基于数字孪生的早期故障检测
致力于数字孪生体技术的研究与发展
通过解决方案和工程化应用造福人类
文章来源于：数字孪生DigitalTwin
论文《Digital twin for early-stage fault detection in a hybrid manufacturing cell》于2026年2月发表于《Digital Twin》期刊。文章由希腊Patras大学的Dimitris Mourtzis教授团队完成。本文提出了一种用于混合制造单元早期故障检测的数字孪生（DT），该数字孪生利用近实时数据和人工智能（AI）加速在产品生产完成前判断其是否存在缺陷的决策过程，并通过实际案例分析验证了这种自适应控制自动化的可行性。
引用本文：
Dimitris Tsakalos , George A. Krimpas & Dimitris Mourtzis (04 Feb 2026): Digital twin for early-stage fault detection in a hybrid manufacturing cell, Digital Twin, DOI:10.1080/27525783.2026.2622705
摘要
随着技术不断发展，先进工具使得构建生产力更高但更复杂的系统成为可能。现代消费者追求个性化产品，这对生产系统的高度灵活性提出了要求。为提高竞争力、降低成本，制造业需实现快速准确的决策，以避免缺陷产品的产生。本文提出了一种用于混合制造单元的数字孪生模型，该模型利用近实时数据和人工智能技术，在产品生产完成前加速判断其是否合格的决策过程。本文通过一个真实用例进行分析，以评估以此方式实现自适应控制自动化的可行性。
1.引言
1.1. 大规模个性化与制造系统转型
全球市场对个性化产品的需求推动了制造系统向智能制造的数字化转型。增材与混合制造等技术为实现大规模个性化生产提供了关键灵活性。在此背景下，数字孪生成为实现复杂系统精准控制与实时监控的核心使能技术。
1.2. 数字孪生概念演进
数字孪生包含物理实体、虚拟模型及两者间的数据连接。得益于传感器、物联网、人工智能与高性能计算的发展，数字孪生能够构建轻量、鲁棒的实时仿真模型，广泛应用于产品设计、过程控制、质量评估等领域，并正向集成人类因素的工业5.0范式拓展。
1.3. 问题定义与研究目标
混合制造单元整合了增材与减材工艺，过程复杂、耗时且成本高昂。核心挑战在于：1）在早期阶段准确检测生产故障，避免资源浪费；2）实现故障检测的自动化。本研究目标为开发一个集成机器学习模型的数字孪生系统，以实现近实时故障检测，并对比不同机器学习模型在该场景下的适用性。
2.文献综述
当前针对增材制造的数字孪生研究较多，但在面向完整混合制造系统的数字孪生研究方面存在明显空白。尽管机器学习在故障检测领域应用广泛，但在混合制造场景中，特别是在实时性、准确性和可解释性方面仍面临挑战。已有少数研究探索了数字孪生在混合系统监控、工艺兼容性验证等方面的应用，但将数字孪生与先进机器学习结合用于混合制造单元实时自适应控制的研究尚不充分。
3. 方法论与架构
数字孪生概念强调物理产品或资产的虚拟映射与复 制。其与GIS融合催生了“地理空间数字孪生”，并衍生出数字海洋、数字地球等具体概念。
3.1. 方法论
基于六层架构，方法论包括：建立并映射物理系统（工作站及环境条件，含传感器及其连接与输出）；实时提取、转换并处理数据；利用所得知识对系统启动相应操作。为此，需要一个具有可追踪变量的系统：一个配备内置和外部传感器的制造单元。这些传感器与工具控制器和信息通道共同提供数据采集，并连接至能处理数据的物联网设备。同时，开发一个输出依赖于传感器提取变量的机器学习算法。
该数字孪生设置旨在利用算法中的真实系统变量获得结果，从而对物理设置和流程做出决策（主要是停止有缺陷零件的生产）。通过多种通信协议连接所有机器、传感器和处理计算机实现。训练机器学习算法后，将进行一系列实验以在实际场景中测试训练结果。
所提出的方法论
3.2. 数字孪生架构
架构包含四个部分：物理控制、物理处理、数字处理、数字控制。处理发生在单元内部，而控制发生在控制塔内由操作员在机器学习模型辅助下进行。在物理空间，操作员提供输入并控制流程，单元则加工零件并进行质量控制。在数字空间，单元通过传感器收集数据并转发给机器学习模型，模型将其转化为对操作员可操作的知识。在本案例中，此知识使操作员能在零件生产完成前废弃有缺陷的零件。
数字孪生架构
3.3. 机器学习数据准备与机器学习流程
