★北京和利時工業軟件有限公司劉棟

關鍵詞：數字孿生；流程工業；設備狀態監測；監測標準；數據融合

流程工業是國民經濟的重要支柱產業，但其生產過程連續、設備運行條件苛刻，因此設備狀態監測是保障安全與效率的核心環節。傳統監測方式普遍依賴局部傳感器和單一算法，存在信息割裂、數據利用率低及診斷滯后等問題。隨著傳感與計算技術的發展，數字孿生逐漸成為實現設備虛實映射與預測性維護的重要手段。通過引入標準化的指標體系和監測流程，孿生模型的構建更具通用性和可比性，為設備健康管理和智能運維提供了可靠支撐。

1　流程工業設備狀態監測的標準體系與發展背景

流程工業遍及能源、化工、冶金等領域，其設備連續運行、工況波動頻繁，任何異常都有可能導致停產或事故，由此設備狀態監測成為關鍵。早期的監測依賴人工巡檢，隨著傳感器和計算機技術的發展，監測逐步實現自動化，進入工業4.0階段后，物聯網、大數據和人工智能的引入推動監測邁入了智能化階段。為規范行業發展，國內外建立了較為完善的標準體系，包括ISO 13374《狀態監測與診斷信息處理》、ISO 17359《狀態監測通用程序》、GB/T 28821《設備狀態監測與診斷通則》，以及新發布的GB/T 44947-2024《機器狀態監測與診斷性能診斷方法》。該系列標準在指標診斷、技術應用和數據處理方面實現突破，構建了準確性、可靠性、及時性等多維度評估體系，并納入了智能算法與先進診斷技術^[1]。同時，圍繞監測對象、原理和方法的多項子標準，形成了完整框架。在企業對可靠性和效率需求提升及政策的推動下，流程工業設備狀態監測正加速向標準化、智能化和預測性方向發展，為數字孿生應用奠定了基礎。

2　數字孿生驅動的設備狀態監測方法構建

2.1　數字孿生在設備狀態監測中的體系化建模

數字孿生驅動的設備狀態監測方法以虛實映射和動態交互為核心，強調在多源數據支持下構建完整的監測框架。體系化建模的理論導向在于將物理實體的運行狀態通過傳感器和工業控制系統進行采集，經由數據抽取層完成實時數據與歷史數據的接入，再進入預處理模塊進行清洗、標準化和特征提取。在這一過程中，標準條目的量化指標被映射為數據處理的基本參數，以確保不同工況下的輸入能夠統一納入孿生建模邏輯。建模階段包括物理機理模型與數據驅動模型的協同構建，多源融合機制貫穿其中，使虛擬模型具備對設備狀態的結構化刻畫與動態響應能力。虛實交互接口則形成設備與模型之間的雙向通道，支持監測參數的實時對比與更新。整體結構如圖1所示，其完整覆蓋數據采集、處理、建模與業務應用的各環節，構成數字孿生驅動的設備狀態監測總體架構。

例如，在流程工業壓縮機的運行監測中，壓力、振動和溫度數據通過底層的數據抽取模塊接入，隨后進入預處理環節完成異常點剔除與信號標準化。經過特征提取與降維，關鍵指標被傳遞至孿生建模層，其中物理模型用于描述壓縮機性能以及氣體流動特性，數據驅動模型則用于捕捉非線性波動規律。多源數據融合后的孿生模型與壓縮機實體保持實時同步，通過虛實交互接口不斷接收新采集數據并校正模型參數。應用層由監測、診斷、預測和優化等模塊構成，直接利用孿生體的輸出完成對設備狀態的全流程監控。

圖1 數字孿生驅動的設備狀態監測總體架構

2.2　監測標準條目的轉譯與孿生模型參數化嵌入

數字孿生的監測方法不僅依賴于虛擬模型的構建，更關鍵在于將監測標準中的條目轉化為孿生模型可調用的參數。將標準化文本的抽象要求具體化，例如將ISO 13374提出的采樣頻率要求轉譯為傳感器采樣周期，將其信號處理流程定義為濾波函數的參數集，再將診斷閾值映射為模型的分類規則。GB/T 28821對設備關鍵變量的監測指標，如振動幅值、溫度上限和壓力區間，也需要經過轉譯，形成孿生體的基礎輸入參數^[2]。

