數(shù)字孿生研究進(jìn)展及在鐵路智能運(yùn)維中的應(yīng)用

陳華鵬，鹿守山，，雷曉燕，伍偉斌

（1. 華東交通大學(xué)土木與建筑工程學(xué)院，江西 南昌 330013; 2. 江西省智能交通基礎(chǔ)設(shè)施工程研究中心，江西 南昌 330013;3. 江西省交通科學(xué)研究院，江西 南昌 330200）

截止2020 年底，我國(guó)鐵路運(yùn)營(yíng)總里程14.63 萬(wàn)km（高鐵3.8 萬(wàn)km）[1]。 我國(guó)已成為世界上鐵路基礎(chǔ)設(shè)施建設(shè)規(guī)模最大、運(yùn)營(yíng)總里程最長(zhǎng)的國(guó)家，正在由“建設(shè)為主”向“建養(yǎng)并重”發(fā)展。 與設(shè)計(jì)及建造階段相比，鐵路基礎(chǔ)設(shè)施服役時(shí)間跨度大，結(jié)構(gòu)性能演變復(fù)雜，影響因素較多；因此，建立科學(xué)化、智能化的運(yùn)維技術(shù)體系是交通運(yùn)輸工程領(lǐng)域今后研究的重點(diǎn)[2]。

目前運(yùn)維評(píng)估主要依賴人工巡檢（包括無(wú)損檢測(cè)），存在檢測(cè)效率低、主觀性大、實(shí)時(shí)性差等問題，難以滿足現(xiàn)有交通運(yùn)輸工程運(yùn)維面臨的嚴(yán)峻挑戰(zhàn)。近年來(lái)，結(jié)構(gòu)健康監(jiān)測(cè)（structural health monitoring，SHM）技術(shù)快速發(fā)展，已成為人工檢測(cè)的必要補(bǔ)充，并有取代的趨勢(shì)。 SHM 在結(jié)構(gòu)關(guān)鍵位置布設(shè)傳感器，對(duì)環(huán)境作用、結(jié)構(gòu)響應(yīng)及實(shí)時(shí)變化監(jiān)測(cè)，以提高損傷發(fā)現(xiàn)速度及狀態(tài)感知能力，為結(jié)構(gòu)評(píng)估及壽命預(yù)測(cè)提供科學(xué)依據(jù)[3]。 但當(dāng)前SHM 在損傷識(shí)別、狀態(tài)評(píng)估以及維護(hù)決策優(yōu)化等方面還存在著問題。

計(jì)算機(jī)輔助設(shè)計(jì)（computer aided design，CAD）經(jīng)歷了半個(gè)世紀(jì)發(fā)展，從二維制圖向三維（3D）建模發(fā)展， 但繪圖效率低， 協(xié)同性差。 建筑信息模型（building information modeling，BIM）在三維可視化、協(xié)同設(shè)計(jì)、信息管理等方面存在優(yōu)勢(shì)，在土建設(shè)計(jì)、施工階段應(yīng)用較多，但運(yùn)維階段應(yīng)用受到限制。 國(guó)內(nèi)BIM 應(yīng)用常以CAD 翻模為主， 把BIM 當(dāng)作3D模型展示工具， 沒有發(fā)揮出BIM 信息集成共享、多方協(xié)同合作的技術(shù)價(jià)值。 通常， 有限單元法（finite element method，F(xiàn)EM）建模存在大量假設(shè)，導(dǎo)致計(jì)算結(jié)果與實(shí)際不符，BIM 模型為FEM 分析提供幾何與物理參量，但目前BIM 與FEM 不能有效融合，需要進(jìn)一步開發(fā)接口。 地理信息系統(tǒng)（geographic information system，GIS） 是處理地理空間信息的常用工具，但GIS 在結(jié)構(gòu)幾何物理信息管理方面比BIM弱。 目前上述仿真建模軟件缺乏有效融合，不具備數(shù)據(jù)實(shí)時(shí)更新能力，導(dǎo)致分析準(zhǔn)確性、可靠性降低。

鑒于多數(shù)發(fā)達(dá)國(guó)家的基礎(chǔ)設(shè)施正面臨嚴(yán)重老化[4]，及我國(guó)交通強(qiáng)國(guó)、智能建造、新型基礎(chǔ)設(shè)施建設(shè)等相關(guān)政策提出，開展科學(xué)化、信息化、智能化運(yùn)維技術(shù)研究是保障基礎(chǔ)設(shè)施安全運(yùn)營(yíng)的關(guān)鍵。 人工智能（artificial intelligence，AI） 及大數(shù)據(jù)、 物聯(lián)網(wǎng)（internet of things，IoT）、 工業(yè)互聯(lián)網(wǎng)等新一代信息技術(shù)（new IT）發(fā)展，特別是數(shù)字孿生（digital twin，DT），為運(yùn)維領(lǐng)域提供了有力的技術(shù)支撐。數(shù)字孿生是工業(yè)4.0 的核心技術(shù)，具有虛實(shí)空間交互、多源數(shù)據(jù)融合的特點(diǎn)， 可實(shí)現(xiàn)結(jié)構(gòu)的動(dòng)態(tài)監(jiān)控、 模擬、預(yù)測(cè)、診斷與決策，為鐵路運(yùn)維管理提供了新的理論基礎(chǔ)和技術(shù)方法。 但數(shù)字孿生在鐵路運(yùn)維中的應(yīng)用研究至今極其有限， 目前尚沒有相關(guān)系統(tǒng)性闡述。本文針對(duì)數(shù)字孿生的起源發(fā)展、基本概念、及其在鐵路智能運(yùn)維管理中的研究應(yīng)用現(xiàn)狀及發(fā)展趨勢(shì)進(jìn)行歸納，提出并闡述了基于數(shù)字孿生的鐵路智能運(yùn)維技術(shù)框架，明確了數(shù)字孿生在鐵路運(yùn)維應(yīng)用發(fā)展中存在的問題及未來(lái)發(fā)展方向。

1 數(shù)字孿生發(fā)展

數(shù)字孿生是指基于傳感器數(shù)據(jù)更新及歷史信息等， 建立物理實(shí)體在虛擬空間中映射 （孿生模型），通過虛擬模型對(duì)實(shí)體進(jìn)行模擬、指導(dǎo)、控制、優(yōu)化、預(yù)測(cè)等全壽命周期管理應(yīng)用。 數(shù)字孿生技術(shù)發(fā)展時(shí)間軸如圖1 所示， 其發(fā)展大致經(jīng)歷3 個(gè)階段：①概念形成期：從美國(guó)航空航天局（NASA）的Apollo13 到數(shù)字孿生概念正式提出，數(shù)字孿生理論框架基本形成；②應(yīng)用探索期：軍事航空航天領(lǐng)域最早提出及應(yīng)用數(shù)字孿生， 隨后向工業(yè)制造領(lǐng)域拓展；③智能發(fā)展期：數(shù)字孿生與AI 及大數(shù)據(jù)、物聯(lián)網(wǎng)等New IT 技術(shù)融合， 應(yīng)用場(chǎng)景向民用領(lǐng)域拓展，推動(dòng)各領(lǐng)域數(shù)字化、智能化轉(zhuǎn)型。

圖1 數(shù)字孿生技術(shù)發(fā)展時(shí)間軸Fig.1 Timeline of the technology development of digital twin

1.1 概念形成期

1970 年，美國(guó)航空航天局（NASA）最早使用孿生體（物理實(shí)體）模擬Apollo13 登月過程中的突發(fā)狀況，指導(dǎo)太空宇航員做出科學(xué)決策[5]。 2003 年，美國(guó)密歇根大學(xué)的Grieves 提出 “物理實(shí)體的等價(jià)數(shù)字化表達(dá)”，引入虛擬空間概念[6]。 隨后Grieves 對(duì)虛擬空間概念深化，相繼提出鏡像空間模型[7]與信息鏡像模型[8]。 信息鏡像模型由物理空間、虛擬空間及兩者之間信息連接三部分組成[9]，因而，數(shù)字孿生的概念雛形基本形成。 2010 年，NASA 在《NASA 空間技術(shù)路線圖》中正式提出數(shù)字孿生，并將其列入飛行器維護(hù)的長(zhǎng)期發(fā)展戰(zhàn)略， 計(jì)劃在2027 年實(shí)現(xiàn)數(shù)字孿生技術(shù)的發(fā)展目標(biāo)[10-11]。

2006 年，美國(guó)國(guó)家科學(xué)基金會(huì)提出信息物理系統(tǒng)（cyber-physical systems，CPS），與數(shù)字孿生技術(shù)相似，CPS 也是實(shí)現(xiàn)物理世界與信息世界融合的有效技術(shù)。 我國(guó)王飛躍2004 年提出平行系統(tǒng)，基于實(shí)際系統(tǒng)構(gòu)建人工系統(tǒng)，并構(gòu)建實(shí)際系統(tǒng)與人工系統(tǒng)之間的連接，用于復(fù)雜系統(tǒng)控制管理[12-13]。 由此可見，國(guó)內(nèi)外學(xué)者在建立虛擬模型，實(shí)現(xiàn)物理空間與信息空間交互的發(fā)展理念基本相同。 但由于當(dāng)時(shí)科技發(fā)展限制，數(shù)字孿生理念并沒有引起廣泛關(guān)注。

