復雜裝備運維系統(tǒng)數(shù)字孿生應用框架

摘 要：針對當前復雜裝備運維系統(tǒng)急需實現(xiàn)智能化轉型的問題，提出了一種與深度學習技術相結合的復雜裝備運維系統(tǒng)數(shù)字孿生框架，建立了基于深度學習的復雜裝備運維系統(tǒng)數(shù)字孿生理論和應用框架。在理論層面，結合深度學習構建了多層次的運維系統(tǒng)數(shù)字孿生框架；在應用層面，基于“知識－數(shù)據(jù)－模型”并行驅動的形式，構建了運維系統(tǒng)全生命周期的數(shù)字孿生應用框架；在數(shù)據(jù)角度，提出了一種理論框架與ＮＳＴ模型結合的應用形式，并通過實驗進行了驗證。實驗結果表明，針對動車組的非穩(wěn)態(tài)時間序列數(shù)據(jù)，ＮＳＴ模型具有更好的預測效果。

關 鍵 詞：數(shù)字孿生；深度學習；復雜裝備；理論框架；應用框架；全生命周期；時間序列；智能化

中圖分類號：ＴＨ１７ 文獻標志碼：Ａ 文章編號：１０００－１６４６（２０２４）０５－０６６５－１１

當前，在工業(yè)４.０以及中國制造２０２５等政策的提出之后，伴隨著人工智能、大數(shù)據(jù)、物聯(lián)網等互聯(lián)網技術的迅速發(fā)展，以數(shù)據(jù)和信息為中心的智能化工業(yè)已經成為未來發(fā)展的風向標。在復雜裝備運維方面，未來的智能運維本質是將先進的通信技術和智能控制相結合，對運行過程產生的數(shù)據(jù)進行處理分析，實現(xiàn)信息智能感知、深度挖掘、自適應控制和優(yōu)化決策等功能。但目前復雜裝備運維方式存在全生命周期信息鏈斷裂、系統(tǒng)結構復雜、運維作業(yè)繁瑣和維修效費比低的問題［１］。數(shù)字孿生（ＤＴ）技術的出現(xiàn)為智能運維的實現(xiàn)提供了通道［２］。數(shù)字孿生是對物理世界全周期的映射，具體表現(xiàn)為利用傳感器實時對物理世界進行感知，孿生體同步仿真，并將產生的數(shù)據(jù)進行整理、分析，反饋給物理實體，實現(xiàn)自適應控制和優(yōu)化決策，預測未來的行為軌跡，降低故障概率，實現(xiàn)雙向自我更新。

數(shù)字孿生技術盡管在智能制造、智慧醫(yī)療及智慧城市等領域已經取得一定的成果，但大部分研究還存在于理論之中。深度學習的快速發(fā)展打破了數(shù)字孿生堅實的外殼，與深度學習技術的結合可以使數(shù)字孿生技術多方面的理論得到實現(xiàn)。數(shù)字孿生以數(shù)據(jù)驅動的方式，發(fā)掘現(xiàn)實世界數(shù)據(jù)中的特征和規(guī)律，結合知識分析運動的本質，實現(xiàn)理論與技術的完美結合。黃華等［３］提出了一種基于混合驅動的進給系統(tǒng)數(shù)字孿生模型自適應更新法。吳琦等［４］提出了一種數(shù)字孿生驅動的車間物流可視化監(jiān)控方法。黃涵鈺等［５］結合數(shù)字孿生技術，以數(shù)據(jù)驅動為基礎，構建了生產線數(shù)字孿生系統(tǒng)。張春霖等［６］將深度遷移學習策略引入到刀具數(shù)字孿生模型，建立刀具切削變工況數(shù)字孿生模型。ＬＹＵ等［７］設計了一種基于數(shù)字孿生制造管理系統(tǒng)的故障識別算法。ＷＡＮＧ［８］建立了一種神經網絡預測模型優(yōu)化算法，設計了基于數(shù)字孿生的煤與瓦斯突出強度預測系統(tǒng)。ＤＡＮＧ等［９］提出了一種基于云計算和深度學習的結構健康預測的數(shù)字孿生框架。ＪＩ等［１０］提出了一種焊接機器人的數(shù)字孿生系統(tǒng)，利用深度學習算法來分辨焊接過程中可能出現(xiàn)的缺陷。ＸＩＯＮＧ等［１１］采用了數(shù)據(jù)驅動與長短時記憶網絡（ＬＳＴＭ）模型相結合的方法，研究了一種基于數(shù)字孿生驅動的航空發(fā)動機的預測維修框架。ＤＡＩ等［１２］提出了一種新的范式數(shù)字孿生物聯(lián)網架構。

