大连理工大学宋学官教授：重大装备形性一体化数字孪生6个关键技术与典型应用

详细信息

作者优秀: 优秀教师/意见领袖/博士学历/特邀专家/独家讲师
平台推荐: 主编推荐/内容稀缺/全网独家

8月前浏览3049

导读：面向日益增长的重大装备数字孪生的迫切需求，大连理工大学宋学官课题组团队研究通过新一代信息技术和传统的机械性能分析与预测技术的深度融合，提出了“算测融合、形性一体”的重大装备数字孪生框架。其中，人工智能、大数据、云边协同计算等高新技术与传统的数值模拟、运维调度、故障诊断等技术的深度融合，成为实现重大装备形性一体化数字孪生的关键（提出的具体框架如图1所示）。

图1 重大装备“形性一体”数字孪生构建框架

整个框架包含物理实体和数字孪生体两部分，物理实体为数字孪生提供外在的感知信息和内在的机理信息，数字孪生体对物理实体信息进行深入挖掘和分析，基于分析结果对物理实体进行闭环控制。其中，传感数据、机理信息和专家知识深度融合，驱动AI孪生器（AI womb）对物理实体的几何形态和结构力学性能进行快速计算、低时延可视化、可靠性分析和准确表征，在数字空间实现对物理实体几何形态的高保真度镜像和内在结构力学性能的精准计算。结合几何形态和结构力学性能完成重大装备形性一体化数字孪生构建。

基于图1框架，进一步考虑面向重大装备几何形态和结构力学性能数字孪生构建中的“算不了”、“算不快”、“算不准”、“测不了”、“测不全”、“测不准”六个问题，本文分别从技术思路和关键技术出发，剖析了解决这六个问题的具体方案和理论依据，为提出的“算测融合、形性一体”重大装备数字孪生构建提供技术支撑和实现路径。提出的具体框架如图2所示，详细阐述如下。

图2 重大装备形性一体化数字孪生构建方案

9月14日19时，仿真秀“产学研用100+计划”将邀请大连理工大学宋学官教授做《重大装备形性一体化数字孪生技术应用概述》技术报告。诚邀从事重大装备数字孪生技术研发的仿真工程师和技术管理者，以及从事数字化装备的工程师和企业或科研负责人莅临直播间交流和讨论。共同携手解决企业技术攻关的难点和服务国家重大需求，详情见后文。

图3 点击文尾阅读原文参加报告会

一、机理与数据融合的建模方法

多物理场（热、流、固、磁等）耦合、多尺度（整机、零件、裂纹等）并存等特性，导致在现行条件下建立考虑多场、多尺度、多态的重大装备计算模型难度大、可行性低，难以实现装备相关参数和性能的计算与评估。鉴于此，面向重大装备几何形态和结构力学性能，构建基于机理约束的稳定、可靠的计算模型，在考虑多场、多尺度不确定性和时变性特征的基础上，融合监测数据，进行全域、跨尺度、多学科、高保真度、动态的几何形态和结构力学性能计算。这种机理与数据融合的建模为重大装备数字孪生构建面临“算不了”的难题提供解决思路和参考方案。

重大装备机理建模旨在利用装备各部件之间的耦合关系以及几何形态和结构力学性能的相互干涉和影响，结合动力学、运动学、热力学等多学科相关理论和原理，依据装备运行特征、固有性能、目标性能和使役性能等，建立适用于快速、可靠、准确表征装备各部件几何形态和结构力学性能变化过程的数学模型。为了满足计算的可求解性、快速性等要求，一般在机理模型构建中对装备物理模型和内部之间复杂的相互作用机理进行合理简化和理想假设[73]。如在力学模型构建中，假设受力均匀、忽略材料内部的各向异性和力作用的传导现象等不确定、非稳定和非线性因素；在几何模型构建中理想化零部件加工导致的直线度、平面度等误差，忽略装配的不对中性、非对称性等复杂因素。这导致最后的分析结果难以准确描述物理装备实际运行中的几何形态和结构力学性能。且机理模型的构建过程未考虑装备实际运行中性能的瞬态变化[74]，使分析结果存在片面性，难以适用于多参数、多尺度耦合的大型复杂装备。

监测数据能够真实客观地描述装备实际运行中的几何形态、结构力学性能等时变信息。依据数据获取方式、获取手段以及获取时间等，可将装备监测数据划分为历史数据和现场数据。其中，历史数据主要包含装备历史运行数据（应力、应变、速度、疲劳寿命等）、几何形态数据（长、宽、高等）、材料初始属性（密度、剪切模量、弹性模量等）等基于多学科和其他途径已获取的确定信息。现场数据主要包括与装备运行状态相关的瞬态时变信息，如速度、位移、应力、应变等。虽然监测数据包含装备运行过程的丰富信息，但仅通过数据难以深入到装备机理特征，无法摆脱分析结果对数据的深度依赖，导致分析结果受数据质量的影响较大。