例如，在流程工業中對離心泵的狀態監測，GB/T 28821規定泵體振動速度均方根值的上限為4.5mm/s，并要求采集頻率不低于1kHz。該條目在孿生模型中被具體嵌入為數據采集模塊的采樣參數和預警閾值，傳感器每毫秒采集一次振動信號，數據進入模型時自動調用4.5mm/s的判定閾值。在信號處理環節，ISO 13374要求對噪聲信號進行帶通濾波。該要求在孿生模型中轉譯為Butterworth濾波器的截止頻率參數，直接應用于實時數據流。在診斷階段，標準對不同振動幅值對應的健康等級作出了分級判據，孿生體內的健康指數函數調用這些分級參數，將實時監測結果映射為標準化的健康等級。

2.3　多源監測數據融合與異常診斷技術實現

多源數據融合的核心在于將來自振動、溫度、壓力、聲學及工藝控制信號等不同通道的數據統一到孿生體中，形成一致的狀態表征。數據融合方法通常基于加權最小二乘準則，對各類傳感器信號進行歸一化處理，其計算公式如式（1）所示：

其中X_i為各監測信號，W_i為權重因子。通過該運算，孿生模型在特征空間中獲得統一的輸入向量，再結合標準化判據執行診斷邏輯。異常診斷技術則結合物理機理模型與數據驅動模型，前者用于刻畫設備運行的物理約束，后者基于歷史大數據訓練分類器，實現對異常模式的判別。兩類模型在虛實交互接口中融合，實時對比輸入信號與模型輸出的差異，完成狀態識別與異常定位。

例如，在反應釜系統中，釜體外壁溫度、釜內壓力、攪拌電機電流和振動信號分別由不同傳感器采集。數據在進入孿生體前，首先進行時間戳對齊和缺失值補償，隨后進入融合模塊。根據反應工況的重要性分配，溫度與壓力信號被賦予較高權重，振動與電流作為輔助信號納入加權運算，形成統一的特征向量輸入。孿生體中的物理模型描述熱力學、流體力學、反應動力學以及設備工作規律，而數據驅動模型采用支持向量機對異常模式進行分類。運行過程中，一旦融合后的特征向量與模型輸出偏離度超過標準設定的閾值，系統自動將該狀態標記為異常并定位到相關變量^[3]。

2.4　孿生—實物對比校準與閉環優化機制

孿生模型與實際設備間的對比校準是保證監測結果準確性的關鍵步驟。校準過程以實測數據為基準，將孿生模型輸出的狀態向量與真實監測值進行偏差計算。常用的方法是最小均方誤差準則，其校準量可表示為式（2）：

其中Y_real為設備實測數據，Y_model為孿生模型預測值，Δ為需要修正的差異量。通過迭代更新模型參數，使孿生體在動態工況下保持與設備狀態的一致性。閉環優化機制則強調結果反饋，監測中的偏差信息被回傳至數據處理與模型層，對參數設定和特征選取進行再調整，逐步形成自校正體系。

例如，在管道泵系統的監測中，流量、壓力和振動信號均由傳感器實時采集，并與孿生模型預測值進行逐點比對。當發現預測流量與實測流量存在系統性偏差時，校準模塊通過計算殘差，動態修正模型中的流體阻力系數。在閉環優化環節，偏差修正不僅更新了流體力學子模型的參數，還觸發了數據預處理模塊重新調整采樣窗口，使輸入數據的特征提取與修正后的模型保持匹配。隨著多次運行周期的積累，孿生體不斷吸收新的工況信息，更新參數庫和判別邏輯，形成自適應的動態監測模式。為驗證數字孿生監測方法在實際工況下的有效性，項目團隊在典型設備上開展應用驗證，重點考察設備狀態監測的準確性、預警提前量與診斷可靠性。