在復雜裝備運維方面，目前將數(shù)字孿生與深度學習進行融合，實現(xiàn)智能運維的應用研究較少。因此，本文就此方面進行了深入的探討，在理論和應用方面介紹了一種基于深度學習算法的數(shù)字孿生框架，并基于動車組轉向架實際運行數(shù)據(jù)進行了實驗驗證。

１ 面對復雜裝備運維全生命周期的數(shù)字孿生理論框架

１.１ 物理層

物理層包括復雜裝備實體及其運維業(yè)務涉及的物理實體、物理實體對應的活動集合、物理實體對應的空間集合。物理層提供了幾何參數(shù)、物理參數(shù)、行為規(guī)則和運行數(shù)據(jù)等資源，是數(shù)字孿生體系能夠正常運轉的基礎。數(shù)字孿生最終的目的是能夠實現(xiàn)物理層的全感知、全映射，從而對物理層的實體進行分析、預測和決策。因此，物理層也是數(shù)字孿生的實施層面。

１.２ 數(shù)據(jù)層

數(shù)據(jù)層是整個鐵路數(shù)字孿生體系的數(shù)據(jù)中心，匯集了來自各個層面的數(shù)據(jù)，可分為數(shù)據(jù)采集模塊和數(shù)據(jù)傳輸模塊。數(shù)據(jù)采集模塊收集來自物理實體出廠的幾何、材料、尺寸等基礎數(shù)據(jù)，物理實體運行過程中收集設備產生的多種感知數(shù)據(jù)。數(shù)據(jù)傳輸模塊傳輸虛擬層對數(shù)據(jù)進行整理和分析，并決策和優(yōu)化控制數(shù)據(jù)和交互數(shù)據(jù)等。數(shù)據(jù)層是整個數(shù)字孿生系統(tǒng)的“血管”，為各個層面?zhèn)鬏敗盃I養(yǎng)”數(shù)據(jù)，維持整個體系的運作。數(shù)據(jù)層結構如圖１所示。

數(shù)字孿生接口協(xié)議是一種用于數(shù)字孿生平臺的通信協(xié)議，定義了數(shù)字孿生內部之間、平臺與外部系統(tǒng)之間的數(shù)據(jù)交換方式和接口規(guī)范。數(shù)字孿生常用的接口協(xié)議包括ＯＰＣＵＡ、ＲＥＳＴｆｕｌＡＰＩ、ＭＱＴＴ及ＤＤＳ等。來自物理層的數(shù)據(jù)信息可能涉及數(shù)據(jù)持有者的敏感信息，一旦被泄露，會出現(xiàn)嚴重的隱私問題，因此需要一種安全和保護隱私的通信方案，抵御這些攻擊并滿足上述要求。區(qū)塊鏈技術［１３］是一種可以保證數(shù)據(jù)完整性和可驗證性的新興技術，數(shù)據(jù)存儲在區(qū)塊鏈中，幾乎不會被修改和泄露，并且用戶還可以隨時驗證數(shù)據(jù)。

除了正常接收和傳輸數(shù)據(jù)，想要維持運維數(shù)字孿生系統(tǒng)的正常運作，還需要保持數(shù)據(jù)的及時性和有效性。高性能傳感器和分布式傳感器保證了設備實時數(shù)據(jù)采集的準確性。５Ｇ等先進的傳輸技術縮短了數(shù)據(jù)傳輸時間，能保證通信的服務質量和實時的跟蹤性能，這些技術是實現(xiàn)信息傳遞及時性的重要技術支撐。對來自不同層面的或者同一層面的大量數(shù)據(jù)多源異構，需要進行整理、分類和集成處理，形成特定的形式或格式，實現(xiàn)數(shù)據(jù)傳輸?shù)臏蚀_對接。深度學習、強化學習、遷移學習、可解釋的人工智能等先進的人工智能技術，可以實現(xiàn)對多源異構數(shù)據(jù)的快速處理，保證信息被高效和實時地傳遞。深度學習等先進的人工智能技術是實現(xiàn)信息傳遞有效性的重要技術保障。

