钢铁行业现有电液机械数字孪生与数字影子创建方法

《Journal of Engineering Research》：Creating digital twins and shadows of existing electro-hydraulic machinery in the steel industry

　　

研究人员提出了一种为钢铁行业现有机械创建数字孪生（DT）或数字影子（DS）的方法。该方法基于多个钢铁行业数字孪生项目的经验，这些项目使用了生产数据。研究人员描述了创建数字孪生时需要采取的步骤，如数据清洗、数据选择、模型选择、模型辨识和模型验证。研究人员强调了基于目的、系统知识和可用数据为数字孪生选择数字模型的重要性。用于数字孪生的数字模型可以是白盒（基于物理的）模型、灰盒模型或黑盒（数据驱动的）模型。模型辨识是针对所选模型类型而特定的。模型验证应既用于验证模型本身，也用于验证数字孪生是否实现其目的。根据目的不同，数字孪生可以在自动化金字塔的不同层级实施。钢铁行业的现有机械通常以闭环方式运行，且参考信号仅有少数几个幅值电平，这导致系统受到低频含量信号的激励。直接辨识一直是最佳或唯一的选择。研究人员展示了五个案例研究，其中针对环形轧机和高压倒插装阀创建了数字孪生或数字影子，其具体目的包括故障预测、预测性维护、状态检测、性能监测和诊断。

论文解读：钢铁行业现有电液机械数字孪生与数字影子的创建方法

一、研究背景与问题

数字孪生（Digital Twin, DT）在汽车、制药、油气及工业炉等多个行业引起了广泛关注。在钢铁行业，数字孪生已被提议应用于产品全生命周期、故障分析、预测控制状态监测、余热回收、过程缺陷检测以及热轧生产效率优化等场景。然而，现有钢铁行业中的许多机械在安装时并未考虑作为数字孪生的物理实体来使用，且通常服役多年，这给数字孪生或数字影子（Digital Shadow, DS）的引入带来了额外困难。与专为数字孪生设计的设备不同，现有机械的传感器可能无法测量所需的物理量，且由于生产过程连续运行，无法施加任意输入信号。此外，这些机械常在闭环控制下运行，参考信号多为开关信号或仅有少数幅值电平，导致系统激励不足，模型辨识困难。现有文献中，数字孪生的定义多样，但大多强调物理实体、虚拟表示及二者之间的数据互联。数字孪生与数字影子的区别在于数据流方向：数字影子仅具有从物理域到虚拟域的单向数据流，而数字孪生具备双向通信。在钢铁行业中，许多应用如维护和诊断需要人工干预，因此严格意义上可能更接近数字影子。当前研究缺乏针对现有电液机械、特别是闭环液压系统数字孪生创建方法的系统总结。本文旨在弥合工业实践与学术研究之间的鸿沟，基于多个实际项目经验提出一套完整的创建方法。

二、研究内容与结论

研究人员基于在钢铁行业数字孪生项目中的经验，提出了一种创建现有机械数字孪生或数字影子的方法，涵盖数据选择与清洗、模型选择、辨识与验证以及实施等关键步骤。研究强调数字模型的选择应基于数字孪生的目的、系统知识和可用数据，并给出了启发式的决策支持框架。研究中采用了白盒、灰盒和黑盒三种类型的数字模型，并在五个案例中分别实现了故障预测、预测性维护、状态检测、性能监测和诊断等不同目的。研究得出以下主要结论：第一，对于钢铁行业中常见的高压液压系统，直接辨识是处理闭环运行导致激励不足问题的最可行方法；第二，模型类型选择需权衡可解释性与复杂度，物理模型适合要求高可解释性的诊断任务，数据驱动模型适合状态检测和预测性维护；第三，所提出方法在多个工业案例中得到验证，能够有效创建满足特定目的的数字孪生或数字影子。

