李敬兆,張佳文,石 晴,劉繼超,劉 陽(yáng)

(1.安徽理工大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院,安徽 淮南 232001; 2.淮北合眾機(jī)械設(shè)備有限公司,安徽 淮北 235000)

數(shù)字孿生是以數(shù)字化方式對(duì)物理實(shí)體進(jìn)行虛擬建模,借助算法模型、數(shù)據(jù)信息等模擬物理實(shí)體的實(shí)際行為,通過(guò)虛實(shí)映射、迭代優(yōu)化等手段,充分發(fā)揮連接物理世界和虛擬世界的橋梁作用,進(jìn)一步提高服務(wù)的實(shí)時(shí)性、高效性、智能性[1]。制造業(yè)的數(shù)字孿生應(yīng)用包括實(shí)現(xiàn)生產(chǎn)流程可視化、設(shè)備監(jiān)測(cè)與故障診斷故障預(yù)警、設(shè)備遠(yuǎn)程運(yùn)維等,用數(shù)字孿生技術(shù)構(gòu)造智能運(yùn)維系統(tǒng)能夠準(zhǔn)確反映物理實(shí)體設(shè)備的生命周期運(yùn)行狀態(tài),為運(yùn)維人員提供了高可視化、高智能度、低成本、低風(fēng)險(xiǎn)的工作環(huán)境。

王政等[2]針對(duì)機(jī)械設(shè)備智能化需求不斷增加的問(wèn)題,對(duì)數(shù)據(jù)方面的關(guān)鍵技術(shù)進(jìn)行了詳細(xì)闡述。高士根等[3]梳理了數(shù)字孿生在智能運(yùn)維領(lǐng)域的發(fā)展現(xiàn)狀、關(guān)鍵技術(shù)及工程應(yīng)用。黃彬彬等[4]針對(duì)復(fù)雜產(chǎn)品運(yùn)維過(guò)程中管控難度大等問(wèn)題提出了基于數(shù)字孿生的智能運(yùn)維體系架構(gòu)。陶飛等[5]從實(shí)際應(yīng)用角度出發(fā),針對(duì)數(shù)字孿生模型構(gòu)建問(wèn)題,探索建立了一套完整的理論體系。這些研究為數(shù)字孿生應(yīng)用落地打下了堅(jiān)實(shí)的基礎(chǔ)。

清掃裝置主要用于清理帶式輸送機(jī)皮帶上的輸送殘留物,防止異物導(dǎo)致機(jī)器故障,減少經(jīng)濟(jì)損失。目前人們對(duì)設(shè)備的監(jiān)測(cè)越來(lái)越重視,但實(shí)際在生產(chǎn)中應(yīng)用于清掃裝置方面的監(jiān)測(cè)并不廣泛,運(yùn)維工作仍然存在很多缺陷。傳統(tǒng)運(yùn)維通常采用人工定期檢修等方式,缺乏對(duì)裝置信息統(tǒng)一化、智能化的管理,故障診斷不及時(shí),可視化程度低[6]。為解決這些問(wèn)題,本文提出了一種基于數(shù)字孿生的清掃裝置智能運(yùn)維系統(tǒng),引入數(shù)字孿生技術(shù)[7],構(gòu)建清掃裝置智能運(yùn)維系統(tǒng)的體系架構(gòu),將清掃裝置內(nèi)部分成串聯(lián)的子系統(tǒng),分別是噴洗系統(tǒng)、清理系統(tǒng)、干燥系統(tǒng),構(gòu)建孿生模型,對(duì)子系統(tǒng)關(guān)鍵零部件電機(jī)軸承進(jìn)行故障診斷監(jiān)測(cè)裝置運(yùn)行狀態(tài);對(duì)模型進(jìn)行輕量化處理,并將數(shù)據(jù)可視化到web端,實(shí)現(xiàn)對(duì)清掃裝置的智能運(yùn)維。

