论文推荐 | 美国密歇根大学：用于预测性维护的数字孪生框架

A digital twin framework for prognostics and health management

Maxwell Toothman ^a, Birgit Braun ^b, Scott J. Bury ^b, James Moyne ^a, Dawn M. Tilbury ^a c, Yixin Ye ^b, Kira Barton ^a c

a Department of Mechanical Engineering, University of Michigan, 2505 Hayward St, Ann Arbor, MI 48109, United States of America

b The Dow Chemical Company, 270 Abner Jackson Pkwy, Lake Jackson, TX 77566, United States of America

c Department of Robotics, University of Michigan, 2505 Hayward St, Ann Arbor, MI, 48109, United States of America

Abstract

Despite rapid advances in modeling and analysis technology, the manufacturing industry has been slow to implement prognostic and health management strategies. A cause of this delay is the individualized focus of most health monitoring solutions, which makes it difficult to deploy and reuse modeling resources across manufacturing equipment fleets. This paper presents a digital twin-based framework that standardizes communication and organization of modeling resources used for health monitoring, a critical aspect of prognostics and health management. The framework is based on a novel, state-based model of mechanical system health that can be reused across manufacturing machines and components. A set of modular digital twin classes enables the creation of extensible digital twin hierarchies for monitoring the health of complex systems. A case study implements this framework to standardize fault detection results for the seal and bearing systems of an industrial pump. The framework’s standardized DT classes and aggregation relationships allow component-level models to be re-used and aggregated to predict faults in the pump’s bearing system.

Keynote

Digital twin composition; Open-source digital twin framework; Kafka-ML; 3D visualizations; Industry 4.0

摘要

尽管建模与分析技术取得了快速发展，但制造业在实施故障预测与健康管理策略方面进展缓慢。这一滞后现象的一个原因是大多数PHM解决方案侧重于个体设备，这使得建模资源难以在整个制造设备机队中部署和复用。本文提出了一种基于数字孪生的框架，该框架标准化了用于健康监测（PHM的关键方面）的建模资源的通信和组织方式。该框架基于一种新型的机械系统健康状态模型，该模型可在制造机械和部件中复用。通过一组模块化的数字孪生类别，可以构建出具备扩展性的数字孪生层级架构，这一架构能够有效地监测复杂系统的健康状态。一个案例研究实施了该框架，以标准化工业泵密封和轴承系统的故障检测结果。该框架的标准化数字孪生类和聚合关系使得能够在组件级模型中复用和聚合，以预测泵轴承系统的故障。

关键词

预测性维护、健康管理、制造、数字孪生

Fig. 8. Architecture of PHM digital twins.

Fig. 10. Case study digital twin hierarchy

研究背景

1. 制造业挑战：制造业面临的主要挑战之一是设备的非计划性故障，这导致生产损失。为了解决这一问题，行业开始重新评估预防性维护程序，转向基于条件的维护和预测性维护。

2. PHM策略实施难点：尽管PHM研究提供了检测和诊断设备健康问题、预测未来故障和推荐适当维护程序的方法，但工业界在实施PHM策略方面进展缓慢。主要原因是大多数健康监测解决方案的个性化关注，难以在制造设备群组中部署和重用建模资源。

3. 数字孪生技术：数字孪生(DT)技术的发展为解决这一研究差距提供了机会。特别是，面向目的的、面向对象的DT非常适合用于PHM策略，因为它们可以被聚合和概括以代表复杂的物理系统和过程。

研究方法

1. 数字孪生框架：本文提出了一种基于数字孪生的框架，该框架标准化了用于健康监测的建模资源的通信和组织，这是预测性健康管理和维护的关键方面。框架基于一种新颖的、基于状态的机械系统健康模型，该模型可以跨制造机器和组件重用。

2. 数字孪生类和聚合关系：一组模块化的数字孪生类使得可以创建可扩展的数字孪生层次结构，用于监控复杂系统的健康状况。数字孪生聚合关系允许组件级模型被重用和聚合，以预测泵的轴承系统中的故障。

3. 案例研究：通过实施该框架来标准化工业泵密封和轴承系统的故障检测结果，展示了如何使用数字孪生框架来提供复杂机械系统的标准化健康状态预测。

实验设计

1. DT聚合层次结构：介绍了用于监控工业泵的多个机械系统健康规格的DT聚合层次结构。层次结构中的DT连接显示了DT聚合的多种不同用例。

2. 瞬时密封系统监控：使用密封系统瞬时健康状态(DT)来监控密封系统规格。DT的输出提供了关于密封泄漏存在与否的反馈。

3. 瞬时轴承系统监控：轴承振动RMS值可以用来量化系统健康的一个方面。轴承IHS DTs实现了基于简单限制的方法来监控这一规格。

4. 预测性轴承系统监控：轴承系统预测性健康状态(DT)使用来自降解状态和RUL DTs的信息来准备轴承特定的PHS估计。

结果分析

1. 密封系统监控结果：使用来自轻烃制造厂的泵操作的密封冲洗数据来演示与该规格相关的故障监控。数字孪生能够检测密封泄漏故障，如快照中后半部分出现的处于状态的估计所示。

2. 轴承系统监控结果：使用PRONOSTIA实验旋转测试台的轴承振动数据来演示与该规格相关的预测监控。快照展示了轴承系统接近故障时轴承DT和轴承系统数字孪生的输出。

3. 讨论：本案例研究展示了如何将第3节和第4节中介绍的数字孪生类和聚合关系综合成标准化的数字孪生输出，这些输出描述了与定量规格相关的系统级机器健康状况。

研究结论

1. 数字孪生框架的价值：本文提出的数字孪生框架为制造业提供了一种标准化、可扩展的框架，对于部署和维护PHM建模资源至关重要。数字孪生类提供了组织故障监控模型的构建块，聚合关系使这些数字孪生模块化，以便在车队中重用机器表示。

2. 数字孪生框架的进一步发展：数字孪生框架提供了进一步发展的机会，例如使数字孪生的计算引擎能够识别与已知降解和故障模型不符的行为。这将提高数字孪生输出的质量，并可用于适应现有的健康模型。

关注公众号，后台回复“论文79”即可下载原文