李敬兆,張佳文,石 晴,劉繼超,劉 陽

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

數(shù)字孿生是以數(shù)字化方式對物理實體進行虛擬建模,借助算法模型、數(shù)據(jù)信息等模擬物理實體的實際行為,通過虛實映射、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,進一步提高服務(wù)的實時性、高效性、智能性[1]。制造業(yè)的數(shù)字孿生應(yīng)用包括實現(xiàn)生產(chǎn)流程可視化、設(shè)備監(jiān)測與故障診斷故障預(yù)警、設(shè)備遠程運維等,用數(shù)字孿生技術(shù)構(gòu)造智能運維系統(tǒng)能夠準確反映物理實體設(shè)備的生命周期運行狀態(tài),為運維人員提供了高可視化、高智能度、低成本、低風險的工作環(huán)境。

王政等[2]針對機械設(shè)備智能化需求不斷增加的問題,對數(shù)據(jù)方面的關(guān)鍵技術(shù)進行了詳細闡述。高士根等[3]梳理了數(shù)字孿生在智能運維領(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]針對復(fù)雜產(chǎn)品運維過程中管控難度大等問題提出了基于數(shù)字孿生的智能運維體系架構(gòu)。陶飛等[5]從實際應(yīng)用角度出發(fā),針對數(shù)字孿生模型構(gòu)建問題,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)用落地打下了堅實的基礎(chǔ)。

清掃裝置主要用于清理帶式輸送機皮帶上的輸送殘留物,防止異物導(dǎo)致機器故障,減少經(jīng)濟損失。目前人們對設(shè)備的監(jiān)測越來越重視,但實際在生產(chǎn)中應(yīng)用于清掃裝置方面的監(jiān)測并不廣泛,運維工作仍然存在很多缺陷。傳統(tǒng)運維通常采用人工定期檢修等方式,缺乏對裝置信息統(tǒng)一化、智能化的管理,故障診斷不及時,可視化程度低[6]。為解決這些問題,本文提出了一種基于數(shù)字孿生的清掃裝置智能運維系統(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,對子系統(tǒng)關(guān)鍵零部件電機軸承進行故障診斷監(jiān)測裝置運行狀態(tài);對模型進行輕量化處理,并將數(shù)據(jù)可視化到web端,實現(xiàn)對清掃裝置的智能運維。

1 系統(tǒng)框架

清掃裝置的使用目的是對帶式輸送機的輸送帶進行殘余物料的清理,避免異物清理不及時引起輸送機運行故障。通過建立清掃裝置智能運維系統(tǒng),提高清掃裝置運行的安全性、穩(wěn)定性,降低事故頻率,維護企業(yè)效益[8]。針對傳統(tǒng)清掃裝置運維系的不足,利用數(shù)字孿生實現(xiàn)數(shù)字空間和實體空間雙向映射的優(yōu)勢, 結(jié)合運維需求構(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。輸送機聯(lián)動信號開啟后,設(shè)備智能控制系統(tǒng)運行。為構(gòu)建全面的監(jiān)測體系,布置多個傳感器采集數(shù)據(jù),并與上位機建立連接,為全方位可視化監(jiān)視打下基礎(chǔ)[9]。

1.2 數(shù)據(jù)層

實現(xiàn)數(shù)字孿生體的關(guān)鍵之處在于利用實時數(shù)據(jù)源驅(qū)動模型,實現(xiàn)物理實體和虛擬模型之間的相互映射,以達到實時監(jiān)測在線顯示的要求。在清掃裝置工作過程中,會產(chǎn)生大量數(shù)據(jù)信息,這些信息來源廣、類型復(fù)雜,為實現(xiàn)對數(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)采集框架對清掃裝置數(shù)據(jù)進行動態(tài)采集。OPC UA架構(gòu)由服務(wù)器和客戶端構(gòu)成。服務(wù)器對物理空間的實時運行數(shù)據(jù)進行采集與處理,通過請求-響應(yīng)的方式將采集的數(shù)據(jù)發(fā)送給客戶端。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)置在工控機上,通過工業(yè)以太網(wǎng)與物理實體相連。采集設(shè)備對環(huán)境信息、裝置運行信息等進行采集,并過濾掉重復(fù)無效的信息。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)信息的正確性和實時性,方便對信息進行上傳存儲或發(fā)送到客戶端進行展示。

1.3 模型層

清掃裝置運維系統(tǒng)的模型層是對物理實體進行多維度的描述,包括虛擬模型、物理模型、功能模型等。要實現(xiàn)物理實體和虛擬模型的雙向映射需要將虛擬模型和物理模型進行功能和結(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,實現(xiàn)對清掃裝置的診斷和預(yù)測。為達到應(yīng)用需求,數(shù)字孿生模型應(yīng)具備精準化、可視化、輕量化的特性。

精準化:為避免孿生系統(tǒng)在運行過程中因誤差導(dǎo)致的嚴重問題,應(yīng)在根本上避免誤差的迭代放大;不僅需要構(gòu)建出準確的靜態(tài)模型,又要求模型能隨著數(shù)據(jù)源的驅(qū)動刷新輸出與實際符合的動態(tài)結(jié)果。