1 系統(tǒng)框架

清掃裝置的使用目的是對(duì)帶式輸送機(jī)的輸送帶進(jìn)行殘余物料的清理,避免異物清理不及時(shí)引起輸送機(jī)運(yùn)行故障。通過(guò)建立清掃裝置智能運(yùn)維系統(tǒng),提高清掃裝置運(yùn)行的安全性、穩(wěn)定性,降低事故頻率,維護(hù)企業(yè)效益[8]。針對(duì)傳統(tǒng)清掃裝置運(yùn)維系的不足,利用數(shù)字孿生實(shí)現(xiàn)數(shù)字空間和實(shí)體空間雙向映射的優(yōu)勢(shì), 結(jié)合運(yùn)維需求構(gòu)建系統(tǒng)框架如圖1所示。

圖1 系統(tǒng)框架

1.1 物理層

物理層即客觀存在的物理實(shí)體,主要包括智能清掃器、傳感器、物聯(lián)網(wǎng)關(guān)等物理設(shè)備。輸送機(jī)聯(lián)動(dòng)信號(hào)開(kāi)啟后,設(shè)備智能控制系統(tǒng)運(yùn)行。為構(gòu)建全面的監(jiān)測(cè)體系,布置多個(gè)傳感器采集數(shù)據(jù),并與上位機(jī)建立連接,為全方位可視化監(jiān)視打下基礎(chǔ)[9]。

1.2 數(shù)據(jù)層

實(shí)現(xiàn)數(shù)字孿生體的關(guān)鍵之處在于利用實(shí)時(shí)數(shù)據(jù)源驅(qū)動(dòng)模型,實(shí)現(xiàn)物理實(shí)體和虛擬模型之間的相互映射,以達(dá)到實(shí)時(shí)監(jiān)測(cè)在線(xiàn)顯示的要求。在清掃裝置工作過(guò)程中,會(huì)產(chǎn)生大量數(shù)據(jù)信息,這些信息來(lái)源廣、類(lèi)型復(fù)雜,為實(shí)現(xiàn)對(duì)數(shù)據(jù)信息的高效感知和處理,使用基于OPC UA[10]的數(shù)據(jù)采集框架對(duì)清掃裝置數(shù)據(jù)進(jìn)行動(dòng)態(tài)采集。OPC UA架構(gòu)由服務(wù)器和客戶(hù)端構(gòu)成。服務(wù)器對(duì)物理空間的實(shí)時(shí)運(yùn)行數(shù)據(jù)進(jìn)行采集與處理,通過(guò)請(qǐng)求-響應(yīng)的方式將采集的數(shù)據(jù)發(fā)送給客戶(hù)端。數(shù)據(jù)處理架構(gòu)如圖2所示。

圖2 數(shù)據(jù)處理架構(gòu)

將OPC UA的服務(wù)器設(shè)置在工控機(jī)上,通過(guò)工業(yè)以太網(wǎng)與物理實(shí)體相連。采集設(shè)備對(duì)環(huán)境信息、裝置運(yùn)行信息等進(jìn)行采集,并過(guò)濾掉重復(fù)無(wú)效的信息。將遵循不同協(xié)議的數(shù)據(jù)轉(zhuǎn)換成符合OPC UA架構(gòu)的格式,保障數(shù)據(jù)信息的正確性和實(shí)時(shí)性,方便對(duì)信息進(jìn)行上傳存儲(chǔ)或發(fā)送到客戶(hù)端進(jìn)行展示。