3　典型應用案例與實施成效分析

3.1　流程工業關鍵設備監測案例背景

山東某能源企業是區域熱電聯產關鍵單位，其輸煤、燃燒、供熱等環節連續性強，設備長期處于高溫、高粉塵、高負荷狀態。傳統人工巡檢監測不連續、異常識別滯后，難以滿足實時監測需求。為提升狀態感知與診斷能力，企業引入數字孿生技術構建了智能巡檢系統。該系統通過3D建模實現了輸煤線設備的可視化展示，并布設多模態傳感器采集溫度、振動、聲發射、電流等數據，形成了可復制的設備級監測體系。

3.2　基于標準的數字孿生監測方法實施過程

在項目實施階段，數字孿生監測系統圍繞輸煤系統中的托輥、電機與皮帶機三類核心設備展開部署與參數化配置。系統總體架構分為數據采集、模型構建與交互應用三層，遵循GB/T 28821《設備狀態監測與診斷通則》、ISO 13374《狀態監測與診斷信息處理》及GB/T 44947-2024《機器狀態監測與診斷性能診斷方法》的技術要求，確保監測過程的完整性與可追溯性。

在數據采集層，系統沿輸煤主線布設高精度溫度、振動、聲發射及電流傳感器共60個，采樣頻率設定為1kHz。傳感信號經A/D轉換后由邊緣計算單元完成濾波與特征提取，采用ISO 13374推薦的Butterworth帶通濾波算法消除高頻噪聲，并以統一時間戳進行編碼。傳感器與數據網關的布置位置根據設備受力特征確定：托輥傳感器貼合支架內側，電機電流互感器安裝于配電柜出線端，皮帶機圖像采集裝置固定于棧橋頂部，實現對運行狀態的全覆蓋采樣。所有原始信號經邊緣節點預處理后實時上傳至企業局域數據中心，為孿生建模提供連續數據流。

在模型構建層，系統基于工業互聯網平臺建立三維可視化模型，按照GB/T 44947-2024的性能診斷框架設置準確性、可靠性和及時性三個性能維度。各監測標準條目被轉譯為模型可調用的參數集：托輥振動速度均方根值上限4.5mm/s、表面溫度上限80℃，電機電流偏差限值、溫升速率上限及皮帶偏移量、邊緣磨損率等均被嵌入模型邏輯。系統利用初期采集的基線數據生成設備健康曲線，后續的實時數據按時間序列疊加形成動態映射，實現物理設備狀態與數字模型參數的同步更新^[4]。

在監測運行階段，孿生模型持續接收傳感器數據并自動執行特征識別。托輥模塊通過振動與溫度信號計算健康指數（HealthIndex，HI），并在模型內完成狀態分級；電機模塊分析電流波形變化，對異常頻段執行包絡解調和頻譜識別；皮帶機模塊利用改進型DeepLab-v3+算法對圖像進行語義分割，計算皮帶邊緣偏移角與裂紋長度，實現視覺參數的標準化提取。所有監測數據在平臺數據庫中以時間序列方式存儲，并自動關聯到相應設備節點，形成動態監測檔案。

在交互應用層，孿生系統通過工業以太網與廠區DCS實現信息互通。平臺界面以三維模型實時顯示設備運行狀態，操作員可點擊設備節點查看標準條目、歷史趨勢及特征參數。現場技術員可通過手持終端核對系統報警源并進行人工復核，結果同步回傳平臺，用于模型偏差校準與標準一致性驗證。系統自動生成采樣與處理日志，記錄信號來源、算法類型與執行時間，確保數據鏈完整可追溯。

項目運行初期，技術團隊每周進行一次模型參數審查，對采樣頻率、信號強度及傳感器漂移情況進行核驗。當系統檢測到參數超差或采樣間隔異常時，會提示維護人員重新標定設備或調整布設點位。隨著監測周期延長，模型逐步形成覆蓋各設備的多維運行畫像，并依據標準條目持續更新參數庫。

