《ADVANCED ENGINEERING INFORMATICS》：Model updating approach for digital twin-driven industrial equipment monitoring
编辑推荐：
数字孪生模型在设备监测中需动态更新以保持跟踪能力，现有研究缺乏主动更新决策和多维协同更新方法。本文提出基于退化识别的反向验证决策方法，通过贝叶斯优化的指数加权移动平均监测全局退化趋势，动态灰色关联分析识别局部机制退化，结合高斯混合建模验证退化状态，实现主动更新决策。同时设计多维协同更新方法，利用优化算法调整机制模型参数，CNN识别几何变形参数，双向映射更新机制与几何模型，并通过结构冻结和微调优化算法模型，在皮带输送机轴承案例中实现24.7小时零误报预警，跟踪误差降低40%，故障检测AUC达96%。
Bin Xiao|Liang Chen|Xiaofeng Zhou|Jingshu Zhong|Zixing Wang|Siqi Qiu|Yu Zheng
上海交通大学机械工程学院，中国上海
摘要
数字孪生模型需要及时协调更新，以保持工业设备监控中的跟踪能力。当前的研究缺乏主动的更新决策，依赖于孤立的维度更新，导致参数不一致。本研究提出了一种基于退化意识的决策方法和多维度协同更新方法。在决策过程中，贝叶斯优化的指数加权移动平均算法监测全局跟踪误差，而动态灰关联分析用于识别局部机制退化。高斯混合模型提供统计验证，使得在服务阶段的早期检测成为可能。在协同更新方面，优化算法在退化初期校准机制参数。卷积神经网络识别几何变形参数，实现机制模型和几何模型之间的双向更新。更新后的仿真数据通过结构冻结和微调来优化算法模型。该方法在皮带输送机轴承上的应用实现了24.7小时的早期预警，误报率为零，跟踪误差降低了40%，故障检测的AUC提高了96%。开发的DT监控系统展示了实用的模型更新服务。
引言
近年来，数字孪生（DT）驱动的工业设备监控在学术界和工业界引起了广泛关注[1]、[2]、[3]。DT模型是工业设备智能监控的核心，其有效性取决于高质量的数字孪生建模[4]、[5]、[6]。基于模型的系统工程（MBSE）作为一种先进的系统建模方法，为构建监控场景中的工业系统数字孪生提供了正式、层次化和可追溯的建模框架[7]。Zhang等人[8]使用系统建模语言（SysML）为工业机器人数字孪生建立了需求-功能-逻辑-物理（RFLP）层次架构，为工业设备监控提供了系统的建模参考。对于工业设备监控而言，高质量的初始建模非常重要。然而，从全生命周期的角度来看，仅关注构建阶段是不够的。DT模型在服务阶段的长期运行中的动态跟踪能力是确保监控效果的关键[9]。
在设备生命周期的服务阶段，诸如运行条件变化和材料退化等因素会导致物理系统持续的状态转变。设备从健康运行逐渐退化，直至故障发生和显现。基于初始参数构建的静态模型的监控精度会逐渐下降，最终失效[8]、[9]。基于不准确模型的决策可能导致过程偏差、维护错误以及效率和安全的降低[10]。为了在整个服务阶段保持DT模型的动态跟踪能力，需要解决两个关键研究问题（RQs）：
•RQ1（更新决策方法）：如何构建一种更新决策方法，主动识别设备生命周期服务阶段模型跟踪能力的退化演变过程，并验证识别结果的可靠性，以确定触发模型更新的最佳时机？
•RQ2（协同更新）：如何设计一种多维度协同更新方法，使数字孪生模型在设备服务阶段恢复动态跟踪能力？
对于这两个RQs，现有的DT模型更新研究存在不足。
当前关于DT驱动的设备监控的研究忽略了更新决策[11]。大多数研究仅关注更新程序[12]，忽略了性能退化的演变特性，也没有考虑物理系统状态的多样性[13]。一些研究采用固定间隔更新，依赖固定阈值，或使用基于历史传感器数据的数据驱动方法[14]。这些方法在时间维度引入了刚性约束，在状态空间引入了固定划分，并对数据分布做出了静态假设[15]。因此，模型更新可能在稳定阶段浪费资源，对渐进式退化反应迟缓，无法捕捉多阶段模型演变特征[16]。
关于协同更新，当前研究主要集中在数据驱动方法[17]上。这些方法通过实时传感器数据调整模型参数来更新数字孪生模型。然而，工业设备的数字孪生建模涉及多个维度，包括几何结构、物理机制和算法逻辑。特定维度的孤立更新面临三个问题：跨维度信息丢失、参数不一致冲突以及误差累积放大。具体来说，首先，仅基于传感器数据更新算法模型会忽略几何变形和机制演变。例如，轴承磨损同时会导致振动特性变化和接触表面退化。算法更新仅捕获振动信息，而忽略了几何信息，导致状态表示不完整。其次，每个维度的独立更新会导致参数不一致。当算法模型根据新数据进行调整而机制模型保持初始参数时，两者会对同一物理状态产生矛盾的解释，削弱了监控决策的可靠性[18]。最后，不同模型维度之间存在数据依赖性。一个维度的更新延迟会导致错误在各个维度间传播和放大，降低整体监控精度。因此，孤立更新无法确保多维度模型的协调一致性。必须建立一种协同更新机制，以准确表示物理系统的动态演变过程。