1.3 模型層

清掃裝置運(yùn)維系統(tǒng)的模型層是對(duì)物理實(shí)體進(jìn)行多維度的描述,包括虛擬模型、物理模型、功能模型等。要實(shí)現(xiàn)物理實(shí)體和虛擬模型的雙向映射需要將虛擬模型和物理模型進(jìn)行功能和結(jié)構(gòu)上的信息融合。借助SolidWorks等建模工具建立物理模型,在此基礎(chǔ)上,融合參數(shù)信息,建立邏輯模型;再結(jié)合故障診斷算法,構(gòu)建功能模型,實(shí)現(xiàn)對(duì)清掃裝置的診斷和預(yù)測(cè)。為達(dá)到應(yīng)用需求,數(shù)字孿生模型應(yīng)具備精準(zhǔn)化、可視化、輕量化的特性。

精準(zhǔn)化:為避免孿生系統(tǒng)在運(yùn)行過(guò)程中因誤差導(dǎo)致的嚴(yán)重問(wèn)題,應(yīng)在根本上避免誤差的迭代放大;不僅需要構(gòu)建出準(zhǔn)確的靜態(tài)模型,又要求模型能隨著數(shù)據(jù)源的驅(qū)動(dòng)刷新輸出與實(shí)際符合的動(dòng)態(tài)結(jié)果。

可視化:數(shù)字孿生應(yīng)用的落地,將推進(jìn)監(jiān)控系統(tǒng)的進(jìn)步。從二維監(jiān)控系統(tǒng)過(guò)渡到三維交互系統(tǒng)。數(shù)字孿生模型在構(gòu)建時(shí)應(yīng)遵循可視化準(zhǔn)則,保證模型的生動(dòng)形象,支撐起數(shù)字孿生系統(tǒng)的可視化運(yùn)維管控。

輕量化:為滿(mǎn)足數(shù)字孿生應(yīng)用的高效性需求,應(yīng)在保證高精確度、高仿真度的基礎(chǔ)上,對(duì)模型進(jìn)行輕量化建設(shè)。減少冗余模型的產(chǎn)生,降低時(shí)延,提高模型的復(fù)用性。

1.4 應(yīng)用層

涉及Vue、HTML、CSS、WebGL等技術(shù),以實(shí)時(shí)數(shù)據(jù)和孿生模型為基礎(chǔ),對(duì)虛擬層中的算法模型進(jìn)行封裝,提供裝置狀態(tài)的直接展示,實(shí)現(xiàn)對(duì)清掃裝置的運(yùn)行狀態(tài)實(shí)時(shí)監(jiān)測(cè),并對(duì)實(shí)時(shí)數(shù)據(jù)進(jìn)行分析處理、判斷出裝置運(yùn)行狀態(tài),保證數(shù)據(jù)的迭代更新,維護(hù)預(yù)測(cè)可靠性,為故障預(yù)警、決策優(yōu)化等提供支持。

2 關(guān)鍵技術(shù)

2.1 孿生模型

孿生模型[11]的構(gòu)建由物理模型、邏輯模型、功能模型3部分組成。在構(gòu)建物理模型時(shí),使用Solidworks軟件按1∶100的比例還原清掃裝置物理實(shí)體的部件。為減少時(shí)延、降低系統(tǒng)負(fù)荷,對(duì)模型進(jìn)行輕量化處理,再導(dǎo)入到Unity中進(jìn)行渲染。為實(shí)現(xiàn)雙向映射,使用SetParent()函數(shù)建立模型間的父子關(guān)系,使用Translate()函數(shù)、Rotate()函數(shù)實(shí)現(xiàn)平移和旋轉(zhuǎn)運(yùn)動(dòng),為模型綁定預(yù)設(shè)的行為動(dòng)作。再結(jié)合功能模型,訓(xùn)練故障診斷算法實(shí)現(xiàn)對(duì)軸承的故障診斷。孿生模型搭建如圖3所示。

圖3 孿生模型

2.2 LSTM-ELM模型

為實(shí)現(xiàn)對(duì)關(guān)鍵部位軸承的故障診斷,建立LSTM-ELM診斷分類(lèi)模型。使用殘差結(jié)構(gòu)的LSTM[12](長(zhǎng)短時(shí)記憶網(wǎng)絡(luò))分析振動(dòng)信號(hào)特征,再利用ELM[13](極限學(xué)習(xí)機(jī))完成故障分類(lèi)。

