“数字孪生/故障诊断”专题 | 第一篇：PHM领域数字孪生技术介绍及学习路线分享

1月前浏览2754

本期给大家分享一下小编近期在做的一些调研工作：关于PHM领域数字孪生技术介绍及学习路线分享。

一、数字孪生定义及发展阶段

1.1定义

在《数字孪生体技术白皮书》中，作者把“Digital Twin"翻译成”数字孪生体”并定义：“数字孪生体是将现有或将有的物理实体对象的数字模型，通过实测、仿真和数据分析来实时感知、诊断、预测物理实体对象的状态，通过优化和指令来调控物理实体对象的行为，通过相关数字模型的相互学习来进化自身，同时改进利益相关方在物理实体对象生命周期内的决策。”作者认为，数字孪生是与物理实物对应的数字模型物体，通过相关技术使物理实例和数字实例之间趋向一致。

图1 数字孪生体最初概念模型

百度中的介绍为：”数字孪生是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程”。数字孪生是一种超越现实的概念，可以被视为一个或多个重要的、彼此依赖的装备系统的数字映射系统。

图2 飞机飞行的数字孪生

综上，数字孪生既可以理解成一种映射关系，也可以理解成与物理实体对应的虚拟数字模型体。数字孪生技术主要是利用传感器和运行历史数据等实现虚实结合，本体和孪生体的数据流动是双向的，本体能向孪生体输出数据，孪生体也可以向本体反馈信息。其最终目的是基于数据整合和分析预测来模拟、验证、控制物理实体生命周期过程，最终形成智能决策的优化闭环。

图3 数字孪生在智慧城市的应用

1.2 发展阶段

小编在查阅文献后把数字孪生的发展历程整理分类为五个阶段，分别是起源阶段、引入阶段、发展阶段、普及阶段及未来展望。

起源阶段（20世纪60年代至2002年）：在20世纪60年代，NASA开始使用数学建模来模拟和预测航天器的性能。这种数学模型被称为“数字孪生”，因为它是对现实物体或过程的数字化镜像。NASA使用数字孪生来优化航天器设计，预测性能，并进行虚拟测试。此外，在此之前，一些行业已经开始使用数学建模来模拟物理系统，如汽车工业使用计算机辅助设计（CAD）和计算机辅助制造（CAM）等。

引入阶段（2002-2010年）：在这一阶段，数字孪生的概念开始逐渐引入工业界。随着计算能力和仿真技术的提升，数字孪生开始在先进制造业中得到应用，如航空航天、汽车制造等。数字孪生主要由两个组成部分构成：数字模型和物理模型。数字模型是对真实对象或过程的数学描述，而物理模型是对真实对象或过程的物理表示。这一阶段的重点是数字模型的建立和验证，以及一些早期的实际应用案例的探索。

发展阶段（2010-2015年）：随着大数据、云计算和物联网技术的飞速发展，数字孪生得以快速发展。企业开始将数字孪生技术集成到其业务中，用于产品设计、生产优化和运营管理等领域。这一阶段，数字孪生技术逐渐走向成熟，并且一些行业标准和规范也开始出台，以推动数字孪生技术的应用和发展。例如，2014年，德国政府启动了数字工厂计划，旨在将数字孪生技术应用到制造业中。

普及阶段（2015年至今）：数字孪生技术逐渐普及到更多的行业。随着人工智能、机器学习等技术的发展，数字孪生在预测、优化和决策支持方面发挥更大作用。数字孪生开始成为工业4.0的重要组成部分，被广泛应用于智能制造、智慧城市等领域。例如，在2018年举办的德国汉诺威工业博览会上，数字孪生技术是主题之一。此阶段的应用案例包括风力发电机组的优化、智能建筑的设计和管理、智慧城市的规划和运营等。

未来展望（未来）：数字孪生技术仍在不断演进和完善中。未来，数字孪生有望在更多领域发挥作用，如城市规划、环境保护、精准医疗等。随着5G、边缘计算等新兴技术的普及，数字孪生的应用场景将会更加丰富多样。数字孪生有望成为各行业数字化转型的重要支撑，为实体世界的数字化提供更强大的支持。

