数字孪生支持下的设备故障预测与健康管理方法综述

陆剑峰，徐煜昊，夏路遥，张 浩

(同济大学电子与信息工程学院CIMS研究中心，上海 201804)

0 引言

设备运行维护管理是对运行中的设备采取有效的维护措施,以延长其使用寿命，从而保证整个系统的稳定运行。在工厂运行、产品维护等方面，设备运行维护管理一直是重要的研究领域和研究热点。按维护动作发生的时间点，维护手段可分为事后维修、定期维护和视情维护[1]。

事后维修是在设备故障后再进行维修。这是最早出现的一种设备维护手段[2]。其维修步骤一般分为三步：①故障诊断;②更换或修理故障部件;③确认维修后设备的可靠性。虽然事后维修可以最大化利用设备的使用寿命，但增加了设备运行过程中发生故障后的危险性。若设备在非维护计划内发生故障，也将打乱企业原有的生产计划，造成不可预期的损失。该方法一般应用于非关键、不重要的设备，或设备一旦发生故障不会带来严重后果的场合。如果是关键重要设备，则采用定期维护的方法。

定期维护是根据设备的使用时间，对设备定期性地实施维护。一旦维护间隔制定后，一般不再随意改变[3]。20世纪50年代，我国引入了定期维护方法[4]，从防止设备突发故障、避免造成生产中断的角度出发，对设备采取预防性的定期维护。虽然定期维护可以防止和减少突发故障，但会造成不必要的停机时间；由于机组工况不均衡，会出现设备过度维护或欠维护的情况，导致人力、物力的损失[5]。

视情维护，是在设备正常使用寿命期内，根据状态监控收集的信息，为潜在的故障进行维护的方法[6]。作为视情维护方法之一的故障预测与健康管理(prognostics and health management,PHM)在20世纪90年代被提出[7-8]。提出该理论的目的是有效预测设备的故障将会何时发生，使工程师可以通过预测结果对设备视情决定恰当的维护时机，从而最大限度地增加设备的使用寿命。PHM所展现出的视情维护可以避免不必要的停机时间、提高设备安全性。因此，PHM在设备运行维护管理中得到了广泛应用。

传统的PHM实现方法包括基于经验模型的方法、基于数据驱动的方法和基于物理模型的方法[9-10]。这些方法虽然已经得到了较为广泛的应用，但仍然存在着对专家系统规则的依赖、需要大量历史数据、对静态数学模型优化较为困难等问题。

近年来，数字孪生技术得到了蓬勃的发展。因数字孪生具有对物理实体的高保真建模、对运行过程实时有效的数据采集与分析、模型与数据相融合等特点，将其应用于PHM领域，可有效解决传统PHM方法的一些问题。因此，越来越多的学者开始研究数字孪生支持下的PHM方法。

本文对结合数字孪生技术的PHM实现进行综述：首先，对传统PHM方法作出总结，并指出传统PHM方法中的一些局限性；然后，介绍数字孪生的基本概念，对数字孪生目前在PHM中的应用进行总结与分析；最后，对数字孪生支持下的PHM技术实施过程需要解决的问题进行总结与分析。

1 传统PHM技术和框架

20世纪90年代，美国军方率先提出PHM的概念，在F-35 联合攻击机(joint strike fighter,JSF)上开发了PHM系统[11]，并得到了成功的应用。美国通用电气公司(GE)的F404发动机、普拉特·惠特尼集团公司(PW)的F117发动机等都采用了PHM系统。随后，波音公司将PHM应用到民航领域，开发出飞机状态管理系统[7]。在这个系统的保障下，波音公司降低了运行成本和维护费用，使得飞机飞行安全和航班运营效率大大提高。由于PHM技术在波音的成功应用，使该技术得到了广泛研究，并应用到了机械设备、电子设备等领域。PHM是对设备运行状态监测得到的数据作处理分析，估计设备的健康状况，实现对设备的剩余寿命预测；通过分析得到的信息确定设备的最优维护时机，以达到成本最低和风险最小的目的[12]。传统实现PHM的方法可分为基于经验模型的方法、基于数据驱动的方法和基于物理模型的方法。