振動(dòng)信號(hào)特征是單維的,與多維數(shù)據(jù)相比,冗余信號(hào)不多,采用單維卷積網(wǎng)絡(luò)進(jìn)行特征分析,提高工作效率;為有效解決伴隨網(wǎng)絡(luò)層及加深出現(xiàn)梯度彌漫的問(wèn)題,加速模型收斂,使用融合Dropout(隨機(jī)失活層)的LSTM模型進(jìn)行軸承故障診斷。在模型訓(xùn)練過(guò)程中,Dropout可以使某些神經(jīng)元有一定概率停止工作,有效緩解過(guò)擬合現(xiàn)象,增強(qiáng)模型的泛化性。診斷模型如圖4所示。

圖4 故障診斷模型

在標(biāo)準(zhǔn)的RNN中,重復(fù)的網(wǎng)絡(luò)模塊只有一個(gè)簡(jiǎn)單結(jié)構(gòu)來(lái)調(diào)節(jié)流動(dòng)值;在LSTM中,重復(fù)的模塊擁有不同的結(jié)構(gòu),分別為遺忘門(mén)(ft)、輸入門(mén)(it)、輸出門(mén)(ot)。

ft=?(Wf[st-1,xt]+bf),

(1)

it=?(Wi[st-1,xt]+bi),

(2)

ot=?(Wo[st-1,xt]+bo),

(3)

式中:st-1是上一個(gè)時(shí)刻的狀態(tài);xt是當(dāng)前時(shí)刻的輸入;W是權(quán)重矩陣;b是偏置向量,?是激活函數(shù)。

(4)

當(dāng)前時(shí)刻記憶單元ct更新為

(5)

ht輸出為

ht=ot·tanh(ct).

(6)

ELM是一種單隱層前饋神經(jīng)網(wǎng)絡(luò)模型算法,由輸入層xi,i∈1,2,...,M、隱含層ok,l=1,2,...,K和輸出層yj,j∈1,2,...,N組成。在執(zhí)行規(guī)程中不需要調(diào)整網(wǎng)絡(luò)輸入權(quán)值、偏置,只需設(shè)置好隱層節(jié)點(diǎn)個(gè)數(shù),最后產(chǎn)生唯一的最優(yōu)解。網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 ELM結(jié)構(gòu)

2.3 總體技術(shù)路線(xiàn)

基于數(shù)字孿生的清掃裝置智能運(yùn)維系統(tǒng)的技術(shù)路線(xiàn)如圖6所示。在清掃裝置的物理實(shí)體上布置多個(gè)傳感器采集清掃裝置實(shí)時(shí)信息,構(gòu)建孿生模型,使用實(shí)時(shí)信息驅(qū)動(dòng)孿生模型運(yùn)轉(zhuǎn),結(jié)合LSTM-ELM診斷算法實(shí)現(xiàn)數(shù)字孿生體對(duì)清掃裝置的故障診斷。進(jìn)一步通過(guò)WebGL等技術(shù),將數(shù)據(jù)渲染到上位機(jī)界面,實(shí)現(xiàn)可視化智能運(yùn)維。

圖6 技術(shù)路線(xiàn)

3 實(shí)驗(yàn)驗(yàn)證與結(jié)果分析

3.1 模型建立

根據(jù)提出的數(shù)字孿生智能運(yùn)維系統(tǒng)框架,基于多模型融合的虛擬建模方法,結(jié)合SolidWorks、Unity等軟件,以淮北合眾機(jī)械設(shè)備有限公司生產(chǎn)的智能風(fēng)水清掃器為實(shí)驗(yàn)對(duì)象,建立虛擬模型如圖7所示。

