基于数字孪生软件的设备预测性维护技术研究

陈磊 刘伟 袁君奇

（1.汉威广园（广州）机械设备有限公司，广东广州 510700；2.广东省冶金长材装备制造与运维工程技术研究中心，广东广州 510700；3.腾讯云计算（北京）有限责任公司，北京 100080；4.湖南华菱湘潭钢铁有限公司，湖南湘潭 411101）

一、新型工业化背景下钢铁行业生产设备管理现状

国家统计局数据显示：2022 年，我国累计钢产量为10.13 亿吨，占全球粗钢产量的53.93%，已连续26 年位居全球第一。钢铁企业实现智能制造可以提高企业生产效率、产品质量，降低生产成本，实现信息互联互通。

预测性维护是集设备数据采集、故障诊断、状态预测、决策支持和维护活动于一体的维护方式，可满足高质量、低成本、低劳动力的要求，将极大提高企业的经济效益，助力数字化升级，提升企业竞争力。从在役设备的安全保障、提升生产效率等角度综合考量，企业推进生产设备的预测性维护，实现“智能运维”势在必行。

二、设备运维领域存在问题

设备是智能制造的生产核心，其稳定性、安全性、持续性会直接影响工业企业的生产产值。钢铁冶金行业属于连续性流程工业，关键设备故障对生产的影响尤为巨大。棒线材作为钢铁冶金行业产品中的重要产品，广泛用于建筑、机械、电力、航空等领域的结构件。棒线材生产线中高技术、高性能设备较多，具有生产节奏快、工序连续性强、设备结构及工况复杂、上线服役周期长等特点，设备一旦突发故障停机，会直接造成较大的生产效益损失。

钢材轧制是钢铁全流程智能制造的关键，由于不同钢种、不同工况对轧钢过程的影响，轧钢过程中各种参数会时刻变化，导致构建系统存在难以精准采集数据、难以在线进行实时诊断分析等难题，严重制约了轧钢设备管理水平的提升，影响了轧材生产制造领域的高质量发展。

三、数字孪生技术在设备运维领域的应用概况

设备数字孪生运维系统通过聚焦生产设备运行管理和工厂数字化转型升级，采集、汇聚、分析生产设备运行状态数据，并将其以“产线级”和“设备级”数字孪生3D 可视化的仿真方式同步在Web、APP，对各类设备风险进行预警，支撑开展预测性维护活动，提高生产设备综合运行效率。

运维系统以生产设备全生命周期为主线，运用云计算、大数据、物联网、人工智能、数字孪生等关键技术，聚焦设备管理、生产运营等关键场景，构建全数字、全可视化的数字孪生体系。系统可根据设备运行状态变化和业务需求，通过多维度的数据分析识别故障来源，确定故障程度，准确预测出设备隐患，及早安排人员和物料消除设备缺陷。这有效减少了非计划停机情况，降低了维修费用，减少了库存资金占用，提高了生产线运行效率并实现了辅助管理决策。

设备数字孪生运维系统作为产业互联网平台，兼具聚焦和普适双重特性，面对行业需解决的难点、痛点问题以及不同需求，为钢铁冶金行业的用户提供高线设备个性化定制服务模式，并集合人力、物力、财力等生产要素，通过扁平化组织缩小管理时空，增强应变能力，便于钢铁企业对设备进行高效管理。设备数字孪生运维系统采用“端-边-云”协同的主流架构模式。该系统将各现场监测点、数据源作为端，将各厂部设立的高频数据采集、处理及预警作为边缘计算，将公司设备数字孪生运维系统平台作为云，实现“端-边-云”架构下的预警、预测、诊断、分析，详见图1。

依托运维系统，钢铁企业设备管理模式由计划性维护转变为预测性维护，同时为上下游用户提供全产业链创新服务。

四、设备数字孪生运维系统软件设计方案

设备数字孪生运维系统是读取、浏览和分析数据的重要人机交互平台，该系统基于生产设备运行状态数据的采集、汇聚、分析以及数据可视化呈现，优化提升设备管理能效，使用先进成熟的自主研发系统为客户提供生产可视化移动管理服务。本文以钢铁行业棒线材作为较典型的数字孪生技术应用场景进行阐述。

