数字孪生技术在水厂设备预测性维护中的应用研究

季慕州

(上海市政工程设计研究总院（集团）有限公司)

随着城市化进程的加速和全球资源环境的日益压力，对城市基础设施的智能、高效管理日益成为当务之急[1]。在众多基础设施中，水厂设备的管理对城市的饮水供应和环境保护至关重要。然而，传统的水厂设备维护管理面临着诸多挑战，包括种类多、运行环境复杂、维护工作量大、运维成本高昂等问题，这不仅影响了水厂的可靠性和效率，也对城市可持续发展提出了新的挑战。加强使用高新技术，推动水务运营的数字化转型是必然选择，数字孪生技术在这样的背景下，得到了广泛的关注和重视。数字孪生技术通过在虚拟环境中创建物理设备的数字副本，实现对实际物理系统的模拟、监控和优化，从而提高设备预测性维护的可靠性和效率[2]。此次研究基于BIM 技术构建水厂设备数字孪生底座，利用传感器、通讯网络等手段实现设备运行状态和关键参数的集成与监测，结合人工神经网络创建故障预测模型，并通过预测性维护平台和数字孪生驾驶舱进行可视化交互，助力管理者科学决策，期望为城市水资源管理提供创新的解决方案。这不仅对城市居民的日常生活产生积极影响，同时也为全球水资源管理领域提供了可复制和推广的科学管理经验。

1.水厂设备维护管理现状

水厂设备维护管理是水厂正常运转的重要环节。随着水质标准的提升，水处理工艺趋向多元化、复杂化。水厂设备种类繁多且运行环境多样，可能面临潮湿、腐蚀、高温等复杂环境条件，对设备的维护保养提出了很高的要求。传统的水厂设备维护一般是根据以往经验制定周期性巡检流程，并由经验丰富的技术人员现场勘察、检修[3]。这种方式效率较低、人工成本高，并且不具备时效性，无法掌握故障发生时间、故障类型、发生位置，同时运维人员需要大量时间停机排查故障，这直接或间接给水厂带来经济损失，已无法满足可靠、可维修、经济安全、全生命周期管理的现代水厂设备管理要求，加强设备预测性维护具有重要意义[3]。

预测性维护是指根据设备的结构和运行特性，将温度分析、振动检测、噪声信号等与故障诊断相结合，基于数据处理和分析的结果，运用AI 和工业机理融合算法对设备未来可能出现的故障进行预测和诊断，并据此制定相应维护计划，确定维护的时间、内容和方式，其原理图如图1 所示。预测性维护集设备状态检测、故障诊断、故障预测、维护决策支持和维护活动于一体，是一种新兴的维护方式[4]。现阶段设备预测性维护仍面临一些挑战，运行数据多、算法要求高、维护成本大、展示手段单一等。随着水厂监控水平和智能化程度的不断提高，对水厂设备有效检修的要求也不断提高，具有状态预测、分析决策功能的数字孪生技术成为设备预测性维护领域的研究热点，受到了学者们的广泛关注。

图1 设备预测性维护原理图

2.基于数字孪生的水厂设备预测性维护

2.1 数字孪生体总体架构

数字孪生以数字化方式创建映射物理实体的虚拟模型，通过虚实交互反馈、数据融合分析、决策迭代优化等手段，实现对物理实体的赋能。水厂设备的数字孪生体总体架构如图2 所示。

图2 水厂设备数字孪生体总体架构

物理实体包括了现实中的水厂处理设备和传感器等硬件设施，作为数字孪生体的基础设施层，用于收集设备状态的全面信息；虚实交互部分主要利用通讯协议将采集的设备状态数据传输存储至数据库，作为数字孪生体的数据中心；虚拟模型包括了状态监测三维模型和故障预测算法模型，前者将设备三维模型与实时运行数据集成，后者通过数据处理、算法训练、迭代优化建立；智能应用层是通过数字孪生驾驶舱、水厂设备维护系统等平台方式将设备状态诊断和预测结果进行分析和展示，助力管理者决策[5]。

2.2 数字孪生底座构建

数字孪生底座是指一个虚拟的数字模型，它与实际的水厂设备在数据、状态、功能等方面高度一致。通过实时收集实际设备的运行数据，数字孪生底座能够模拟设备的实际运行状态，预测设备未来的性能变化，从而为设备的维护和优化提供决策支持[6]。