圖7 虛擬模型

3.2 實(shí)驗(yàn)結(jié)果及分析

根據(jù)采集到的信息對(duì)裝置進(jìn)行數(shù)字孿生驅(qū)動(dòng)的故障診斷是整個(gè)系統(tǒng)的核心。采集電機(jī)軸承內(nèi)圈、外圈、滾動(dòng)體在不同狀態(tài)下的振動(dòng)信號(hào)數(shù)據(jù)制成數(shù)據(jù)集作為歷史數(shù)據(jù)注入數(shù)字孿生虛擬空間進(jìn)行訓(xùn)練,生成相應(yīng)的振動(dòng)信號(hào)數(shù)據(jù),得到故障信號(hào)特征,用以完成網(wǎng)絡(luò)模型在不同故障條件下的分類(lèi)訓(xùn)練。正常類(lèi)型與故障類(lèi)型編號(hào)如表1所示。

表1 正常類(lèi)型與故障類(lèi)型編號(hào)

若令l表示參與分類(lèi)的樣本總數(shù),c表示正確分類(lèi)的樣本數(shù),則準(zhǔn)確率為

(7)

在常規(guī)狀態(tài)下和不同故障狀態(tài)下對(duì)軸承故障診斷準(zhǔn)確率對(duì)比如表2所示。傳統(tǒng)算法在正常、內(nèi)圈故障、外圈故障、滾動(dòng)體故障類(lèi)型數(shù)據(jù)集上的準(zhǔn)確率分別為95.51%、93.37%、92.96%、93.12%,平均精度為93.74%;改進(jìn)后的ELM-LSTM算法的準(zhǔn)確率在故障類(lèi)型數(shù)據(jù)集上的準(zhǔn)確率分別為97.73%、94.89%、93.25%、95.50%,平均準(zhǔn)確率為95.34%。改進(jìn)后的ELM-LSTM模型平均精度提高了1.6%,驗(yàn)證了方法的有效性。

表2 軸承故障準(zhǔn)確率對(duì)比

3.3 實(shí)驗(yàn)可視化界面

在前端WebGL等技術(shù)的基礎(chǔ)上,以三維模型方式實(shí)現(xiàn)對(duì)清掃裝置的可視化運(yùn)維,如圖8所示。主要包括清掃裝置運(yùn)行參數(shù)、環(huán)境信息、三維模型等,同時(shí)通過(guò)設(shè)置清掃裝置參數(shù)等控制終端設(shè)備,實(shí)現(xiàn)聯(lián)動(dòng)。

圖8 可視化界面

4 結(jié)語(yǔ)

數(shù)字孿生是一種利用數(shù)字化技術(shù)對(duì)物理實(shí)體進(jìn)行虛擬模型的搭建,并實(shí)現(xiàn)兩者的雙向映射;智能運(yùn)維則是利用多種人工智能技術(shù),對(duì)設(shè)備進(jìn)行自動(dòng)化監(jiān)測(cè)、診斷等。為了促進(jìn)清掃裝置智能運(yùn)維的全面化、精準(zhǔn)化和可視化,將兩者進(jìn)行結(jié)合,設(shè)計(jì)了基于數(shù)字孿生的清掃裝置智能運(yùn)維系統(tǒng)。構(gòu)建了清掃裝置智能運(yùn)維的數(shù)字孿生框架;結(jié)合實(shí)際應(yīng)用場(chǎng)景,設(shè)計(jì)了清掃裝置故障診斷模型;并完成了對(duì)清掃裝置的建模,結(jié)合前端展示技術(shù),實(shí)現(xiàn)了對(duì)清掃裝置的可視化監(jiān)控。通過(guò)上述方法對(duì)清掃裝置運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè),實(shí)現(xiàn)對(duì)裝置運(yùn)行異常的故障預(yù)警,提高設(shè)備的可靠性和可用性,降低運(yùn)維成本和風(fēng)險(xiǎn)。與傳統(tǒng)方法相比,該方法更直觀高效。