因此，面向装备几何形态和结构力学性能，对机理信息和监测数据进行深度融合，建立监测数据与对应机理之间的潜在关联关系，通过机理和数据的双驱动实现多学科、多尺度、多状态的动态建模。其中，装备机理信息和历史数据驱动主要完成多学科、多尺度、跨领域的模型构建。该过程可表述为

其中

含义与式（1）中的对应的含义相同，表示装备的特性，

，

和

分别表示数据历史、机理和形态信息，MO表示历史数据、机理与形态信息共同驱动构建的模型。

考虑装备运行过程中时变因素的影响，利用现场监测数据，结合装备机理信息，对装备运行过程中的几何形态进行实时更新，同时对结构力学性能进行动态计算与评估，避免机理模型的局部片面计算，实现机理信息与数据驱动的多状态高逼真度动态建模。该建模过程可表述为：

其中

表示装备当前拥有的特征，

表示当前现场监测数据，MO表示式（2）中构建的模型，

表示当前监测数据驱动的动态更新模型。即当前模型在在线数据、机理信息、初始模型和当前装备特征的驱动下进行动态计算和更新。

二、基于模型降阶的快速分析技术

重大装备的载荷、系统构成和作业工况复杂，导致面向其几何形态和结构力学性能分析的数值仿真模型规模巨大，需要耗费大量的时间和计算资源才能求解。引入几何形态和结构力学性能的快速分析方法，可有效减少数值分析的计算量，满足构建数字孪生的时效性要求，为解决重大装备数字孪生构建中“算不快”的难题提供方案。当前，提升结构力学性能分析效率的常用手段主要包含基于AI的算法[75]的计算模型构建和模型降阶技术两种[76–78]。

对于输入输出非线性关系的结构力学性能分析，采用AI算法通常可提供较高的精度表征。由于纯数据驱动的特性，使AI算法具有良好的计算效率和计算精度。其构建流程如下：首先确定所求解问题的设计变量以及设计变量维度；然后对设计变量进行组合并采样产生数据集；最后利用产生的数据集对AI算法进行优化以提高其计算准确度，依据相关性，建立全域设计变量空间的近似数学表达。因此，AI算法可通过有限样本建立全域设计变量与输出的关系，这有效减少了结构分析的计算量，提高计算效率[76]。

虽然AI算法可以提升结构分析的求解效率，但是该类方法以数据驱动模型[76]，对数据的依赖性高，其准确性受数据质量影响，这很大程度上忽略了结构本身的物理特性。在几何形态和结构力学性能分析时，为了能够在降低计算耗时的同时保留结构原有的物理特性，可在重大装备的数字孪生中采用模型降阶技术。降阶模型主要通过对有限元中的刚度矩阵、阻尼矩阵和质量矩阵进行缩减。该缩减模型可以反映原模型的主要特征，将原模型转变为缩减模型后不但能保持较高的精度，而且可以高效地获取大规模几何形态和结构力学性能的近似解。现有的物理降阶模型主要分为物理坐标降阶、广义坐标降阶和混合坐标降阶三种[79]。

物理坐标降阶主要对动力学方程中的刚度矩阵、质量矩阵和阻尼矩阵进行缩减，降阶后的坐标属于全模型的一个子集。该降阶过程可表述如下

其中

，

和

分别为质量、阻尼和刚度矩阵；

，

和

分别表示加速度、速度和位移向量；n表示对应特征的维度；

为载荷向量，

。关于上式更清晰的表达如下

对应的缩减基可定义为

其中

表示缩减基，

，

，联合式（4）-（6），降阶后的表达式为

其中

，

分别表示加速度、速度和位移降阶后的特征，

表示降阶后对应的外载荷，

，且

。

常用的物理坐标降阶方法包括Guyan缩聚法[80]、动力缩聚法[81]、Krylov子空间方法[82]等。广义坐标降阶主要通过截取模型的模态来实现的，通过引入降阶模型的特征问题，将单模态相关的动态缩聚矩阵的控制方程转换为多模态相关的形式。主要包括模态型动态缩聚、基于模态扩展的缩聚方法、Ritz矢量法[83]、本征正交分解（proper orthogonal decomposition, POD）[84]等降阶方法。混合坐标降阶方法中包含了全坐标中的相关物理坐标，并引入了部分模态坐标实现缩减基矩阵的构建。其中最典型的混合降阶方法是模态综合法[85]，该方法用部分模态坐标代替物理坐标表示子结构，将这些坐标转换为物理坐标，即可利用等线性和相容条件将子结构矩阵装配成全局矩阵。

