和数字模型不断演进。第三，由于DT包括来自设备的数据、数字模型和融合数据，因此可以大大丰富PHM的数据以提供准确的信息。

 本文首先建立了复杂设备的五维DT，然后提出了一种基于DT驱动的复杂设备PHM新方法，并详细探讨了其框架和工作流程。本文介绍了一个风力涡轮机(Wind Turbines,WT)的案例研究，以展示所提新方法。

2 五维模型

DT模型的通用架构及标准首先由Grieves[3]构建。在这种架构中，DT在三维空间中建模，即物理实体、虚拟模型和连接，并以物理-虚拟交互为特征。它已被应用于产品设计和生产[4,5]。

基于此，该文提出一种扩展的五维架构DT，增加DT数据和服务。与Grieves的架构相比，除了物理-虚拟交互外，该模型还使用DT数据，即融合了物理和虚拟方面的数据，以实现更全面和准确的信息捕获。它还可以封装来自服务的DT功能（例如检测、判断和预测），以实现统一管理和按需使用[6]。

根据提出的五维架构，图1显示了复杂设备的DT，可以用以下表达式表示：

图1 复杂设备的五维DT模型    

其中    （Physical Entity）是指物理实体，    （Virtual Entity)是虚拟设备，    (Service)代表PE和VE的服务，    (DT Data)是指DT数据，    (Connection)是    、    、    和之间的连接。为了说明复杂设备的所提及DT，在案例研究中考虑了风力涡轮机（WT）。

图 2 物理 WT 模型

     包括     和     的服务。它优化了     的操作，并通过在运行过程中校准     参数来确保      的高保真度，以维持其与    的性能。     由（3）中的元素组成，描述了服务的功能、输入、输出、质量和状态。可以安排 Ss 以满足 PE 和 VE 的需求。

以物理WT模型的功率输出监控服务为例。它可以表示为Ss_monitor=(功率输出监控，(风速，物理WT的功率输出，虚拟WT的功率输出)，功率条件，(时间，成本，可靠性)，(工作，空闲，故障))。

图4 风力发动机的      

3 DT驱动的PHM方法

用已建立的 DT （数字孪生体）来创建如图 5 所示 DT 驱动的 PHM 方法。在这种方法中，故障分为渐进性故障和突发故障。前者可以预测为由成分逐渐降解引起的。后者是不可预测的，并且由于干扰而突然发生。

第 5 步：不一致导致判断。以相同条件（即C一样）下    的历史状态的时间序列为参考，以确定不一致是由    还是    引起的。将引用表示为     ，其中    是元素数，     是第    个参数的时间序列记为    ，并且    是元素数。因此，对于中的第    个参数，从当前时刻(比如    )到    的时间序列表示为    和      ，分别表示    和    作为     和   的时间序列。根据基于相关性的动态时间扭曲方法[9]测量     和   以及     和   的相似性。如果只有 相似，则不一致是由 PE 的突然故障引起的，由于 VE 未知的突然干扰，然后转到步骤 6。如果只有     和   相似，则不一致是由模型缺陷引起的，然后转到步骤 1。如果      和       与    不同，请先转到步骤 1 进行模型校准。

4 案例研究

根据步骤6，故障原因（即齿轮磨损、疲劳或断裂）的预测过程如图6所示。从物理WT中的齿轮箱可以看出，不同故障原因的振动频率和能量不同，可以反映在图6（a）中振动频谱的    、    和    上。因此，选择    、    和      作为预警功能。此外，从虚拟WT中的齿轮箱来看，由于不同的故障原因可以反映在齿上不同的应力水平（例如，图6（b）中的接触应力和弯曲应力），因此选择    、    和    作为预警特征。通过分析作用在齿面和齿根上的力，可以得到      和         ，通过记录齿轮啮合数可以得到  。然后，利用学习速度快、泛化性能好的单隐层网络极限学习机（extreme learning machine, ELM）[12]构建了故障原因预测模型，如图6（c）所示，其输入分别为    、    、    、          和               。最后，根据输入和构建的模型，如图6所示，输出确定了故障原因。

5 总结和展望

编辑：赵栓栓

校核：李正平、王畅、陈凯歌、曹希铭、董浩杰

该文资料搜集自网络