★彭州市石鐵物流有限公司劉晉杰

★四川工商學院王錄偉

關鍵詞：化工儀表及自動化；數字孿生；智能診斷；預測性維護；模型降階

我國《“十四五”智能制造發展規劃》明確提出，要深化數字孿生技術在流程工業領域的創新應用。當前，化工行業儀表設備的智能運維正迎來技術變革契機^[1]。化工裝置中廣泛部署的壓力變送器、智能執行機構等儀表設備，因長期處于高溫、高壓、腐蝕等苛刻工況，內部隔離膜片應力分布、硅油熱膨脹特性等多物理場耦合效應會導致其性能漂移，甚至故障^[2]。傳統基于閾值報警的監控方式，難以捕捉早期隱性異常。為此，本研究聚焦化工儀表設備數字孿生體的構建和智能診斷系統的設計，形成從數據感知、模型迭代到診斷決策的控制系統，為提升化工裝置儀表設備的預測性維護水平提供技術支撐。

1　化工儀表設備數字孿生體的多維建模

1.1　儀表設備多物理屬性的高保真建模

第一，精確獲取物理幾何。需通過三維激光掃描，獲取使用后可能存在的微觀形變，重點聚焦承壓關鍵部件：隔離膜片的曲率、厚度，填充液腔體的容積，及傳感元件的確切位置^[3]。第二，構建耦合物理場方程組。建立“力學—熱學—電學”的耦合關系，過程壓力作為輸入載荷，通過有限元分析計算在316L不銹鋼隔離膜片上產生的應力分布、納米級形變，再通過硅油填充液傳遞至后端傳感膜片。同步求解溫度場的影響，介質溫度變化會改變硅油的黏度、體積模量，引起膜片材料的彈性模量熱漂移，然后疊加在壓力信號上^[4]。第三，參數辨識、實驗校準。需要搭建一個帶溫控艙的壓力校準實驗臺，對變送器實物進行從量程下限到上限的多壓力點、多溫度點（如0°C、25°C、50°C、80°C）的循環測試，記錄輸出電流。利用實測數據，通過非線性最小二乘法、遺傳算法、粒子群優化算法等優化算法，反推出模型中關鍵的實際參數，如膜片的結構阻尼系數、硅油的熱膨脹系數及應變計橋路的溫度靈敏度系數。第四，進行模型降階。把膜片形變的偏微分方程、充灌液流動的納維—斯托克斯方程、傳感器彈性體熱傳導方程等高維物理模型，采用本征正交分解、動態模態分解、平衡截斷等方法，提取出最能代表動態特性的主導模態，生成一個計算速度提升數個數量級的降階模型。

1.2　運行數據實時同步、交互機制

建立一條低延遲、高可靠的雙向通信鏈路。數字孿生系統需作為一個OPCUA客戶端，直接接入工廠層級的OPCUA服務器，聚合來自現場各類儀表設備的數據，并通過ProfibusPA、FFH1、HART等現場總線協議，從設備級的壓力變送器、雷達液位計、智能執行機構上傳至現場的分布式I/O站、網關^[5]。

在配置數據訂閱時，須精心規劃數據點的采集頻率、死區。對參與關鍵控制的壓力回路，訂閱頻率應設置為100～500毫秒，并設置一個合理的死區，以避免網絡和系統資源的無意義占用。對監測緩慢變化的儲罐溫度，訂閱間隔可放寬至10～30秒。傳輸的數據包要包含過程變量（Process variable，PV）、設備的狀態信息和工況參數，數據經由OPCUA通信棧，被實時推送至孿生體系統中的數據采集接口。

由于來自不同總線、不同控制器的數據存在網絡傳輸抖動，前處理模塊需基于IEEE 1588精密時鐘協議或至少是NTP網絡時間協議，把所有接收到的數據統一到同一個高精度時間軸上，確保壓力、流量、溫度等參數在分析時具有嚴格的時間同步性。隨后，數據需經過一套基于規則的質量碼檢查、物理合理性濾波^[6]。經過清洗和驗證的有效數據，被實時送入之前構建的降階物理模型中，驅動運行，模型計算出在當前工況下儀表的理想輸出值。診斷邏輯持續比對模型輸出值和經過時間戳對齊的物理儀表實際值，當兩者的殘差序列超過一個基于歷史滑動窗口統計的自適應閾值時，系統會報警，然后通過OPCUA的方法調用功能，向物理儀表的維護工單系統發送一個結構化的故障預警，完成從數據同步到智能診斷決策的交互。