相比其他两种方法，物理坐标降阶方法的计算效率高，其精确性和收敛速度取决于选择的主自由度的数目和位置。虽然可通过迭代使得降阶模型的精度不依赖于主自由度的选择，但这也极大地增加算法的时间复杂度和空间复杂度。广义坐标降阶方法得到的降阶模型可以保留选择的所有模态，这些模态可以是全模型任意频率范围内的，但相较于物理坐标降阶方法，该方法计算成本高。混合坐标降阶方法可以克服物理坐标降阶方法和模态坐标降阶方法的部分不足。其中模态综合法在航空航天飞行器建模领域得到了普遍应用，可以有效处理这类复杂系统的动力学建模与分析问题[86]。

三、虚实融合的多保真关联技术

重大装备数值模型的构建一般伴随着一定的简化，为了提升计算效率，还需要采用AI快速计算方法或模型降阶技术，这导致最终的分析结果可能难以达到预期的可信度。测量数据一定程度上能够反映物理设备最真实的状态，故有必要将测量数据视为对装备真实状态的高保真描述，计算数据为低保真描述。通过测量数据与计算数据的虚实融合，进一步提升分析结果的准确性。此外，随着重大装备材料、结构、装配等的日益复杂，面向几何形态和结构分析的数值仿真模型越复杂，计算耗时越长，导致模型对全设计变量空间的描述大打折扣。

综上，基于虚实融合的思想，可从“算测融合”和单纯提升计算准确性两方面改善重大装备数字孪生“算不准”的现状。在工程领域，这种基于虚实融合的思想技术被称为多保真代理模型（Multi-fidelity surrogate model，MFS）；在机器学习领域，迁移学习（Transferlearning）被认为是一种典型的虚实融合方法。无论是MFS还是迁移学习，皆希望通过融合不同类型的数据构建更加精确的预测模型。这种虚实融合的思想可表述如下

其中

，Y实表示实际测量值，

表示测量样本点

处对应的标度值，

表示测量样本点训练得到的高精度模型，

表示计算样本点训练得到的低精度模型，

为高精度模型在

处的响应值，

为低精度模型在

处的响应值。由此，每个测量样本点均有一一对应的标度因子，测量的样本点为

，所有标度因子的集合可表述为

基于虚实融合，通过MFS模型学习，联合式（8）和（9）可得构建的计算模型为

其中

表示当前输入值，

为计算模型。

当前在该领域的研究已有诸多杰出成果。例如，周奇等[87]将虚实融合的思想引入到复杂装备的优化设计中，有效平衡了近似模型预测性能和建模成本之间的矛盾。韩忠华等[88]将虚实融合方法用于解决飞行器设计领域的优化问题、计算流体力学和针对飞行载荷的预测。宋学官等[89–91]基于虚实融合的思想，通过不同的方法分别计算了压力溢流阀的流体动力、优化了取料机相关参数、近似了硅芯片平均温度。邱浩波等[92]通过虚实融合方法对全方位螺旋桨驱动桥部件的直径参数进行优化。综上分析，虚实融合的方法可用于改善计算精度，对于解决数字孪生构建中面临的“算不准”问题是行之有效的。

四、基于响应的计算反求技术

用系统论的语言描述，正问题是由输入和模型来确定输出，而反问题则是由获取的部分输出信息来确定系统模型参量或输入条件[93]。对数值模型中未知参量进行确定就属于一类典型的反问题。针对重大装备难以测量或无法测量的载荷，利用反问题理论和快速计算反方法求解，可有效提高载荷预测精度，为解决重大装备数字孪生“测不了”的问题提供技术支撑。

求解反问题的一般思路：

1）对描述或构建模型的参量进行筛选，确定要反求的参量。当参量较多求解难度大时，可采用敏感性分析减少待识别参量的个数，以提高反求参量的计算效率和准确性。其中，反求参量可表示为：

分别表示x取值的上下界，n表示反求参量的类别，m为参量的数量，为了方便表示，这里假设各参量数量相等；

2）建立反求参量与装备易测响应的数值模型，作为正问题求解器。可表述为

其中，

表示正向求解器，其维度取决于

，

为正求解器预测值，可表述为

其中k表示正求解器预测值的总类别，l为每一类预测值的数量，这里假设各预测值数量相等。

3）反问题求解中会不断调用正问题模型预测装备的输出响应，并与测量得到的易测响应数据进行对比。这无疑降低了实际计算效率，为了解决该问题，可利用采样策略合理设计数值实验并构建正向求解器，以减少求解器的计算量；