本系统通过输入、输出和所封装的关键技术及数字孪生技术，对设备几何结构和外形的三维建模，应用软件与控制算法等信息展开全数字化的建模技术，并结合多物理场仿真、数据分析和机器学习功能，使设备状况以3D 可视化方式清晰完整地呈现；通过仿真、预测设备缺陷，对异常状态及时作出报警，为进一步的故障分析、性能评估等提供信息和数据。最终，棒线材生产线以数字孪生3D 可视化的仿真方式展现“产线级”和“设备级”，在“设备级”中内部结构健康状况清晰可见，且无限趋真。产线级棒线材设备数字孪生运维系统，如图2所示，设备级棒线材设备数字孪生运维系统，如图3 所示。项目主要创新成果如下。

图2 棒线材设备数字孪生运维系统（产线级）

图3 棒线材设备数字孪生运维系统（设备级）

（一）棒线材设备故障诊断分析技术研究

棒线材设备故障诊断分析首先通过对故障信号的处理，重构故障特征，然后进行数据分析，达到识别故障来源、最终确定故障程度的目的。在振动数据价值利用方面，通过多种诊断方式进行状态评估和故障分析、故障识别。故障分析工具包括趋势分析、时域波形等。在振动数据多指标提取层面，除常规振动有效值、峭度等指标外，根据多年经验计算峭度密度、冲击能量比、综合指标等针对性振动指标，用于移动设备早中期损伤的监测。

（二）轧机故障信号降噪重构特征识别方法

通过故障信号降噪重构特征识别方法，实现轧钢工艺设备故障的准确诊断。本方法将奇异值及奇异值向量结合起来，对采集的振动信号矩阵进行奇异值分解，以生成对应的奇异值向量。根据奇异值向量构造奇异值差分谱，再根据奇异值差分谱确定有效奇异值阶次。在有效奇异值阶次的范围内，对奇异值向量进行快速傅里叶变换（FFT），搜索FFT 结果序列中具有工频及其倍频特征的幅值，以得到对应的噪声奇异值。使用剔除噪声奇异值的奇异值向量重构时域信号，以获得故障特征信号。故障信号降噪重构特征识别方法能够提高故障特征信号的信噪比，实现轧机设备故障的准确诊断。

（三）基于设备的振动信号报警识别方法及计算设备

建立覆盖实施对象的关键零部件、关键故障形式的在线监测系统。通过数据采集与边缘计算，采集设备当前时刻的振动信号，并计算出信号对应的均方根指标幅值，判断均方根指标幅值是否超过预设的第一实时门限。若超过，则获取振动信号对应的转速、齿轮故障指标、轴承故障指标和工频故障指标，判断转速、齿轮故障指标、轴承故障指标和工频故障指标是否均满足各自相应的无效报警状态，若均满足，则判定设备状态正常，不发出报警信号；否则判定设备状态异常，则发出报警信号。这种基于设备数据筛选、数据分析的信号报警识别方法可以更准确地捕捉设备故障，降低因单纯使用均方根指标幅值进行故障识别所带来的误报警率。

此外，通过收集完整的设备运行数据，建立运行档案。综合运用振动、油液、温度、电流、转速等数据监测和故障诊断技术，及时了解设备运行状态，把握运行周期的变化趋势。基于振动信号的智能诊断算法主要针对常规工业旋转设备，该算法以转子动力学、轴承、齿轮故障机理为基础，以实际故障案例数据为支撑，覆盖多种故障类型、多维度判断故障严重程度，可以大大提高专业诊断工程师生产力，让用户设备运维无忧。系统中的信号处理技术和数据处理功能，将原始振动波形处理成为振幅频谱图，通过再处理、包络解调、倒谱等功能可以滤去特定频率或者频段波形。

