魯澤明，王秀莉

（中國(guó)電信股份有限公司山西分公司，山西 太原 030006）

0 引言

隨著我國(guó)煤礦智能化發(fā)展不斷深入，實(shí)現(xiàn)煤炭生產(chǎn)裝備智能化運(yùn)行維護(hù)成為現(xiàn)階段建設(shè)智能礦山的關(guān)鍵，故基于數(shù)字孿生技術(shù)的礦用設(shè)備智能化運(yùn)行管控成為當(dāng)前煤礦智能化領(lǐng)域中重點(diǎn)研究方向之一[1]。

本文選擇礦用刮板輸送機(jī)作為礦用裝備智能化研究對(duì)象，通過(guò)建立裝備動(dòng)力學(xué)模型、構(gòu)建故障模型與診斷方法、仿真分析等技術(shù)手段，驗(yàn)證數(shù)字孿生技術(shù)在煤炭生產(chǎn)裝備的預(yù)測(cè)性維護(hù)方面應(yīng)用的可行性。

1 數(shù)字孿生技術(shù)優(yōu)勢(shì)

數(shù)字孿生技術(shù)優(yōu)勢(shì)在于構(gòu)建內(nèi)外結(jié)構(gòu)、材料特性、運(yùn)行機(jī)理等與物理實(shí)體無(wú)限趨近的數(shù)字化“孿生體”，應(yīng)用數(shù)據(jù)交互技術(shù)實(shí)現(xiàn)虛實(shí)映射，通過(guò)數(shù)字孿生體運(yùn)算、推測(cè)、仿真、驗(yàn)證等步驟，實(shí)現(xiàn)對(duì)物理實(shí)體現(xiàn)行狀態(tài)的展現(xiàn)與未來(lái)狀態(tài)的預(yù)測(cè)[2]。

本文所述基于數(shù)字孿生模型的礦用裝備預(yù)測(cè)性維護(hù)方案，通過(guò)對(duì)物理裝備的數(shù)字孿生體進(jìn)行模擬故障注入，利用模型仿真與映射算法完成故障特征數(shù)據(jù)獲取與分析學(xué)習(xí)，并將物理世界的感知數(shù)據(jù)注入診斷算法模型，對(duì)設(shè)備運(yùn)行狀態(tài)進(jìn)行分析診斷，實(shí)現(xiàn)礦用裝備的預(yù)測(cè)性維護(hù)。

2 數(shù)字孿生關(guān)鍵技術(shù)

2.1 建模與仿真

相比傳統(tǒng)計(jì)算機(jī)輔助設(shè)計(jì)與制造技術(shù)，數(shù)字孿生建模與仿真需融合環(huán)境、材料性能等眾多因素，以及裝備運(yùn)行中的力、熱、電等物理屬性，使其能在最大程度上模擬物理實(shí)體。

2.2 映射算法

通過(guò)構(gòu)建數(shù)字孿生體靜態(tài)或動(dòng)態(tài)的驅(qū)動(dòng)模型，建立裝備運(yùn)行中復(fù)雜對(duì)象、屬性、關(guān)系的數(shù)學(xué)描述算法，經(jīng)過(guò)數(shù)據(jù)注入與算力驅(qū)動(dòng)實(shí)現(xiàn)物理實(shí)體與數(shù)字孿生體的映射交互，從而建立起模型、數(shù)據(jù)、算力驅(qū)動(dòng)的實(shí)時(shí)動(dòng)態(tài)響應(yīng)模式。

2.3 數(shù)據(jù)交互

利用物聯(lián)網(wǎng)、邊緣云計(jì)算、大數(shù)據(jù)等網(wǎng)絡(luò)通信與數(shù)據(jù)處理技術(shù)，將數(shù)據(jù)進(jìn)行實(shí)時(shí)采集、存儲(chǔ)、篩選與處理，以對(duì)外部環(huán)境的變化進(jìn)行快速、有效判斷與處置，通過(guò)實(shí)時(shí)感知、動(dòng)態(tài)控制、自主學(xué)習(xí)構(gòu)建數(shù)據(jù)交互機(jī)制，實(shí)現(xiàn)虛實(shí)融合與共智協(xié)同。