4）布置传感器实时采集装备的易测响应，将其与正问题模型求解的响应进行对比，利用寻优算法（遗传算法、粒子群优化算法等）得到最优反求参数的估计；结合式（1）和式（11）-（13），反问题优化可表示为：

其中

表示实际测量值，

表示当前装备特征参量，如式（3）所示。

5）将得到的反求参数代入正问题可有效提高模型的精度和可信度，从而为更准确地进行装备性能分析奠定基础。

需要指出的是，利用计算反求技术对模型参量进行估计是以正问题模型有效为前提和条件，即要保证正问题模型可以准确表述实际的物理过程[76]。

五、复杂测点的最优布局技术

实际作业中，重大装备遭受庞大的体积、复杂繁多的结构组件、恶劣多变的工况等不确定性因素的影响，导致重大装备相同部位的不同零件以及不同部位的同类零件性能表现各异。因此，有必要从众多复杂的信息中筛选出能够全面、准确、可靠表征装备几何形态和结构力学性能的特征，在经济成本、可行性等条件的约束下实现最优特征获取，可有效解决重大装备数字孪生中“测不全”的难题。

所谓测点最优布局方案主要从大量测点中选出对分析结果影响显著的点并进行传感器布置，高效实现传感信息密度最大化，减少信息的冗余度，提高监测信息的准确性和可靠性。通过评估当前传感信息的有效性，动态添加测点数量可进一步提高传感数据的信息密度[94,95]。常用的测点优化方法主要包含基于结构性态的传统方法、随机计算方法和基于结构损伤的信息熵方法。

基于结构性态的传统分析方法主要通过建立目标结构振型信息和测点之间的关系准则，进而实现测点优化，常用的方法包括Guyan缩减准则[96]、识别误差最小准则[97]、模态应变能准则[98]和模态置信度准则[99]等。其中Guyan缩减准则将自由度划分为主自由度和副自由度，如式（5）所示，通过在主自由度进行传感器布置实现测点优化，但方法难以适用于高阶模态；识别误差最小准则通过逐步消除对目标振型贡献最小的自由度，得到广义坐标的最优估计，进而提高目标振型的空间识别，实现测点优化；模态应变能准则认为若测点拥有较大应变能，则该点的结构响应也较大，对这些点进行传感器布置能够提高模态识别，但该方法受有限元网格划分影响较大；模态置信度准则基于模态置信度矩阵评价非对角线元素的大小，进而得到测点的相关性，进行测点优化，其中模态置信度矩阵可表示为

其中

和

分别表示第i阶和第j阶模态向量，且

。若MAC的非对角元素Mij趋近于0，认为对应点i和j两个测点正交，则选取这两点作为目标测点。反之，认为两侧点交角趋近于0，继续判断其他点。

随机计算方法主要通过建立基于测点的优化方法，实现目标函数的最小化准则，完成测点优化。常用的方法有序列法[100]、非线性优化规划方法[101]、模拟退火算法[102]、遗传算法[103]等随机计算方法。其中，序列法通过选取初始测点建立目标函数的初值，然后逐步添加测点进行目标函数值的迭代优化，直至所有测点都参与目标函数优化，将最后得到的目标函数对应的测点作为最终的优化测点；对于简单的结构，非线性优化规划方法通过建立振型与固有频率的解析表达式，采用牛顿法、递推二次规划法等非线性方法实现传感器优化配置。针对复杂结构，可将离散变量转化为连续变量进行求解，常用方法为分支定界[104]，但受目标函数梯度影响，使该结果容易陷入局部最优解；模拟退火算法对全局所有测点进行搜索以得到全局最优解，适用于大规模组合优化，但该方法的参数（初始温度、退火速度等）选择因不同的场景而发生变化，参数选取难以控制，一定程度上影响求解效率；遗传算法基于“优胜劣汰”的准则，通过不断地迭代和变异，使目标函数值达到最优，进而选取适应度较大的测点作为最终目标点。这种方法的计算效率和精度受参数设置的影响，且计算过程具有随机性。

基于结构损伤的信息熵[105]方法通过对动力特性参数进行求导反映测点对损伤的灵敏程度，选取灵敏度较大的测点作为传感器布置的测点。通常采用Fisher信息阵进行结构状态改变信息感知的传感器最优布置[106]，其中Fisher信息可表述如下

