数字孪生净水厂运维管控一体化平台关键技术及应用

周圣文，郭顺生,2，杜百岗,2+，郭 钧,2，李益兵,2，王 磊,2，查大虎，张富江，于 磊

(1.武汉理工大学 机电工程学院，湖北 武汉 430070；2.数字制造湖北省重点实验室，湖北 武汉 430070；3.沈阳尚源智慧科技有限公司，辽宁 沈阳 110000)

0 引言

水是生命之源、健康之本，随着生活水平的提升，人们越来越关注与身体健康息息相关的饮用水安全问题[1]。水利部在“十三五”、“十四五”规划中也将水质安全提升至国家战略高度，不断加强水安全保障。作为保障饮用水安全的关键环节，净水厂的运维管控效果对促进人民生活和经济社会健康发展至关重要[2]。目前，净水厂的运维管控总体存在如下问题：①对人的依赖程度高，现净水厂生产工艺虽然实现了自动化，但是运维管控主要以人工经验(如泵组的开停、投药、排泥、反冲洗、过滤、消毒等)为主，效率低且操作精度不高，易受人为因素影响；②科技进步带来的压力，随着社会及经济的发展，人们对水质的要求不断提升，职工对工作的态度在发生变化(愿干脏、重、累的活的人，愿上夜班的人越来越少)；③业务部门协同度不够，现有各业务应用系统仅限于各部门(生产运营部、管网运行部、客户营销部等)内部使用，生产管理环节孤岛效应明显，各管理单元的协作流转等主要以跑腿和纸质联系单为主，没有形成有效的互联互通，不能做到及时的信息共享；④数据管理缺少积累，净水厂的资产管理不够完整，目前主要以灰色有形资产为主，且主要以图纸文档的形式保存，查阅繁琐，而对一些历史数据和经验数据缺少积累，缺乏对绿色数字资产的管理；⑤决策指挥缺乏支持，由于缺乏有效的数据管理，分析决策主要以数据手工填报和人工分析为主，有时不够及时、全面和精准，决策指挥缺乏更科学的数据支持；⑥应急处理不够系统，缺乏对一些安全和突发事件应急处理和处置的系统性，从预防、处理、处置到评估未形成体系，也未形成有效的可供参考和借鉴的专家库。因此，提升净水厂运维管控水平对保证供水安全具有重要的意义。

近年来，数字孪生技术得到了全球业界及学术界的高度关注。美国Gartner[3]公司自2016年起连续四年将“数字孪生”列为未来十大战略技术之一；PTC推出了ThingWorx物联网平台，可以将获取的传感数据连接至ANSYS仿真软件，并通过建立泵的数字孪生体展示了该平台的价值[4-5]；通用电气研究院推出了Predix云计算平台，基于工业大数据的管理、加工与分析，实现了对设备的掌控和预测[5]；陶飞等[6]针对制造车间中物理世界和信息世界之间的交互融合，从系统组成、运行机制、特点、关键技术等方面阐述了数字孪生车间概念；赵浩然等[7]提出一种基于实时信息的生产车间三维可视化监控方法解决数字孪生车间的实时可视化监控问题；刘蔚然等[8]紧密结合卫星工程的关键环节、场景和对象，提出数字孪生卫星的概念；李浩等[9]针对复杂产品设计和制造信息物理融合，提出基于数字孪生的一体化开发框架；陶飞等[10]提出数字孪生五维模型，并针对卫星、船舶、车辆、发电厂等10个领域提出建设思路和方案；Tao等[11]提出一种基于数字孪生驱动的产品设计、制造和服务的新方法，研究了数字化双驱动产品设计、制造和服务的具体应用方法和框架，并以3个案例分别说明数字孪生在产品3个阶段的应用前景；Lu等[12]提出一种基于数字孪生的资产监控异常检测系统，并构建了基于扩展工业基础类((Industry Foundation Class, IFC)的数据集成方法，以暖通空调系统中的离心泵为例进行了实例验证；Greif等[13]提出基于数字孪生的建筑工地物流控制模型，并设计了支持建筑工地物流调度决策支持系统；Luo等[14]针对数控机床在生命周期中的状态变化和一致性考虑较少的问题，研究了一种基于数字孪生模型和数据双机混合驱动的预测维修方法；Ding等[15]研究了基于数字孪生的网络物理生产系统(Digital Twin-based Cyber-Physical Production System, DT-CPPS)，详细讨论了DT-CPPS的配置机制、运行机制和实时数据驱动的操作控制，实现了制造过程的实时监控、仿真和预测；Liu等[16]提出一种基于数字孪生的自动化流水车间制造系统快速个性化设计方法，解决了大规模个性化制造模式下面临的个性化设计问题；Angjeliu等[17]利用数字孪生技术评估建筑结构体系的完整性，通过建立精确的三维几何模型，并结合材料性能的选择和施工阶段的仿真分析实现预防性维护，以复杂建筑验证了数字孪生技术的适用性和优势；Liu等[18]针对预应力钢结构服役安全问题，构建了基于数字孪生的预应力钢结构多维数字模型，利用钢结构历史数据对支持向量机和预测模型进行训练，根据实测数据预测结构的安全风险水平。