2.4 數(shù)據(jù)引擎

數(shù)據(jù)引擎是數(shù)字孿生的底層驅(qū)動(dòng)力，是孿生體操作數(shù)據(jù)的接口，涉及數(shù)字孿生體應(yīng)用過(guò)程中的環(huán)境參數(shù)、狀態(tài)參數(shù)、設(shè)備性能及耦合擾動(dòng)等感知數(shù)據(jù)，對(duì)象、過(guò)程、行為等仿真數(shù)據(jù)，以及驅(qū)動(dòng)因素、運(yùn)行機(jī)制等模型數(shù)據(jù)，是孿生體運(yùn)行所需及產(chǎn)生的海量數(shù)據(jù)的存儲(chǔ)、處理和保護(hù)數(shù)據(jù)的核心服務(wù)能力。

3 方案設(shè)計(jì)與實(shí)現(xiàn)

基于數(shù)字孿生模型的礦用設(shè)備預(yù)測(cè)性維護(hù)方案整體框架由數(shù)字空間和物理空間組成。其中實(shí)現(xiàn)數(shù)字孿生預(yù)測(cè)性維護(hù)的關(guān)鍵點(diǎn)在于故障與運(yùn)行模型的構(gòu)建，具體介紹如下。

3.1 預(yù)測(cè)性維護(hù)模型

3.1.1 故障模型

故障模型是故障特征數(shù)據(jù)的來(lái)源，故在構(gòu)建數(shù)字孿生模型時(shí)，應(yīng)綜合考慮多方面的因素，盡可能構(gòu)建高保真度的孿生模型，然后以應(yīng)用需求為導(dǎo)向，對(duì)數(shù)字孿生模型進(jìn)行故障注入。

在孿生模型初步構(gòu)建完成之后，需進(jìn)行運(yùn)行精度驗(yàn)證。孿生模型與物理實(shí)體的運(yùn)行參數(shù)等約束條件應(yīng)保持一致。然后將仿真結(jié)果和實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比分析，誤差校正，確保精度符合實(shí)際應(yīng)用要求。

3.1.2 故障特征

在選擇具體的故障特征生成方法之前，應(yīng)首先針對(duì)刮板機(jī)常見故障設(shè)置應(yīng)用目標(biāo)，并確定故障特征選擇。在刮板機(jī)運(yùn)行過(guò)程中特征信號(hào)數(shù)據(jù)類型為溫度、振動(dòng)、音頻等。

（1）溫度信號(hào)：當(dāng)設(shè)備出現(xiàn)某種故障時(shí)，會(huì)出現(xiàn)溫度上的變化。但是溫度信號(hào)對(duì)早期故障不敏感，當(dāng)設(shè)備故障發(fā)展到一定階段后，溫度才會(huì)有比較明顯的變化。

（2）振動(dòng)信號(hào)：設(shè)備運(yùn)行過(guò)程中的振動(dòng)信號(hào)可以較好地反映其健康狀況。振動(dòng)信號(hào)的采集和處理較簡(jiǎn)單，效果可靠，應(yīng)用廣泛，對(duì)早期故障相對(duì)敏感，但易受外界噪聲因素干擾，須做好信號(hào)降噪處理。

（3）音頻信號(hào)：是指裝備運(yùn)行過(guò)程中因摩擦等情況發(fā)出的音頻。在反映設(shè)備的運(yùn)行狀況時(shí)有較高的參考價(jià)值，但在煤炭生產(chǎn)過(guò)程中干擾噪聲過(guò)大，音頻處理成本較高，且無(wú)法通過(guò)仿真方法得到。