（四）具有故障点定位的棒线材设备故障诊断方法

现有故障诊断技术在棒线材设备的应用中，大多针对单个测点，通过生成频谱图判断故障情况。因此，对于多测点，需要查看多个测点分别对应的频谱图才能判断单体设备是否发生故障。上述方法花费时间较长，且效率较低。本文提出了高效的故障点定位诊断系统。一是获取待监控设备多个振动测点对应的振动数据，然后对各个振动测点对应的振动数据进行分析，生成各个振动测点对应的候选频谱图，保证了生成的各个振动测点对应的候选频谱图的准确性。二是根据各个候选频谱图对应的幅值之间的关系，对各个候选频谱图进行融合处理，生成目标频谱图，保证了生成的目标频谱图中可以包括各个候选频谱图的特征，进而保证了生成的目标频谱图的准确性。最后，对目标频谱图中的幅值和频率进行分析，确定待监控设备对应的故障，保证了确定的待监控设备对应故障的准确性。

系统通过对图谱数据分析，实现识别故障来源、诊断故障程度的目标。在振动数据图谱方面，可使用趋势分析、时域波形、包络解调等多种信号分析处理手段，诊断设备故障的部位、损坏形式和严重程度。棒线材设备数字孪生运维系统（图谱分析），如图4 所示。设备在某一运行状态下，各种故障类型（不平衡、不对中、共振故障等）均对应特定振动频率，在振动频谱图可以确定设备故障来源。不同故障来源均有其故障初期、中期及后期典型图谱，与设备振动图谱对比即可准确判断故障发展程度。

图4 棒线材设备数字孪生运维系统（图谱分析）

（五）棒线材设备数字孪生模型研究

数字孪生是利用人工智能、大数据等新的计算能力完成数据处理任务，以数据、模型为主要元素构建的基于模型的系统工程，依靠包括仿真、实测、数据分析在内的手段对物理实体状态进行感知、诊断和预测，进而优化物理实体，同时进化自身的数字模型。数字孪生是物理实体数字空间的重构。操作数字空间的对象时，物理空间的实体对象进行相应动作和发生状态变化时，数字空间的对象也会相应地发生改变[1]。由于计算机技术可以更加方便地处理和分析数字数据，本文利用物理实体的数字映射进行计算分析，同时利用人工智能等方法帮助预判、辅助决策或直接驱动，形成“感知—决策—执行”完整的闭环。

3D 可视化是钢铁设备管理的需求痛点之一，通过数字孪生技术可以同步展现设备运行状态以及故障零部件信息，为客户的使用提供了极大的便利。目前，市场上没有能直接生成设备模型（零件级）并关联对应数据的软件，无法单独对某一零部件进行动作或改变状态。本项目开发了零部件重构组装功能，可自动对零部件模型进行组装，完成设备的3D 还原。

数字孪生模型是由数字模型、数据分析和知识库构成。系统将数据可视化，对现场设备通过3D 建模，并以数字孪生的仿真手段将现场实时数据同步在Web、APP，以“产线级”和“设备级”数字孪生3D 可视化的仿真方式呈现，如果振动强度超出预警值，则以不同的颜色标识出来。

设备数字孪生运维系统基于设备制造的基础数据，结合设备运行中产生的状态监测数据和信息，借助各种故障模型和人工智能算法，通过业务与平台系统实时对接、业务模型实时回溯调整，构建能够准确反映物理设备状态的虚拟实体，在物理和数字孪生间实现动态和同步。持续的数据交互，进一步帮助虚拟孪生对物理世界中的设备运行机理和状态实现更加完整的掌控，形成了主动预测、结果研判功能，实现智能算法设备报错、设备残余寿命计算等。依托虚拟孪生体积淀的数据和模型，使用人员可以更好地模拟和测试物理环境中的多种场景，达到更加精细的数据分析和优化[2]。丰富多元的人机交互方式推动了全新生产管理和设备维护协作模式的发展。

本系统为国内钢铁工业首套基于AIoT 的棒线材设备数字孪生运维系统，实现了数据可视化、物理空间设备的数字化。参数包括型号、转速比、三维空间位置、齿轮齿数、滚动轴承滚动体数目等，系统建立了包含详细参数的3D仿真模型，详见图5。系统通过对设备各类相关状态的采集、分析、统计、预测，对设备异常进行综合分析，得出状态判断结果和处理方案。用户可直观、及时地发现故障劣化趋势，确保能够及时维护处理，保证整线的正常运作，提高设备状态管理的准确性、有效性，提升设备状态的控制能力及人员作业效率。