1.2 應(yīng)用探索期

1.2.1 航空航天應(yīng)用探索

數(shù)字孿生最早應(yīng)用于美國(guó)國(guó)防，NASA 與美國(guó)空軍研究實(shí)驗(yàn)室（AFRL）是早期主要的研究機(jī)構(gòu)，研究?jī)?nèi)容有數(shù)字孿生理論模型、 航天飛行器設(shè)計(jì)、健康維護(hù)與狀態(tài)評(píng)估等[14]。2011 年，AFRL 將數(shù)字孿生列入未來(lái)30 年中長(zhǎng)期發(fā)展規(guī)劃，探索數(shù)字孿生在飛機(jī)健康管理中的應(yīng)用[15]。 2012 年，NASA 與AFRL聯(lián)合提出美國(guó)航天飛行器及空軍裝備的數(shù)字孿生發(fā)展范式，將數(shù)字孿生作為推動(dòng)飛行器發(fā)展的關(guān)鍵技術(shù)之一[16]。AFRL 基于F-15 戰(zhàn)斗機(jī)開展試驗(yàn)研究，提出飛行器的數(shù)字孿生模型架構(gòu)[17]。Cerrone 建立了FEM-DT 模型，進(jìn)行裂縫擴(kuò)展損傷分析，指出數(shù)字孿生是推動(dòng)3D 仿真發(fā)展的新浪潮[18]。 2015 年，Grieves闡述了NASA 的數(shù)字孿生技術(shù)架構(gòu)[19]，指出數(shù)字孿生在應(yīng)用中需要重點(diǎn)關(guān)注物理實(shí)體和虛擬模型之間的數(shù)據(jù)連接，虛實(shí)空間數(shù)據(jù)同步會(huì)使數(shù)字孿生技術(shù)發(fā)展達(dá)到新高度。 Kraft 提出數(shù)字線索 （Digital Thread，也稱數(shù)字線程、數(shù)字紐帶、數(shù)字主線等），將數(shù)字線索與數(shù)字孿生結(jié)合，用于飛行器全生命周期管理[20-21]。 Grieves 與Vickers（NASA）介紹了數(shù)字孿生在產(chǎn)品全生命周期管理 （product lifecycle management，PLM） 中應(yīng)用及NASA 數(shù)字孿生研究進(jìn)展。2020 年，SpaceX 載人龍飛船成功發(fā)射， 標(biāo)志NASA提前實(shí)現(xiàn)2027 年數(shù)字孿生戰(zhàn)略發(fā)展目標(biāo)。

1.2.2 工業(yè)制造應(yīng)用探索

2014 年左右，數(shù)字孿生從軍事航空航天領(lǐng)域向工業(yè)領(lǐng)域拓展。 美、德、英、法等少數(shù)歐美發(fā)達(dá)國(guó)家將數(shù)字孿生技術(shù)作為工業(yè)制造數(shù)字化轉(zhuǎn)型的關(guān)鍵。美國(guó)通用電氣及ANSYS、德國(guó)西門子、法國(guó)達(dá)索等知名公司開始探索數(shù)字孿生的工業(yè)應(yīng)用。陶飛等[22-23]國(guó)內(nèi)學(xué)者從2017 年開始研究數(shù)字孿生，起步雖晚，但發(fā)展較快。

1） 產(chǎn)品設(shè)計(jì)研發(fā)。數(shù)字孿生可檢驗(yàn)產(chǎn)品設(shè)計(jì)的合理性，實(shí)現(xiàn)產(chǎn)品的快速更新迭代。 Uhlemann 等提出中小企業(yè)產(chǎn)品生產(chǎn)系統(tǒng)的數(shù)字孿生概念模型[24]。Schleich 等基于skin model shapes 提出數(shù)字孿生參考模型，用于產(chǎn)品研發(fā)及生產(chǎn)過程[25]。 在國(guó)內(nèi)，莊存波提出產(chǎn)品數(shù)字孿生體及其技術(shù)框架，闡述了數(shù)字孿生體在產(chǎn)品設(shè)計(jì)研發(fā)中的應(yīng)用[26]。 郭安建立了智能車間在信息物理空間（CPS）感知層的應(yīng)用模型，實(shí)現(xiàn)了物理空間向虛擬空間的數(shù)據(jù)傳遞和故障診斷[27]。李浩等介紹了數(shù)字孿生在復(fù)雜產(chǎn)品設(shè)計(jì)、制造中的應(yīng)用[28]。

2） 車間加工制造?；跀?shù)字孿生的加工制造是一個(gè)高度協(xié)同的過程，通過數(shù)字化手段構(gòu)建虛擬生產(chǎn)線，將產(chǎn)品的數(shù)字孿生模型與生產(chǎn)設(shè)備、生產(chǎn)過程等其它形態(tài)的數(shù)字孿生模型高度集成，進(jìn)而提高生產(chǎn)效率，降低生產(chǎn)成本。Hasan 基于增強(qiáng)現(xiàn)實(shí)研究了施工機(jī)械（塔吊）在建設(shè)過程中的數(shù)字孿生應(yīng)用，但作者研究對(duì)象是模型而非實(shí)際設(shè)備[29]。 陶飛提出并闡述了數(shù)字孿生車間 （digital twin shop-floor）的模型架構(gòu)及其應(yīng)用方法[30]，并對(duì)數(shù)字孿生模型拓展，加入服務(wù)及交互映射連接，提出數(shù)字孿生五維結(jié)構(gòu)模型與指導(dǎo)數(shù)字孿生車間應(yīng)用的技術(shù)準(zhǔn)則[31]。 丁凱等從邏輯關(guān)聯(lián)視角提出智能制造空間的數(shù)字孿生建模方法，但沒有闡述制造車間與虛擬車間的信息交互[32]。

3） 產(chǎn)品服務(wù)管理。數(shù)字孿生與物聯(lián)網(wǎng)結(jié)合可以降低系統(tǒng)故障，減少維修成本，提升用戶體驗(yàn)，優(yōu)化產(chǎn)品運(yùn)行狀態(tài)。Magargle 等使用ANSYS 建立汽車制動(dòng)系統(tǒng)的數(shù)字孿生模型，對(duì)汽車熱量監(jiān)控，實(shí)現(xiàn)汽車制動(dòng)系統(tǒng)的預(yù)防性維護(hù)[33]。 Ivanov 和Dolgui 提出供應(yīng)鏈數(shù)字孿生模型，構(gòu)建數(shù)字供應(yīng)鏈的風(fēng)險(xiǎn)管理決策系統(tǒng)。 但作者沒有闡述數(shù)據(jù)分析方法及數(shù)字孿生應(yīng)用效果[34]。

1.3 智能發(fā)展期

新一代信息技術(shù)為數(shù)字孿生落地應(yīng)用提供了技術(shù)支持。 當(dāng)前數(shù)字孿生正在與人工智能及大數(shù)據(jù)、物聯(lián)網(wǎng)等技術(shù)深度融合，形成智能數(shù)字孿生（intelligent digital twin，IDT）。 Grieves 指出智能數(shù)字孿生與傳統(tǒng)數(shù)字孿生相比， 可變被動(dòng)管理為主動(dòng)管理，離線分析變?cè)诰€分析，從目標(biāo)給定到目標(biāo)搜索，在歷史經(jīng)驗(yàn)學(xué)習(xí)、預(yù)防性維護(hù)等方面具有廣闊發(fā)展前景[35]。美國(guó)著名咨詢公司高德納（Gartner）連續(xù)3年（2017—2019 年）將數(shù)字孿生評(píng)為年度十大戰(zhàn)略科技之一[36]。 數(shù)字孿生從航天及制造領(lǐng)域向農(nóng)業(yè)、醫(yī)療、土木、交通、電力等民用領(lǐng)域拓展，具體應(yīng)用場(chǎng)景有智慧醫(yī)院、智能建筑、智慧城市、智能交通等。Tao 等結(jié)合自行車設(shè)計(jì)、汽車制造、電力變壓器服務(wù)3 個(gè)具體應(yīng)用場(chǎng)景，提出數(shù)字孿生驅(qū)動(dòng)的產(chǎn)品全生命周期應(yīng)用框架及其發(fā)展趨勢(shì)[37]。