(1)基于经验模型的方法。

基于经验模型的方法是将专家知识和工程经验建立成分析模型，再根据采集到的数据或观测到的状况，预测出设备的故障情况和剩余使用寿命。例如，马丹等[13]提出基于故障树，以推理规则的方式构建知识库，采用正向推理策略和动态数据库实现专家系统的推理机制和解释机制，实现对舰船电力推进系统的智能化故障诊断。何成等[14]通过经验模型对锂电池建立状态空间方程，且采用人工免疫粒子滤波算法实现对锂离子的寿命预测。Tatiana等[15]设计了一个包含知识库的专家系统。该系统可以用于预测设备故障和潜在的退化，但还不具备筛选数据和执行初步数据一致性分析的能力。Majidian等[16]将模糊逻辑方法应用于伊朗某电厂锅炉再热管的故障诊断，并比较了模糊逻辑方法和人工智能方法在该设备寿命预测方面的精确性。朱芳仪[17]通过故障树分析的方法，实现对挖泥船柴油机的故障诊断，但无法对不可预知的故障作出诊断。

基于经验模型的方法虽然可以模拟人类专家解决部分问题，但仍过度依赖领域内专家系统规则和系统特征模糊集的表达能力。

(2)基于数据驱动的方法。

基于数据驱动的方法是对设备大量的历史数据进行分析，认识和学习设备健康和非健康状况的特征，从而预测未来对象系统可能会发生的故障。由于基于数据驱动的方法不需要对象系统的先验知识，因此该方法在PHM逐渐得到广泛应用[18]。目前常用的数据驱动方法有基于统计方法和基于机器学习方法[19]。

①基于统计方法。

基于统计方法主要通过分析设备运行过程中的数据统计量，从数据中的变化提取特征进行预测。统计方法包括回归方法和比例风险模型方法等。如高建敏[20]通过非线性回归方法计算对轨道质量指数，并对该历史数据进行分析，预测未来轨道质量指数的变化。Yong S等[21]通过主元分析减少了协变量的数量，再利用比例风险模型实现了对机械部件的寿命预测。

②基于机器学习方法。

机器学习方法具备常规算法不具备的自学习和自适应能力，一般指神经网络法、支持向量机法和贝叶斯法等。

神经网络法有自学习的能力和较强的非线性仿真能力。Tian Zhigang等[22]提出扩展递归神经网络模型(extended recurrent neural network，ERNN)，实现对齿轮箱健康状况的预测。Yu Wang等[23]提出通过两阶段数据驱动的预测方法，实现对轴承退化的预测。Lei Xiao等[24]提出了一种基于反向传播神经网络的退化预测方法，以无故障或悬挂历史作为训练样本来解决问题。

支持向量机可以有效避免过拟合，且训练速度快。Khelif等[25]通过支持向量机超参数的调整实现对设备的寿命预测。易辉[26]在支持向量机上进行创新，提出多种支持向量机的改进算法，实现了对高频电源的故障预测。

贝叶斯法可对多变量和动态过程进行建模。Wu等[27]结合多元贝叶斯模型，实现了对鄂式破碎机的故障预测，提高了复杂矿冶设备多状态的有效性和可靠性。Guang Jin等[28]提出了包括离线总体退化建模、在线退化评估和现场二次电池剩余寿命预测的贝叶斯框架，实现了对锂离子型二次电池的剩余寿命预测。

基于数据驱动的方法需要大量的历史数据，但实际工程中对于完整的设备退化数据采集难度较大、周期较长，限制了应用的范围。

(3)基于物理模型的方法。

基于物理模型的方法是利用设备、产品或系统的生命周期载荷和失效机理知识，以达到对目标对象故障预测和诊断的目的[29]，且得出的结果相对更为精确[30]。侯新国等[31]在考虑保护或断路器拒动情况下，对船舰电力系统建立故障诊断的数学模型，并通过量子遗传算法对该模型进行求解，实现对船舰电力系统的故障诊断。H.Mehdigholi等[32]采用基于刚度的轴承系统预测模型，实现对轴承系统失效寿命和剩余寿命的预测。Basma Yousfi等[33]利用椭球算法对设备退化过程进行建模，实现对机电振荡器的寿命预测。李奎等[34]对于交流接触器电性能，基于Wiener过程建立了退化模型，并实现对交流接触器剩余电寿命的预测。Climente-Alarcon等[35]将非线性失效模型与粒子滤波算法相结合，实现对异步电动机转子杆的早期诊断，并预测其剩余使用寿命。

基于物理模型的方法对设备的建模要求较高。多数情况下，基于设备机理所构建的数学模型是静态模型。静态模型中的参数固定不变，在变更预测目标之后难以用原先的数学模型进行有效预测，因此普适性较差。