１.３ 虛擬層

１.３.１ 數(shù)據(jù)預處理模塊

數(shù)據(jù)的預處理是深度學習流程的基本步驟，也是模型搭建和計算仿真之前的重要一環(huán)，為深度學習與數(shù)字孿生的結合而引入。數(shù)據(jù)驅動的物理實體信息或者參數(shù)傳輸?shù)教摂M層，少部分符合條件的原始數(shù)據(jù)可直接進行建模和計算，多數(shù)的數(shù)據(jù)都需要進行預處理，這是由于原始數(shù)據(jù)存在缺失值、重復值、異常值、不一致及含噪聲等問題。不同于數(shù)據(jù)層的簡單分類處理，數(shù)據(jù)的預處理分為多個步驟，包括清理、標準化、數(shù)據(jù)標記和數(shù)據(jù)擴充。

復雜裝備不僅會產生大量的數(shù)據(jù)，且常為文本、圖像、音頻、視頻等多種形式的數(shù)據(jù)格式。傳統(tǒng)的數(shù)據(jù)預處理技術處理數(shù)據(jù)時可能會出現(xiàn)分析速度變慢，不能及時傳遞數(shù)據(jù)，數(shù)據(jù)值出現(xiàn)偏差、缺失等問題，進而影響數(shù)學模型的準確性。基于深度學習算法的數(shù)據(jù)預處理方法［１４－１６］能夠處理數(shù)量龐大、形式復雜的數(shù)據(jù)，其在復雜場景下的數(shù)據(jù)預處理方面展現(xiàn)出強大的能力，將其引入數(shù)據(jù)預處理模塊具有相當大的潛力。虛擬層框架結構如圖２所示。

１.３.２ 建模模塊

建模模塊結合了智能學習和優(yōu)化算法，是數(shù)字孿生體系中至關重要的一環(huán)。針對復雜裝備運維系統(tǒng)數(shù)字孿生建模，應包括零件制造、裝配、運行和維護的全生命周期。目前常用的建模方法可分為模型驅動和數(shù)據(jù)驅動兩種形式。模型驅動的本質是使用數(shù)學公式來整合有關系統(tǒng)行為的演化或故障的數(shù)學計算過程，需要先驗知識、物理理解和專家經驗。由于目前的技術限制，不能完全復現(xiàn)真實世界的邊界條件，仿真和預測的結果具有一定的局限性。數(shù)據(jù)驅動的本質是利用深度學習算法挖掘數(shù)據(jù)的內部關系與特征，缺點是只能在數(shù)字角度實現(xiàn)數(shù)據(jù)的預測，而不能分析本質的行為規(guī)律。

在零件生產制造與加工過程中，零件的幾何形狀、溫度等條件在不斷變化，鑒于數(shù)據(jù)驅動方式的不足，此過程以模型和數(shù)據(jù)混合驅動的方式進行。利用ＣＡＤ軟件建立原始零件材料的幾何模型，以模型驅動的方式，基于原始材料的基礎屬性和零件加工過程的邊界條件等信息定義，計算機輔助工程（ＣＡＥ）實現(xiàn)加工過程的模擬仿真計算；在裝配過程中，按照既定的裝配順序，將模擬計算結束后的模型進行裝配，同時將裝配數(shù)據(jù)也導入基于模型定義（ＭＢＤ）建立的數(shù)據(jù)模型中。以模型驅動的建模在制造和裝配過程中主要起輔助作用，布置在物理實體上的傳感器數(shù)量和位置有限，因而獲得的數(shù)據(jù)具有局限性。

零件經過裝配總成構成了復雜裝備系統(tǒng)，其運行維護方面可按照系統(tǒng)、子系統(tǒng)、零部件的方式分層面建模，由于零部件的建模工作在制造和裝配過程中已經完成，所以此過程的重點是搭建子系統(tǒng)和系統(tǒng)的知識結構模型。知識圖譜是一種用于描述和表示實體之間關系的語義網絡結構，其中實體可以是人、地點、事件及概念等，這些實體可以幫助計算和推理。