數(shù)字孿生技術(shù)在智慧城市與智能建造發(fā)展研究中得到廣泛關(guān)注。 智慧城市是城市信息化的高級(jí)表現(xiàn)形式，它基于新一代信息技術(shù)，創(chuàng)新驅(qū)動(dòng)理念對(duì)城市建筑、道路、社會(huì)服務(wù)等設(shè)施集成，用于城市規(guī)劃、政策制定，以提高社會(huì)服務(wù)效率、公共管理能力。 2019 年，我國(guó)智慧城市市場(chǎng)規(guī)模超過9 000 億元， 試點(diǎn)建設(shè)城市已全面覆蓋全國(guó)。 White 等使用Unity3D 軟件建立愛爾蘭都柏林的智慧城市模型，分析了數(shù)字孿生在城市規(guī)劃、用戶協(xié)同合作方面的應(yīng)用[38]。 Zaballos 等提出智慧校園，將BIM 和IoT 無(wú)線傳感技術(shù)結(jié)合， 基于Azure 構(gòu)建校園環(huán)境的數(shù)字孿生監(jiān)測(cè)系統(tǒng)，對(duì)舒適度、溫度、噪音、室內(nèi)空氣質(zhì)量等環(huán)境指標(biāo)進(jìn)行可視化評(píng)估[39]。Yu 等基于多源時(shí)空監(jiān)測(cè)數(shù)據(jù)，提出城市道路的智能運(yùn)維方案[40]。

數(shù)字孿生技術(shù)已經(jīng)開始用于智能建造與運(yùn)維管理。 Taraben 將建筑表觀損傷特征轉(zhuǎn)換為基于像素變化的BIM 展示，對(duì)裂紋、缺失等損傷的幾何特征進(jìn)行自動(dòng)匹配和損傷程度自動(dòng)比較[41]。 Tagliabue等基于BIM 及傳感器數(shù)據(jù)對(duì)建筑室內(nèi)環(huán)境質(zhì)量（舒適度）進(jìn)行可持續(xù)性評(píng)估[42]。Rausch 等通過3D 激光掃描，建立參數(shù)化BIM 模型，利用BIM 模型動(dòng)態(tài)更新中豐富的語(yǔ)義信息構(gòu)建幾何數(shù)字孿生體（geometric digital twin , GDT），研究了數(shù)字孿生在構(gòu)件生產(chǎn)裝配過程中的質(zhì)量控制[43]。 劉占省等研究了數(shù)字孿生五維結(jié)構(gòu)模型在智能建造中的應(yīng)用， 結(jié)合BIM、FEM 與IoT 等技術(shù)，提出基于智能建造的數(shù)字孿生五維模型框架[44]。

2 基本原理與方法

2.1 基本原理

數(shù)字孿生是實(shí)際工程項(xiàng)目的數(shù)字化表達(dá)。 與傳統(tǒng)CAD、BIM、FEM 等建模技術(shù)手段不同，工程結(jié)構(gòu)的數(shù)字孿生模型包含3D 幾何形狀與語(yǔ)義信息（材料、功能、構(gòu)件關(guān)聯(lián)等）[45]。 如圖2 所示。 數(shù)字孿生基于傳感器實(shí)時(shí)采集數(shù)據(jù)建立物理世界與虛擬世界的動(dòng)態(tài)連接。 在BIM、GIS 與FEM 等高精度建?；A(chǔ)上，結(jié)合IoT 監(jiān)測(cè)數(shù)據(jù)，對(duì)結(jié)構(gòu)進(jìn)行動(dòng)態(tài)模擬、損傷診斷預(yù)警、評(píng)估預(yù)測(cè)。

圖2 數(shù)字孿生基本功能Fig.2 Basic functions of digital twin

數(shù)字孿生的核心要素是模型及數(shù)據(jù)。 在數(shù)字孿生模型與物理實(shí)體之間數(shù)據(jù)交互過程中會(huì)產(chǎn)生新的數(shù)據(jù)（分析結(jié)果），用于反映系統(tǒng)當(dāng)前運(yùn)營(yíng)狀態(tài)，并根據(jù)IoT 監(jiān)測(cè)數(shù)據(jù)、歷史數(shù)據(jù)、工程經(jīng)驗(yàn)等對(duì)結(jié)構(gòu)性能演化趨勢(shì)及安全狀態(tài)做出科學(xué)預(yù)測(cè)。 分析結(jié)果可以用于反饋、優(yōu)化、指導(dǎo)、控制實(shí)際工程[46]。 隨著AI、大數(shù)據(jù)等新興信息技術(shù)的應(yīng)用發(fā)展，數(shù)字孿生概念仍正在不斷深化拓展。

2.2 數(shù)字孿生技術(shù)特點(diǎn)

信息物理系統(tǒng)、數(shù)字線索、建模仿真等與數(shù)字孿生概念相近，表1 針對(duì)數(shù)字孿生及其相關(guān)技術(shù)的特點(diǎn)進(jìn)行對(duì)比分析。

表1 數(shù)字孿生及其相關(guān)技術(shù)的特點(diǎn)對(duì)比[47]Tab.1 Comparison of the characteristics of digital twin and its related technologies

1） 信息物理系統(tǒng)。數(shù)字孿生與信息物理系統(tǒng)均是基于傳感器狀態(tài)感知、實(shí)時(shí)分析、建立虛實(shí)空間連接，都可以和New IT 結(jié)合進(jìn)行數(shù)據(jù)分析，但兩者側(cè)重點(diǎn)不同。CPS 偏重理論研究，CPS 的核心是傳感器及執(zhí)行器，通過計(jì)算、交流、控制實(shí)現(xiàn)虛實(shí)空間交互[47]。數(shù)字孿生側(cè)重基于虛擬模型指導(dǎo)工業(yè)實(shí)踐，其技術(shù)核心是模型及數(shù)據(jù)， 為工程項(xiàng)目提供直觀、快速的迭代優(yōu)化技術(shù)和高效管理方法。 數(shù)字孿生可作為CPS 的構(gòu)建基礎(chǔ)及關(guān)鍵技術(shù)[48]。

2） 數(shù)字線索。數(shù)字線索是數(shù)字孿生的關(guān)鍵技術(shù)之一，指物理實(shí)體與虛擬模型之間動(dòng)態(tài)互動(dòng)。 數(shù)字線索連接不同階段的數(shù)據(jù)信息，為數(shù)字孿生提供訪問、整合及轉(zhuǎn)換的能力，提高數(shù)字孿生在產(chǎn)品全生命周期中的數(shù)據(jù)流通、集成能力。

3） 仿真模擬。 傳統(tǒng)仿真模擬方法（BIM、FEM等）是數(shù)字孿生建模的常用手段，存在實(shí)時(shí)同步性差（靜態(tài)）、模型精度低、結(jié)果準(zhǔn)確性差等缺點(diǎn)，不能滿足數(shù)字孿生模型的高精度、實(shí)時(shí)更新等需求，建模技術(shù)有待提升。

2.3 數(shù)字孿生與現(xiàn)有技術(shù)融合

現(xiàn)有的產(chǎn)品生命周期管理， 難以實(shí)現(xiàn)精準(zhǔn)預(yù)測(cè)。 New IT 與數(shù)字孿生相結(jié)合，基于IoT 監(jiān)測(cè)數(shù)據(jù)，使用機(jī)器學(xué)習(xí)及深度學(xué)習(xí)等智能算法，創(chuàng)建高保真數(shù)字孿生模型， 可實(shí)現(xiàn)對(duì)當(dāng)前狀態(tài)的診斷評(píng)估、以及對(duì)未來(lái)趨勢(shì)的預(yù)測(cè)，提供更全面的決策支持。

2.3.1 數(shù)字孿生與BIM 的融合

信息管理（數(shù)據(jù)庫(kù)）是BIM 的技術(shù)優(yōu)勢(shì)，BIM 可實(shí)現(xiàn)幾何信息及屬性信息（物理、結(jié)構(gòu)等）的3D 數(shù)字化表達(dá)[49]。 BIM 在結(jié)構(gòu)內(nèi)部信息管理方面存在優(yōu)勢(shì)， 在地理環(huán)境數(shù)據(jù)分析處理方面存在不足，BIM和GIS 結(jié)合可實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ)，但當(dāng)前BIM 與GIS 集成方面存在操作復(fù)雜、信息易丟失等問題。 張文勝等將BIM（Revit）用于結(jié)構(gòu)幾何物理信息集成管理，三維GIS（Skyline）用于環(huán)境空間數(shù)據(jù)處理，研究了BIM 與GIS 模型轉(zhuǎn)換集成[50]。

將IoT 與BIM 相結(jié)合，可彌補(bǔ)BIM 數(shù)據(jù)實(shí)時(shí)更新能力的不足，實(shí)現(xiàn)BIM 多源數(shù)據(jù)的實(shí)時(shí)更新與可視化展示。 Kaewunruen 等基于BIM 建立損傷風(fēng)險(xiǎn)評(píng)估的數(shù)字孿生檢查方案，考慮結(jié)構(gòu)失效概率及結(jié)構(gòu)破壞后果，優(yōu)化橋梁維護(hù)策略[51]。Lu 等使用3D 點(diǎn)云數(shù)據(jù)，研究了橋梁運(yùn)維場(chǎng)景下的幾何數(shù)字孿生模型的建模精度問題，指出建模精度定義的幾何偏差及數(shù)據(jù)不確定性是阻礙自動(dòng)化建模技術(shù)發(fā)展的關(guān)鍵[52]。 Yu 等使用Revit 和Dynamo 建立高速公路路面的數(shù)字孿生分析模型，引入智能算法對(duì)路面的性能預(yù)測(cè)結(jié)果進(jìn)行可視化展示[53]。

