張旭輝，鞠佳杉，楊文娟，呂欣媛

（1.西安科技大學機械工程學院，陜西西安 710054；2.陜西省礦山機電裝備智能監(jiān)測重點實驗室，陜西西安 710054）

傳統(tǒng)的礦用設備維護一般是根據(jù)以往經(jīng)驗制定周期性巡檢流程，并由經(jīng)驗豐富的技術人員現(xiàn)場勘查、檢修[1-2]。隨著礦山智能化程度和測控水平的不斷提高，對礦用設備有效檢修（如狀態(tài)監(jiān)測、預測維護等關鍵技術）的要求也不斷提升[3-4]。因此，具有狀態(tài)預測、分析決策功能的數(shù)字孿生技術成為設備故障預警領域的研究熱點[5-6]，受到了學者們的廣泛關注。

為實現(xiàn)最大程度的智能化預測，學者們在傳統(tǒng)數(shù)字孿生體組成框架的基礎上，提出了許多基于數(shù)字孿生的故障預警方法[7]，進一步明確了數(shù)字孿生體的框架結構及其系統(tǒng)特性，比較典型的應用場景包括航空航天系統(tǒng)[8]、制造加工系統(tǒng)[9]、復雜測控系統(tǒng)[10]、通信驅動系統(tǒng)[11]和融合裝配系統(tǒng)[12]等。這些系統(tǒng)的數(shù)字孿生體具有較高的靈活性，但存在系統(tǒng)復雜、實際應用困難等問題。為此，學者們嘗試采用簡潔的輸入或通過引入深度學習和大數(shù)據(jù)處理等方法來驅動系統(tǒng)的決策。例如：希臘佩特拉斯大學的Nikolakis等[13]為優(yōu)化工廠內的物流作業(yè)，提出了一種以簡潔元素作為輸入的仿真方法來構建數(shù)字孿生體；太原理工大學的丁華等[14]提出了一種數(shù)字孿生與深度學習相融合的采煤機健康狀態(tài)預測系統(tǒng)；北京理工大學的張玉良等[15]通過構建航天器的數(shù)字孿生體來提高其制造加工過程中的智能決策水平；西安科技大學的張旭輝等[16]提出采用基本的虛實從動策略來實現(xiàn)復雜煤礦機電設備的遠程操控。然而，上述研究雖強調了虛擬預測結果驅動現(xiàn)實交互設備的虛實同動功能，卻忽略了現(xiàn)實交互設備操作后所產(chǎn)生新數(shù)據(jù)的回收與檢驗，易導致虛擬預測結果準確度降低。

針對上述數(shù)字孿生技術的應用難點，筆者以數(shù)字孿生體構建以及預測性維護流程為思路，綜合考慮煤炭機械的常見故障，構建了通用的復雜礦用設備預測性維護系統(tǒng)。首先，提出一種基于LabVIEW、MySQL和Unity3D的復雜礦用設備狀態(tài)監(jiān)測方法，以實現(xiàn)多元數(shù)據(jù)的采集與分析，并通過3D可視化方式展示目標設備狀態(tài)；然后，對基于灰色粗糙集的BP（back propagation，反向傳播）神經(jīng)網(wǎng)絡進行研究，以確定復雜礦用設備故障預警功能的實現(xiàn)方法；最后，基于混合現(xiàn)實（mixed reality,MR）技術構建復雜礦用設備的預測性維護系統(tǒng)，并以故障預警結果驅動輔助維修流程并部署至HoloLens眼鏡，引導維修人員操作。

1 基于數(shù)字孿生的復雜礦用設備預測性維護系統(tǒng)總體設計

1.1 預測性維護系統(tǒng)的功能需求

對于復雜礦用設備，基于數(shù)字孿生的預測性維護系統(tǒng)應滿足以下功能需求。

1）狀態(tài)監(jiān)測。狀態(tài)監(jiān)測是預測性維護系統(tǒng)的基石，承擔著數(shù)據(jù)采集與傳輸?shù)娜蝿誟17]。在狀態(tài)監(jiān)測過程中，將設備狀態(tài)數(shù)據(jù)通過虛擬交互手段簡明直觀地顯示在其三維模型上，以實現(xiàn)操作人員從整體上把控復雜礦用設備的運行狀態(tài)[18]。