综上所述，数字孪生应用范围广，但在与水务行业的融合研究和实践方面还存在不足，随着智慧城市的深入推进，作为保障城市供水安全的净水厂智慧化程度需要不断提升，实现从数字化向智慧化的迈进。基于此，本文将数字孪生技术应用到净水厂，构建基于数字孪生的净水厂运维管控体系，建立物理水厂与虚拟水厂的空间和事物的精准映射关系，实时采集物理世界中的传感器数据，并利用“机理+智能”双模型驱动，使虚拟环境中的仿真与现实中的生产无缝融合，从而提升净水厂运维管控的智能化水平和可靠程度，辅助提升物理水厂的高效、科学决策，进一步达到节约高效、安全稳定供水的目的，最后进行了净水厂的实际应用验证。

1 数字孪生净水厂运维管控体系架构

传统净水厂主要经历了机械化、自动化、数字化3个发展阶段，而且正在向智慧化方向转型，通过3个阶段的发展，水厂的生产工艺和管理效率有了较高提升，各阶段的主要特点如下：

(1)机械化水厂阶段 该阶段为单独控制，操作控制比较简单，大多采用就地人工控制与人工记录相结合的管理方式，供水能力仅能满足经济和社会发展的基本需要。

(2)自动化水厂阶段 以水厂数据采集与监视控制系统(Supervisory Control and Data Acquisition, SCADA)系统为主，大部分实现了分散控制、集中管理、联动，水厂实时采集、远程控制、预警报警等能力，但存在监测不够全面、信息不能共享、孤岛现象严重等问题。

(3)数字化水厂阶段 建立统一的综合管理信息平台，包括巡检管理、运行管理、水质管理、设备管理等模块，信息共享并能较好地解决信息孤岛问题，但由于算法理论和算力制约，仍存在数据没有挖掘、决策支持不够科学的问题。

总体来说，我国大多数净水厂的建设均停留在自动化阶段，部分地区(江浙沪、珠三角)正在从自动化水厂阶段向数字化水厂阶段迈进，虽然取得了一些成果，但是离智慧水厂还有很大的差距。本文认为未来智慧水厂的建设主要从可控、可感知、可视、可预测4个层面开展，具体如下：

(1)可控 利用人脸识别、车辆识别、人员闯入视频识别、故障诊断等人工智能技术，结合厂区进出管理、周界人员入侵检测、限制区域检测、在岗检测等综合安防，减少90%的人工工作量，保证水厂生产安全。

(2)可感知 利用物联感知设备、光纤、4G/5G、WIFI通信技术将分布在水厂各工艺单体的设备、设施等互联互通，构建净水厂监测感知网络，形成物联网(Internet of Things, IoT)大数据平台。

(3)可视 利用建筑信息模型(Building Information Modeling, BIM)建模和仿真技术，建立净水厂三维虚拟系统，通过虚拟系统的逼真三维可视化效果增加用户的沉浸感和交互感。

(4)可预测 利用数字孪生技术将机理模型与人工智能模型相结合，将专家知识、分析算法、预测算法和自动化技术相结合，对供需水量调度、设备维护、加药、水力停留、应急管理等环节进行动态预测和优化，实现智能决策分析、动态预警预报。

本文在数字孪生五维模型[9]的基础上，考虑净水厂运维的技术特点和流程要求，提出数字孪生净水厂运维管控体系架构，如图1所示。该架构以物联网、云计算、大数据、BIM技术、边缘计算、人工智能等新一代信息技术为手段，建立物理水厂与虚拟水厂的空间和事物的精准映射关系，通过传感器实时采集物理水厂的数据，使虚拟环境中的生产仿真与现实中的生产双向融合，实现生产、运行、维护、调度和服务全方位、全过程各环节的高度信息互通、反应快捷、管理有序和高效节能。