2.3.2 數(shù)字孿生與SHM 的融合

數(shù)字孿生與SHM 相結(jié)合， 可提高SHM 的損傷識(shí)別效率和評(píng)估質(zhì)量。Kang 等將SHM 數(shù)據(jù)驅(qū)動(dòng)和模型驅(qū)動(dòng)分析方法相結(jié)合， 提出基于多媒體信息的數(shù)字孿生應(yīng)用框架。 使用機(jī)器學(xué)習(xí)建立數(shù)據(jù)分析模型，對(duì)有限元模型動(dòng)態(tài)修正，建立高精度數(shù)字孿生模型。 當(dāng)環(huán)境或結(jié)構(gòu)狀態(tài)發(fā)生改變，數(shù)據(jù)驅(qū)動(dòng)的分析方法不適用時(shí)，使用FEM 進(jìn)行多工況模擬， 實(shí)現(xiàn)SHM 數(shù)據(jù)分析和FEM 模型分析兩種方法優(yōu)勢(shì)互補(bǔ)[54]。

將BIM 用于SHM 系統(tǒng)運(yùn)維管理，建立模型數(shù)據(jù)庫(kù)對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行集成管控，可實(shí)現(xiàn)SHM 數(shù)據(jù)的可視化展示[55]。 Dang 等基于BIM 建立橋梁管理系統(tǒng)，使用機(jī)器視覺對(duì)橋梁表觀損傷識(shí)別，通過構(gòu)件編碼進(jìn)行數(shù)據(jù)傳遞、歸檔，保障了數(shù)據(jù)交換過程中準(zhǔn)確性[56]。 但圖像采集需要現(xiàn)場(chǎng)與辦公室雙方配合，沒有實(shí)現(xiàn)自動(dòng)化采集。 Shim 等研究了數(shù)字孿生在中小跨徑橋梁運(yùn)維中的應(yīng)用，提出基于3D數(shù)字孿生模型的橋梁養(yǎng)護(hù)技術(shù)框架， 由3 部分組成：①數(shù)字孿生模型：基于開源BIM 平臺(tái)建立橋梁幾何模型，實(shí)現(xiàn)多方協(xié)同管理和數(shù)據(jù)精準(zhǔn)傳遞；②實(shí)體孿生模型： 使用無(wú)人機(jī)與3D 激光掃描對(duì)結(jié)構(gòu)表觀損傷自動(dòng)化采集， 結(jié)合計(jì)算機(jī)視覺技術(shù)對(duì)圖像損傷自動(dòng)分析； ③力學(xué)孿生模型： 建立FEM 模型， 與數(shù)字孿生模型及實(shí)體孿生模型連接，根據(jù)監(jiān)測(cè)數(shù)據(jù)修正模型參數(shù)，對(duì)橋梁當(dāng)前狀態(tài)分析評(píng)估。

2.3.3 數(shù)字孿生與FEM 的融合

有限元分析也是數(shù)字孿生建模的主要方法之一。 由于有限元建模過程中，單元、邊界條件、參數(shù)取值等存在假定，影響分析結(jié)果的準(zhǔn)確性，需結(jié)合監(jiān)測(cè)數(shù)據(jù)進(jìn)行模型修正。 Lin 等基于數(shù)字孿生研究了大跨斜拉橋在強(qiáng)震作用下的易損性評(píng)估， 通過MATLAB、MSC.Marc、Python 3 個(gè) 軟 件 交 互， 編 制FEM 動(dòng)態(tài)修正程序，對(duì)比分析了3 種建模復(fù)雜程度的FEM 模型即基于設(shè)計(jì)文件的FEM 模型、FEM 線性修正模型、FEM 非線性修正模型， 驗(yàn)證易損性評(píng)估數(shù)字孿生的有效性[57]。

2.3.4 數(shù)字孿生與貝葉斯方法的融合

工程結(jié)構(gòu)在服役過程中存在環(huán)境、荷載、突發(fā)事故等不確定因素。 貝葉斯網(wǎng)絡(luò)能夠有效的對(duì)不確定性量化； 因此Bayesian 方法常用于數(shù)字孿生建模。Zhu 等提出基于數(shù)字孿生的SHM 模態(tài)參數(shù)實(shí)時(shí)修正方法，采用Bayesian 識(shí)別，引入中間模型進(jìn)行環(huán)境評(píng)估、散度分析，以提高模型修正的實(shí)時(shí)交互效率[58]。 Song 等基于非參數(shù)貝葉斯網(wǎng)絡(luò)建立SHM的數(shù)字孿生模型， 分析結(jié)構(gòu)狀態(tài)動(dòng)態(tài)退化過程，將不確定因素量化，增強(qiáng)了SHM 數(shù)據(jù)分析的準(zhǔn)確度和實(shí)時(shí)自學(xué)能力[59]。

2.3.5 數(shù)字孿生與New IT 的融合

1） 數(shù)字孿生中的物聯(lián)網(wǎng)。物聯(lián)網(wǎng)技術(shù)通過無(wú)線傳感、 光纖光柵等先進(jìn)采集傳輸技術(shù)獲取監(jiān)測(cè)數(shù)據(jù)，為后續(xù)數(shù)據(jù)挖掘分析提供主要數(shù)據(jù)源、特定應(yīng)用場(chǎng)景及學(xué)習(xí)訓(xùn)練基礎(chǔ)。

2） 數(shù)字孿生中的大數(shù)據(jù)。大數(shù)據(jù)是數(shù)據(jù)分析的有效技術(shù)， 它利用先進(jìn)的數(shù)理統(tǒng)計(jì)與AI 等分析手段，從海量數(shù)據(jù)中挖掘、提取有效信息[60]。 SHM 數(shù)據(jù)滿足大數(shù)據(jù)特征，其數(shù)據(jù)結(jié)構(gòu)具有體量大、增速快、種類多、有效信息低的特點(diǎn)。 將大數(shù)據(jù)技術(shù)應(yīng)用到SHM 數(shù)據(jù)分析，對(duì)實(shí)現(xiàn)智能化監(jiān)測(cè)具有重要工程意義[61]。

2.3.6 數(shù)字孿生與AI 的融合

如圖3 所示，人工智能也是數(shù)字孿生數(shù)據(jù)挖掘的重要工具之一。 機(jī)器學(xué)習(xí)（machine learning，ML）和深度學(xué)習(xí)（deep learning，DL）是AI 的主要算法，其中機(jī)器學(xué)習(xí)算法用于在歷史數(shù)據(jù)中搜尋特定模式，以指導(dǎo)決策。機(jī)器學(xué)習(xí)也是大數(shù)據(jù)分析的常用技術(shù)。 深度學(xué)習(xí)是有多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的機(jī)器學(xué)習(xí)算法，數(shù)據(jù)經(jīng)多層次迭代訓(xùn)練以獲得最佳結(jié)果。常用的有卷積神經(jīng)網(wǎng)絡(luò)（convolution neural networks，CNN）和遞歸神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）。

圖3 數(shù)字孿生與物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能的相互關(guān)系Fig.3 The relationship between digital twin and Internet of things, big data and artificial intelligence

在傳統(tǒng)的工業(yè)設(shè)計(jì)、制造和服務(wù)領(lǐng)域，經(jīng)驗(yàn)往往是一種模糊但行之有效的概念，很難將其作為精準(zhǔn)判決依據(jù)。 數(shù)字孿生可通過數(shù)字化手段，將原本無(wú)法保留的專家經(jīng)驗(yàn)進(jìn)行數(shù)字化， 并提供了保存、復(fù)制、修改和轉(zhuǎn)移的能力。 基于數(shù)據(jù)構(gòu)建智能數(shù)字孿生模型， 可實(shí)現(xiàn)結(jié)構(gòu)在特定場(chǎng)景下的風(fēng)險(xiǎn)評(píng)估、性能預(yù)測(cè)、維護(hù)管理等。 國(guó)內(nèi)外學(xué)者開展了結(jié)構(gòu)智能檢（監(jiān)）測(cè)及智能損傷識(shí)別研究。 將機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、計(jì)算機(jī)視覺與結(jié)構(gòu)健康監(jiān)測(cè)[62]、無(wú)人機(jī)及3D 激光掃描等融合， 使用激光掃描建立數(shù)字孿生高保真模型、無(wú)人機(jī)及計(jì)算機(jī)視覺用于結(jié)構(gòu)表觀損傷智能識(shí)別，使用智能算法實(shí)現(xiàn)數(shù)據(jù)特征提取和深入挖掘，提供改進(jìn)和優(yōu)化策略[63]。

2.4 數(shù)字孿生主要技術(shù)平臺(tái)

建立高保真的虛擬模型是數(shù)字孿生技術(shù)應(yīng)用的前提基礎(chǔ)及重要載體，也是數(shù)字孿生技術(shù)的重難點(diǎn)之一。 數(shù)字孿生建模常用的軟件平臺(tái)如表2 所示，各平臺(tái)對(duì)數(shù)字孿生的應(yīng)用側(cè)重點(diǎn)不同，呈多元化發(fā)展。