可視化:數(shù)字孿生應(yīng)用的落地,將推進監(jiān)控系統(tǒng)的進步。從二維監(jiān)控系統(tǒng)過渡到三維交互系統(tǒng)。數(shù)字孿生模型在構(gòu)建時應(yīng)遵循可視化準則,保證模型的生動形象,支撐起數(shù)字孿生系統(tǒng)的可視化運維管控。

輕量化:為滿足數(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,對模型進行輕量化建設(shè)。減少冗余模型的產(chǎn)生,降低時延,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),以實時數(shù)據(jù)和孿生模型為基礎(chǔ),對虛擬層中的算法模型進行封裝,提供裝置狀態(tài)的直接展示,實現(xiàn)對清掃裝置的運行狀態(tài)實時監(jiān)測,并對實時數(shù)據(jù)進行分析處理、判斷出裝置運行狀態(tài),保證數(shù)據(jù)的迭代更新,維護預(yù)測可靠性,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,使用Solidworks軟件按1∶100的比例還原清掃裝置物理實體的部件。為減少時延、降低系統(tǒng)負荷,對模型進行輕量化處理,再導(dǎo)入到Unity中進行渲染。為實現(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)實現(xiàn)平移和旋轉(zhuǎn)運動,為模型綁定預(yù)設(shè)的行為動作。再結(jié)合功能模型,訓(xùn)練故障診斷算法實現(xiàn)對軸承的故障診斷。孿生模型搭建如圖3所示。

圖3 孿生模型

2.2 LSTM-ELM模型

為實現(xiàn)對關(guān)鍵部位軸承的故障診斷,建立LSTM-ELM診斷分類模型。使用殘差結(jié)構(gòu)的LSTM[12](長短時記憶網(wǎng)絡(luò))分析振動信號特征,再利用ELM[13](極限學(xué)習(xí)機)完成故障分類。

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

圖4 故障診斷模型

在標準的RNN中,重復(fù)的網(wǎng)絡(luò)模塊只有一個簡單結(jié)構(gòu)來調(diào)節(jié)流動值;在LSTM中,重復(fù)的模塊擁有不同的結(jié)構(gòu),分別為遺忘門(ft)、輸入門(it)、輸出門(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是上一個時刻的狀態(tài);xt是當前時刻的輸入;W是權(quán)重矩陣;b是偏置向量,?是激活函數(shù)。

(4)

當前時刻記憶單元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)點個數(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

基于數(shù)字孿生的清掃裝置智能運維系統(tǒng)的技術(shù)路線如圖6所示。在清掃裝置的物理實體上布置多個傳感器采集清掃裝置實時信息,構(gòu)建孿生模型,使用實時信息驅(qū)動孿生模型運轉(zhuǎn),結(jié)合LSTM-ELM診斷算法實現(xiàn)數(shù)字孿生體對清掃裝置的故障診斷。進一步通過WebGL等技術(shù),將數(shù)據(jù)渲染到上位機界面,實現(xiàn)可視化智能運維。

圖6 技術(shù)路線

3 實驗驗證與結(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,以淮北合眾機械設(shè)備有限公司生產(chǎn)的智能風水清掃器為實驗對象,建立虛擬模型如圖7所示。

圖7 虛擬模型

3.2 實驗結(jié)果及分析

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

表1 正常類型與故障類型編號

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

(7)

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

表2 軸承故障準確率對比

3.3 實驗可視化界面

在前端WebGL等技術(shù)的基礎(chǔ)上,以三維模型方式實現(xiàn)對清掃裝置的可視化運維,如圖8所示。主要包括清掃裝置運行參數(shù)、環(huán)境信息、三維模型等,同時通過設(shè)置清掃裝置參數(shù)等控制終端設(shè)備,實現(xiàn)聯(lián)動。

圖8 可視化界面

4 結(jié)語

數(shù)字孿生是一種利用數(shù)字化技術(shù)對物理實體進行虛擬模型的搭建,并實現(xiàn)兩者的雙向映射;智能運維則是利用多種人工智能技術(shù),對設(shè)備進行自動化監(jiān)測、診斷等。為了促進清掃裝置智能運維的全面化、精準化和可視化,將兩者進行結(jié)合,設(shè)計了基于數(shù)字孿生的清掃裝置智能運維系統(tǒng)。構(gòu)建了清掃裝置智能運維的數(shù)字孿生框架;結(jié)合實際應(yīng)用場景,設(shè)計了清掃裝置故障診斷模型;并完成了對清掃裝置的建模,結(jié)合前端展示技術(shù),實現(xiàn)了對清掃裝置的可視化監(jiān)控。通過上述方法對清掃裝置運行狀態(tài)進行實時監(jiān)測,實現(xiàn)對裝置運行異常的故障預(yù)警,提高設(shè)備的可靠性和可用性,降低運維成本和風險。與傳統(tǒng)方法相比,該方法更直觀高效。