《Water》：A Theoretical Digital Twin Framework for Multi-Stage Point-of-Use Water Purification Systems: Sensor Fusion and Stochastic Remaining Useful Life Prediction
编辑推荐：
分散式使用点（Point-of-Use, POU）水净化系统面临极端的水质波动，但当前维护依赖被动式计划，存在膜失效风险。本研究提出一个理论性数字孪生（Digital Twin）框架以克服这些脆弱性。研究人员在七个分析节点上开发了一个包含15个传感器的拓扑结构
分散式使用点（Point-of-Use, POU）水净化系统面临极端的水质波动，但当前维护依赖被动式计划，存在膜失效风险。本研究提出一个理论性数字孪生（Digital Twin）框架以克服这些脆弱性。研究人员在七个分析节点上开发了一个包含15个传感器的拓扑结构，利用质量平衡方程绕过了反渗透（Reverse Osmosis, RO）浓水流的物理传感器。组件特定的退化模型——Hermia物理堵塞、Yoon–Nelson吸附耗竭和溶解-扩散模型——被集成到与伽马过程（Gamma process）耦合的贝叶斯粒子滤波（Bayesian Particle Filter, BPF）中。该算法动态处理模拟的含噪物联网（Internet of Things, IoT）传感器数据，以估计系统的剩余使用寿命（Remaining Useful Life, RUL）和健康状态（State of Health, SoH）。极端运行场景下的计算仿真证明了该框架能够将物理污堵与化学耗竭解耦。为解决缺乏物理原型的问题，通过不同噪声分布下的蒙特卡洛（Monte Carlo）模拟验证了内部一致性和算法鲁棒性，获得了较高的经验区间覆盖率。该随机模型自适应更新RUL预测，准确跟踪S形氯突破曲线以保护RO膜。该框架为过渡到基于状态的维护（Condition-Based Maintenance, CBM）提供了可扩展的数学架构，为未来的物理验证和部署奠定了基础。
分散式使用点（Point-of-Use, POU）水净化系统是保障饮用水安全的重要手段，通常集成机械过滤、活性炭吸附、反渗透（Reverse Osmosis, RO）、再矿化与紫外线（Ultraviolet, UV）消毒等单元。然而，此类系统面临极端进水水质波动，如浊度、结垢潜力与余氯峰值变化；当前维护仍多基于时间或累计流量的确定性计划，无法感知各模块真实退化状态，可能导致健康部件提前更换，或因余氯突破造成聚酰胺RO膜不可逆氧化等灾难性失效。大型水处理设施的数字化方案因成本高且缺乏轻量级多级退化模型，难以直接移植到POU系统。尽管Hermia堵塞模型、Yoon–Nelson吸附模型以及贝叶斯粒子滤波（Bayesian Particle Filter, BPF）和伽马过程（Gamma process）等方法已有独立应用，但尚无统一的多级POU随机框架。为此，本研究提出一个理论数字孪生（Digital Twin, DT）框架，旨在通过传感器融合和随机剩余使用寿命（Remaining Useful Life, RUL）预测，推动维护模式从反应性向基于状态的维护（Condition-Based Maintenance, CBM）转变。
研究人员针对七级POU系统提出了15传感器拓扑，分布七个分析节点，利用水力与溶质质量平衡方程推导RO浓水流参数，从而省略该处物理传感器；为各模块分配物理退化模型，并在贝叶斯状态空间中与Gamma过程耦合，采用序贯重要性重采样（Sequential Importance Resampling, SIR）粒子滤波估计系统健康状态（State of Health, SoH）和RUL。通过50次独立30天蒙特卡洛（Monte Carlo）仿真，随机注入高斯噪声并随机化氯突破发生时间，验证了框架能解耦物理污堵与化学耗竭，全局均方根误差（Root Mean Square Error, RMSE）为2.33%，90%经验置信区间覆盖良好，为未来物理验证和边缘计算部署奠定数学基础。
关键技术方法包括：（1）基于质量平衡的传感器最小化设计，通过流量与电导率测量推导RO浓水流参数；（2）组件级物理模型——Hermia方程描述机械堵塞，Yoon–Nelson方程描述活性炭吸附耗竭，溶解-扩散方程描述RO膜传质；（3）Gamma过程驱动的BPF，以物理模型输出作为形状参数并通过似然函数更新粒子权重；（4）蒙特卡洛实验设计，仿真参数取自水处理文献中的校准值，并对关键随机参数进行扰动以检验敏感性。这些方法绕过了物理原型限制，重点验证算法内部一致性和鲁棒性。
3.1 进水扰动与物理化学传感器响应：通过向合成氧化还原电位（Oxidation-Reduction Potential, ORP）数据注入高斯噪声，模拟低质量传感器和进水干扰。健康时碳块吸附游离氯，ORP约250 mV；吸附耗竭后游离氯引起ORP尖峰上升至约650 mV，为化学突破提供了可监测的物理化学信号。
3.2 随机健康状态跟踪与区间覆盖：对比Yoon–Nelson理论退化曲线与BPF估计均值，算法仅依据含噪ORP读数即可准确定位SoH降至15%的寿命终点；初始宽置信区间随证据同化而显著变窄，50次随机迭代的全局RMSE为2.33%，证明Gamma过程与SIR组合的数值可靠性。
3.3 抗循环验证的算法鲁棒性：叠加50条随机轨迹显示，无论氯突破在第10、12或14天发生，各粒子滤波轨迹均动态调整下降速率以跟踪真实曲线，排除“循环验证”偏差，表明框架能有效解耦化学耗竭与机械污堵，支持POU系统向预测性CBM过渡。
3.4 参数敏感性分析：对Gamma尺度参数和化学耗竭速率进行系统扰动后，BPF通过实时ORP更新权重，仍将全局RMSE限制在3.5%以下，证明预测精度主要由实时传感器融合驱动，而非过度依赖理论先验。
讨论部分指出，传统POU系统作为“黑箱”运作，难以应对进水极端变化；本文将物理模型嵌入贝叶斯状态空间，通过对ORP信号的Nernst行为修正，使粒子滤波跟踪真实的氧化性突破。随机化故障发生时间的蒙特卡洛实验验证了算法对低质量传感器噪声的鲁棒性，且无需大量历史数据进行训练，适合边缘计算。省略RO浓水流传感器并通过质量平衡补偿，降低了硬件成本和泄漏风险，提升了可扩展性。
研究结论可概括为：本研究提出并理论验证了一种针对七级POU水净化系统的数字孪生框架，旨在推动行业向数据驱动的预测性治理转变。计算模型证明，15传感器拓扑可有效监测水力、物理化学和辐射参数；质量平衡方程成功消除了RO浓水流硬件仪表需求，降低了系统复杂性而未损失可观测性。将Hermia和Yoon–Nelson模型嵌入Gamma过程驱动的BPF被证明有效。模拟低质量传感器环境的蒙特卡洛测试显示，算法可自适应跟踪不可预测的化学故障，通过实时ORP监测隔离碳吸附耗竭，获得2.33%的全局RMSE并保持紧凑的90%经验置信区间，能及时发出寿命终点（End-of-Life, EOL）警报，从理论上防止下游RO膜发生不可逆氧化损伤。当前主要局限是理论性质，未来需在物理原型和边缘计算微控制器上验证，并为整合物理信息神经网络（Physics-Informed Neural Networks, PINN）奠定基础。