表2 表明， 數(shù)字孿生平臺(tái)主要集中在美、 德、英、法等少數(shù)歐美發(fā)達(dá)國(guó)家，缺乏國(guó)產(chǎn)數(shù)字孿生平臺(tái)。 目前國(guó)內(nèi)工業(yè)軟件及數(shù)字孿生平臺(tái)基礎(chǔ)薄弱，CAD/CAE、傳感器、虛擬仿真及增強(qiáng)現(xiàn)實(shí)等數(shù)字孿生核心技術(shù)多數(shù)被國(guó)外壟斷，目前國(guó)內(nèi)還沒有與達(dá)索、通用電氣、西門子等競(jìng)爭(zhēng)的軟件平臺(tái)，亟需增強(qiáng)國(guó)產(chǎn)工業(yè)軟件研發(fā)[66]。

表2 數(shù)字孿生主要軟件平臺(tái)及其應(yīng)用側(cè)重點(diǎn)[64-65]Tab.2 Major software platforms of Digital Twin and its main applications

3 鐵路智能運(yùn)維應(yīng)用

鐵路線路呈線狀分布，跨度大，傳統(tǒng)人工巡檢屬于“頭痛醫(yī)頭、腳痛醫(yī)腳”的被動(dòng)式管理，工作量大、效率低、成本高，維護(hù)效果不理想。 數(shù)字孿生為鐵路運(yùn)維技術(shù)智能化發(fā)展提供了新的契機(jī)，將數(shù)字孿生、New IT、人工智能、BIM 及GIS 等技術(shù)交叉融合，實(shí)現(xiàn)結(jié)構(gòu)檢（監(jiān)）測(cè)智能化及管理決策智能化。結(jié)構(gòu)檢（監(jiān)）測(cè)智能化是指使用無(wú)人機(jī)及機(jī)器人等智能裝備實(shí)現(xiàn)結(jié)構(gòu)的遠(yuǎn)程、非接觸、自動(dòng)化監(jiān)測(cè)。 管理決策智能化是指基于數(shù)字孿生， 結(jié)合物聯(lián)網(wǎng)、大數(shù)據(jù)和人工智能分析，實(shí)現(xiàn)損傷診斷、狀態(tài)評(píng)估、故障預(yù)警、優(yōu)化維護(hù)等，提供更科學(xué)的決策支持。

3.1 鐵路基礎(chǔ)結(jié)構(gòu)智能檢（監(jiān)）測(cè)

計(jì)算機(jī)視覺提供結(jié)構(gòu)的非接觸檢（監(jiān)）測(cè)，結(jié)合圖像識(shí)別及智能算法對(duì)涉水、峽谷、高空等人工難檢或隱蔽部位進(jìn)行有效檢測(cè)， 減少檢管人員投入，提高監(jiān)測(cè)效率，提高檢測(cè)結(jié)果準(zhǔn)確性。 鐵路基礎(chǔ)結(jié)構(gòu)的檢（監(jiān)）測(cè)按構(gòu)件可大致分為：鋼軌、扣件、軌道板、路基、橋梁、隧道等，分別介紹如下。

3.1.1 鋼軌與扣件方面

西南交通大學(xué)設(shè)計(jì)的軌道缺陷自動(dòng)檢測(cè)系統(tǒng)，采用線陣CCD 相機(jī)采集高鐵軌道表面圖像， 檢測(cè)精度為0.5 mm[67]。陳華鵬等與英國(guó)TWI 合作利用特定導(dǎo)波模態(tài)特征對(duì)傳感器優(yōu)化布置和缺陷識(shí)別進(jìn)行數(shù)值仿真和實(shí)驗(yàn)驗(yàn)證[68]。Xu 等利用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，精確識(shí)別鋼材表面疲勞微小裂縫[69]。代先星等提出一種基于圖像融合特征和貝葉斯壓縮感知的圖像分類識(shí)別方法，從軌道圖像中分割出扣件子圖像，自動(dòng)識(shí)別軌道扣件缺陷[70]。

3.1.2 混凝土軌道板方面

軌道板結(jié)構(gòu)層次多、材料屬性差別大、空間跨度廣、服役環(huán)境復(fù)雜，必須具有高平順性。 列車荷載及環(huán)境因素耦合作用會(huì)加速軌道板破壞，降低結(jié)構(gòu)耐久性及承載力。 Erkal 基于表面法線的損傷檢測(cè)對(duì)激光掃描數(shù)據(jù)中的裂紋、腐蝕、破裂和剝落等缺陷自動(dòng)分類[71]。 Hoskere 等利用多尺度像素DCNN和全卷積神經(jīng)網(wǎng)絡(luò)，對(duì)混凝土裂縫剝落、鋼筋外露、銹蝕及疲勞裂紋進(jìn)行分類評(píng)估[72]。

3.1.3 路基方面

鐵路路基在列車載荷重復(fù)作用和自然水溫環(huán)境交替變化下， 路基土工材料易累積塑性變形，導(dǎo)致路基出現(xiàn)不均勻沉降。 張兆旭分別在京滬高鐵靜海段、 常州市某地下工程等工程中應(yīng)用PS-InSAR技術(shù)監(jiān)測(cè)地面沉降， 并驗(yàn)證了PS-InSAR 監(jiān)測(cè)結(jié)果的可靠性[73]。 夏艷軍利用激光雷達(dá)提出高鐵路基測(cè)量方法[74]。 張宇昕建立高速鐵路路基變形的BIM 模型，對(duì)路基沿線沉降進(jìn)行評(píng)估和數(shù)據(jù)可視化[75]。

3.1.4 橋梁方面

鐵路橋梁表觀缺陷、局部損傷、撓度過大等會(huì)危及列車的安全運(yùn)營(yíng)。 Hoskere 等提出一種新型網(wǎng)絡(luò)配置和由結(jié)構(gòu)圖像組成的數(shù)據(jù)集，以提高橋梁損傷探測(cè)效率。 Ghahremani 等基于視覺圖像，根據(jù)點(diǎn)云變化進(jìn)行損傷的自動(dòng)識(shí)別、定位及量化，應(yīng)用于結(jié)構(gòu)的有限元模型修正[76]。 Shao 等使用全息視覺傳感技術(shù)對(duì)大跨橋梁振動(dòng)、位移變形的非接觸式監(jiān)測(cè)方法[77]。Yoon 等利用無(wú)人機(jī)捕獲的視覺數(shù)據(jù)對(duì)實(shí)驗(yàn)結(jié)構(gòu)進(jìn)行了系統(tǒng)識(shí)別，并結(jié)合靜態(tài)坐標(biāo)來(lái)測(cè)量動(dòng)態(tài)位移[78]。 鄭明新等基于BIM 建立橋梁施工安全的智能監(jiān)測(cè)平臺(tái)，對(duì)框架橋梁下穿既有鐵路線的施工過程進(jìn)行監(jiān)測(cè)預(yù)警[79]。

3.1.5 隧道方面

高速鐵路隧道襯砌空洞、掉塊、滲透水等病害嚴(yán)重威脅行車安全，降低舒適性。 傳統(tǒng)隧道質(zhì)量檢測(cè)設(shè)備自動(dòng)化、功能集成度低。 智能檢測(cè)技術(shù)及智能檢測(cè)設(shè)備可以提高檢測(cè)效率，對(duì)結(jié)構(gòu)隱蔽及人工難檢部位有效檢測(cè)。 黃震等歸納總結(jié)了國(guó)內(nèi)外隧道檢測(cè)設(shè)備發(fā)展現(xiàn)狀，指出智能檢測(cè)機(jī)器人、隧道VR、檢修一體車等隧道檢測(cè)設(shè)備智能化發(fā)展方向[80]。 智能巡檢機(jī)器人研發(fā)，需土木、通信、控制等專業(yè)配合，目前實(shí)際工程應(yīng)用還很有限。

綜上所述，研發(fā)智能檢（監(jiān)）設(shè)備，開展基于計(jì)算機(jī)視覺的損傷識(shí)別與狀態(tài)評(píng)估技術(shù)研究是鐵路智能運(yùn)維的研究熱點(diǎn)及發(fā)展趨勢(shì)。 但無(wú)人機(jī)抗風(fēng)穩(wěn)定性差，易墜毀。 目前圖像智能分析方面的理論方法較多，如深度學(xué)習(xí)、機(jī)器學(xué)習(xí)等，但圖像智能識(shí)別技術(shù)仍處于理論層面，識(shí)別準(zhǔn)確率及自動(dòng)化處理水平較低，實(shí)際現(xiàn)場(chǎng)情況復(fù)雜，工程應(yīng)用過程中仍需依靠人工圖像處理。 研究基于計(jì)算機(jī)視覺的結(jié)構(gòu)損傷自動(dòng)化識(shí)別方法、結(jié)合多源異構(gòu)監(jiān)測(cè)數(shù)據(jù)進(jìn)行損傷智能定量與狀態(tài)評(píng)估，是當(dāng)前亟待解決的主要問題之一。