传统PHM方法及其特点对比如表1所示。综上所述，传统PHM方法在理论与实际应用中都已经得到了较大的成功，但这些方法仍然存在着对专家系统规则库的依赖、需要对所有系统特征的有效表示、需要大量历史数据、对静态数学模型优化较为困难等局限性。数字孪生技术的出现为解决上述问题提供了新的方法。

表1 传统PHM方法及其特点对比

2 数字孪生技术及其在PHM中的应用

2.1 数字孪生发展背景及应用

数字孪生的概念始现于NASA的阿波罗项目[36]。该项目为了对正在太空中执行任务的飞行器作出精确地状态反映和运行预测，制造了两个完全相同的空间飞行器：一个用于太空中执行任务；另一个在地球上用于同步反映太空中执行任务飞行器的飞行状况，并进行操作模拟，从而辅助航天员在危急时刻作出正确的决策。在地球上的飞行器被称为Twin，也就是孪生体。

数字孪生的理论来源可追溯到2003年，美国密歇根大学的Michael Grieves教授在其产品全生命周期管理的课程中提出 “与物理产品等价的虚拟数字化表达”的概念。2005年，这一概念被称为“镜像空间模型”[37]。2006年，这一概念改用“信息镜像模型”来描述这一概念[38]。2010年，NASA定义了未来飞行器数字孪生体范例，阐明了航天器数字孪生的定义和功能。2011年，Grieves教授与NASA专家John Vickers共同提出数字孪生三维模型，包括物理实体、虚体模型以及二者间连接的数字孪生概念[39]。自此，数字孪生的概念已初步形成，且逐渐获得越来越多的关注。数字孪生是在信息物理系统(cyber-physical system,CPS)的基础上发展而来[40]。当前，数字孪生强调在数字空间对物理系统建立特征、行为、过程和性能相对应的实时映射模型。

在建立理论基础后，数字孪生也得到了较为广泛的应用。从孪生对象的组成来看，目前数字孪生的应用可以大致分为产品数字孪生和系统数字孪生。

产品数字孪生更注重把一个产品看作一个整体，从产品满足、维持、延长其设计性能的角度来考虑。庄存波等[41]提出了产品数字孪生体的概念。产品数字孪生体是产品物理实体的工作进展和工作状态在虚拟空间的全要素重建及数字化映射，是一个集成的多物理、多尺度、超写实、动态概率仿真模型。产品数字孪生是对产品全生命周期的覆盖，目的是最大程度满足用户需求，从而保证在整个生命周期内的产品稳定和优化运行。杨斌等[42]以元动作理论为基础，对机械产品建立运动研究的数字孪生六维结构模型，并规划了数字孪生驱动的运动性能调控模式，实现机器人运动性能精细化管理。郑孟蕾等[43]将产品动态数据的结构、属性和规模特征相结合，提出基于时序数据库的产品数字孪生建模方法，提升了海量动态数据的导入、存储和性能分析。王岭等[44]通过对环境、工艺过程中的物理对象建模，并使用多传感器进行模型与物理对象之间数据映射与互联，构建航空发动机低压涡轮单元体数字孪生模型，实现物理设备与数字孪生模型的物理融合、模型融合、数据融合，提高了航空发动机对接装配的精度和效率。

系统数字孪生更多地从系统组成部分的协同运行、满足系统多个目标优化的角度来考虑。陶飞等[45]提出“四化四可八用”的生产系统数字孪生模型构建准则，并在此基础上探索构建“建-组-融-验-校-管”的数字孪生模型理论体系。周瑜等[46]在城市复杂适应系统理论的基础上，提出构建实体城市与数字城市相互映射、协同交互的数字孪生系统，为建设数字孪生城市给出探索方向。文献[47]中对数字孪生车间进行车间要素实体建模、生产过程动态建模和生产系统仿真建模，实现对新能源动力电池生产车间的数字孪生模型构建，为车间生产过程可视化监控、涂布工艺过程的仿真及从原料到成品的生产规划等服务提供了重要支持。

2.2 数字孪生在PHM中的应用

过去十年，数字孪生得到了蓬勃的发展。目前，数字孪生的定义为：以模型和数据为基础，通过多学科耦合仿真等方法，完成现实世界中的物理实体和虚拟世界中的镜像数字化模型的精准映射，并充分利用二者的双向交互反馈、迭代运行，以达到物理实体状态在数字空间的同步呈现，通过镜像化数字化模型的诊断、分析和预测，进而优化实体对象在其全生命周期中的决策、控制行为，最终实现实体与数字模型的共享智慧与协同发展[47]。传统PHM方法中存在着对物理模型建模精度要求过高、需要大量数据集等的问题。基于数字孪生系统可对物理实体建立高保真模型，并对实时的运行系统进行数据采集与分析，以及采用模型与数据相融合的智能化方法，因此可以将此技术应用于PHM领域以形成新的技术方法。