2）故障預警。故障預警是預測性維護系統(tǒng)的關鍵，在對采集的設備狀態(tài)數(shù)據(jù)進行約束簡化處理后，對故障預測算法進行優(yōu)化，以保障預測結果的合理性，進而對下一階段設備狀態(tài)進行故障預警[19]。

3）預測維護。預測維護是預測性維護系統(tǒng)的目標，為保障技術人員的現(xiàn)場實操性，結合MR技術將預測性維護指導信息部署至HoloLens眼鏡，技術人員通過佩戴眼鏡即可獲得簡潔直觀的維護指導[20]。

1.2 預測性維護系統(tǒng)的總體流程

基于數(shù)字孿生的復雜礦用設備預測性維護系統(tǒng)的總體流程如圖1所示。首先，基于復雜礦用設備的物理實體，搭建其數(shù)字孿生模型[14]，并借助傳感器實時采集設備的狀態(tài)數(shù)據(jù)；然后，對采集的狀態(tài)數(shù)據(jù)進行處理、分析，并搭建目標設備的機理模型，一方面實時呈現(xiàn)設備狀態(tài)監(jiān)測結果，另一方面通過故障預測模型實現(xiàn)設備故障預警；最后，綜合狀態(tài)監(jiān)測結果和故障預警結果來判斷目標設備在下一階段是否能正常運行，若正常則返回數(shù)據(jù)采集步驟，若異常則部署預測性維護流程，對設備物理實體進行預測性維護操作，維護后的狀態(tài)數(shù)據(jù)仍由傳感器采集，以實現(xiàn)狀態(tài)監(jiān)測的迭代更新。

圖1 基于數(shù)字孿生的復雜礦用設備預測性維護系統(tǒng)總體流程Fig.1 Overall process of predictive maintenance system for complex mining equipment based on digital twin

2 復雜礦用設備數(shù)字孿生體構建

數(shù)字孿生體包含物理空間實體、虛實交互模塊、數(shù)字空間模型以及上層智能應用服務，構建完整數(shù)字孿生體的過程即為預測性維護系統(tǒng)的實現(xiàn)過程。構建復雜礦用設備的數(shù)字孿生體，其組成框架如圖2所示。

圖2 復雜礦用設備數(shù)字孿生體組成框架Fig.2 Composition framework of digital twin of complex mining equipment

物理空間實體是數(shù)字孿生體的基礎，包含現(xiàn)實設備與傳感器等硬件設施，將傳感器安裝于目標設備的各個關鍵部位，用于獲得全面精準的設備狀態(tài)信息。

虛實交互模塊采用以太網(wǎng)TCP（transmission control protocol，傳輸控制協(xié)議）通信協(xié)議，通過數(shù)據(jù)采集卡將各傳感器的基礎數(shù)據(jù)傳遞至數(shù)據(jù)庫，方便后續(xù)虛擬空間建模時調用相關數(shù)據(jù)。

虛擬空間模型包含目標設備的狀態(tài)監(jiān)測模型和故障預測模型。其中：狀態(tài)監(jiān)測模型打破了傳統(tǒng)幾何模型的限制，借助虛實交互技術在幾何模型的基礎上融合設備的實時狀態(tài)信息，實現(xiàn)對設備狀態(tài)的實時監(jiān)測；故障預測模型是數(shù)字孿生體的核心，即利用目標設備的歷史狀態(tài)數(shù)據(jù)對預測算法進行訓練和優(yōu)化，以得到最優(yōu)的故障預測模型，從而達到故障預警的目的。

智能應用服務層通過綜合判斷數(shù)字空間模型的結果給出最終的維護決策。當技術人員在現(xiàn)場進行維護后，由虛實交互模塊將維護結果再次傳遞至數(shù)字空間進行預測分析，從而完成狀態(tài)數(shù)據(jù)的迭代更新，以保障預測性維護功能的可靠性。