故障特征數(shù)據(jù)是故障診斷算法的數(shù)據(jù)基礎(chǔ)，其數(shù)據(jù)量和樣本分布情況對(duì)故障診斷算法至關(guān)重要。在針對(duì)具體的應(yīng)用對(duì)象時(shí)，首先應(yīng)對(duì)不同的仿真方法進(jìn)行對(duì)比分析，然后選擇效果最優(yōu)的仿真方法，從而獲得可信度較高的“虛擬數(shù)據(jù)”。綜上，本文將針對(duì)生產(chǎn)實(shí)際中易于采集的溫度與振動(dòng)特征信號(hào)開展相關(guān)研究。

3.1.3 故障診斷模型

故障診斷模型是實(shí)現(xiàn)預(yù)測(cè)性維護(hù)的核心，首先初步構(gòu)建診斷算法模型，然后利用故障特征數(shù)據(jù)對(duì)診斷算法模型進(jìn)行優(yōu)化，最后根據(jù)優(yōu)化訓(xùn)練的結(jié)果，對(duì)診斷模型參數(shù)進(jìn)行調(diào)整，實(shí)現(xiàn)診斷算法模型迭代。

圖1 故障診斷流程

本文所采用的數(shù)字孿生體故障診斷算法將采用深度學(xué)習(xí)中卷積神經(jīng)網(wǎng)絡(luò)算法模型進(jìn)行設(shè)計(jì)，其可有效提取數(shù)據(jù)中的關(guān)鍵特征，減少網(wǎng)絡(luò)中參數(shù)傳遞數(shù)量。

3.2 運(yùn)行動(dòng)力學(xué)模型

運(yùn)行動(dòng)力學(xué)模型是確保礦用裝備數(shù)字孿生體數(shù)據(jù)交互驗(yàn)證的基礎(chǔ)，通過(guò)建立運(yùn)動(dòng)力學(xué)方程實(shí)現(xiàn)正常運(yùn)行狀態(tài)模擬，是實(shí)現(xiàn)故障注入及故障排除后，孿生體運(yùn)行狀態(tài)反饋的重要步驟。

毛君等[3]對(duì)礦用刮板輸送機(jī)的動(dòng)態(tài)特性給出了有效的動(dòng)力學(xué)模型構(gòu)建方法，采用多體動(dòng)力學(xué)理論，建立刮板輸送機(jī)多自由度的動(dòng)力學(xué)模型，并得到相應(yīng)動(dòng)力學(xué)微分方程。但構(gòu)建運(yùn)行動(dòng)力學(xué)模型僅是數(shù)字孿生技術(shù)應(yīng)用于預(yù)測(cè)性維護(hù)的第一步，更為關(guān)鍵的是將故障特征信號(hào)與動(dòng)力學(xué)模型運(yùn)行狀態(tài)參數(shù)進(jìn)行對(duì)標(biāo)映射。

在溫度特征信號(hào)對(duì)標(biāo)映射方面，可將軸承轉(zhuǎn)矩M與軸承轉(zhuǎn)速N代入軸承發(fā)熱量與熱學(xué)計(jì)算公式，結(jié)合故障模型算法，完成故障特征溫度信號(hào)與動(dòng)力學(xué)模型運(yùn)行狀態(tài)參數(shù)的對(duì)標(biāo)。

式中，C為物質(zhì)的比熱；t為溫度變化；M為軸承驅(qū)動(dòng)單元的轉(zhuǎn)矩；N為軸承轉(zhuǎn)速；Q即為發(fā)生熱量。

在振動(dòng)信號(hào)對(duì)標(biāo)映射方面，李曉黎[4]提出一種對(duì)振動(dòng)信號(hào)進(jìn)行模擬的多維度預(yù)測(cè)模型，徐青青等[5]提出一種過(guò)濾干擾噪聲的振動(dòng)信號(hào)提取方法，對(duì)軸承故障信號(hào)分解和特征參數(shù)提取效果較好。本文應(yīng)用上述模型與方法，完成故障特征振動(dòng)信號(hào)與動(dòng)力學(xué)模型運(yùn)行狀態(tài)參數(shù)的對(duì)標(biāo)。