1.3　孿生模型動態校準、演化策略

數字孿生體要跟物理實體長期保持一致性的能力，就需要通過動態校準實現。初始構建的降階模型，預測精度會隨著儀表自身老化和工藝介質特性改變逐漸衰退。系統需部署一個在線的、閉環的模型參數自校正模塊。以一段滑動時間窗口內，經過嚴格數據清洗和時間對齊的物理儀表運行數據為基準，校正算法^[4]。以前端采集到的真實過程壓力、介質溫度作為模型輸入，把模型輸出的預測值跟儀表實際輸出電流值進行比對，生成殘差序列。算法通過迭代優化，動態地調整模型中的關鍵內部參數。校準過程是全自動的，但被約束在由儀表物理結構所決定的合理參數邊界內進行，防止出現違背物理規律的錯誤修正。模型要能跟蹤儀表性能的緩慢漂移，維持短期預測精度，為故障診斷提供可靠的基準。

動態校準僅能補償參數的緩慢變化，當儀表經歷重大維修、工藝工況發生永久性躍遷后，初始模型的架構可能已不再適用，就需要模型演化。演化策略由特定事件觸發。例如，當系統接收到來自維護管理系統的人工確認工單，標明已更換變送器核心組件，或當在線校準模塊連續多次報告某個關鍵參數的修正量持續超出預設的安全邊界時，系統會自動啟動一個模型重構流程。把當前運行的所有相關數據進行封存，作為一個新的數據集。調用離線模型構建階段所使用的降階模型生成器，用新的數據集作為訓練基礎，重新進行參數辨識、模型生成，得到一個跟新狀態下的物理儀表相匹配的更新版孿生模型^[7]。新模型在經過一段短暫并行運行的驗證期，確認預測精度達標后，會無縫切換為在線診斷的主模型，舊模型被歸檔以備審計。

2　基于數字孿生的智能診斷系統架構設計

2.1　多源異構數據的融合處理

融合處理要構建一個統一的時間基準、數據對齊引擎。所有流入系統的流式數據，必須通過一個時間戳校正模塊，利用部署在控制域內的IEEE 1588精密時鐘協議，為每個數據點打上統一的微秒級時間戳，對因通信延遲造成的亂序數據進行緩存和重排序。對非流式數據，系統會轉換為一個時間點事件，跟時間點前后儀表的過程數據建立關聯。

數據層面，需進行量綱統一和歸一化處理，以消除不同量綱對后續算法的影響。完成時空對齊、規格化后，數據融合進入特征層和決策層。在特征層，系統利用對齊后的多維度數據，構造用于診斷的融合特征向量[2-3]。在決策層，融合要對不同來源的診斷證據進行綜合研判。當基于物理模型的殘差分析提示閥門可能卡澀，同時，基于振動聲學傳感器的信號頻譜分析也識別出特定的摩擦頻率，并且運行記錄顯示該閥門已長時間處于小開度工況時，系統會運用D-S證據理論、貝葉斯網絡、模糊推理系統等算法，把這三個獨立來源的證據進行合成，輸出一個閥芯結垢導致卡澀的高置信度診斷結論，并自動生成包含具體操作建議的維護工單，實現精準決策。

2.2　故障特征深度提取、識別

對行程信號進行經驗模態分解和小波包變換，把信號分解為一系列從高頻到低頻的本征模態函數。特定頻段的能量熵值和包絡譜峰值，成為表征機械磨損的初級特征。從控制系統的歷史數據庫中提取閥門的控制偏差時間序列，計算統計特征，特征對粘滯、卡澀等故障敏感。對壓力變送器，需聚焦輸出電流信號的噪聲水平，通過對信號進行功率譜密度估計，觀察特定頻帶的幅值是否異常升高，可能是膜片剛度變化或充灌液內含氣的指示^[8]。從不同維度提取的時域、頻域特征，共同構成一個描述設備健康狀態的多維度特征向量。

提取出的高維特征向量，需經過特征選擇降維后，輸入到智能識別模型中進行故障分類。由于特征間可能存在冗余且維度較高，需使用隨機森林、ReliefF、最大信息系數等算法進行特征重要性排序，篩選出跟各類故障模式最相關的關鍵特征子集。隨后，把精選后的特征輸入到事先訓練好的分類模型中。網絡通過卷積層自動學習信號中跟故障相關的局部模式，然后通過池化層和全連接層，輸出一個故障概率分布^[9]。模型在離線階段，使用包含各類已知故障標簽的歷史數據進行充分訓練。在線運行時，其能實現對早期故障的精準識別和分類，為預測性維護提供了直接依據。