2 数字孪生净水厂三维可视化实时监控

2.1 数字孪生净水厂多源异构数据实时采集架构

2.1.1 基于3IM的净水厂语义信息模型

针对当前净水厂物理实体的数字化建模主要集中在对几何和物理维度上的构建，缺少对能同时反映物理实体对象的几何、物理、行为、规则、约束的多维动态模型构建的研究。本文根据净水厂的工艺和运维现状，提出基于工业互联网信息模型(Industrial Internet Information Model, 3IM)的净水厂语义信息模型，构建了设备与应用系统之间的信息协同化传输和读取方案，以降低异构信息交互的成本，达到设备与应用系统间解耦的效果，实现物理水厂与虚拟水厂的互联互通。

基于3IM的净水厂语义信息模型由标识、属性、服务、类组成，类可以包含标识、属性、服务、子类，子类还可以有标识、属性、服务、子类，依次类推。其中：标识主要实现信息模型的标记和表达，作为唯一标记，贯穿信息模型的整个生命周期；属性涵盖各类设备对象的属性描述，包括几何尺寸、供应商信息、运行状态等，体现对对象知识的专业描述；服务描述设备具备的行为和规则，以水泵为例，如开停的条件(前置、后置)、开停动作、报警等数据；子类是对信息模型所表达或代表的具有共同特征的信息的抽象。如图2所示为基于3IM的语义信息模型，其以Json文件形式存储，包括identity(标识)，property(属性)，service(服务)，class(类)4部分信息，其中class(类)包含children(子类)。

2.1.2 面向多源异构数据的3IM实时采集架构

净水厂存在大量异构设备或系统的数据源，这些异构数据源都有各自私有的数据采集协议。通过利用3IM的净水厂语义信息模型对异构设备的数据进行采集并封装，形成统一的净水厂运行数据格式，对上层应用提供统一的数据服务，从而实现净水厂的设备监控、设备管理、数据采集与分析，进而使数据共享更加便捷。

基于此，本文提出基于3IM的净水厂语义信息模型的数据采集框架，如图3所示。采集平台首先根据各设备的私有协议解析成标准的3IM语义信息模型，并将其存储在内存数据库；然后，基于分布式文件系统、NoSQL数据库、关系数据库、时序数据库等不同数据管理引擎实现数据的分区、选择、存储、编目与索引；最后，基于REST FUL架构以Json格式进行数据传输，实现上层应用与多源异构数据源之间的数据交换。

2.2 数字孪生净水厂多层次三维可视化监控

2.2.1 数字孪生净水厂的几何建模方法

数字孪生净水厂几何建模相比城市几何建模体量较小，一般以手工建模为主。在实际建模过程，一般先使用无人机航拍快速获取建筑物外部倾斜三维影像和正射影像，再通过360全景图获取建筑物内部的纹理数据，然后通过三维激光扫描获取建筑物内部的点云数据，最后利用Revit或3Dmax等三维软件基于CAD图纸、倾斜三维影像、360全景图和激光点云数据等矢量数据重建三维几何模型。如图4所示为净水厂几何模型要素树，主要包括水厂环境模型、人员模型、设备模型、取水单元模型、制水单元模型和送水单元模型等。

2.2.2 数字孪生净水厂多层次三维可视化监控模型

数字孪生净水厂多层次三维可视化监控建立在虚拟水厂同步运行模式的基础上，基于净水厂几何模型和实时数据支撑对数字孪生净水厂制水过程的可视化展示，实现净水厂从进厂水到出厂水的全流程监控。三维可视化监控采用制水工艺层、节点监测层、巡检作业层和可视化监控层4个层次，实现物理水厂与虚拟水厂的模型映射、数据映射和可视化交互，在此基础上实现净水厂整体的运行状态三维直观监控，如图5所示。

(1)制水工艺层 以净水厂制水工艺为基础，根据净水厂几何模型，包括水厂环境模型、人员模型、设备模型、取水单元模型、制水单元模型和供水单元模型，实现物理水厂和虚拟水厂的模型映射。

(2)节点监测层 主要实现对净水厂制水工艺节点通信设备或传感器的工作频率、传输速率、运行状态等的监视、管理和数据收集，同时在节点状态异常时能主动进行提示和告警，并对问题进行定位和数据统计。

(3)巡检作业层 主要依据日常维护计划，针对净水厂的重点区域、设备、仪表等进行定期和不定期巡查，采用人工巡检、虚拟现实(Virtual Reality，VR)巡检和虚拟巡检相结合的巡检方法，实现巡检过程的智能化。

(4)可视化监控层 主要针对节点的历史数据和实时数据进行大数据挖掘和分析，实现对故障的诊断、预测和维护，打造智能化的可视化监控决策，保证净水厂的稳定运行和供水安全。