3 復雜礦用設備狀態(tài)監(jiān)測技術

狀態(tài)監(jiān)測是預測性維護系統(tǒng)的底層技術，體現(xiàn)在數(shù)字孿生體虛擬空間層的狀態(tài)監(jiān)測模型部分，是向虛擬世界呈遞物理世界真實狀態(tài)的紐帶[18]。在機械設備的設計、制造階段，包含海量的數(shù)據(jù)，例如尺寸結構、預估壽命和失效類型等；當機械設備投入生產(chǎn)后，會產(chǎn)生大量運行狀態(tài)數(shù)據(jù)、維修損壞數(shù)據(jù)等。為保證狀態(tài)監(jiān)測模型的準確性，本文通過簡化虛擬模型、關注核心數(shù)據(jù)以及采用數(shù)據(jù)庫等方式來保證數(shù)據(jù)動態(tài)變化的實時性和可靠性。

傳統(tǒng)的狀態(tài)監(jiān)測系統(tǒng)多以LabVIEW等專業(yè)軟件開發(fā)，數(shù)據(jù)傳遞便捷且高效，但圖表數(shù)據(jù)復雜，非專業(yè)人士難以理解和操作，故提出了簡潔、直觀的3D可視化狀態(tài)監(jiān)測模型，以滿足數(shù)字孿生體對高保真模型的要求。復雜礦用設備的狀態(tài)監(jiān)測流程如圖3所示。

圖3 復雜礦用設備狀態(tài)監(jiān)測流程Fig.3 Status monitoring process of complex mining equipment

首先，在真實礦用設備的實驗臺上，利用傳感器獲取設備狀態(tài)參數(shù)，并對傳感器采集的信號進行模數(shù)轉換，并自定義以太網(wǎng)TCP通信協(xié)議實現(xiàn)上位機數(shù)據(jù)連通；然后，利用LabVIEW軟件將采集的設備狀態(tài)數(shù)據(jù)儲存于MySQL數(shù)據(jù)庫中，以對礦用設備的歷史信息、狀態(tài)監(jiān)測數(shù)據(jù)進行存儲管理與分類，從而方便Visual Studio軟件編程調用；接著，根據(jù)真實礦用設備的尺寸，利用SolidWorks軟件和3DMAX平臺搭建礦用設備的虛擬模型，并采用Unity3D開發(fā)引擎調用MySQL Navicat協(xié)同數(shù)據(jù)庫，將設備的狀態(tài)數(shù)據(jù)、幾何尺寸和維修歷史等重要信息通過標紅強提醒、語音播報和文字面板提示等方式顯示在狀態(tài)監(jiān)測模型中；最后，利用礦用設備動態(tài)變化的位姿、工況等參數(shù)在虛擬世界中驅動數(shù)字孿生體，實現(xiàn)虛擬模型的迭代更新，并記錄工況數(shù)據(jù)以進行維護性預測處理。操作人員只要查看狀態(tài)監(jiān)測模型中的可視化數(shù)據(jù)即可對礦用設備的狀態(tài)進行總體把控：通過鍵鼠移動選擇不同零件部位，在查看設備三維模型的同時觀察其當前的主要狀態(tài)。

4 復雜礦用設備狀態(tài)預測維護

在建立可呈現(xiàn)復雜礦用設備物理實體當前狀態(tài)的數(shù)字化模型后，利用狀態(tài)預測技術實現(xiàn)故障預測模型的構建是實現(xiàn)預測性維護功能的關鍵。人工神經(jīng)網(wǎng)絡因具有良好的容錯與自學習能力，被廣泛應用于故障預測領域[20]。但在復雜礦用設備的實際運轉過程中會產(chǎn)生大量冗雜的狀態(tài)數(shù)據(jù)，而灰色關聯(lián)分析方法與粗糙集理論可在不同方向上約簡數(shù)據(jù)集，達到剔除無關屬性、無效數(shù)據(jù)的目的[21]，可滿足BP（back propagation，反向傳播）神經(jīng)網(wǎng)絡的收斂與精度要求。因此，本文在復雜礦用設備的預測性維護系統(tǒng)中采用基于灰色粗糙集的BP神經(jīng)網(wǎng)絡。