在實(shí)際應(yīng)用中，往往采用上述故障特征型號(hào)對(duì)標(biāo)映射方法，形成多維度動(dòng)態(tài)數(shù)據(jù)映射關(guān)系表后，仍需通過(guò)各類型傳感器采集物理實(shí)體的相關(guān)故障特征信號(hào)（如溫度、振動(dòng)等）進(jìn)行驗(yàn)證，完成對(duì)物理實(shí)體運(yùn)行狀態(tài)的預(yù)測(cè)性診斷與判定。

4 實(shí)驗(yàn)驗(yàn)證

4.1 孿生體模型實(shí)現(xiàn)

采用國(guó)內(nèi)主流Web3D數(shù)字孿生建模引擎，完成刮板輸送機(jī)孿生體外部結(jié)構(gòu)及關(guān)鍵部件電動(dòng)機(jī)等模型構(gòu)建，并注入預(yù)測(cè)性維護(hù)模型與運(yùn)行動(dòng)力學(xué)模型，通過(guò)模擬啟停、空載、負(fù)載等運(yùn)行狀態(tài)，完成系列運(yùn)行動(dòng)力學(xué)狀態(tài)參數(shù)設(shè)置，并結(jié)合相應(yīng)算法形成多維度動(dòng)態(tài)數(shù)據(jù)映射表。

圖2 刮板輸送機(jī)數(shù)字孿生模型

4.2 孿生體故障模擬

為驗(yàn)證孿生體預(yù)測(cè)性維護(hù)模型設(shè)計(jì)的有效性，在刮板機(jī)核心部件電動(dòng)機(jī)軸承孿生體中進(jìn)行損傷模擬，即在軸承孿生模型內(nèi)圈、外圈滾道上分別注入寬4 cm、長(zhǎng)25 cm的磨損損傷，經(jīng)運(yùn)算得出孿生體正常態(tài)與故障態(tài)時(shí)軸承溫度與振動(dòng)頻率數(shù)據(jù)變化：

表1 軸承孿生體溫度測(cè)算數(shù)據(jù)表

表2 軸承孿生體振動(dòng)測(cè)算數(shù)據(jù)表

4.3 真實(shí)故障數(shù)據(jù)采集

圖3 刮板輸送機(jī)電動(dòng)機(jī)軸承故障

獲取某礦刮板輸送機(jī)運(yùn)行歷史故障數(shù)據(jù)：采集數(shù)據(jù)為電機(jī)軸承在運(yùn)行中發(fā)生磨損故障情況下，軸承溫度與振動(dòng)頻率隨時(shí)間變化數(shù)值。

表3 電機(jī)軸承溫度數(shù)據(jù)采集表

表4 電機(jī)軸承振動(dòng)特征數(shù)據(jù)采集表

4.4 驗(yàn)證結(jié)論

將模擬數(shù)據(jù)與真實(shí)數(shù)據(jù)進(jìn)行對(duì)比，結(jié)論如下：數(shù)字孿生體模擬實(shí)體運(yùn)行狀態(tài)變化，獲得預(yù)測(cè)性“故障數(shù)據(jù)”是可信的，數(shù)據(jù)結(jié)果準(zhǔn)確率最高接近90%，且隨著真實(shí)數(shù)據(jù)集樣本數(shù)量增加，準(zhǔn)確率可進(jìn)一步提高。由此可證，文中所提出的基于數(shù)字孿生技術(shù)的預(yù)測(cè)性維護(hù)方案具有一定可行性。

5 結(jié)束語(yǔ)

本文所提出的礦用裝備預(yù)測(cè)性維護(hù)方案，僅探討了數(shù)字孿生技術(shù)在煤炭生產(chǎn)領(lǐng)域應(yīng)用的一隅?？梢灶A(yù)見，在我國(guó)煤礦智能化建設(shè)快速發(fā)展的趨勢(shì)下，數(shù)字孿生技術(shù)將會(huì)在煤礦智能開采、綠色低碳等建設(shè)方向發(fā)揮更為重要的作用。■