用于维护的数字孪生：文献综述外文翻译资料

英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料

用于维护的数字孪生：文献综述

摘要

近年来，数字孪生 (DT) 已在不同的工业部门、设计、生产、制造和维护等多个应用领域实施。尤其是维护是研究最多的应用之一，因为维护任务执行的影响可能会对公司的业务产生很大的影响。例如，在能源或制造等部门，维护活动可能导致整条生产线关闭，或者在风力涡轮机检查的情况下，可能会面临操作员的安全，以测量一个简单的指标。因此，应用更智能的维护策略可以带来巨大的好处。在这种情况下，本文侧重于审查 DT 维护应用程序，因为以前没有发现与此目的相关的工作。例如，详细描述了“数字孪生”和“维护”的概念和策略， 然后在涉及这两个概念的地方进行文献综述。除了识别和分析当前如何将 DT 应用于维护之外，本文还强调了未来的研究方向和未解决的问题。

关键词： 数字孪生；信息系统；知识支持系统；智能维护

1. 介绍

近几十年来，几个领域的技术进步，如物联网 (IoT)、人工智能或云计算使不同资产、系统、和不同工业部门的流程。

传感器和智能数据采集正在帮助改善任何资产的生命周期，从设计、制造、分销、维护、直至回收。 这些新技术为不同领域的研究提供必要的基础故障预测和生产效率等领域其他。 DT概念也依赖于上述技术并能够将虚拟对象与物理贯穿整个生命周期

鉴于对 DT 概念的兴趣，一些研究已经进行了相关的在不同领域的应用行业（Tao 等人，2019 年；Kritzinger 等人，2018 年）。 在这篇文章中，一个对 DT 的使用进行审查是针对特定应用的不同行业的维修保养。以此目的，包括“数字孪生”和“维护”的特定搜索概念已在两个数据库中进行：Scopus uml;和 uml; Web uml;科学。总共收集了 167 个结果，分类并进行分析，直到 2019 年 12 月。在这些结果中，有期刊文章、会议文章、书籍章节、评论和商业文章。

图 1 表明近几年来 DT 对主租赁的研究或应用变得越来越流行。 数字的 2019 年发表的文章有望在明年取得比 2019 年更多的结果，遵循不断增长的趋势在过去的三年里。 还可以看出，2014 年至2015 年没有结果。 这可能是因为以前的步骤，例如数字化、物联网技术的整合或通过机器学习收集的数据利用

算法，在结合 DT 技术进行维护之前已经成熟。

以前没有工作专注于研究这两个术语之间的关系：Digital uml; Twin 和 uml;维护。本文展示了 DT 在不同工业部门的不同用途，更侧重于分析维护应用程序及其不同的策略。

文章的其余部分组织如下：第2节描述DT范式，然后描述了第3节中的不同维护策略。第4节回顾所有确定应用领域的研究结果和不同的工业部门。然后，第5节的重点是维修案例研究和维修策略分析图 1. 每年的搜索结果。很详细。最后，第6节重点介绍了一些未解决的问题并在第 7 节中得出结论。

2.数字孪生，范式

DT 的概念自 2002 年首次出现以来一直在演变。鉴于概念的复杂性，可以有多种定义文献中发现。 例如，定义变化很大（Autiosalo 等人，2020；Kritzinger 等人，2018；Tao 等人，2018a；Lee et al., 2013)，即使它有时是不正确的。

DT 概念的第一个定义是在 2012 年由Grieves制定。 多年后，他将其定义如下： 物理 uml; 实际产品空间、虚拟空间中的虚拟产品与数据的连接以及将两个空间联系在一起的信息。Grieves uml; 指出他指的是一组描述一个资产完整，从最一般的几何形状到最具体的行为（Grieves 和 Vickers，2017 年）。 罗森说这个概念作为两个相同的空间，物理的和虚拟的，这使得它们之间的镜像可以分析所有发生的条件对象生命周期的各个阶段（Rosen 等人，2015 年）。 不久此后，Boschert 和 Rosen 详细介绍了 DT 涵盖了组件中可能有用的所有物理和功能信息，产品或系统（Boschert 和 Rosen，2016 年）。 两位作者都同意DT 不仅是数据，而且是描述行为并决定生产中的动作的算法。

最常见的 DT 定义是由 Glaess gen 和 Stargel 提出的。 他们规定 DT 由三部分组成：实物产品、虚拟产品及之间的沟通他们并将其定义如下：“对车辆或系统进行集成的多物理场、多尺度、概率模拟，最佳可用物理模型、传感器更新、车队历史等。第四，反映其飞行双胞胎的生活”（Glaessgen 和 Stargel，2012)