4.1 基于灰色粗糙集的BP神經(jīng)網(wǎng)絡預測模型

要實現(xiàn)復雜礦用設備的預測性維護，就需要對大量的設備歷史運行狀態(tài)數(shù)據(jù)進行分析，通過對數(shù)據(jù)進行提取、處理，不斷地訓練優(yōu)化故障預測模型，并通過仿真和預測獲得數(shù)字化、精確化的處理結果。首先，制作礦用設備的初始決策表，并利用灰色關聯(lián)分析方法剔除冗雜數(shù)據(jù)；然后，對剩余數(shù)據(jù)進行離散化處理，采用粗糙集理論去掉無關影響因素，得到約簡后的礦用設備數(shù)據(jù)決策表，將其作為待訓練BP神經(jīng)網(wǎng)絡預測模型的輸入；最后，考察預測結果是否滿足精度要求，以判斷所構建的預測模型是否構建成功?；诨疑植诩腂P神經(jīng)網(wǎng)絡預測模型的構建流程如圖4所示。

圖4 基于灰色粗糙集的BP神經(jīng)網(wǎng)絡預測模型構建流程Fig.4 Construction process of BP neural network prediction model based on grey rough set

以復雜礦用設備的運行故障數(shù)據(jù)集[22]作為訓練集，其中：λ為礦用設備的故障狀態(tài)，λ=1時為故障狀態(tài)，λ=0時為正常狀態(tài)；a～f為6種可能引起礦用設備故障的影響因素。

1）灰色關聯(lián)分析。

令礦用設備故障狀態(tài)特征序列為X0，定義故障狀態(tài)序列Xi=(xi(1)，xi(2)，…，xi(n))，i=1，2，…，m），則其與特征序列間的灰色關聯(lián)度γ(X0，Xi)的計算步驟為：

a）求解序列Xi的均值像Xi′；

b）求解特征序列X0的均值像X0′，計算其與Xi′對應分量的差并取絕對值，記為Δi(k)，并求其最大值M與最小值N：

c）計算關聯(lián)系數(shù)γ(x0(k)，xi(k))：

式中：ξ為分辨系數(shù)，ξ多數(shù)情況下取0.5。

d）計算灰色關聯(lián)度：

若灰色關聯(lián)度較低，則認為這些數(shù)據(jù)無法有效反映復雜礦用設備的故障特征，應篩選去除。

2）粗糙集約簡。

對于初始決策表DT，其縱向屬性約簡算法的處理步驟如下：

a）計算差別矩陣Mn×n(DT)=(cij)n×n的下三角矩陣；

b）對析取范式進行合取運算，得到差別函數(shù)Δ；

c）變換形式得Δ′=?kΔk，根據(jù)與之對應的約束項，制作礦用設備故障縱向約簡決策表。

以等頻裝箱法對經(jīng)過灰色關聯(lián)分析橫向約簡后的數(shù)據(jù)表進行離散化處理，以差別函數(shù)進行數(shù)據(jù)集的屬性約簡，剩余的即為復雜礦用設備的故障影響因素。

3）BP神經(jīng)網(wǎng)絡預測模型構建。

BP神經(jīng)網(wǎng)絡包含輸入層、隱含層和輸出層，其中：輸入層個數(shù)與故障影響因素個數(shù)一致，設為k；隱含層以試算法確定，設為j；輸出層僅有故障狀態(tài)λ，故設為1。最終的BP神經(jīng)網(wǎng)絡三層結構為k-j-1。

4.2 預測性維護功能實現(xiàn)

預測性維護功能屬于數(shù)字孿生體上層的智能應用服務部分，是虛擬世界指導物理世界的載體。故障預測模型將故障預測結果通過本地數(shù)據(jù)庫發(fā)送至遠程PC（personal computer，個人計算機）端，在MySQL Navicat數(shù)據(jù)庫中可查看MR維修指導服務中故障編號匹配表中的故障診斷結果。當預測性維護系統(tǒng)的故障編號為1時，則需要進行相應的維護操作，發(fā)送故障編號以驅動部署相匹配的MR輔助維護流程。其中，MR技術支撐模塊承擔著對應預測性輔助維護程序下載任務，佩戴HoloLens眼鏡的維修人員可根據(jù)驅動指令進行現(xiàn)場作業(yè)，保證維護工作的準確高效。

