基于物理模型的机械系统状态估计的可重用可维护数字孪生框架：预测性维护案例研究

《COMPUTERS IN INDUSTRY》：A Reusable and Maintainable Digital Twin Framework for State Estimation Using Physics-Based Models of Mechanical Systems: Predictive Maintenance Case Studies

　　

提出了一种构建可重用且可维护的数字孪生（Digital Twin, DT）的框架。基于物理的模型（Physics-Based Models）被实时更新以实现鲁棒的状态估计（State Estimation, SE）。通过两个预测性维护（Predictive Maintenance, PdM）案例研究对该框架进行了实验验证。该方法能够在多个系统中检测多种故障及故障严重程度。提供了旋转机械故障的公开数据集以确保可重复性。

在智能制造背景下，数字孪生（Digital Twin, DT）作为连接物理世界与信息世界的核心使能技术，被广泛用于设备状态感知、实时分析和预测性维护。然而，现有数字孪生的实施面临两大关键挑战：可维护性，即数字孪生需随着物理实体的变化而自主更新模型参数并保持估计置信度；以及可重用性，即同一数字孪生架构可应用于具有相似物理行为的多个系统而不损失估计精度。针对这些挑战，本文研究人员提出了一种系统化方法论，旨在构建可重用且可维护的、面向机械系统状态估计（State Estimation, SE）的数字孪生框架。该框架的核心是将基于物理的模型转化为递归更新的基于物理的模型（Recurrently Updated Physics-Based Models），通过实时传感器数据辨识与时变工况相关的模型参数，从而同时满足可维护性与可重用性要求。

为实现上述目标，研究人员首先定义了可维护性和可重用性的定量要求，并分析了统计模型、机器学习模型和基于物理模型三类建模方法在数字孪生中的适用性。统计模型虽能适应时变动态，但难以泛化到多种故障模态；机器学习模型依赖大量标注故障数据，不满足可重用性要求；而基于物理模型天然具有类级可重用性，但需结合在线参数更新才能实现可维护性。因此，本研究选择将基于物理模型作为数字孪生的核心，并提出了一个包含9个步骤的方法论，涵盖故障模型选择、优化算法设计、信号处理、模型选择准则、置信区间定义、故障严重度量化及模型更新触发机制等。数字孪生架构由数据预处理器（Data Pre-processor）、模型库（Model Bank）和输出处理器（Output Processor）三个核心组件构成。数据预处理器负责状态分类、信号滤波和更新判定；模型库并行运行多个递归更新的物理故障模型；输出处理器基于统计指标选择最优模型并量化故障类型与严重程度。

在实验验证中，研究人员使用了一个可在可控条件下模拟旋转机械故障的试验台，该试验台可配置为两种截然不同的转子系统：配置1（TC1）具有较长轴和两个惯性盘，配置2（TC2）具有较短轴和一个惯性盘，两系统动态特性差异显著，从而有效检验框架的可重用性。试验台可模拟不平衡和机械松动两种故障，每种故障均设置了多个严重度等级，模拟退化过程。实验数据由四个电感式位移传感器以10kHz采样率采集，全部数据已公开于GitHub。案例中，有限元（Finite Element, FE）模型通过Python开源库ROSS构建，并使用差分进化（Differential Evolution, DE）算法对时变参数进行辨识。状态分类采用振动幅值均方根（Root Mean Square, RMS）与阈值 β₁、β₂ 进行触发，以节省计算资源；模型选择准则采用决定系数（R²）和RMS相对误差（E），要求 R²>0.7 且 E<8% 方可判定故障；置信区间采用Shewhart控制图3σ限计算，对应99.73%置信度。

案例1旨在验证可维护性。研究人员在TC1上分别施加从轻微到严重的不平衡和机械松动故障，数字孪生基于实时传感器数据自动更新故障模型参数。结果显示，在所有工况下，数字孪生估计与实测数据的R²范围分别为0.84–0.99（不平衡）和0.80–0.99（机械松动），E范围分别为0.03%–3.77%和0.02%–2.5%。R²高表明模型结构正确识别了故障类型，E小表明时变参数辨识准确捕获了故障严重度。因此，该数字孪生能够随物理实体退化持续提供高置信度状态估计，满足可维护性要求。

案例2旨在验证可重用性。研究人员将相同的数字孪生架构直接应用于TC2，仅更换了系统参数（如轴长、惯量等）和阈值，未修改任何算法或模型结构。在TC2上，不平衡故障的估计R²范围为0.77–0.99，E范围为0.01%–3.7%；机械松动故障的R²范围为0.75–0.99，E范围为0.01%–0.12%。结果与案例1相当，最差相对误差均低于4%，最差R²均高于0.75，表明该数字孪生框架在显著不同的同类系统间能够保持一致的估计性能，验证了可重用性。

在讨论部分，研究人员指出该方法存在三个主要局限：第一，必须预知所针对系统类的基于物理故障模型，这并非总是可行；第二，递归更新模型的输出是回归值而非分类标签，因此需要领域专家预先设定严重度阈值；第三，框架假设多个故障的影响可解耦，当多个故障同时发生且效应不可分离时，只能检测到严重度最高的故障。未来工作将把该方法扩展至其他系统类和故障模态，并研究未知故障识别、多故障耦合建模以及模型混合估计等场景。

研究结论可翻译为：本文提出了一种使用递归更新的基于物理模型构建可维护和可重用数字孪生的系统方法论。通过两个预测性维护案例实验证明，所构建的数字孪生能够准确预测系统所受故障类型及其严重程度。当应用于两个具有显著时变动态的不同系统时，数字孪生均表现出同等的高估计性能，这证明所提方法论使数字孪生具备可重用性，并能对物理实体的显著行为变化提供鲁棒估计。尽管实验验证局限于旋转机械和选定故障类型，但基于物理模型在跨工程领域描述同类系统机械故障方面具有一致性，因此该框架有望推广至旋转机械以外的领域。