数字孪生底座构建的首要任务是利用BIM 技术创建三维模型。为了确保数据的准确性和完整性，需要对实际设备进行全面的数据调研，并确定关键参数和运行指标。对采集的数据进行标准化处理后，创建相应标准的BIM 模型。目前市面上常见的设备建模BIM 软件主要有SolidWorks、Revit 等，前者用于机械设备行业，模型精度一般能达到《建筑信息模型设计交付标准》（GBT 51301-2018）中的4.0 级模型精细度（即零件级模型），对硬件要求很高；后者用于建筑行业，更支持土建专业，对设备模型则主要是外形尺寸的表达，对硬件要求一般[7]。水厂设备根据实际用途和运维管理要求选择不同的建模软件，核心专用设备通过SolidWorks 创建零件级模型单元后，对运维管理中非重点监控和展示的部分进行简化，保留核心内容后通过STEP 或IGES 等中间格式导入Revit 中与土建模型进行集成，一般通用设备可通过Revit 直接创建构件级模型单元与土建部分整合。在BIM 运维模型轻量化的基础上，需要添加设备基础信息和运维需求信息，包括设备型号、模型编码、规格、制造商、使用年限、维护方案等，并在实际设备、构件发生变化时对BIM 运维模型数据进行实时更新，保证实模一致性，实现全生命周期的数据共享。设备物理实体和BIM 运维模型如图3 所示。

图3 设备物理实体和BIM运维模型

设备状态监测是预测性维护的数据基础，通过与现场SCADA 系统及传感器、物联网设备等实时数据源相连接，收集设备的运行状态、生产状态和环境参数等，例如温度、震动、湿度等，将这些数据传输到数据存储和分析系统中。将处理后的设备状态监测数据与BIM 模型进行集成，通过将设备的属性和状态信息与BIM 模型中的相应元素进行关联，这有助于保持数字模型与物理实体的同步，实现对设备状态的实时监控和反馈[3]。管理人员只需要查看相应设备BIM 模型上的实时监测数据，包括运行状态、预警信息等，就可以对水厂设备整体状体进行把控，设备状态监测三维模型如图4 所示。

图4 设备状态监测三维模型

2.3 基于SOM 网络的故障预测模型

自组织映射网络（Self-Organizing Map，SOM）是一种广泛应用于数据挖掘的人工神经网络，基于SOM 网络的故障预测模型是一种利用神经网络技术进行设备故障预测的方法。该模型通过对设备的历史运行数据进行分析和学习，能够识别出设备的正常状态和异常状态，并预测设备未来的性能变化和故障风险，具有较多的优点。首先SOM 网络是一种无监督的学习算法，不需要事先标记的训练数据，该算法能够自动组织和学习数据的结构。其次，SOM 网络通过拓扑映射将高维输入空间映射到低维拓扑结构中，这使得在输入空间中相似的数据在拓扑映射上也是相邻的。这种映射保留了输入数据的拓扑关系，使得结果更容易理解和可视化。并且SOM 网络针对复杂数据，也有良好的处理效果，这得益于SOM 网络的降维能力和聚类能力[8]。通过学习数据的低维表示，SOM 可以减少数据的复杂性，保留主要的特征，同时减小计算量和存储量，当相似的输入模式在SOM 中被映射到相邻的区域，形成具有自组织特性的聚类结构，有助于识别和理解数据中的模式。对于数据挖掘来说，SOM 的输出在拓扑结构上有着直观的可视化，使得结果容易被解释和理解，并且适用于各种类型的数据，包括数值型和离散型数据。

基于SOM 网络的设备故障预测流程图如图5 所示。首先收集与设备状态相关的传感器数据，包括温度、振动、电流、电压等各种测量值，这些数据在设备正常运行和故障状态下可能会发生变化。然后对采集到的数据进行预处理，包括去除噪声、归一化、特征提取等步骤，以便更好地适应SOM 网络的输入[9]。其次，通过预处理的数据对SOM 网络进行训练，在这个过程中，SOM 的神经元将自组织地表示输入数据的相似性。接着将新的传感器数据输入已训练好的SOM 模型，得到每个数据点在拓扑映射上的位置。通过可视化数据的分布，识别数据中的异常模式。通过观察SOM中的聚类情况，可以检测到不同的数据模式，异常模式表现为SOM 中的离群神经元或不寻常的聚类。然后基于SOM模型的输出，可以建立故障预测模型，预测设备是否有发生故障的风险，通过风险评估为设备的生命周期管理提供决策支持[10]。最后定期更新SOM 模型，以适应设备状态的变化和新的数据模式。通过迭代和优化，可以不断提高设备故障维护的准确性和稳健性。