其中

表示刚度矩阵，

为高斯噪声方差，H表示测量的信息矩阵，

，Q为对应的范数，通过最大化范数确定对刚度K变化敏感的点，实现传感器布置。

六、多源数据的分割与降噪技术

由于受环境、人为操作、传感器材料、监测设备、监测手段等因素的影响，传感器难以从物理世界感知到被测对象真实客观、状态全面、表征准确的信息。这导致实际测量中，实测数据可能反映被测对象的部分信息。针对这一情况，可通过布置多类型传感器相互校正的方式获取被测对象更加全面的信息，但是多传感器产生的多源数据为数据的统一处理带来挑战。此外，获取的测量数据通常包含大量噪音，导致测量结果存在较大误差。上述因素的影响，使通过传感器得到的实测数据表现出局部性、片面性、不准确性等特点。因此，为了减少传感数据对后期分析结果的不利影响，须对数据进行预处理，从源头减少因数据质量不佳而引起的偏差。多源数据的分割与降噪技术可有效提高监测数据的信息密度，减少噪音影响，为重大装备数字孪生构建面临“测不准”的难题提供有效的解决方案。

多传感器提供的多源数据能够从多角度、全方位、多属性反映设备真实状态，为更加准确、全面、客观描述被测对象提供了有效途径。通过在相同测点布置不同类型传感器以及不同测点布置不同类型的传感器，可以实现从不同角度同一维度和不同角度不同维度对被测对象进行更精确细致的感知。同时，多传感器提供的多源数据可相互校准，通过综合分析能够进一步减少由单传感器引入的误差。因此，基于多传感的多源数据可以有效提升信息世界数据的多样性、全面性，为精确描述监测装备的物理状态提供有效保障。

在实际应用中，相同位置不同类型传感器以及不同位置相同类型传感器获取的数据差异明显，表现为数据类型、数据大小、信噪比等指标各不相同，这导致难以找到能够适用于所有数据预处理的统一方法。聚类分割基于数据自身特性，能够自适应地将数据划分为不同的簇，针对不同簇数据特性，采用不同方法，能够有效减少测量中的不确定性信息，提升数据质量[107,108]。图8为数据分割示意。

图4 数据分割

此外，为了降低噪声对传感器测量结果的污染，需要利用高效的数据预处理方法对实测数据中的有效信息进行筛选，从而提高数据的可靠性和精准度。已获取的历史监测数据对分析的实时性要求不高，因此可采用传统的高通滤波[109]、低通滤波[110]、带通滤波[111]、经验模态分解[112]、集成经验模态分解[113]等方法对数据进行滤波降噪，这能够显著提高信噪比。在线监测数据对分析有较高的实时性要求，采用上述传统方法难以满足，且会引入“端部效应”[114]，影响分析结果。因此，在满足数据分析低时延要求的情况下，构建窗函数[115]，采用动态自适应的手段，可快速有效降低噪声信号。上述方法可表述如式（17）

其中

表示需要进行降噪滤波的监测信号，

，

表示降噪滤波后获取的目标信号，

为滤波去除的噪音，

表示采用的降噪滤波方法。

七、典型应用：臂架起重机

以臂架起重机为例，对重大装备数字孪生的构建流程与实现细节进行具体阐述，验证提出方案的有效性。臂架起重机在运行中的结构承载能力受不同因素的影响呈现时变动态特性，对危险载荷的监测与提前预警是避免起重机突发事故的重要前提。臂架起重机的数字孪生可实现对整机几何形态的实时监测和结构力学性能的动态预测，保障起重机安全运行。臂架起重机数字孪生由物理空间、通讯、数字世界和客户端四部分组成。结合图6框架和图7技术方案，提出如图5所示的臂架起重机“算测融合、形性一体”数字孪生框架，以臂架起重机为主体，分析起重机整机几何形态和结构力学性能，实时计算起重机运行中关键零部件的位移、应力与应变等信息。

起重机数字孪生的构建如下。首先，将物理空间信息映射到数字世界，利用数字化技术对起重机的特征、行为和性能等进行高逼真度描述和建模，即在数字世界中建立的起重机虚拟模型与物理空间中的起重机实体在几何、材料、行为等方面保持一致，实现物理世界向数字世界的镜像。其次，布置各类传感器对物理空间中起重机的动作、状态进行感知、捕捉。通过蓝牙、无线网络、局域网等通讯手段将物理空间感知的数据传向数字世界。采用降噪去漂方法对传输的数据进行预处理，提高信噪比。然后，在数字世界中，通过将机理模型、AI算法、专家知识和解析模型计算得到的数据进行融合，完成起重机数据的虚实融合，以实时传感器数据作为输入，实现对起重机几何形态和结构力学性能的在线计算。最后，将计算得到的数据与传感器感知的数据分别以三维模型和信息量化的形式在客户端可视化，辅助用户合理决策[70]。其中，重大装备数字孪生“算不了”、“算不快”、“算不准”、“测不了”、“测不全”和“测不准”六个难题渗透于起重机数字孪生构建的各个环节。