三、主要关键技术方法

研究人员采用了以下关键技术方法：（1）数据选择与清洗，利用布尔信号分离生产周期，通过阈值和插值去除异常值；（2）系统特性分析，使用时域和频域方法（如相关性分析、快速傅里叶变换）评估系统线性度、时变性和激励水平；（3）模型类型选择，依据目的所需可解释性（P）、系统知识（S）和数据量（A）的评分选择白盒、灰盒或黑盒模型；（4）模型辨识，对线性参数模型（ARX、ARMAX）采用最小二乘或预测误差法，对非线性模型（LSTM）采用随机搜索超参数优化，对物理模型采用带约束的凸优化；（5）模型验证，采用交叉验证、残差自相关和互相关分析、AIC/FPE准则以及目的验证（如监测参数随周期变化或误差特征趋势）。案例研究使用了来自工业实际生产的数据，其中环形轧机数据通过iba-DAQ以10毫秒采样率采集，插装阀数据以30毫秒采样率采集。

四、研究结果

环形轧机故障预测（4.1节）：研究人员为环形轧机芯轴创建了非参数数字孪生，以数字副本作为基准，通过比较每个生产周期各时间段的均值与阈值，实现故障预测。该数字孪生在OT层面实施，能够提前10秒向操作员发出预警，在降低设备故障率和保障人员安全方面具有实际应用价值。

环形轧机预测性维护（4.2节）：针对环形轧机五个子系统，研究人员采用ARX灰盒模型，以控制信号为输入、运动位置为输出。利用18个月的历史数据辨识模型并通过误差方差分析工具退化趋势。结果表明该数字孪生能够预测工具劣化和故障，但操作员手动更改工艺参数导致误报率未降至理想水平，需结合维护日志进行交叉验证。

环形轧机状态检测（4.3节）：研究人员对环形轧机各子系统进行输入输出建模。通过时间和频域分析确定系统线性且时不变，选择ARMAX MISO模型和正交基函数（OBF）模型。数据来自生产阶段，采用最小二乘和非线性最小二乘估计参数。通过计算归一化均方根误差（NRMSE），发现异常值对应芯轴断裂，证实模型残差能够有效检测故障。

液压阀性能监测（4.4节）：研究人员为两级比例插装阀创建了基于长短期记忆（LSTM）网络的数字影子。选择挤压阶段的控制信号和阀芯位置作为输入输出。模型经训练后，计算了644个生产周期的均方误差（MSE）。结果表明MSE在周期495后逐渐增加，反映了系统性能退化，证明LSTM模型可监测阀门的性能随时间的变化，并可通过可解释人工智能（XAI）方法如SHAP和LIME提高模型可解释性。

液压阀诊断（4.5节）：研究人员针对同一阀门创建了基于物理模型的数字影子。由于灰盒ARMAX模型效果不佳，且系统复杂度相对较小，故选择物理模型。模型参数在物理约束下通过凸优化估计。结果表明一个反映阀主阀O形圈老化状态的物理参数随周期变化，其变化符合预期老化机理，系统专家确认了该结论。该数字影子可用于阀门老化诊断。

五、讨论与结论

讨论部分指出，在案例研究中数据清洗并非主要问题，这与文献中钢铁行业数据频繁出错的报道不同，可能原因是现有机械的传感器和DAQ系统成熟可靠，且研究聚焦于机械本身而非产品质量。针对闭环系统激励不足的问题，研究人员提出可在校准或维护时引入专门设计的测试序列，但现有机械中大规模采用的可能性较低，未来需进一步研究闭环系统辨识方法。此外，采用降采样可提高信噪比并降低计算需求，长期数据分析中可采用数据压缩以减小存储。数字孪生和数字影子的效果受维护和产品类型影响，因此需要整合IT和OT数据。最终判断数字孪生或数字影子是否满足目的，必须经过长期生产运行评估，未来工作应包括敏感性分析和跨领域研究，并采用停机时间、维护成本等指标进行量化评估。研究结论表明，所提出的方法能够为钢铁行业现有电液机械创建满足不同目的的数字孪生或数字影子，模型选择应综合考虑目的、系统知识和数据量，直接辨识是处理闭环操作下系统激励不足的有效手段，五个实际案例验证了方法的可行性和实用性。