图5 基于SOM网络的设备故障预测流程图

2.4 数字孪生技术和SOM 网络的协同作用

数字孪生技术提供对物理系统的数据采集和实时监测，可以产生大量的数据和模型，这些数据和模型可以作为SOM 网络的输入，丰富了训练数据集，增强了其在设备故障预测中的准确性和可靠性。SOM 网络可以对数字孪生模型进行调整和优化。SOM 网络具有自组织性，可以根据输入样本的特性进行自我学习和优化，从而改进数字孪生模型的参数和结构。这可以提高数字孪生模型的准确性和实时性，更好地实现物理系统的实时监测和仿真。在实时异常识别方面，数字孪生技术的动态监测与SOM的模式识别相结合，实现了设备异常行为的及时识别。当数字孪生监测到异常时，SOM 网络能够迅速而准确地定位异常模式，提高了对设备异常的实时感知和响应。通过历史数据的模拟，数字孪生技术为SOM 网络提供了更多潜在故障模式的训练样本。这使得SOM 网络能够学习并识别这些潜在故障模式，实现了对未来可能发生故障的预测，为预防性维护提供了有效的支持。SOM 网络在分析数字孪生提供的数据时揭示了复杂的数据关系和潜在故障模式。这些分析结果反馈给数字孪生模型，为数字孪生技术提供了更深层次的数据解释和理解。通过这种反馈循环，系统更好地理解设备状态的复杂性，有助于优化操作决策和维护策略。数字孪生技术与SOM 网络的协同作用不仅增强了设备预测性维护的准确性和可靠性，同时建立了一个动态适应的智能化系统，为水厂设备的可持续性管理提供了强大的支持。

2.5 设备数字孪生驾驶舱

数字孪生驾驶舱是一个集成了设备运行监测、故障预测、维护计划和可视化展示等功能的管理系统，旨在为管理者提供全面的决策支持，水厂设备数据孪生驾驶舱如图6 所示。通过数字孪生技术，该系统能够将现实设备的基础静态数据、空间数据、动态物联数据、流媒体数据、业务数据等映射到虚拟世界中，从而帮助管理者更好地理解设备生产和运行状态，及时发现和解决问题，并做出更加科学和准确的预测性维护决策。

图6 水厂设备数字孪生驾驶舱

基于数字孪生BIM 模型，展示设备资产信息、运行统计信息、历史生产信息、维保工单等数据信息，集成设备保养、故障、维修的全部业务数据，形成以设备为核心的全生命周期维护管理手段[11]，进一步提升管理效率，实现设备精益管理。未来数字孪生技术将结合更加先进的机器学习和人工智能算法，能够更加精准地模拟水厂设备的工作状态，并预测潜在故障和问题。在此趋势下，水厂设备的远程监控和维护将更加普遍和便捷，人力资源的需求大大减少，设备的利用率和经济效益得到显著提升。

3.结论

随着全球城市人口的不断增加和经济的快速发展，城市水资源管理面临着前所未有的挑战。其中，水厂设备作为城市饮水系统的核心组成部分，其可靠性、效率和可持续性的管理对城市居民的生活品质和城市环境的可持续性发展至关重要。本文提出一种基于数字孪生的水厂设备预测性维护管理手段，引入自组织映射神经网络，对设备故障进行预测并制定相应维护方案。数字孪生模型可以实时反映设备的运行状态和性能指标，使得能够及时发现问题并采取预防措施，同时可以帮助诊断复杂故障的原因，提供更精确的维护建议，减少设备故障和延长其寿命，进而提升了水厂的智能化管理水平。在某水厂实际应用中设备故障停机时间缩短约40%，设备维护成本降低约20%，提高了设备维护管理的效率和准确性。但是研究仍然存在不足，数据采集涉及了水厂的部分设备，并没有覆盖全厂，数据分析的类型还不够丰富。未来需要进一步研究和探索数字孪生技术在设备预测性维护中的应用和优化，为水厂的可持续发展提供更加科学和有效的技术支持。