图4 其他资料整理的数字孪生的发展阶段（来源：数字孪生技术白皮书）

二、数字孪生在故障诊断及PHM的应用

2.1 传统故障诊断方法局限性

(1)时间成本高：传统的故障诊断通常需要花费大量时间来排除可能的故障原因。这包括检查各种可能的机械、电气或电子元件，并逐一排除可能的问题。这种逐步排查的方式往往耗时且效率低下。

(2)专业知识要求：传统故障诊断通常需要专业领域内的知识和经验。例如，对于机械设备的故障诊断可能需要机械工程师的专业知识，而电气设备的故障诊断则需要电气工程师的专业知识。这使得故障诊断过程对于非专业人士来说变得困难且复杂。

(3)依赖人工经验：传统故障诊断方法通常依赖于技术人员的经验和直觉来判断可能的故障原因，这种主观性往往会导致诊断结果的不确定性和误判。

(4)无法实时监测：传统故障诊断方法往往是基于周期性的检查和维护，无法实时监测设备运行状态，因此可能错过一些潜在的故障预警信号。

图5 故障诊断方法分类（来源CSDN）

2.2 数字孪生技术的优势

(1)实时监测：数字孪生可以通过传感器和数据采集系统，实时获取设备或系统的各种参数和运行状态。这使得故障预警和异常检测成为可能，可以及时发现并响应潜在的故障情况。

(2)精确模拟：数字孪生使用物理模型和算法对物理实体进行精确仿真。它可以模拟设备或系统的运行行为，包括性能、工作条件、负载情况等。通过与实际数据的对比和分析，可以准确地识别和定位故障。

(3)故障预测与优化：通过数字孪生，可以对设备或系统的未来运行状态进行预测和优化。基于历史数据和实时监测数据，数字孪生可以进行故障预测，提前采取措施避免故障发生，并进行性能优化以提高效率和可靠性。

(4)虚拟测试环境：数字孪生可以提供一个虚拟的测试环境，用于模拟和评估不同的故障场景和维修方案。这样可以降低实验成本和风险，优化故障排除策略，并提高维修效率。

(5)数据驱动的决策支持：数字孪生可以通过大数据分析和机器学习算法，从海量数据中挖掘有价值的信息。这些信息可以为故障诊断提供决策支持，帮助技术人员做出准确、快速的故障判断和处理。

2.3 总结

数字孪生在故障诊断中的优势在于实时监测、精确模拟、故障预测与优化、虚拟测试环境以及数据驱动的决策支持。这些优势可以提高故障诊断的准确性、效率和可靠性，减少故障带来的损失和停机时间。目前在制造业中的设备故障诊断、能源领域的电网故障诊断等相关领域均有数字孪生技术的应用案例或者技术研究。

三、建模学习路线与资料分享

3.1 引言

数字孪生这个概念虽然被提及很多年，但是对比一些如：单片机、dsp等技术还是比较新颖的概念。这样导致网上的学习资料包括学习路线都比较少，特别对于一些小白是非常不友好的。经过小编几个月的摸索，也整理了一些学习思路及对应视频资料，希望为小伙伴们提供一定的帮助。另外网上一些前辈大佬做的数字孪生对象可能跟大家不一样，就我整理而言，有电梯、机械臂、基于arduino舵机等，我认为均有一定的借鉴意义，可以参考其学习流程以及需要的知识资料。

3.2 学习思路

数字孪生数字模型推荐大家用Solidwork实现，这也是目前使用最多的建模软件,除此之外还可以使用CATIA等建模软件。不过这其实都大同小异，有各自特点，学习一个即可。这里推荐Solidwork,因为其资源丰富，推荐大家b站关注阿奇设计分享。建模需要考虑配合关系，会影响后面模型运动控制。

图6 Solidwork操作界面

数字孪生具体实现场景推荐大家使用Unity3D，Unity3D用于数字孪生场景应用的例子也是相对较为丰富。不过就我查找资料而言，Unity3D是用于游戏开发比较多，而且在数字孪生方面，目前已有的还是智慧城市，智慧学校，智慧医院相对较多。建议大家多使用关键词多个平台搜索，而且Unity3D开发语言为C#可能大多数人并不熟悉，所以在学习Unity3D之前可以考虑学习C#，这里推荐几个学习视频和学习途径。在Ｃ#中重点学习（类、对象、数组等)，在Unity3D只需要学习一些基础操作，比如UGUI、Xchart图表、场景导入等）这里要注意会用。