陶飞等[48]提出数字孪生支持下的PHM将会带来动态的物理与虚拟设备实时交互的故障观察方式；基于物理、虚拟设备特征关联的故障分析方式；基于高逼真度虚拟模型验证的维修决策方式；自主精准服务的PHM功能执行方式。刘大同等提出[49]数字孪生支持下的PHM在对系统设备维护、维修和状态监测的基础上，可通过虚拟现实技术对系统设备整个寿命周期产生全面的影响。具体可解释为数字孪生支持下的PHM对设备检测点的各类传感器所采集到的数据进行实时感知，并通过嵌入式系统和通信网络输入到虚拟模型。在虚拟模型中通过对实时数据和历史数据进行算法分析，可得到设备会发生故障的零部件或子系统，并预测其会发生故障的时间。工程师可根据输出的结果在虚拟模型中进行维护，监控维护后输出的结果。若故障问题没得到解决，则将仿真结果反馈给故障类型知识库重新进行分析，以找到故障发生的根本原因。在故障解决后，再对物理实体进行预防性维护，实现故障预测与健康管理[50]。

在技术框架上，陶飞等[51]提出物理层、模型层、数据层、服务层和应用层的数字孪生系统架构，从物理融合、模型融合、数据融合和服务融合四个维度，探讨实现数字孪生车间信息物理融合的基础理论和关键技术。Zheng Y等[52]提出物理层、信息处理层、虚拟层的面向产品数字孪生实现框架，用数据采集、传输、处理、匹配等方法实现上层数字孪生应用。李浩等[53]提出包括生命周期环、数字孪生体环和设计方法环的复杂产品数字孪生的环形设计框架，为数字孪生的产品设计、制造与运行提供研究方向。在这些框架的基础上，文献[47]提出基于数字孪生的设备预防性维护框架。该框架将数字孪生分成了建模、监控、诊断和预测四个阶段。基于数字孪生的设备预防性维护框架如图1所示。与传统PHM技术框架中的对象层、数据层、信息层和决策层[54]相比，数字孪生支持下的PHM在模型、数据以及模型与数据融合上进行完善，由数字模型、数据分析和知识库构建数字孪生模型，通过模型和数据双驱动，实现对设备的全生命周期管理，完成寿命预测。

图1 基于数字孪生的设备预防性维护框架

数字孪生支持下的PHM可以实现物理实体与数字孪生模型间的实时交互，确保数字模型的高仿真性。Tao F等[55]提出数字孪生五维模型，并将数字孪生支持下的PHM应用于风力涡轮机，实现风力涡轮机的物理实体与数字孪生模型的模拟和交互，完成对其的PHM，证明该方法的可行性。Ezhilarasu C M等[56]将数字孪生技术与综合车辆健康管理(integrated vehicle health management,IVHM)技术相结合，评估了飞机等复杂系统的健康状况。数字孪生支持下的IVHM可帮助验证和优化状态监控逻辑，并从开始阶段就能掌握整个系统的知识，便于在数字孪生模型中增强诊断和预测过程。丁华等[57]通过边缘计算减少延时，以实现数字孪生体构建的超写实仿真，完成设备实时状态的可视化，可综合指导机械设备的预测性维护。赵艳秋等[58]通过对空间在轨制造结构实体建立数字孪生模型、健康检测模型、数据采集系统，解决了静态预测模型预测精度不佳的问题，实现了对空间在轨制造结构实体剩余寿命预测。

此外，数字孪生支持下的PHM可以生成虚拟数据集，对于包含部分失效数据的数据集也有较强的处理能力。李庆伟等[59]将数字孪生支持下的PHM应用于500 m口径球面射电望远镜(five-hundred-meter aperture spherical radio telescope，FAST)的索网结构。数字孪生模型可以通过有限元分析采集观测时无法采集的实时数据，并成功预测索网内构件的疲劳寿命。骆伟超[60]通过基于迁移学习的数字孪生模型与数据融合的预测性维护方法，解决运行数据性能退化、标记可行性不好的问题，实现了对数控机床刀具、主轴系统和进给系统的故障预测与健康管理。

