摘要

故障預測與健康管理（ＰＨＭ）是設備運行維護管理的有效方法，在多行業得到推廣和普及。

傳統ＰＨＭ方法有基于經驗模型的方法、基于數據驅動的方法和基于物理模型的方法。但這些方法存在著不少的局限性。

隨著數字孿生技術的興起，其模型和數據相融合的問題處理方法，可有效地解決傳統ＰＨＭ方法的不足，是ＰＨＭ 技術發展的一個方向。

《數字孿生支持下的設備故障預測與健康管理方法綜述》在①對ＰＨＭ相關技術和方法進行了研究之后，②綜述了數字孿生技術及其在ＰＨＭ中的應用方法，并③對應用中的關鍵問題進行了總結和分析，④指出數字孿生支持下的PＨＭ方法未來發展方向。

引言

設備運行維護管理是重要研究領域和熱點。維護手段可分為事后維護、定期維護和視情維護。

①事后維修：設備發生故障后再進行維修；

②定期維護：按照固定時間間隔進行維護；

③視情維護：根據設備狀態監測情況來決定是否維護。

PMH（視情維護方法之一）：

故障預測與健康管理（PMH）在２０世紀９０年代被提出。

提出該理論的目的是有效預測設備的故障將會何時發生，使工程師可以通過預測結果對設備視情決定恰當的維護時機，從而最大限度地增加設備的使用壽命。

PHM所展現出的視情維護可以避免不必要的停機時間、提高設備安全性。因此，PHM在設備運行維護管理中得到了廣泛應用。但傳統 PHM方法存在依賴專家系統、需大量歷史數據、對靜態數學模型優化較為困難等問題。

數字孿生支持下的PHM方法：

數字孿生技術為解決這些問題提供新途徑，因此，越來越多的學者開始研究數字孿生支持下的PHM方法。

本文對結合數字孿生技術的ＰＨＭ實現進行綜述：

首先，對傳統PHM方法作出總結，并指出傳統PHM方法中的一些局限性；

然后，介紹數字孿生的基本概念，對數字孿生目前在PHM中的應用進行總結與分析；

最后，對數字孿生支持下的PHM技術實施過程需要解決的問題進行總結與分析。

傳統 PHM 技術和框架的詳細概述

傳統實現 PHM 的方法可分為基于經驗模型的方法、基于數據驅動的方法和基于物理模型的方法：

（1）基于經驗模型的方法：

這種方法主要依賴專家在長期實踐中積累的經驗和知識，來構建故障診斷和預測模型。

專家根據對設備的了解，設定一系列規則和閾值，以此來判斷設備的狀態和可能出現的問題。

問題：基于經驗模型的方法雖然可以模擬人類專家解決部分問題，但仍過度依賴領域內專家系統規則和系統 特征模糊集的表達能力。

（2）基于數據驅動的方法：

目前常用的數據驅動方法有基于統計方法和基于機器學習方法：

基于統計的方法：通過分析設備運行過程中的數 據統計量，從數據中的變化提取特征進行預測。統計方法包括回歸方法和比例風險模型方法等。

基于機器學習的方法：具備常規算法不具備的自學習和自 適應能力，一般指神經網絡法、支持向量機法和貝葉斯 法等。

問題：基于數據驅動的方法需要大量的歷史數據，但實際工程中對于完整的設備退化數據采集難度較大、周期較長，限制了應用的范圍。

（3）基于物理模型的方法：

利用設備、產品或系統的生命周期載荷和失效機理知識，以達到對目標對象故 障預測和診斷的目的，且得出的結果相對更為精確。

問題：基于物理模型的方法對設備的建模要求較高。多數情況下，基于設備機理所構建的數學模型是靜態模型。靜態模型中的參數固定不變，在變更預測目標之后難以用原先的數學模型進行有效預測，因此普適性較差。

傳統ＰＨＭ方法及其特點對比如表１所示：

綜上所述，傳統ＰＨＭ方法在理論與實際應用中都已經得到了較大的成功，但這些方法仍然存在著對專家系統規則庫的依賴、需要對所有系統特征的有效表示、需要大量歷史數據、對靜態數學模型優化較為困難等局限性。

數字孿生技術的出現為解決上述問題提供了新的方法。

數字孿生技術及其在 PHM 中的應用

2.1 數字孿生發展背景及應用

介紹了數字孿生理論來源追溯和概念的形成過程。

當前，數字孿生強調在數字空間對物理系統建立特征、行為、過程和性能相對應的實時映射模型。

從孿生對象的組成來看，目前數字孿生的應用可以大致分為產品數字孿生和系統數字孿生。

1、產品數字孿生：更注重把一個產品看作一個整體，從產品滿足、維持、延長其設計性能的角度來考慮。

2、系統數字孿生：更多地從系統組成部分的協同運 行、滿足系統多個目標優化的角度來考慮。

2.2 數字孿生在 PHM 中的應用：

數字孿生的定義為：

以模型和數據為基礎，通過多學科耦合仿真等方法，完成現實世界中的物理實體和虛擬世界中的鏡像數字化模型的精準映射，并充分利用二者的雙向交互反饋、迭代運行，以達到物理實體狀態在數字空間的同步呈現，通過鏡像化數字化模型的診斷、分析和預測，進而優化實體對象在其全生命周期中的決策、控制行為，最終實現實體與數字模型的共享智慧與協同發展。