3.2 鐵路數(shù)字孿生模型

3.2.1 幾何數(shù)字孿生模型

幾何特征是鐵路實(shí)體結(jié)構(gòu)的表觀特征，幾何數(shù)字孿生模型是反應(yīng)結(jié)構(gòu)3D 幾何特征變化的數(shù)字孿生模型。Ariyachandra 等基于3D 點(diǎn)云數(shù)據(jù)建立鐵路接觸網(wǎng)的幾何數(shù)字孿生模型，使用改進(jìn)RANSAC 算法提取3D 點(diǎn)云， 生成鐵路接觸網(wǎng)的工業(yè)基礎(chǔ)類模型（industry foundation classes，IFC），實(shí)現(xiàn)鐵路接觸網(wǎng)幾何特征模型的自動(dòng)化建立[81]。 鮑躍全和李慧研究了計(jì)算機(jī)視覺技術(shù)在結(jié)構(gòu)裂縫、位移、車輛荷載及模態(tài)參數(shù)識(shí)別中的應(yīng)用。 Lu 等基于3D 標(biāo)簽點(diǎn)云，使用切片擬合方法，研究了IFC 格式的橋梁幾何數(shù)字孿生模型建模方法。Lu 等使用點(diǎn)云數(shù)據(jù)建立橋梁幾何數(shù)字孿生模型， 可省去人工點(diǎn)云處理，提高數(shù)據(jù)處理效率[82]，但文中技術(shù)只對(duì)混凝土梁板橋的主要構(gòu)件有效，技術(shù)框架適用范圍有待拓展。

3.2.2 基于SHM 的數(shù)字孿生模型

隨著光纖光柵、 無(wú)線等傳感技術(shù)發(fā)展，SHM 積累了海量數(shù)據(jù)，但多源異構(gòu)數(shù)據(jù)的管理、分析挖掘能力不足， 無(wú)法有效提取結(jié)構(gòu)損傷信息。 Febrianto等在鐵路橋建設(shè)過程中埋入FBG 光纖傳感系統(tǒng)，基于統(tǒng)計(jì)有限元statFEM[83]建立數(shù)字孿生模型，使用貝葉斯方法將監(jiān)測(cè)數(shù)據(jù)和FEM 模型參數(shù)中的不確定性進(jìn)行量化，對(duì)橋梁應(yīng)變變化進(jìn)行預(yù)測(cè)[84]。 To 等基于無(wú)人機(jī)掃描研究了結(jié)構(gòu)3D 重建和卷積神經(jīng)網(wǎng)絡(luò)圖像識(shí)別技術(shù)， 將AI、3D 重建與數(shù)字孿生相結(jié)合，提出彌補(bǔ)BIM 數(shù)據(jù)融合能力的多源數(shù)據(jù)融合技術(shù)框架[85]。 Ye 等基于BIM 建立橋梁的SHM 數(shù)字孿生模型，將SHM 數(shù)據(jù)分析的兩種常用方法：數(shù)據(jù)驅(qū)動(dòng)（統(tǒng)計(jì)模型）和模型驅(qū)動(dòng)（數(shù)值仿真模型）相結(jié)合對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行挖掘[86]。 智能運(yùn)維還需要對(duì)成本進(jìn)行精細(xì)化管理。 段曉晨等研究了智能控制技術(shù)在橋梁運(yùn)維成本管控中的應(yīng)用，使用人工智能算法及Navisworks 軟件建立成本數(shù)字孿生模型，實(shí)現(xiàn)運(yùn)營(yíng)成本的3D 動(dòng)態(tài)可視化管控[87]。

3.3 鐵路性能退化及優(yōu)化維護(hù)

由于列車載荷及環(huán)境因素耦合影響，鐵路基礎(chǔ)結(jié)構(gòu)的運(yùn)營(yíng)狀態(tài)會(huì)不可避免地發(fā)生退化，進(jìn)而影響行車安全、旅客舒適性及維護(hù)成本[88]；因此，構(gòu)建鐵路數(shù)字孿生模型， 分析結(jié)構(gòu)性能評(píng)估及演化規(guī)律，并以此來(lái)制定預(yù)防性維護(hù)策略，是實(shí)現(xiàn)鐵路智能運(yùn)維的關(guān)鍵。

3.3.1 基礎(chǔ)結(jié)構(gòu)動(dòng)態(tài)性能演化

翟婉明等探討了環(huán)境與動(dòng)載耦合作用下基礎(chǔ)結(jié)構(gòu)關(guān)鍵工程材料與結(jié)構(gòu)動(dòng)態(tài)性能演化規(guī)律[89]。 盧春房等研究了鐵路工程結(jié)構(gòu)耐久性的影響因素，并應(yīng)用于工程實(shí)際[90]。 趙國(guó)堂等基于輪軌系統(tǒng)動(dòng)力學(xué)分析了軌道板和CA 砂漿間離縫狀態(tài)下車輛和軌道的動(dòng)力學(xué)響應(yīng)，研究了不同離縫量、離縫范圍以及對(duì)車輛行車速度的影響[91]。 楊國(guó)靜等針對(duì)高速鐵路混凝土拱橋運(yùn)維管理問題，提出橋面線形監(jiān)測(cè)預(yù)警系統(tǒng)。Chen 提出適用于模態(tài)不完備及結(jié)構(gòu)損傷較大情況下的損傷評(píng)估新方法即動(dòng)力攝動(dòng)法（dynamic perturbation method）， 該方法能夠精準(zhǔn)給出結(jié)構(gòu)參數(shù)變化與結(jié)構(gòu)損傷或模態(tài)參數(shù)之間的變化關(guān)系[92]。Ye 和Chen 等使用子結(jié)構(gòu)識(shí)別算法與有限元模型靈敏度分析，提出新型軌道動(dòng)力系統(tǒng)的參數(shù)識(shí)別方法，該方法可顯著提高結(jié)構(gòu)參數(shù)識(shí)別的計(jì)算效率[93]。

3.3.2 隨機(jī)性能演化模擬

鐵路基礎(chǔ)結(jié)構(gòu)性能會(huì)隨著時(shí)間而演化，由于材料和幾何特性的不確定性，需要利用不確定性的概率方法對(duì)演化過程進(jìn)行隨機(jī)模擬。 目前，結(jié)構(gòu)性能演化模擬的典型概率方法包括：失效率函數(shù)、馬爾可夫過程及gamma 過程。 Chen 利用隨機(jī)gamma 過程研究了由鋼筋銹蝕引起的混凝土橋梁承載力退化，并預(yù)測(cè)了結(jié)構(gòu)的剩余壽命[94]。 Chen 基于動(dòng)力攝動(dòng)法與Tikhonov 正則化方法，提出在實(shí)測(cè)不完備模態(tài)數(shù)據(jù)條件下的有限元模型更新方法[95]。

3.3.3 時(shí)變可靠度分析及剩余壽命估算

鐵路基礎(chǔ)結(jié)構(gòu)可靠度分析是基于與結(jié)構(gòu)失效模式相關(guān)的極限狀態(tài)方程，由于基礎(chǔ)結(jié)構(gòu)的載荷狀況和結(jié)構(gòu)承載力往往會(huì)隨時(shí)間變化；因此時(shí)變可靠度分析對(duì)于結(jié)構(gòu)性能退化評(píng)估和剩余服役壽命預(yù)測(cè)是很有必要的[96]。 Biondini 等提出了劣化模型的概率模擬原理，針對(duì)鋼結(jié)構(gòu)中腐蝕、疲勞的影響以及混凝土結(jié)構(gòu)的鋼筋腐蝕，引入概率性能指標(biāo)來(lái)研究時(shí)變結(jié)構(gòu)性能與結(jié)構(gòu)剩余壽命[97]。Chen 等提出鋼筋銹蝕引起的混凝土可靠性分析方法，分析表明腐蝕率大小嚴(yán)重影響混凝土剩余服役壽命[98]。 Feng 等建立了考慮CA 砂漿離縫的車輛-軌道耦合動(dòng)力學(xué)模型， 運(yùn)用響應(yīng)面法分析了CA 砂漿離縫條件下的無(wú)砟軌道結(jié)構(gòu)長(zhǎng)期服役性能的可靠性[99]。Jiang 等提出數(shù)字孿生驅(qū)動(dòng)的鋼橋疲勞剩余壽命的概率評(píng)估方法，將鋼橋檢（監(jiān)）測(cè)與試件疲勞實(shí)驗(yàn)結(jié)合，分別建立鋼橋面板的微觀裂縫與宏觀裂縫的數(shù)字孿生模型，對(duì)疲勞裂縫拓展過程進(jìn)行模擬與剩余壽命預(yù)測(cè)[100]。