图5 臂架起重机“形性一体”数字孪生构建

1、测不了：动态外载荷难测量

构建臂架起重机的数字孪生，需要以外载荷作为输入。臂架起重机的外载荷主要为起吊重物的重量，因此确定重物重量是起重机数字孪生成功搭建的关键。但是，实际工程中起吊重物的质量一般难以准确获取，且重物通过绳索起吊，故利用传感器测量其重量难度大。此外，重物在起吊或放下过程中发生摇摆，这进一步加大了外载荷确定的难度。因此，在重物重量难以确定的情况下，需要使用反求技术求解起重机运行过程中的实时外载信息。

考虑安装难易程度、成本等方面的因素，制定了以起吊绳索摇摆角度和重物重量为输入，起重机底座支脚的支持力为输出的“正问题”模型。其表述如式（18）所示

其中，

为建立的“正问题”模型，

表示起吊绳索摇摆角度。

如图8所示，为确定起吊重物的摇摆角度，需在起吊绳索的重物端安装位姿传感器，实时监测起吊绳索的摇摆角度。在起重机底座的支脚上安装地脚荷重传感器测量起重机负重时的支持力。依据反问题的思路，在得到反求参量为重物重量的前提下，构建以重物重量和起吊绳索摇摆角度为输入，起重机底座地脚支持力为输出的数值模型。通过均匀采样或拉丁超立方采样获取外载荷与起吊绳索摇摆角度两种变量的样本集，进而驱动相应的AI算法。通过地脚荷重传感器实时采集的载荷响应和位姿传感器采集的绳索摇摆角度数据，将其与正问题模型求解的载荷响应进行对比，基于反求准则（最小二乘准则、极大似然准则、最小均方误差准则等），利用遗传算法、粒子群优化算法、模拟退火等智能优化算法估计最优外载荷。联合式（1）和式（18），上述步骤可表述为

其中，

表示正问题得到的力，

表示实测的力,

和

分别表示起吊允许的最小重量和最大重量，

和

表示绳索允许的最小和最大摇摆角度。

将得到的反求参数代入数字孪生所需的结构力学性能分析模型，即可获取相应应力、应变等信息，为起重机的疲劳寿命分析等创造条件。

2、测不全：多参量传感设备难安装

起重机数字孪生构建对物理空间数据信息完整性以及信息密度要求高。由于受起重机结构、空间布置以及运行位置等的影响，难以对机身所有测点进行传感器布置，这导致起重机部分信息难以全面获取，影响数字孪生构建的准确性和有效性。而且，大量的传感器产生的冗余数据对在线数据处理和分析造成一定困难，这无疑降低了数字孪生计算的时效性。因此，为了确保监测数的完整性，提高数据的信息密度，需对测点进行最优规划，实现传感器位置的优化布置。

考虑起重机数字孪生构建中对数据完整性和准确性的需求，建立起重机待选测点（臂架铰接点、液压油缸支撑点等）与起重机输出响应（位移、应力、应变等）之间的潜在关系，如式所示

其中

表示起重机实际响应参量，

，

表示第i个待选参量，总共有q个待选测点，p表示建立的待选测点与输出参量之间的关系。

为了比较不同测点选取对起重机输出响应的影响，对式（20）进行递增维度分解，即将响应O分解为单个测点作用以及不同测点组合作用的正交函数组合，该过程可表示为

其中等式右边的项取决于待选测点的数量，总共有2q项。依据上式各项之间的正交性可得对应的方差表示为

则对应的各项敏感度可表示为

最后，选取敏感度最大的项对应的测点，作为传感器布置位置。

3、测不准：实时测量数据噪声多

起重机数字孪生构建中主要的传感器有监测重物摇摆的位姿传感器、监测电机转速的旋转编码器、监测臂架变幅角度的倾角传感器以及监测受力的地脚荷重传感器。在测量过程中，传感信号带有一定的噪声并受材料性能的影响发生漂移，导致测量结果出现偏差，影响数字孪生几何形态和结构力学性能计算的准确性。因此为了减缓漂移和噪声对测量结果的影响，需采用滤波和去噪手段对传感器信号进行处理。