維護指導過程的數(shù)據(jù)驅動模塊由Visual Studio軟件編寫，可實時向基于數(shù)字孿生的復雜礦用設備預測性維護系統(tǒng)下發(fā)故障類別指令。每臺礦用設備在數(shù)據(jù)庫中都對應一張數(shù)據(jù)表，用于存儲設備運行狀態(tài)數(shù)據(jù)和設備基本信息，通過建立狀態(tài)數(shù)據(jù)的時間戳作為關鍵索引可獲取設備運行狀態(tài)預測故障時間點，以此驅動決策部署。每張數(shù)據(jù)表包含的字段有：設備編號、設備型號、時間戳和預測狀態(tài)編號等，如表4所示。

表1 復雜礦用設備數(shù)據(jù)庫字段信息表Table 1 Field information table of complex mining equipment database

5 采煤機搖臂部液壓柱塞泵預測性維護功能實驗驗證

為驗證所提出的基于數(shù)字孿生的復雜礦用設備預測性維護系統(tǒng)的狀態(tài)監(jiān)測、故障預警以及維護指導等功能，以采煤機搖臂部液壓系統(tǒng)為對象進行分析。

1）狀態(tài)監(jiān)測。

根據(jù)采煤機液壓系統(tǒng)的真實尺寸，利用SolidWorks軟件和3DMAX平臺搭建其虛擬模型，并在Unity3D開發(fā)引擎中搭建虛擬場景。利用安裝在采煤機搖臂部液壓柱塞泵上的傳感器采集當前的故障數(shù)據(jù)，并采用基于STM32的便攜式采集儀實現(xiàn)采集數(shù)據(jù)的模數(shù)轉換；然后，自定義以太網(wǎng)TCP通信協(xié)議實現(xiàn)上位機數(shù)據(jù)連通，利用LabVIEW軟件將采集的多元數(shù)據(jù)分類后存儲，以便Visual Studio軟件編程調用，并調用MySQL Navicat協(xié)同數(shù)據(jù)庫，對當前液壓柱塞泵的狀態(tài)數(shù)據(jù)進行匹配，為虛擬模型添加幾何尺寸、維修歷史和狀態(tài)參數(shù)等數(shù)據(jù)，并顯示在其狀態(tài)監(jiān)測模型中。

表2所示為在實驗臺上采集的右搖臂液壓柱塞泵外泄口油溫、進油口壓力、回油口壓力、工作濕度、泵機轉速和相對振幅等6個參數(shù)（記為a～f）。

表2 采煤機右搖臂液壓柱塞泵故障數(shù)據(jù)Table 2 Fault data of right rocker hydraulic plunger pump of shearer

2）故障預警。

基于表2數(shù)據(jù)，構建基于灰色粗糙集的BP神經(jīng)網(wǎng)絡預測模型，具體步驟如下。

a）灰色關聯(lián)分析。

樣本序號即代表采煤機液壓柱塞泵的使用周期，故以第1組樣本為特征序列進行灰色關聯(lián)分析。表3所示為采煤機右搖臂液壓柱塞泵故障數(shù)據(jù)的灰色關聯(lián)分析結果。由表3可知，樣本7，11，14，20與樣本1的灰色關聯(lián)度較低，表明這4組數(shù)據(jù)無法有效反映采煤機右搖臂液壓柱塞泵的故障特征，視為無效冗雜數(shù)據(jù)。

表3 采煤機右搖臂液壓柱塞泵故障數(shù)據(jù)灰色關聯(lián)分析結果Table 3 Grey relational analysis results of fault data of right rocker hydraulic piston pump of shearer

b）粗糙集約簡。

采用等頻裝箱方法對經(jīng)灰色關聯(lián)分析橫向約簡后的數(shù)據(jù)進行離散化處理，然后利用基于差別函數(shù)的屬性約簡方法對離散化處理后的數(shù)據(jù)進行條件屬性約簡，得到的約簡結果為{a，c，d，e，f}，即影響采煤機液壓柱塞泵故障的主要因素有5個：溫度、進油口壓力、回油口壓力、轉速和相對振幅。

c）BP神經(jīng)網(wǎng)絡預測模型構建。

對于三層BP神經(jīng)網(wǎng)絡，由灰色粗糙集處理后的條件屬性為5，因此輸入層神經(jīng)元個數(shù)為5；根據(jù)試驗測算的結果，為使最小訓練步數(shù)達到精度要求，隱含層神經(jīng)元節(jié)點數(shù)取15。因此，最終確定為5-15-1的三層BP神經(jīng)網(wǎng)絡。