3　診斷推理引擎、知識庫構建

診斷推理引擎需要一個標準化的數據接口，以預定頻率接收來自前置特征提取模塊的結構化JSON數據包，封裝關鍵特征值、時間戳。引擎設計為混合推理架構，流程依次觸發。首先啟動的是案例推理模塊，調用知識庫的案例檢索接口，使用加權的歐氏距離算法，計算當前特征向量，以及歷史案例庫中所有記錄的特征相似度^[10]。系統預設一個相似度閾值，若檢索到匹配案例，引擎立即返回該案例ID對應的故障診斷結論和維修方案，記錄此次匹配。若案例匹配失敗，流程進入基于規則的推理階段。系統把當前特征數據作為“事實”注入規則引擎內核，事實跟預加載的DRL規則文件進行模式匹配，當滿足特定條件組合時，便觸發對應規則，在內存工作區中生成一個帶有置信度的結論。若規則推理結論模糊或置信度均低于閾值，最終啟動概率推理模塊，把離散化的觀測證據設置到預構建的貝葉斯網絡對應節點，通過概率傳播查詢所有故障假設節點的后驗概率，選擇概率最高的那個作為最終診斷結果輸出。

知識庫的構建初始階段，需手動在關系型數據庫中創建，填充核心數據表。故障模式庫，依據設備手冊和FMEA分析，逐條錄入故障模式、癥狀特征列表、根本原因和維修指南。規則庫，由領域專家把診斷經驗編寫成符合Drools語法的DRL規則文件，每條規則均需設定優先級和初始置信度^[11]。貝葉斯網絡庫，利用標記好的歷史故障數據，通過K2算法等結構學習算法離線訓練出網絡拓撲，用最大似然估計法學習出條件概率表。知識庫的自學習能力通過一個跟工單系統聯動的反饋體系實現。當現場維修確認最終故障后，反饋接口會把確認真實故障、事件的完整特征數據包回傳。系統隨即在案例庫中創建一條新記錄，啟動學習進程。若引擎初診跟確認結果不符，自動調低所觸發錯誤規則的置信度。若值低于閾值，禁用該規則。定期把新積累的已驗證案例數據作為增量訓練集，對貝葉斯網絡的條件概率表進行重訓練，逐步優化網絡的推理準確性，使知識庫具備持續進化的能力。

★基金項目：成都市哲學社會科學研究中心項目（JN2025B11）；國家統計局2025年度全國統計科學研究項目（2025LY077）；四川民族山地經濟發展研究中心資助項目（SDJJ202511）。

作者簡介：

劉晉杰（1995-），男，山西忻州人，助理工程師，學士，現就職于彭州市石鐵物流有限公司，研究方向為化工儀表及自動化、儀器儀表。

王錄偉（1989-），男，河南商丘人，副教授、研究員，碩士，現就職于四川工商學院數字經濟與管理學院，研究方向為經濟管理、交叉融合。

參考文獻：

[1] 吳朋. 中國自動化儀表行業發展回顧與展望[J]. 自動化儀表, 2025, 46 (11) : 1 - 10 + 16.

[2] 曾茂林. 自動化儀表常見故障分析及處理措施[J]. 云南冶金, 2025, 54 (S1) : 140 - 145.

[3] 張俊強, 王希超, 牟順強. 化工環境下智能閥門定位器的研究及應用綜述[J]. 中國輪胎資源綜合利用, 2025, (10) : 115 - 118.

[4] 李政軍. 化工自動化儀表及控制系統智能化建設[J]. 現代鹽化工, 2025, 52 (05) : 91 - 93.

[5] 吳明, 嚴翼, 瞿軍, 等. 新工科背景下化工過程智能控制人才培養[J]. 化工管理, 2025, (28) : 34 - 37.

[6] 朱明. "項目式教學+人工智能" 的化工儀表與自動化課程教學改革實踐[J]. 大學, 2025, (23) : 104 - 107.

[7] 魏哲利. 聚氯乙烯半實物仿真實訓裝置的開發研究與應用[J]. 當代化工研究, 2025, (01) : 149 - 151.

[8] 高子越. 化工儀表自動化控制系統的人工智能交互界面設計-評《化工冶金過程人工智能優化》[J]. 應用化學, 2024, 41 (12) : 1826.

[9] 焦林宏, 王紅玉, 王春磊, 等. 石油化工職業本科專業人才培養模式探索-以蘭州石化職業技術大學為例[J]. 化纖與紡織技術, 2024, 53 (04) : 177 - 179.

[10] 洪程, 張富玉. 數字孿生技術在自動化設備中的應用研究[J]. 造紙裝備及材料, 2024, 53 (03) : 89 - 91.

[11] 吳英. 搭乘 "數字東風", 化工產業再起航[J]. 經貿實踐, 2023, (03) : 58 - 59.

摘自《自動化博覽》2025年12月刊