对已获取的传感信号（支持力、摇摆角、速度、加速度等），为避免传感器环境温度、材料等带来的漂移干扰，考虑传感器自身特性和监测数据类型，可采用高通滤波减少低频信号漂移的影响。同理可采用低通滤波减少高频信号漂移的影响，采用带通滤波减少端部效应。同时，考虑到环境等外部条件的影响，对已获取的信号采用经验模态、小波分解等方法进行离线去噪，进一步提高信噪比。如式（24）所示

式中

，

和

分别为去噪后的实测支持力、绳的摇摆角度，测点加速度和电机转速，其中

表示已获取的监测信号总长度，

，

和

分别为包含在原始测量数据中的噪声，

，

和

分别表示去噪方法，

，

和

分别为对应的传感器原始监测数据。

对在线监测信号（支持力、摇摆角、速度、加速度等），考虑实时性要求，在保证低时延、尽可能包含多时域信息特征的情况下，通过构建动态时间窗，利用滤波和去噪方法减少噪声的影响。上述过程可表示如下

其中

表示构建的窗口长度，在去噪过程中，该窗口的位置随着时间和采集信号的增加而移动，且与采集信号保持一致的变化步长。

例如，在起重机重物的位姿测量中，采用高通滤波对输出信号进行处理，可有效降低频信号低漂移对测量数据的影响。残留在主信号上的小幅值噪声，可利用小波变换减少其影响。通过降漂和去噪操作，有效减少了因测量不准导致的起重机数字孪生性能分析与预测误差，提高起重机运行状态监测的准确度。

4、算不了：多维度多尺度建模难

臂架起重机具有热流固等（温度、液压、臂架结构等）多物理场、多学科（运动学、动力学、材料等）、多尺度（臂架起重机结构尺寸、零部件、裂纹等）等特征参量，导致通过传统的方法难以建立能构准确描述臂架起重机几何形态和结构属性的模型，无法计算物理实体相关特征，严重影响分析结果的准确性和可靠性。因此，探索高效精准的建模方法，在多物理场、多学科、多尺度等特征的驱动下，实现物理实体几何形态和结构特征的忠实镜像，确保计算的准确性和可靠性。

在臂架起重机机理模型构建中考虑多物理场属性与约束，确保构建模型的合理性与可靠性，赋予构建模型更多现实意义，提高臂架起重机模型多物理场计算的有效性。对于多尺度交互建模，这里主要考虑臂架起重机空间尺度（整机、零件等）和时间尺度（瞬态、稳态等）。其中空间尺度模型的构建可表述为

其中

表示整个模型的空间尺度，

，

和

分别表示整机、部件和零件的空间尺寸。宏观尺度为微观尺度设立边界和约束，微观尺度对宏观尺度进行延拓和细化。

对于臂架起重机时间尺度的构建，着重在于其瞬态的有效计算与稳态的关联。以臂架起重机液压油缸为例，其瞬态特性对整机的几何形态和结构力学性能有显著影响，特别对于启动和停止这种具有冲击现象的瞬态。因此，基于离散化的思想，对液压油缸工作中的瞬态性能和现象进行分析，可表述为式（27）的连续性和式（28）的动量方程

其中

表示密度，

表示体积，

，

分别表示三个不同方向上的液压油速度，

表示对应的剪切力，

表示每单位质量的体力。

5、算不快：力学性能难快速求解

臂架起重机数字孪生构建旨在实现对起重机运行中几何形态的实时监测和结构力学性能的动态评估，完成起重机的智能调控，并根据几何形态和结构力学性能信息为下一代产品设计优化提供指导。对起重机这类大型设备而言，其结构应力分布反映了各部位的安全程度，是保障装备安全运行的一项重要性能指标。针对重型机械设备，其性能分析通常利用数值模拟手段，但该方法计算量庞大，难以满足数字孪生实时求解的要求。因此，对于起重机这类拥有高维设计变量且需大规模计算求解的重型装备而言，需通过模型降阶技术或AI算法减少计算量，实现对装备性能的实时求解与计算。

采用AI算法对处于静态或准静态过程的臂架起重机进行力学性能计算。通过获取的样本集驱动AI算法进行参数优化，提高算法的准确性，建立力学性能快速计算的AI算法。

对处于动态运行的臂架起重机进行性能预测，需结合模型降阶和AI算法。利用模型降阶技术在确保信息完整的条件下，减少性能求解的运算量，可实现快速计算。但针对起重机这类含有大量自由度的重型装备，仅使用模型降阶技术，计算速度仍然难以满足数字孪生实时性要求。因此，在起重机的动态运行过程中通过结合模型降阶技术和AI算法，可实现求解过程的简化，降低计算量，提高计算效率，达到实时解算的要求。其中降阶过程如式（4）-（7）所示。