直接使用传感器提取的数据不可行。系统采样率稳定为10Hz，但数据值范围差异大，且并非所有系统变量都对机器学习有用。数据准备步骤包括：将数据提取为可读文件；根据变异性评估变量并选择部分作为算法特征；通过最小-最大归一化将特征值缩放到0-1之间；通过探索性数据分析了解数据分布、质量、可用性和关系；根据EDA结果修剪文件，仅保留可用特征。使用Python进行数据准备和算法开发。
4. 工业案例研究
4.1. 案例描述
案例为一个柔性混合制造单元，包含一台可在增材制造头、铣削头和3D扫描仪之间切换的六轴机器人。该单元用于制造新零件和修复高价值设备，集成于一个便携模块中，可直接根据CAM文件操作。典型应用是先打印零件或部分，再用机加工完成。
系统集成多种传感器，用于监测位置、速度、功率、振动、熔池图像、几何形貌等参数。
4.2. 案例选择原因
该单元在机器柔性、生产柔性和产品柔性方面潜力高，在过程、路径和产量柔性方面潜力中等，在操作和扩展柔性方面潜力较低但可用。混合制造过程耗时且敏感，若能早期发现缺陷零件并采用不同工艺方案重启生产，可减少浪费并提高产量。
4.3. 机器学习算法描述
为实现近实时信息交换，保持高数据处理速度至关重要。因此，初步选择轻量级的线性回归和逻辑回归模型。两者均用于为数据分配二进制标签，预测每个新数据条目更接近成功或失败的生产案例。提取的过程数据需预处理。候选特征包括机器人位置坐标、速度、激光功率、送丝速率、负载细胞张力、熔池面积等。经特征选择、归一化和探索性数据分析后，用于模型训练。
除回归模型外，还训练了高斯朴素贝叶斯、随机森林和梯度提升模型，以代表不同类型的分类算法进行综合比较。
5.结果与讨论
评估了五种机器学习模型。回归模型单独训练，更复杂的模型先在随机分割的数据集上训练以增强鲁棒性，然后在与回归模型相同的固定数据上测试以进行比较。
5.1-5.5. 模型测试结果
线性回归： 最佳阈值0.5。成功产品的30层全部正确识别（30 TP，0 FN）。失败产品中，7层正确识别为故障（TN），23层被误分类为成功（FP）。
逻辑回归： 最佳阈值0.95。成功产品同样全对（30 TP，0 FN）。失败产品中，14层被正确识别为故障（TN），性能优于线性回归。
朴素贝叶斯： 结果偏向负类预测，TP较少，TN比例很高。
随机森林： 在随机分割数据集上表现近乎完美。但在手动分割（保持产品层序）的数据集上，性能显著下降。
梯度提升： 采用分层K折交叉验证，在随机分割条件下表现与随机森林相似且优异。但在手动分割数据集上同样出现性能显著下降。
5.6. 结果对比
使用准确率、精确率、召回率、误报率和F1分数等指标进行评估。所有模型的推理时间均在10-70毫秒/层之间，在较旧设备上实现了近实时决策。
关键发现：两种回归模型召回率均为1（完美），这对避免成功产品被误弃至关重要。逻辑回归在其他指标上均优于线性回归。朴素贝叶斯召回率极低（0.16），不适用。随机森林和梯度提升在随机分割条件下各项指标近乎完美（AUC分别为0.98和1.00），但在手动分割条件下性能大幅下降，表明其在序列化、逐层故障检测场景中的泛化能力有限。
5.7. 对混合制造单元性能的影响
整合机器学习模型旨在早期发现故障以减少时间和材料浪费。经计算，采用逻辑回归模型可在生产初期识别故障并停止，每周可节约158.4分钟，将吞吐量从48件提升至51件，并节省大量线材。
5.8. 鲁棒性分析
初步鲁棒性分析显示，增加数据集至22个零件，并进行特征重要性分析（显示喷嘴位置很重要）后，引入5%缺失值和随机噪声。线性与逻辑回归表现差异显著，随机森林和梯度提升性能虽下降但有改进潜力。
6. 结论与展望
本研究证实了基于数字孪生与机器学习实现混合制造单元早期故障检测的可行性。关键发现包括：
1）高召回率对减少浪费至关重要；
2）逻辑回归在此任务中表现出较好的平衡性；
3）复杂的树集成模型在随机数据上表现优异，但在序列化真实场景中泛化能力需进一步研究。
未来工作方向包括：采用更大规模、标注更精确的数据集（明确标识故障层）进行训练；在实际生产环境中在线验证模型；探索深度学习等更复杂模型，并权衡其计算开销；以及结合视觉传感器与扩展现实技术，构建更具沉浸感和洞察力的数字孪生系统。
由安世亚太和中国特检院联合牵头，25家单位49位专家共同参编的 T/CAMETA 1054-2024《工业数字孪生概念和术语体系》已正式发布！135个核心概念、95条权威定义，一张图厘清“数字孪生体 / 系统 / 运行环境”等关键术语，助您设计、研发、服务一步到位。
扫描二维码获取《工业数字孪生概念和术语体系》（PDF）。
视频号《安世亚太》
pSeven Enterprise迪卡侬的智能工程工具
仿真驱动数字化设计平台
以上视频源自视频号
关注《安世亚太》，精彩不错过