图5 数字孪生应用模型

五、设备数字孪生运维系统软件核心技术及性能指标

本文针对行业存在的共性难点及痛点问题，研制开发了数字孪生过程仿真模型、线材轧机的故障信号降噪重构特征识别方法、基于设备的振动信号报警识别方法及计算设备、远程在线监测和智能诊断系统及方法等，建立了基于AIoT 的棒线材设备数字孪生运维系统，核心技术自主创新如下。

（一）首次创建基于AIoT 的棒线材设备数字孪生运维系统

系统通过AI 算法等进行数据处理，构建基于模型的故障诊断系统，依靠包括仿真、实测、数据分析在内的手段对运行状态进行感知、诊断和预测，完成设备的虚实映射，实现零件级的数字关联。接入设备状态信号数量≥4 种（振动、温度、含水量、转速）。

（二）研究发明一种高速线材轧机的故障信号降噪重构特征识别方法

系统通过对采集的振动信号进行奇异值向量提取、分析、降噪实现对故障的识别。故障特征提取为实现装备故障的准确诊断奠定了基础。降低随机噪声≥90%。降噪后工频干扰信号被消除，得到干净的基频及倍频信号，有利于分析和诊断设备运行状态。

（三）研究发明一种基于设备的振动信号报警识别方法及计算设备

系统通过采集设备当前时刻的振动信号，判断均方根指标幅值是否均满足各自相应的报警状态。该种设备的振动信号报警识别方法及计算设备可更准确地进行故障推理，捕捉设备故障，降低因单纯使用均方根指标幅值、阈值设定进行故障识别所带来的误报警率。

（四）研究发明一种高速线材轧机远程在线监测和智能诊断系统及方法

系统通过多类型振动数据分析，确定故障类型及实现零部件故障点定位，在参数完整的前提下，预警准确率≥86.5%，与传统方法相比，该法基本摆脱监测系统对专业诊断工程师的依赖。

此外，基于AIoT 的棒线材设备数字孪生运维系统具备可接入测量点多、高可靠性传感器网络、高性能数据采集模块、主流/安全/稳定系统架构、集成边缘计算与网关、数据实时分析、智能诊断预警、边缘与中心计算结合、数据安全保障等技术条件。

通过一系列技术创新，本文建立了以故障预测和健康管理为核心的设备智能运维系统。

六、设备数字孪生运维系统软件应用成效

（一）数字孪生3D 可视化，助力实现设备预测性维护

设备数字孪生运维系统助力实现设备预测性维护。系统基于设备运行状态数据的采集、汇聚、分析，对异常状态及时作出报警，以3D可视化的呈现方式辅助设备维护人员找到故障原因并进行分析，便于他们发现故障的早期征兆，判别设备异常，监控和掌握设备状况，预测故障隐患和可靠工作寿命，减少误判问题的概率，从而采取相应的措施快速消除故障，避免、减缓、减少重大事故的发生，提高设备安全性，最大限度地降低故障影响，实现高效的运行环境。棒线材设备数字孪生运维系统（设备级），详见图6。

图6 棒线材设备数字孪生运维系统（设备级）

（二）及时发现设备缺陷，降低维修费用

设备数字孪生运维系统采用B/S 架构，具有完整的网络功能，安装于服务器内。该系统支持基于服务器的客户端分析、诊断、管理共享以及基于网络浏览器的客户端浏览和数据共享功能。系统利用在线监测与分析仪器，采集振动、温度、油液、电流、转速等信号数据，对设备异常运行状态进行实时分析，支持实现多重征兆的多级预警与智能诊断，揭示缺陷（故障）的原因、程度、部位，为设备的在线调理、停机检修提供科学依据，为进一步的故障分析、性能评估等提供信息和数据[3]。系统通过科学评估设备健康状态，生成设备维修规划和维修策略，提高设备的维修保障效率，延长运行周期，降低修护费用。

（三）完善企业信息化建设，以互联互通，消除“数据孤岛”