6、算不准：性能预测精确度低

起重机的几何形态和结构力学性能分析依赖于数值模型、模型降阶技术和AI算法的结合。在建立数值模型时，考虑到计算量，需对起重机某些部件进行大量简化，这导致以数值模型为基础构建的起重机数字孪生体与真实起重机存在差异。此外，虚拟模型在几何、材料、装配等方面与真实起重机不同，故仅使用数值模型不可避免地给计算结果带来固有偏差，而模型降阶技术和AI算法的使用进一步扩大了这种偏差。

为了改善上述问题，在起重机性能实时预测中采用虚实融合的方法，从两方面缓解计算准确度难以保障的问题。一方面，对于需大量精简的起重机部件，从设计变量角度考虑，利用数据与机理融合技术，充分挖掘现有数据潜在信息进行性能分析。对有限的设计变量而言，AI算法可快速产生大量数据，但仅限于数据层面，并未深入关联机理信息，计算结果准确性受数据质量影响较大。结合起重机机理模型，赋予数据更多可解释机理特性，提高计算结果的可信度和有效性。

另一方面，对于因几何、材料、装配等不确定因素以及模型降阶技术和AI算法导致的差异，可使用传感器采集的真实数据进行补偿和修正。传感数据包含设备物理空间运行状态的客观信息，在一定程度上能够刻画设备真实特征。其中，AI算法确保计算中的数据需求，传感数据提供起重机真实信息，通过深度分析两种数据实现虚实融合，驱动数字孪生给出更为可信的几何形态和结构力学性能分析结果。具体计算过程如式（8）-（10）所示。

7、数字孪生系统与效果

基于图5所示框架，构建的臂架起重机数字孪生系统如图6所示。物理空间主要包括臂架起重机物理实体以及安装在起重机测点位置的传感设备。传感设备将物理空间感知到的电机转速、重物摇摆角度、臂架变幅倾角等信息通过数据传输策略和通讯协议等方法传输到数字世界，驱动数字世界臂架孪生体实时动态高逼真度可视化臂架物理实体几何形态和结构力学性能变化，实现臂架起重机“形性一体”化数字孪生构建。

图6 臂架起重机数字孪生系统

数字世界主要实现物理世界动臂式起重机姿态和应力动态实时可视化。经滤波、去噪后的传感数据在线动态驱动数字世界起重机孪生体实时更新动臂变幅角度、回转角度等，使数字世界孪生体与物理世界实体姿态保持一致，实现动臂起重机姿态在数字世界实时可视化。如图7所示，数字世界不仅可视化提升重物的轨迹，而且以数字的形式可视化动臂相关点的位移值、重物的载荷大小、重物提升速度、动臂变幅角和回转角。当起重机姿态参数超出规定范围，即可认为姿态异常，数字世界给予警告提示。从多角度、多状态参数描述起重机物理空间姿态。图7所示为臂架回转角超过规定范围，表现为数字世界弹出警告，状态显示栏中对应的回转角仪表盘变红，并伴随警告声。

图7 臂架起重机几何形态数字孪生结果

同时，传感数据驱动构建的AI算法实时计算起重机应力值，并以云图的方式通过起重机数字孪生体动态显示，如图8所示。通过鼠标点击动臂不同位置，右侧状态显示栏中的应力表显示该点对应的应力变化曲线。如此，实现物理空间动臂起重机应力在线计算和可视化。

图8 臂架起重机结构力学性能数字孪生结果

八、重大装备形性一体化数字孪生公开课

通过分析当前数字孪生应用于重大装备时面临“算不了”、“算不快”、“算不准”、“测不了”、“测不全”和“测不准”的难题，提出了采用机理数据融合、模型降阶、AI智能算法、虚实融合、计算反求、降噪滤波、聚类分割等一系列方法和技术构建适用于重大装备的“算测融合、形性一体”的数字孪生框架。并以臂架起重机为例详细阐述了所提出框架的具体实现方法，结果表明提出框架对构建重大装备的数字孪生具备可行性和普适性。但是，重大装备数字孪生的落地应用任重道远。

为了帮助国内企业和科研团队更好的理解和掌握重大装备形性一体化数字孪生技术应用，9月14日19时，仿真秀“产学研用100+计划”将邀请大连理工大学宋学官教授做《重大装备形性一体化数字孪生技术应用概述》技术报告，诚邀从事重大装备数字孪生技术研发的仿真工程师和技术管理者，以及从事数字化装备的工程师和企业或科研负责人莅临直播间交流和讨论。共同携手解决企业技术攻关的难得和服务国家重大需求。以下是直播安排