最近，可以说，——真实的数字孪生分布式产品是一个虚拟镜像，可以描述产品的综合物理和功能特性在其整个生命周期中，可以交付和接收产品信息uml;（Tharma 等人，2018 年）。 术语 DT 定义为用于控制和决策的有形资产、过程或系统制作（Vatn，2018）。 在最新的出版物中，这个想法和DT的概念，“主要包含实时数据采集技术、数据映射技术和基于数据的预测技术，可以让实体产品与虚拟空间的融合成为现实。

在 (Schleich et al., 2017) 中描述了其中一种能力DT 的目的是预测系统对意外事件的响应事件，在它发生之前。 这种类型的预测可以通过比较这些事件的分析和当前的反应与所做的行为预测。 取决于数据收集和交换能力和完整性所使用的模拟，一个足够完整的 DT 实例可以是获得。 即使对于这种先进的生活模式，（Liu et al.,2018; Booyse et al., 2020) 基于物理模型的组合建议进行基于数据的分析。 逼真的模型过程的当前状态以及他们自己在现实世界中与环境交互的行为称为 DT”（Liu等人，2019a）。 简而言之，“DT 的愿景描述了物理工件和集合之间的双向关系它的虚拟模型。uml;（Schleich 等人，2017 年）

有几个与 DT 密切相关的概念，例如模拟、网络物理系统 (CPS) 和物联网（物联网）。 然而，这可能会导致概念之间的混淆它们在概念、核心要素和应用上都有所不同（陆等人，2020）。 在许多情况下，混淆是由以下事实引起的该概念是 DT 的组成部分之一。 在（Rosen 等人，2015 年）评论中，DT 是建模、仿真和优化的下一波浪潮。 这发生在诸如MBD（基于模型的定义）。 在这种情况下，集成几个基于模型的模型将成为 DT 的一部分（Miller 等人，2018）。 这CAD 或 BIM 的概念也是如此（Madni 等人，2019；Boje等人，2020）。

3.维护

本节描述了在决定何时（以及什么）需要执行维护活动时可能遵循的不同维护策略。分析的策略如下：

bull;反应性维护

bull;预防性的维护

bull;基于状态的维护

bull;预测性维护

bull;规范性维护

3.1.反应性维护

第一种策略也称为纠正性维护或故障基础维护。它适用于由破损或故障引起的任何可称为紧急情况的活动。这些活动以前没有计划过（斯旺森， 2001).

此类策略仅适用于可能不会对业务造成重大影响的资产或系统。如果不是这样，这些类型的策略会导致维护成本高昂，因为维护活动的重点是更新已损坏或损坏的资产。这显然比与增强资产相关的活动更昂贵，而不是替换它。此外，由于该资产提供的服务中断，它还可能产生更高的成本：因服务中断、生产延误等造成的处罚（加里莫尔和 彭莱斯基，1988)。

3.2.预防性的维护

为了尝试减轻反应性维护的后果，可以遵循预防性维护策略。它也被其他术语称为时基维护。是否采取主动方法来预防或减少资产故障（沙菲宜，2015). 这种策略基于工厂/基础设施/资产经理的经验，他们随着时间的推移以不同的频率计划不同的维护活动，目的是避免服务中断，或者如果是强制性的，则通过计划将其影响降至最低事先（巴希里等人，2011).

尽管这一水平明显优于被动水平，但远非最优：在这种策略中，趋势是通过过度维护资产来确保安全和服务维护，从而造成高昂的经济成本。

3.3.基于状态的维护

基于状态的维护 (CBM) 包括根据资产退化和偏离正常行为的证据预测维护活动（尼古拉耶夫等人，2019). 它也被称为基于诊断的维护。由于物联网和云计算等技术的成熟，这些异常被用于监控资产状况。

人工智能算法可以增强基于条件的方法来诊断和获取详细的状态数据（马布霍特等人，2018)。

3.4.预测性维护

预测性维护或预测性维护包括使用构成和围绕系统的所有信息，并使用它来预测其剩余寿命。当同时涉及不同的资产时，它可能会导致更复杂的架构。

可以使用不同的技术来合并所有可用信息，以尽可能准确地执行维护预测（方等人，2017; 阿尼玛和沙菲宜，2018; 拉杰什等人， 2019; 维尔纳等人，2019). 可能有数据驱动或模型驱动的方法。一方面，数据驱动方法是一种面向大数据的技术，需要大量关于资产状态的数据，这些数据可以通过适当的传感器部署获得。基于可用的信息，开发了一种数据分析算法。它提供了在资产行为之前观察到的趋势的结果（刘等人，2018).