3.3　實施成效對比分析

在完成數字孿生監測系統部署與標準化運行配置后，項目團隊針對山東某能源企業的輸煤系統進行了為期半年的試運行比對。為確保驗證口徑統一，數據來源分為兩類：一類為運維部門人工巡檢記錄，主要包括溫度計讀數、振動檢測值和每日運行日志；另一類為孿生系統自動采集日志，涵蓋傳感器原始信號、預處理結果及告警時間戳。比對以同一臺輸煤皮帶機為對象，時間段嚴格對應，數據經標準化處理后進入統計模塊。

在對比分析中，故障預警提前量通過計算巡檢表中首次異常記錄時間與設備實際停機時間差得出：人工巡檢的平均預警時間不足24小時，而孿生系統的告警觸發與停機間隔普遍在72小時以上。數據缺失率依據應采集數據量與實際采集量比對得出：在180天周期內，人工方式應采集3600條數據，實際僅完成3299條，缺失率8.3%；孿生系統應采集412萬條信號，實際采集約407萬條，缺失率1.2%。標準符合度以GB/T 28821中規定的采樣頻率與采集周期為依據，對比人工與系統監測參數執行情況，結果顯示人工巡檢滿足率約65%，孿生系統超過95%，如表1所示。

表1傳統監測方式與數字孿生監測方式對比結果

4　數字孿生驅動的監測標準優化路徑

在典型案例驗證中，數字孿生監測方法實現了監測標準條目的可執行化與模型參數的結構化嵌入。但在不同工況下，其仍存在標準條款靜態化、數據流轉鏈條復雜等問題^[5]。為實現數字孿生模型與監測標準的深度融合，項目團隊從標準內嵌機制、流程規范化與動態適配能力三個方面進行了系統優化。首先，在標準與模型結合方面，將GB/T 28821和GB/T 44947-2024中的關鍵監測指標轉化為可計算參數，通過標準參數庫實現模型內部統一調用，使采樣頻率、信號質量和健康分級等規則在系統運行中得到實時執行。該機制使標準不再停留于文件層面，而是嵌入模型邏輯成為系統內生約束。其次，在流程方面，優化數據采集、特征提取與校準的執行順序，建立從采樣到診斷的閉環結構。系統在每一階段均生成日志記錄，覆蓋信號采集、算法調用與模型參數調整，實現全過程可追溯。為提升動態工況下的適應性，系統通過自校準模塊周期性比對標準閾值與實際運行數據差異，當偏差超限時自動修正采樣策略或閾值設定，實現標準參數的自更新與場景化匹配。

5　結語

本文對數字孿生驅動的流程工業設備狀態監測方法進行了系統探討，研究涵蓋標準體系、建模方法、案例應用及優化路徑。實踐表明，該方法能夠在數據采集、特征處理、參數化建模和閉環校準等環節全面嵌入標準條目，實現了設備狀態的精準監測與異常診斷。與傳統方式對比，數字孿生在監測的完整性、規范性和可追溯性方面均展現出顯著優勢，為流程工業的智能化和標準化發展提供了可行路徑。

作者簡介：

劉　棟（1977-），男，河北張家口人，高級工程師，碩士，現就職于北京和利時工業軟件有限公司，主要從事工業自動化、信息化以及智能化相關產品及方案的市場開拓及經營管理工作。

參考文獻：

[1] 楊海明, 張弼強, 陳謀, 等. 基于數字孿生技術的煤炭生產流水線優化與監測系統[J]. 電子設計工程, 2025, 33 (18) : 31 - 34 + 39.

[2] 周玲玲. 數字孿生技術在電氣設備自動化故障預測中的應用研究[J]. 電氣技術與經濟, 2025, (09) : 34 - 36.

[3] 肖萍. 數字孿生技術在智能制造質量檢測與控制中的應用[J]. 輕工科技, 2025, 41 (05) : 98 - 100.

[4] 陳振浩. 基于數據驅動的流程工業數字孿生建模方法研究[D]. 廣州: 廣州大學, 2025.

[5] 王明. 基于數字孿生的LF精煉爐智能控制系統研究[D]. 西安: 西安理工大學, 2024.

[6] 李軍兵. 基于數字孿生技術的LNG模塊智能制造全流程自動化控制研究[J/OL]. 機械研究與應用, 2026, (06) : 1 - 4.

摘自《自動化博覽》2025年12月刊