3.3.4 維護(hù)策略優(yōu)化

鐵路線路目前按照“嚴(yán)檢慎修”的維修原則，但根據(jù)經(jīng)驗(yàn)制定的周期性檢修方案，無(wú)法科學(xué)合理地配置維修資源，容易造成維修資源的浪費(fèi)（過修）或檢修不及時(shí)（失修）[101]。 Chen 等基于Gamma 過程提出結(jié)構(gòu)隨機(jī)退化模型，用于評(píng)估結(jié)構(gòu)承載能力失效概率，并綜合考慮結(jié)構(gòu)失效概率與維修成本確定結(jié)構(gòu)最優(yōu)維護(hù)時(shí)間[102]。Chen 等根據(jù)土堤全壽命周期的失效率分布和成本分析， 建立成本最小化和風(fēng)險(xiǎn)最小化雙重目標(biāo)函數(shù)， 得到土堤維護(hù)策略的最優(yōu)解集[103]。

3.3.5 維修后結(jié)構(gòu)性能變化

鐵路基礎(chǔ)結(jié)構(gòu)在病害修復(fù)前后的服役性能及演化規(guī)律具有一定差異。 Chen 考慮了檢測(cè)、維修對(duì)混凝土橋梁服役性能的影響，利用貝葉斯更新方法得到了結(jié)構(gòu)維修后失效概率分布，并確定了最優(yōu)維護(hù)策略[104]。 盡管目前針對(duì)鐵路基礎(chǔ)結(jié)構(gòu)的病害修復(fù)進(jìn)行了一定的研究，但病害修復(fù)后基礎(chǔ)結(jié)構(gòu)服役性能演化規(guī)律尚有待進(jìn)一步研究[105]。

綜上所述，國(guó)內(nèi)外結(jié)構(gòu)性能演化研究常采用概率方法，沒有充分利用檢（監(jiān)）測(cè)數(shù)據(jù)與仿真模型，難以實(shí)現(xiàn)可靠的性能演化預(yù)測(cè)與預(yù)防型維護(hù)。 數(shù)字孿生驅(qū)動(dòng)的故障診斷和預(yù)測(cè)，以及基于時(shí)變可靠度和多目標(biāo)優(yōu)化等方法的性能演化模型與維護(hù)策略制定，將形成鐵路智能運(yùn)維的新模式。

4 鐵路智能運(yùn)維框架及未來(lái)發(fā)展

鐵路基礎(chǔ)設(shè)施的數(shù)字孿生模型是一種面向結(jié)構(gòu)物的多尺度模型，能夠利用歷史數(shù)據(jù)、感知數(shù)據(jù)和虛擬模型等反映與該模型對(duì)應(yīng)的結(jié)構(gòu)功能、實(shí)時(shí)狀態(tài)及演化趨勢(shì)等，從而實(shí)現(xiàn)鐵路基礎(chǔ)設(shè)施全壽命周期過程中的服役狀態(tài)實(shí)時(shí)監(jiān)測(cè)、性能評(píng)估與演化預(yù)測(cè)以及維護(hù)策略優(yōu)化等智能運(yùn)維要求，保證高速鐵路基礎(chǔ)設(shè)施的高效、可靠、安全運(yùn)行。

4.1 鐵路數(shù)字孿生運(yùn)維技術(shù)框架

圖4 展示了基于數(shù)字孿生的鐵路基礎(chǔ)設(shè)施智能運(yùn)維框架，技術(shù)框架可以分為現(xiàn)場(chǎng)層、平臺(tái)層、應(yīng)用層3 個(gè)層次。

圖4 基于數(shù)字孿生的鐵路智能運(yùn)維技術(shù)框架Fig.4 Digital twin based framework for intelligent railway operation and maintenance

4.1.1 現(xiàn)場(chǎng)層

將物聯(lián)網(wǎng)傳感技術(shù)與計(jì)算機(jī)視覺相結(jié)合，獲取建立數(shù)字孿生模型所需的數(shù)據(jù)基礎(chǔ)。 計(jì)算機(jī)視覺能從圖像中自動(dòng)提取目標(biāo)特征信息， 從光譜特性、精度等角度篩選結(jié)構(gòu)物表觀損傷表征指標(biāo)。利用SHM監(jiān)測(cè)鐵路基礎(chǔ)設(shè)施的服役狀態(tài)。 對(duì)于鋼軌監(jiān)測(cè)，采用安裝應(yīng)變、 光纖和加速度等傳感器監(jiān)測(cè)系統(tǒng)；對(duì)于軌道板監(jiān)測(cè)，采用位移、光纖和應(yīng)變等傳感器監(jiān)測(cè)系統(tǒng)以及探地雷達(dá)等技術(shù)；對(duì)于路基監(jiān)測(cè)，采用激光掃描技術(shù)及光纖傳感器等監(jiān)測(cè)系統(tǒng)；對(duì)于橋梁監(jiān)測(cè)，采用無(wú)人機(jī)檢測(cè)技術(shù)、雷達(dá)掃描技術(shù)及光纖傳感器等監(jiān)測(cè)系統(tǒng)。 最后，將這些監(jiān)測(cè)數(shù)據(jù)集成、融合到統(tǒng)一的數(shù)據(jù)管理平臺(tái)。

4.1.2 平臺(tái)層

基于前面介紹的數(shù)字孿生技術(shù)平臺(tái)，將多源數(shù)據(jù)融合集成，建立數(shù)字孿生模型，利用大數(shù)據(jù)挖掘進(jìn)行損傷診斷分析。

1） 多源數(shù)據(jù)融合集成。數(shù)字孿生模型構(gòu)建需要集成與融合多種數(shù)據(jù)源。數(shù)字孿生克服了BIM 僅包含結(jié)構(gòu)物理特性與功能特性的不足，能夠融合集成結(jié)構(gòu)的幾何、物理、行為及規(guī)則四維模型，其中，幾何模型描述幾何形狀、裝配關(guān)系等；物理模型描述材料的強(qiáng)度、剛度、耐久性等特性；行為模型響應(yīng)荷載及自然因素的作用；規(guī)則模型反應(yīng)構(gòu)件實(shí)體與系統(tǒng)的聯(lián)系規(guī)則，利用語(yǔ)義定義規(guī)范，融合所集成的多源實(shí)測(cè)數(shù)據(jù)。 從而構(gòu)建全生命周期多感知源、多物理場(chǎng)、 多維數(shù)據(jù)集成融合的數(shù)據(jù)管理云平臺(tái)，實(shí)現(xiàn)數(shù)字資料、檢測(cè)信息與監(jiān)測(cè)數(shù)據(jù)的統(tǒng)一管理。

2） 高保真數(shù)字孿生模型構(gòu)建。 針對(duì)鋼軌、軌道板/道床、路基、典型橋梁等各類結(jié)構(gòu)物，建立包括力學(xué)分析（動(dòng)力響應(yīng)、模態(tài)分析、輪軌動(dòng)力學(xué)等）及性能演化分析（剛度、抗拉壓強(qiáng)度、疲勞強(qiáng)度、耐久性等）的仿真模型。 利用物聯(lián)網(wǎng)、移動(dòng)互聯(lián)技術(shù)，將運(yùn)維數(shù)據(jù)關(guān)聯(lián)、映射至仿真模型，與已獲得的基礎(chǔ)結(jié)構(gòu)動(dòng)態(tài)服役性能緊密耦合，構(gòu)成鐵路基礎(chǔ)設(shè)施的數(shù)字孿生模型。

4.1.3 應(yīng)用層

鐵路基礎(chǔ)設(shè)施的數(shù)字孿生技術(shù)應(yīng)用主要由結(jié)構(gòu)健康監(jiān)測(cè)系統(tǒng)、結(jié)構(gòu)損傷診斷與狀態(tài)評(píng)估、維護(hù)策略優(yōu)化與運(yùn)維管理3 部分組成。

1） 基于大數(shù)據(jù)的SHM 數(shù)據(jù)挖掘。 使用大數(shù)據(jù)對(duì)SHM 數(shù)據(jù)進(jìn)行聚類分析和關(guān)聯(lián)性分析， 提取有價(jià)值的信息用于后期結(jié)構(gòu)損傷識(shí)別及性能評(píng)估。 采用動(dòng)態(tài)貝葉斯方法、虛實(shí)交互反饋、機(jī)器學(xué)習(xí)等手段，構(gòu)建全生命周期數(shù)據(jù)集成融合的大數(shù)據(jù)云管理平臺(tái)，通過大數(shù)據(jù)挖掘?qū)崿F(xiàn)結(jié)構(gòu)狀態(tài)監(jiān)測(cè)、損傷診斷和運(yùn)維管理。

2） 鐵路基礎(chǔ)設(shè)施故障智能診斷。針對(duì)鐵路基礎(chǔ)結(jié)構(gòu)（如鋼軌、軌道板、道岔及扣件等），將計(jì)算機(jī)視覺巡檢與SHM 相結(jié)合，通過IoT 實(shí)現(xiàn)數(shù)據(jù)的實(shí)時(shí)傳輸，運(yùn)用大數(shù)據(jù)挖掘、虛實(shí)交互、人工智能等方法，對(duì)結(jié)構(gòu)損傷進(jìn)行智能診斷。