在更新决策方面，本文提出了一种基于退化识别和逆向验证的DT模型更新决策方法，以在整个服务阶段捕捉模型跟踪能力的退化。在全局模型层面，该方法使用贝叶斯优化算法（BOA）增强的指数加权移动平均（EWMA）[19]动态监测从健康运行到早期退化的转变，检测渐进的性能退化趋势。它还应用高斯混合模型（GMM）对测量信号的多尺度特征进行检测和验证，以识别设备在不同服务子阶段的状态变化。在局部层面，该方法采用动态灰关联分析（DGIA）[20]在早期退化期间识别DT机制模型的退化，并通过物理信号增强和特征解耦进一步验证退化状态，确保更新决策的准确性和可靠性。
在协同更新方面，本文提出了一种多维度协同更新方法，用于在整个服务阶段退化演变过程中恢复DT模型的动态跟踪能力。该方法整合了机制参数演变、几何模型变形和算法模型优化，以实现DT模型维度之间的同步更新和协调优化。具体来说，在早期退化阶段，使用动态优化算法实时调整DT机制模型参数。随着退化发展到故障发生和显现阶段，卷积神经网络（CNN）同时识别与故障相关的几何变形参数。这使得DT机制模型和几何模型之间能够进行双向映射和更新。在整个退化过程中，使用来自机制模型的更新后的仿真数据进行结构冻结和分层微调，增强其故障检测能力。整个协同更新过程以机制模型为中心，实现物理约束、几何同步和算法决策的协调，从而提高DT模型在整个服务阶段的动态跟踪精度。
本文的主要贡献如下：
•针对模型更新决策，提出了一种基于退化识别和逆向验证的DT模型更新决策方法。它能够在不同服务阶段全局和局部层面主动识别模型跟踪能力的退化，并根据退化检测结果验证更新决策的有效性。
•针对多维度模型协同更新，提出了一种DT模型的多维度协同更新方法。它实现了阶段特定的更新——在早期退化期间调整机制参数，在故障发生和显现期间更新几何缺陷，并在整个退化过程中优化算法决策——从而提高了服务阶段物理系统的DT模型的动态跟踪精度。
•所提出的方法在皮带输送机轴承上得到了验证，实现了24.7小时的早期预警，误报率为零，触发次数减少了99.5%，跟踪误差降低了40%，故障检测的AUC提高了96%。所有操作都在采样间隔内完成，确保了实时性能。开发的DT监控系统展示了实际应用。
本文的其余部分组织如下：第2节回顾相关工作。第3节介绍研究框架。第4节介绍模型更新决策方法。第5节提出多维度协同更新方法。第6节进行案例研究。第7节总结本文。
部分摘录
DT模型更新决策方法
在长期运行过程中，设备的物理性能逐渐退化并经历状态演变。因此，最初构建的静态DT模型随着时间的推移失去了准确反映物理系统的能力。为了保持模型可靠性，需要进行动态更新。然而，当前关于DT驱动的设备监控的研究忽略了更新决策这一关键问题。大多数研究仅关注模型更新的具体步骤和过程，而没有
论文框架
如图1所示，本文研究了多维度数字孪生模型更新，解决了两个关键方面：“更新决策”和“多维度协同更新”。所提出的方法在两个基本方面不同于传统的模型更新。首先，基于退化的更新决策取代了被动触发策略。其次，多维度协同更新取代了孤立的单一维度校正，确保了子模型
基于退化识别和逆向验证的DT模型更新决策方法
如图2所示，该方法包括四个步骤。首先，通过“基于贝叶斯-EWMA的全局退化识别”和“基于信号特征聚类的全局更新决策验证”进行全局模型更新决策。接下来，通过“基于DGIA的机制模型退化识别”进行局部更新决策，并通过“基于信号增强和特征解耦的机制模型更新决策验证”进行验证。基于这一过程，DT
DT模型的多维度协同更新方法
在确定模型需要更新后，本节详细介绍了DT模型的多维度协同更新方法，如图5所示。对于DT机制模型更新，优化算法动态校准基于动态方程的机制模型的等效阻尼和刚度系数，从而捕捉动态行为的变化。随着退化的加剧和内环或外环缺陷的出现，CNN识别几何变形
案例研究
如图10所示，皮带输送机在大规模港口物流操作中起着核心作用，是物料运输的关键设备。电机轴承作为驱动系统的关键旋转部件，直接影响整体运行效率和可靠性。在其服务阶段，轴承经历了从健康运行到早期退化，直至故障发生和显现的连续演变过程，这一过程受到高
结论与未来工作
在工业设备监控场景下，为了确保DT模型能够随着设备性能的变化持续有效地跟踪物理系统，本文从生命周期的角度研究了一种DT模型更新方法。本文的主要贡献如下：（1）提出了一种基于退化识别和逆向验证的DT模型更新决策方法，通过多维度分析实现模型更新决策
利益冲突声明
作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。
致谢
本工作得到了国家重点研发计划[编号：2024YFB3312600]、离散制造业智能工厂数字孪生系统工程研究中心和上海先进制造环境重点实验室的支持。