3 数字孪生净水厂工艺控制策略与仿真优化

3.1 数字孪生净水厂工艺控制策略

3.1.1 基于云边协同的数字孪生净水厂控制架构

净水厂的SCADA系统以“分散控制、集中监控”为原则，一般设置1个中心控制室和7个现场可编程逻辑控制器(Programmable Logic Controller, PLC)控制分站(即取水、混凝加药、加氯、滤池、送水、配电、污泥脱水分站)，其中自动投药、滤池、取/送水泵组等的自动控制算法传统上采用单片机、PLC，或在组态软件中采用比例—积分—微分控制器(PID, Proportional Integral Derivative)完成，但在SCADA系统的实时性和稳定性有待进一步提高。

因此，本文在原有SCADA系统控制的基础上，提出增加边缘网关+云平台的云边协同控制架构，通过基于大数据分析的知识建模、知识提炼和知识优化方法，以及基于增强学习、深度学习、自主学习等方法完成机器学习模型训练后，将智能模型下载到边缘网关，由边缘网关和净水厂的现场PLC控制子站进行通讯控制，一方面能精准调控工艺和动态优化工艺，另一方面也能极大地节约SCADA系统的资源，保证系统的实时性和稳定性，基本控制架构如图6所示。本文采用智能网关管理边缘设备，对净水厂的设备数据进行接入和控制，同时利用智能模型在云端进行训练，并将智能模型下发到边缘侧用于控制设备，发挥边缘侧和云端各自的优势，实现边缘硬件、边缘服务和云平台的协同。

3.1.2 基于“机理+智能”双模型驱动的净水厂工艺优化决策框架

在净水厂运维管控过程中，供水全流程的工艺优化是以“保障水质安全、实现节能降耗”为核心。目前，净水厂一方面需要借助机理模型对净水厂运维进行管控，另一方面，随着水厂运行数据的积累，需要基于大数据分析，采用智能模型对净水厂的运维管控进行优化决策。考虑到机理模型在净水厂加药等工艺环节中不完备，无法有效指导实际生产，同时考虑人工智能模型的脆弱性和不稳定性，提出基于“机理+智能”双模型驱动的工艺优化决策框架。通过选择实时数据和历史数据中相关变量的特征，构建机理模型和智能模型的双模驱动机制，实现监测、诊断、预测和决策全过程控制，形成决策方案，用于指导实际决策，实现“以虚控实”的目的，从而提升服务质量，基本流程如图7所示。

3.2 数字孪生净水厂工艺仿真优化模型

净水厂工艺处理流程主要经历了“原水→取水→沉淀→过滤→消毒→配水”等工艺环节，如图8所示。数字孪生驱动需要从机理和数据两个层面反应虚拟和现实之间的关联，因此本文从机理/经验不确定度和计算复杂度两个维度对净水厂工艺优化问题进行分类，如图9所示。不同的问题类型可采用不同的建模方法，主要有基于知识的建模、基于机理的建模和基于数据的建模3大类，具体如表1所示。

表1 数字孪生净水厂优化模型构建方法

图9中的4大类工艺优化问题，可以通过专家系统、机器学习、知识图谱和深度学习等技术手段解决。例如，备品备件库存管理、生产成本管理、滤池恒液位控制、滤池反冲洗控制、配电管理等问题，由于其流程或机理清晰明确且计算复杂度较低，可将该类任务的执行过程固化并建立专家决策系统；自动加氯、多水源调度、取水泵房调度、送水泵房调度等问题的机理往往相对复杂，但并不需要大量数据和复杂的计算，可以通过用智能算法(如遗传算法、蚁群算法、粒子群算法等)寻找最优解；水龄预测、风险预测等问题，需要大量数据的推理作为决策支持，计算复杂度相对于前两种体系要高，但其问题原理或不同对象间的关系相对清晰，可以采用知识图谱技术来解决；需水量预测、水质预测、自动加矾、设备预发性维护等问题的机理不明且计算极其复杂，可以采用深度学习算法，如反向传播(Back Propagation, BP)神经网络、 循环神经网络(Recurrent Neural Network, RNN)、长短期记忆网络(Long Short-Term Memory, LSTM)等来解决。

综上所述，本文主要给出了供取水量预测、加药优化、泵组优化、设备预防性维护等问题的解决方案，并进行了实际案例应用。

3.2.1 供取水量预测模型

3.2.2 泵组优化模型

净水厂现有的基于人工经验的泵组调度模式缺乏前期数据支持，因此在调度过程中存在供水冗余量过大、能源消耗偏高、应对突发状况的适应性差等问题，而且人工调度很难在管理控制上与其他控制环节协调，导致生产各环节脱节。本文结合水量需求预测和泵组状态监测，利用深度学习预测模型获得水量预测值，并利用智能算法对生产环节进行调度，以满足生产能耗指标，从而将生产调度环节从原本孤立的人工控制状态整合到整个管理控制系统中，实现生产管理一体化和智能化，具体控制流程如图11所示。