另一方面，模型驱动的方法需要开发一个以数学方式描述资产的模型。模型可以是分析模型、物理模型或数值模型。这些模型描述了组件以高可靠性降低的方式（西瓦林甘 等人， 2018). 计算技术的进步使这种类型的模型提高了它们的可行性，因为它在计算上具有非常高的成本。如（泽尼塞克 等人， 2019), “预测性维护是当前工业 4.0 运动中研究最深入的主题之一”。

3.5.规范性维护

最后一种策略是规范性维护或基于知识的维护（安萨里 等人， 2019). 它是指基于预测优化维护。除了使用历史和实时数据分析来预测所需资产的状态外，它还致力于制定行动计划（康西维奥等人，2019). 这导致从预防性维护计划转变为主动和智能的计划（马蒂亚斯等人， 2017; 塞拉格和花名册，2015). 预计对服务、成本和安全的影响是最佳的。

Gartner 对路径进行描述以获得规范性分析。对于每个维护策略，他都会关联一个特定的问题。对于预防性维护，他将问题联系起来发生了什么？;对于 CBM为什么会发生？；对于预测性维护，会发生什么？；对于规范性维护，我们可以做到吗？uml;尼古拉耶夫等人，2019; 安萨里 等人，2019).

下图（见图 3) 展示了获得智能维护需要收集的知识和信息。一开始，采用被动或主动策略的区别在于需要有计划的维护活动。预防计划可避免故障，从而检测系统的最薄弱环节。通过监控资产，可以实时获取信息，从而能够分析其行为，并诊断故障发生的时间。现在，使用预测模型的历史和实时数据分析，可以预测故障。然后，必须获得并分析已建立的维护流程，以便能够在预测故障的情况下定义一些性能规则。

这最后两种维护策略在当前数字化趋势中提供了最大的潜力。这些维护方法适用于不同的部门，因为它们具有很大的优势，例如：

bull;减少生产停机时间

bull;减少故障

bull;节约成本

bull;提高生产力

bull;设备寿命延长

bull;改善客户服务和声誉

bull;减少能源浪费

bull;提高设施安全性

4.数字孪生的应用

多年来，不同的行业都采用了 DT 的范式，以降低资产中识别出的风险并提高可追溯性、维护和分析能力，从而改善其生命周期（赫拉迪等人，2018). 事实上，DT 技术可能会在资产生命周期的几个不同方面发挥作用（参见图 4）。DT 可以与资产及其性能相关，也可以与更复杂的系统相关，如生产或服务，其中有多个具有不同行为的组件（舒边科娃等人，2018). 在图5，可以看出，制造业是DTs实施研究最多的领域。其次，还有与天然气和石油开采、风力涡轮机管理相关的行业，以及通常具有海上基础设施的行业。第三，当然是建筑和航空。有待澄清的是，所有案例研究，如建筑物和桥梁都属于建筑类别。可以看出，这三个都是传统上投资研发的行业。此外，可能对它们有安全要求，因此有必要为维护活动付出高昂的成本。

虽然搜索是通过包含“维护”的概念进行的，但在对所有结果进行一一分析时，发现它们可能集中在一些相似但互补的应用程序中（见图 6）。事实上，167 个中只有 68 个专注于 DT 在已经描述的不同维护策略中的应用，这将在第 1 节中更详细地分析5. 因此，人们发现对以下五组中的所有结果进行另一分类是有意义的：

bull;设计：DT 的应用侧重于分析状态故障的结果，以便在第二次交互中可以改进资产的设计。

bull;流程/物流/生产：所有与使用相关的结果用于优化已执行过程或在改进物流或改进生产的情况下的 DT 属于这一类。

bull;预后健康管理 (PHM)：所有关注资产状态预后的案例都在本节中。

bull;维护：分析的与维护相关的案例维护过程的改进、建议的策略的优化、成本的计算，当然还有组件状态的预测和预测维护的 RUL，都属于这一类。

bull;一般的生命周期：提出各种用途的结果前面提到的在对象的整个生命周期中改进不同方面的 DT 都属于这一类。

4.1.设计

在获得的 167 个结果中，有 6 个更侧重于设计阶段。如(拉曼和哈萨纳利 2019), 使用模拟进行设计优化是迄今为止一直在使用的东西。然而，鉴于其高计算成本，最近选择了其他面向数据的方法或混合方法。相同的需求在 (日等人，2019; 严 等人，2019) 与建筑行业有关。

在制造业，这一

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[591279]，资料为PDF文档或Word文档，PDF文档可免费转换为Word