3） 鐵路基礎(chǔ)設(shè)施智能運(yùn)維管理。結(jié)合安全運(yùn)營(yíng)報(bào)警閾值，提出基礎(chǔ)結(jié)構(gòu)服役狀態(tài)的實(shí)時(shí)預(yù)警及報(bào)警方法，同時(shí)對(duì)運(yùn)維成本進(jìn)行資產(chǎn)管理，指導(dǎo)結(jié)構(gòu)及時(shí)維修與更新。

4.2 數(shù)字孿生交互建模

結(jié)合實(shí)際工程特點(diǎn)，建立特定應(yīng)用場(chǎng)景的高精度數(shù)字孿生模型是實(shí)現(xiàn)智能運(yùn)維的基礎(chǔ)。 BIM 模型是FEM 分析的理想模型， 但目前BIM 軟件與FEM軟件之間的數(shù)據(jù)交互性差， 模型轉(zhuǎn)換效果不理想，影響分析結(jié)果準(zhǔn)確性及建模效率[106]。 BIM 與有限元交互存在較多難點(diǎn)， 比如BIM 是剛性幾何模型，如何反應(yīng)結(jié)構(gòu)柔度與結(jié)構(gòu)非線性。 加強(qiáng)BIM、GIS、FEM 之間軟件接口開發(fā)[107-108]，實(shí)現(xiàn)不同軟件模型數(shù)據(jù)流通與優(yōu)勢(shì)互補(bǔ)，可以提高建模效率。

4.3 運(yùn)維大數(shù)據(jù)的融合集成和分析挖掘

通過人工檢查、SHM 等手段獲取圖像視頻、紙質(zhì)記錄、設(shè)備檢測(cè)數(shù)據(jù)、傳感器監(jiān)測(cè)數(shù)據(jù)等狀態(tài)相關(guān)信息。 如何將這些多源異構(gòu)、時(shí)空離散數(shù)據(jù)集成管理，使用有效的數(shù)據(jù)分析手段對(duì)運(yùn)維大數(shù)據(jù)進(jìn)行分析挖掘，是當(dāng)前智能運(yùn)維發(fā)展面臨的難題，也是變傳統(tǒng)被動(dòng)式運(yùn)維為主動(dòng)預(yù)防式管理的關(guān)鍵。

4.4 虛實(shí)空間數(shù)據(jù)有效融合

物理實(shí)體是連續(xù)變化的，虛擬空間的數(shù)據(jù)是離散片面的。 虛擬模型與物理實(shí)體之間在數(shù)據(jù)類型、維度、大小等方面差異較大，導(dǎo)致虛實(shí)空間數(shù)據(jù)缺乏有效連接，不同應(yīng)用階段之間的數(shù)據(jù)相互割裂，缺乏整合。 如何實(shí)現(xiàn)虛實(shí)空間的有效融合、信息無(wú)縫對(duì)接是數(shù)字孿生落地應(yīng)用亟待解決的難題[109]。

4.5 國(guó)產(chǎn)軟件平臺(tái)缺乏

數(shù)字孿生建模依靠高水平軟件平臺(tái)，缺乏國(guó)產(chǎn)數(shù)字孿生建模軟件是制約我國(guó)數(shù)字孿生技術(shù)發(fā)展的“卡脖子”問題。 建模仿真軟件國(guó)產(chǎn)化對(duì)于我國(guó)數(shù)字孿生技術(shù)發(fā)展意義重大。上海優(yōu)也、樹根科技等公司已推出國(guó)產(chǎn)工業(yè)互聯(lián)網(wǎng)數(shù)字孿生平臺(tái)。 長(zhǎng)安大學(xué)韓萬(wàn)水研發(fā)出BDANS 軟件用于橋梁運(yùn)維分析[110]。國(guó)內(nèi)BIM 軟件商魯班與中望軟件合作，廣聯(lián)達(dá)也與國(guó)內(nèi)多家企業(yè)聯(lián)合研發(fā)國(guó)產(chǎn)BIM 軟件。 但是，國(guó)產(chǎn)軟件平臺(tái)需要深入地研發(fā)，并實(shí)現(xiàn)在實(shí)際工程項(xiàng)目中運(yùn)用。

4.6 數(shù)字孿生建模缺乏規(guī)范標(biāo)準(zhǔn)

數(shù)字孿生建模需要統(tǒng)一的建模語(yǔ)言和管理標(biāo)準(zhǔn)，但國(guó)內(nèi)外數(shù)字孿生標(biāo)準(zhǔn)體系有待完善。 現(xiàn)有規(guī)范標(biāo)準(zhǔn)只介紹了概念術(shù)語(yǔ)[111]，缺乏建模語(yǔ)言、文件格式、數(shù)據(jù)連接與集成、服務(wù)等相關(guān)標(biāo)準(zhǔn)。 國(guó)內(nèi)外學(xué)者在不同行業(yè)領(lǐng)域提出多種數(shù)字孿生模型框架，但建模規(guī)范缺乏導(dǎo)致模型與模型之間、不同階段數(shù)據(jù)之間、模型與數(shù)據(jù)之間連接差異，不利于數(shù)字孿生模型的集成轉(zhuǎn)化。 數(shù)字孿生相關(guān)標(biāo)準(zhǔn)正逐步完善，陶飛等提出由“建模、組裝、融合、驗(yàn)證、校正、管理”組成的數(shù)字孿生建模理論體系。 目前，BIM 應(yīng)用范圍不斷擴(kuò)大，國(guó)內(nèi)多地發(fā)布BIM 規(guī)范標(biāo)準(zhǔn)推進(jìn)BIM應(yīng)用。

4.7 多專業(yè)協(xié)作建立完整數(shù)字孿生平臺(tái)

數(shù)字孿生是一個(gè)宏觀平臺(tái)概念，具有多學(xué)科交叉屬性。 目前嘗試將數(shù)字孿生引入相關(guān)研究領(lǐng)域的學(xué)者，在數(shù)字孿生應(yīng)用過程中，通常僅局限于原有的研究方向，忽視了數(shù)字孿生多學(xué)科交叉屬性。 導(dǎo)致目前大部分?jǐn)?shù)字孿生研究成果仍然未脫離傳統(tǒng)監(jiān)控與數(shù)值模擬的范疇，沒有真正建立物理世界和虛擬世界的有效連接。 因而需要與計(jì)算機(jī)、控制、通信、軟硬件開發(fā)等專業(yè)合作，建立完整的數(shù)字孿生技術(shù)平臺(tái)，包括基礎(chǔ)支撐層、建模仿真及數(shù)據(jù)互動(dòng)層、功能層、應(yīng)用層等。

5 結(jié)束語(yǔ)

對(duì)數(shù)字孿生的發(fā)展、基本原理及技術(shù)方法進(jìn)行總結(jié)，分析了當(dāng)前數(shù)字孿生在鐵路基礎(chǔ)設(shè)施運(yùn)維管理中的應(yīng)用，提出了基于數(shù)字孿生的鐵路智能運(yùn)維技術(shù)框架，得出以下結(jié)論。

1） 數(shù)字孿生在鐵路基礎(chǔ)設(shè)施的運(yùn)維技術(shù)智能化發(fā)展中具有重大的發(fā)展?jié)摿蛻?yīng)用前景。將New IT、SHM、GIS、BIM 與數(shù)字孿生相結(jié)合，發(fā)揮IoT、人工智能、大數(shù)據(jù)、物聯(lián)網(wǎng)的技術(shù)優(yōu)勢(shì)，建立基礎(chǔ)設(shè)施智能運(yùn)維管理平臺(tái)， 可有效提高基礎(chǔ)設(shè)施運(yùn)維的質(zhì)量和效率，實(shí)現(xiàn)鐵路基礎(chǔ)設(shè)施進(jìn)行動(dòng)態(tài)監(jiān)測(cè)、實(shí)時(shí)預(yù)警、在線評(píng)估、智能管控，推動(dòng)運(yùn)維智能化發(fā)展[112]。

2） 數(shù)據(jù)挖掘與分析是實(shí)現(xiàn)智能化轉(zhuǎn)型的關(guān)鍵?；贐IM 與SHM 建立數(shù)字孿生模型， 結(jié)合AI、大數(shù)據(jù)等技術(shù)對(duì)檢（監(jiān)）測(cè)數(shù)據(jù)充分挖掘，將物理模型驅(qū)動(dòng)與數(shù)據(jù)驅(qū)動(dòng)方法相融合， 提高數(shù)據(jù)分析能力，從海量數(shù)據(jù)提取結(jié)構(gòu)狀態(tài)信息，對(duì)結(jié)構(gòu)服役狀態(tài)進(jìn)行科學(xué)診斷決策。

3） 數(shù)字孿生的發(fā)展為鐵路基礎(chǔ)設(shè)施的運(yùn)維智能化提供了新的途徑和契機(jī)。 但數(shù)字孿生在鐵路基礎(chǔ)設(shè)施中的應(yīng)用研究才剛起步，在交互建模、數(shù)據(jù)集成分析、建模規(guī)范等方面有待深入研究。 亟需利用數(shù)字孿生技術(shù)，開展鐵路基礎(chǔ)設(shè)施健康監(jiān)測(cè)及智能運(yùn)維研究。