數字孿生應用于PHM的優勢：

基于數字孿生系統可對物理實體建立高保真模型，并對實時的運行系統進行數據采集與分析，以及采用模型與數 據相融合的智能化方法，因此可以將此技術應用于ＰＨＭ 領域以形成新的技術方法。

數字孿生支持下的ＰＨＭ對設備檢測點的各類傳感器所采集到的數據進行實時感知，并通過嵌入式系統和通信網絡輸入到虛擬模型。在虛擬模型中通過對實時數據和歷史數據進行算法分析，可得到設備會發生故障的零部件或子系統，并預測其會發生故障的時間。工程師可根據輸出的結果在虛擬模型中進行維護，監控維護后輸出的結果。若故障問題沒得到解決，則將仿真結果反饋給故 障類型知識庫重新進行分析，以找到故障發生的根本 原因。在故障解決后，再對物理實體進行預防性維護，實現故障預測與健康管理。

基于數字孿生的設備預防性維護框架如圖１所示：

與傳統ＰＨＭ技術框架中的對象層、數據層、信息層和決策層相比，數字孿生支持下的ＰＨＭ在模型、數據以及模型與數據融合上進行完善，由數字模型、數據分析和知識庫構建數字孿生模型，通過模型和數據雙驅動，實現對設備的全生命周期管理，完成壽命預測。

數字孿生支持下的ＰＨＭ可以實現物理實體與數字孿生模型間的實時交互，確保數字模型的高仿真性。

此外，數字孿生支持下的ＰＨＭ可以生成虛擬數據集，對于包含部分失效數據的數據集也有較強的處理能力。

數字孿生支持下的ＰＨＭ可充分利用所構建的系統模型，結合數據智能化方法彌補機理模型構建過程 的不足，并且通過機理來指導數據的采集和分析?；谖锢砗蛿祿臻g的融合，利用物理系統運行過程數 據不斷更新信息模型的運行狀態，并利用信息空間數字模型的運行結果對維護方案進行仿真和比較，得到優化結果后再指導物理系統的運維。

利用數字孿生，可以有效解決傳統ＰＨＭ方法的一些問題，是一個值得研究的方向。

基于數字孿生的PHM 應用發展方向

基于數字孿生技術的ＰＨＭ應用仍需要學者們進一步深入研究。

主要問題如下:

模型集成與管理問題：

①建模軟件的集成。ＣＡＤ／ＣＡＥ軟件以及機理模型分析軟件要進行有效的集成才能保證多領域、多物理場模型的融合。

②建模數據的集成。將各學科模型和數據統一集中管理是一個重要的研究方向。

③模型的有效管理。不同的模型需要有效地進行組織和管理，傳統的ＰＬＭ軟件是面向產品級的，不能滿足系統級數字孿生的需求，而且對于數字孿生 所涉及的“模型＋數據”特點針對性不足，需要進一步地完善。

數據采集與傳輸問題：

①研發出滿足各種物理、化學和生物特征采集需求的智能傳感器技術是一個重要發展方向。

②將５Ｇ等移動通 信技術應用于數字孿生已成為當前發展的重要方向 之一。

數據治理問題：

對于復雜產品構建數字孿生模型必將產生大量的數據（包括數字孿生模型運行、 仿真、預測得到的數據和數字孿生之間通信交流產生的數據），結合機器學習方法對龐大的數據量進行 分析和處理，以獲得有效的知識信息。構建完整的知識庫也需要學者進行深入研究。

構建數字孿生生態問題：

未來應在不同孿生系統間的統一數據傳輸和交換協議、模型自適應和整個孿生生態的進化等方面作更多研究。

結論

ＰＨＭ利用對設備的視情維護，提高了設備運行維護管理的有效性和智能化，能降低維護成本、提升設備的運行價值。

傳統ＰＨＭ方法在模型構建、數據分析和利用等方面存在不足。利用數字孿生雙向映射、動態交互、實時連接和迭代優化的特點，可以充分發揮模型和數據的各自作用并進行融合：

數據代表了物理實體，是從物理實體運行過程采集而來，代表實際；模型代表虛擬，是從數字模型分析、仿真而來。虛實融合就是模型和數據的融合。預測是數字孿生的核心價值，也是有效實現設備ＰＨＭ的關鍵。