3.2.3 加药优化模型

在净水厂加药工艺环节，控制加药量对降低药耗、保证水质安全具有重要意义。絮凝沉淀过程是一个大惯性、大时滞、非线性和时变的难控过程，加药量与水流量、天气、水质等多种因素有关，目前主要基于人工经验，缺乏有效的机理模型对加药量进行准确控制。考虑到影响加药的多因素之间的非线性、季节性等特点，本文将深度学习模型应用到加药量控制中，通过实时感知的进水流量、原水浊度、PH值预测加药量，然后利用边缘设备控制加药变频泵，对加药量进行优化，基本流程如图12所示。

3.2.4 设备预防性维护模型

以净水厂泵房水泵等关键设备的故障预测为核心，利用传感器智能感知设备温度、振动、电流等数据，并结合使用维护记录，采用人工智能、机理模型等识别净水厂关键设备的早期故障，并预测设备的性能衰退趋势和剩余使用寿命，在此基础上根据维修资源和使用要求进行智能维修决策，提高净水厂供水的安全性，减少维修保障费用。设备预防性维护模型基本流程主要包括多源数据集成、在线监测与报警、专家决策分析、故障诊断与预测、大数据分析和智能维修决策等，如图13所示。

4 实例验证

根据净水厂生产工艺流程和实际运行需求，数字孪生净水厂的应用框架为“一平台、两中心、一网络、一朵云、一张图”和“五横二纵”的开放式体系结构，如图14所示。

数字孪生净水厂的建设，不仅需要解决生产过程控制并节省人力问题，还要解决如何通过先进的技术手段降低生产运维成本、节能降耗、提高系统可靠性、提升管理层级和管理能力等问题，给企业带来显而易见的收益。

中途更换班主任是学校的常事。新班主任迎接的将是一场巨大的挑战，将应对很多意料不到的情景，想要建立一个文明和谐、积极向上的班集体，仅仅靠一片爱心是远远不够的，更多的是需要班主任的睿智与耐心。

某净水厂日设计用水量15万m3，日实际产水量10万m3左右，采用常规处理工艺+深度处理工艺，结合本文提出的相关理论和方法建设数字孪生净水厂，主要内容包括4方面：

(1)对厂区内地质、基坑支护、建筑物、机电设备、总图管线进行人工建模，结合现状实景倾斜模型进行局部或整体拼装，搭建了基于开源WebGL技术的三维可视化平台，如图15所示。

(2)基于3IM语义信息模型的采集架构接入水厂SCADA系统运行参数，结合仿真模块中的自动化过程模型(需水量预测模型、泵站调度模型、水龄模型等)，搭建了水厂工艺段仿真环境，如图16所示。

(3)从现场自动化控制、工艺智能化运行、生产过程实时监控、设备巡检及运维管理、生产运行指数分析、数据报表分析、安全生产管理、故障预警分析、移动智能服务的角度打造管控一体化的数字孪生净水厂，在高效的人机交互模式下减少对水厂内人力资源的要求，实现了无人化管理，如图17所示。

(4)通过在调度中心搭建管控一体化平台、大屏可视化系统、VR系统，使参观者获得身历其境的体验，调度员可以及时、没有限制地观察物理净水厂的事物，达到“一人值守、总览全局”的效果，如图18所示。

5 结束语

针对净水厂运维管控过程中信息透明度低、实时性差、缺乏精细化管控等问题，本文提出基于数字孪生的净水厂运维管理技术架构体系，阐述了数字孪生净水三维可视化监控、工艺控制策略、工艺仿真优化等关键技术。构建了数字孪生净水厂多层次三维可视化监控模型，提出基于云边协同的数字孪生净水厂控制策略，采用基于“机理+智能”双模型驱动的净水厂工艺优化决策框架，结合供取水量预测、加药优化、泵组优化、设备预防性维护等问题进行了探索。最后以实际净水厂为例对数字孪生技术进行应用并开发了运维管控一体化平台，验证了所提模型和方法的有效性。由于本文所采用的机理模型和智能模型比较单一，而且智能模型在应用上存在一定的脆弱性和不稳定性，未来将深入结合净水厂处理工艺，研究机理模型和智能模型双驱动下的净水厂运维管控和优化策略，以实现对净水厂运维管控的动态优化和实时控制。