訓練函數(shù)選用Levenberg-Marquardt算法中的trainlm函數(shù)，隱含層和輸出層分別選擇tansing和logsing作為激活函數(shù)，學習率為0.05。在剩余的16組樣本中，以前15組樣本為訓練樣本，以剩余1組樣本為測試樣本，在MATLAB軟件中進行BP神經(jīng)網(wǎng)絡預測模型訓練，結果如圖5所示。測試結果表明，所構建預測模型的絕對誤差為1.08%，均方誤差較小，結果較為可靠，可用于采煤機液壓柱塞泵預測性維護。

圖5 BP神經(jīng)網(wǎng)絡預測模型訓練結果Fig.5 Training results of BP neural network prediction model

利用訓練好的BP神經(jīng)網(wǎng)絡預測模型來預測采煤機左搖臂液壓柱塞泵的故障狀態(tài)，結果如表4所示。其中，第6和第13組為冗余數(shù)據(jù)，作舍棄處理。根據(jù)模型預測結果給出相應的故障編號，由表4結果可知，該模型的預測準確率達到90%以上。將預測結果保存至MySQL數(shù)據(jù)庫，若分析匹配的左搖臂液壓柱塞泵故障編號置1，則根據(jù)故障預測結果驅動對應的C#程序進行預測性維護指導流程添加，以部署該故障類別下的MR預測性維護指導流程。若故障編號置0，則繼續(xù)進行狀態(tài)監(jiān)測。

表4 基于BP神經(jīng)網(wǎng)絡的采煤機左搖臂液壓柱塞泵故障預測結果Table 4 Fault prediction results of hydraulic piston pump of left rocker arm of shearer based on BP neural network

3）現(xiàn)場輔助維護。

維修人員佩戴已部署好采煤機左搖臂液壓柱塞泵輔助更換流程的HoloLens眼鏡，打開系統(tǒng)進入預測性維護模式，在GUI（graphical user interface，圖形用戶界面）面板上查看其歷史參數(shù)、故障狀態(tài)等，如圖6所示。實驗結果表明，采煤機搖臂部液壓系統(tǒng)預測性維護指導流程關鍵步驟通過語音提示、文字指引和虛擬工具演示等實現(xiàn)液壓柱塞泵的更換流程指導，維修人員根據(jù)該流程拆卸液壓柱塞泵，更換故障液壓配件，驗證了所提出的基于數(shù)字孿生的預測性維護系統(tǒng)的可行性。

圖6 采煤機搖臂部液壓系統(tǒng)預測性維護系統(tǒng)功能驗證結果Fig.6 Functional verification results of predictive maintenance system for hydraulic system of shearer rocker arm

6 總結

本文針對復雜礦用設備維護難題，聯(lián)合LabVIEW軟件、MySQL數(shù)據(jù)庫和Unity3D開發(fā)引擎，提出了基于數(shù)字孿生的預測性維護系統(tǒng)，實現(xiàn)了狀態(tài)監(jiān)測、故障預警和現(xiàn)場輔助維護等關鍵功能，解決了物理空間與虛擬空間的數(shù)據(jù)交互、狀態(tài)預測和決策驅動的問題。結果表明，所提出的基于數(shù)字孿生的預測性維護系統(tǒng)可為復雜礦用設備的預測性維護提供創(chuàng)新性方法，可促進現(xiàn)實世界與虛擬世界之間的數(shù)據(jù)交互。然而，所提出的預測性維護系統(tǒng)仍有一定的改進空間，如樣本數(shù)據(jù)僅針對采煤機的液壓柱塞泵，還需要針對其他復雜零部件進行深入研究，以進一步提高系統(tǒng)的普適性；在故障預測算法等方面，還需根據(jù)不同目標對象進行訓練、優(yōu)化，以提高系統(tǒng)的準確性。