数字孪生支持下的PHM可充分利用所构建的系统模型，结合数据智能化方法弥补机理模型构建过程的不足，并且通过机理来指导数据的采集和分析。基于物理和数据空间的融合，利用物理系统运行过程数据不断更新信息模型的运行状态，并利用信息空间数字模型的运行结果对维护方案进行仿真和比较，得到优化结果后再指导物理系统的运维。利用数字孪生，可以有效解决传统PHM方法的一些问题，是一个值得研究的方向。

3 基于数字孪生的PHM应用发展方向

数字孪生技术的出现极大地推动了产品设计、制造和运行过程的智能化，但其概念的提出至今不过十几年的时间，在具体领域的应用还处于起步阶段。基于数字孪生技术的PHM应用仍需要学者们进一步深入研究。主要问题如下。

(1)模型集成和管理问题。数字孪生系统需要“高保真的建模”，涉及产品数字样机、多物理场和多领域的模型集成与管理问题。这个问题包括以下几个方面。

①建模软件的集成。数字孪生所需要构建的模型不仅包括三维模型，还包括多领域的机理模型。CAD/CAE软件以及机理模型分析软件(如Modelica、Matlab等)要进行有效的集成才能保证多领域、多物理场模型的融合。

②建模数据的集成。因现有的建模技术存在着无法实现海量多格式数字孪生体数据兼容的问题，缺乏能将工程数据与产品模型进行整合的数据格式[61]，因此将各学科模型和数据统一集中管理是一个重要的研究方向。

③模型的有效管理。复杂产品会涉及众多的组件，包括跨行业的机理；一个生产系统更是会涉及多行业、多领域的模型。不同的模型需要有效地进行组织和管理，如模型的电子仓库、模型的版本管理和配置管理等。传统的PLM软件是面向产品级的，不能满足系统级数字孪生的需求，而且对于数字孪生所涉及的“模型+数据”特点针对性不足，需要进一步地完善。

(2)数据采集和传输问题。数字孪生技术的特点是物理和信息融合，需要实时地将物理系统运行过程数据传输给数字模型。采集高精度现场数据和数据快速传输是构建数字孪生系统的基础。各类采集到的数据应能够更完整地复现目标实体设备的运行状态。因此，研发出满足各种物理、化学和生物特征采集需求的智能传感器技术是一个重要发展方向。

同时，物理实体与数字孪生模型间存在双向数据传输，物理实体的当前运行状态传输给数字孪生模型以实现对模型的实时修正，而在数字孪生模型中完成的仿真优化结果反馈给物理实体，可用来指导设备作出真实决策。这对泛在的、高传输率的数据网络提出了需求。5G通信技术的高速率、低延迟、大容量和高可靠的特点，能够满足数字孪生系统的数据传输要求，并且减少对固定位置的限定。因此，将5G等移动通信技术应用于数字孪生已成为当前发展的重要方向之一。

(3)数据治理问题。对于复杂产品构建数字孪生模型必将产生大量的数据(包括数字孪生模型运行、仿真、预测得到的数据和数字孪生之间通信交流产生的数据[62])，结合机器学习方法对庞大的数据量进行分析和处理，以获得有效的知识信息。构建完整的知识库也需要学者进行深入研究。

(4)数字孪生生态问题。一个设备不是孤立存在的，而是有其运行环境。如果没有外在的数字孪生系统支持，单独的设备数字孪生系统也不能发挥应有的作用。目前，数字孪生应用具有领域较为单一、信息物理融合时间周期短、智能化服务不到位等不足。文献[63]提出数字孪生制造生态系统的组成和概念。该概念的提出为物质世界与信息世界的交互与融合提供了新的研究方向。未来应在不同孪生系统间的统一数据传输和交换协议、模型自适应和整个孪生生态的进化等方面作更多研究。

4 结论

PHM利用对设备的视情维护，提高了设备运行维护管理的有效性和智能化，能降低维护成本、提升设备的运行价值。传统PHM方法在模型构建、数据分析和利用等方面存在不足。利用数字孪生双向映射、动态交互、实时连接和迭代优化的特点，可以充分发挥模型和数据的各自作用并进行融合：数据代表了物理实体，是从物理实体运行过程采集而来，代表实际；模型代表虚拟，是从数字模型分析、仿真而来。虚实融合就是模型和数据的融合。预测是数字孪生的核心价值，也是有效实现设备PHM的关键。