数字孪生运维系统在系统设计中，充分考虑各类设备的集成管理需求，以及将来推广扩展的支撑能力，制定了整体架构解决方案。系统采用开放式架构设计，支持并兼容在各主流厂商的硬件IT 基础设施以及各类虚拟化设备上部署运行。同时，设备数字孪生运维系统基于能力开放模式构建，面向多源异构的数据集成环境，封装复杂的底层技术实现，提供开放的标准化数据服务接口，易于与第三方系统或工具进行集成，构建新业务服务。在系统架构上，系统从在线的功能（代码）编辑工具，到开放API、SDK，再到应用服务部署发布，提供了多层次、多方式的二次开发能力。

设备联网化打通了企业各生产设备信息化系统间的数据通道，建立精准、实时、高效的数据互联体系，将多类型设备信息和参数统一保存和管理。相关人员能够实时查看设备运行动态数据，可留存和追溯数据，实现设备全生命周期管理。

（四）有效提高设备运维工作人效价值，为人员安全提供保障

数字孪生运维系统展现层采用B/S 架构设计，支持从数据集成、数据分析、流程设计、可视化展现、消息推送等各环节提供灵活高效的配置能力，实现业务服务的快速构建。同时，支持跨系统访问能力，满足跨系统需求，并且拥有良好的访问体验。此外，面向设备监测、告警通知、运维工单等功能应用，形成具有一致的用户体验。在网络安全机制下，客户或运维人员、用户可以使用移动APP 来访问系统，快速便捷地进行智能运维服务。

（1）实时查看巡检人员出勤情况、巡检时间和进度，记录巡检数据，监控巡检人员是否按照巡检和保养标准计划开展工作。

（2）将传统的人工记录、纸质表单、签字审批等流程转换为线上系统流程化管理，形成无纸化作业，可追溯记录。

（3）全天候监测设备运行状态，减少人员靠近转动部位次数，降低危险作业频率，为人员安全提供保障[4]。

七、未来改进建议

智能制造的实现是一个从半自动化到全自动化，最终实现智能化、柔性化生产的过程。智能制造将制造业与信息技术、互联网技术相结合，在生产工艺、生产管理、供应链体系、营销体系等多个方面实现全产业链的互联互通。本文建议结合以下关键技术对数字孪生运维系统作进一步优化提升。

（一）多源多通道数据实时采集感知技术

多源传感器数据采集是智能制造过程中实现智能感知的前提，多源传感器数据采集系统由各类传感器（振动传感器、压力传感器、转速传感器、温度传感器、流量传感器、视觉传感器等）组成，实现对多源、多通道分布式数据的实时采集、分析和转换等。多源传感器数据采集系统包含信号转换技术、实时网络通信技术、多线程管理技术、数据缓存池技术、黑匣子技术、信息安全技术等。

（二）异构数据内容融合与传输共享技术

通过对各种异构数据进行内容分析和融合处理，从海量数据中挖掘出隐藏信息和有效数据，提高智能产品与装备状态监测的准确性。异构数据包括：海量的物理特征数据，如振动/温度/转速/电流/压力/流量传感数据、文本/超文本、声音数据、影像数据、视频序列等。

（三）大数据驱动故障诊断深度学习技术

设备运行过程中产生的海量特征数据蕴含着大量的故障信息，在收集智能装备运行特征数据的基础上，应用深度学习算法对大数据进行知识挖掘，能够获得与故障有关的诊断规则，实现对智能产品与装备的故障预测和诊断。

（四）数字孪生与数字样机建模分析技术

数字孪生充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成仿真映射，从而反映了相对应的智能产品与装备的全生命周期过程[5]。

八、小结

实践证明，设备数字孪生运维系统的有效投用，解决了重复投入建设、数字资源分散、设备故障预防应对能力不足等问题。本系统在湖南华菱湘潭钢铁、宝钢股份武汉钢铁、广西盛隆冶金等大型钢铁企业落地应用后，推进设备预测性维护策略的成效明显，同时逐步成为企业数字化转型升级的重要引擎，不仅赋予智能制造新的内涵，而且通过数字孪生生产线的标杆示范作用，为推进行业可持续发展和打造智慧钢铁注入了新动能。