１.３.３ 計算模塊

計算模塊作為虛擬層的“大腦”，貫穿于數(shù)字孿生全生命周期之中，數(shù)據(jù)驅動的深度學習計算模塊對已建立的模型進行學習和推理，以提供功能層所需要的預測和決策等功能。在零件制造階段，通過提取特征，多角度預測和優(yōu)化零件的制造質量等手段，計算模塊為零件的生產提供技術支持；在裝配過程中，需要在一定目標和實際裝配資源的控制下，規(guī)劃和確定從零件到總成的裝配路線和工藝參數(shù)，以往的裝配過程總是靜態(tài)的，按照既定的路線重復工作。不同的裝配路線和工藝參數(shù)對總成后的零件質量影響較大，負責裝配的計算模塊可以對裝配路線和工藝參數(shù)進行優(yōu)化設計，對幾何、物理、電磁、液壓等性能參數(shù)及時進行評析，以優(yōu)先保證重要性能參數(shù)的原則，實現(xiàn)實時的動態(tài)調試，而且對突發(fā)過程中產生的擾動可及時干預處理。

負責運維的計算模塊承擔了機械、電磁、液壓、流體等多領域分析任務。深度學習具有良好的普適性，與任何領域都能較好結合，完成運維模塊的計算任務。從系統(tǒng)的角度看來，盡管知識圖譜本身具有一定的學習和推理功能，但無法滿足復雜裝備系統(tǒng)的要求。圖神經網絡（ＧＮＮ）是一種能夠處理圖數(shù)據(jù)的深度學習模型，利用深度神經網絡對圖數(shù)據(jù)中的拓撲結構信息和屬性特征信息進行整合，進而提供更精細的節(jié)點或子結構的特征表示，并能較好地以解耦或端到端的方式與下游任務結合，滿足了知識圖譜對學習實體、關系屬性特征和結構特征的要求，與知識圖譜完美契合。

１.４ 功能層

功能層代表了數(shù)字孿生體系的上限，根據(jù)不同的定制服務要求，為物理層提供功能性服務。根據(jù)不同的要求，功能層可分為典型部件功能退化機理、故障預測及健康狀態(tài)評估服務３部分，提供三維視覺模型的底層算法邏輯，支持與運維人員的展示和交互方案。對于復雜裝備的典型部件，功能層在運行過程中的狀態(tài)關系著整個系統(tǒng)的安全，根據(jù)運行數(shù)據(jù)和知識分析部件材料的腐蝕或磨損進程，評估健康狀態(tài)是否達到預警值，提前制定維修或更換計劃，保證系統(tǒng)正常安全運行；根據(jù)歷史運行數(shù)據(jù)預測未來狀態(tài)和行為變化，為可能出現(xiàn)偏離正常狀態(tài)的突發(fā)情況做好應急預案。在人機交互的過程中，復雜裝備的狀態(tài)參數(shù)需要實時可視化地展現(xiàn)給操作人員，通過底層的算法邏輯，將結果數(shù)據(jù)進行二維或者三維的展示，甚至軟件平臺的搭建和維護也是數(shù)字孿生需要實現(xiàn)的功能。

２ 面向復雜裝備運維全生命周期的數(shù)字孿生應用框架

２.１.１ 時間序列

時間序列［１７］是一組或者幾組變量按照時間先后順序演變的序列，其間隔時間固定，可以是任意時間單位。目前，時間序列已經不僅僅是隨時間變化的數(shù)據(jù)，而是更廣義的時間序列數(shù)據(jù)，包括音頻數(shù)據(jù)、視頻數(shù)據(jù)和自然語言數(shù)據(jù)等。音頻數(shù)據(jù)是聲音隨時間變化的序列，視頻數(shù)據(jù)是圖像隨時間變化的序列，都屬于時間序列的范疇。自然語言數(shù)據(jù)雖然沒有明顯隨時間變化，但也是按照時序生成的，具有一定的時間特征。時間序列數(shù)據(jù)可以分為平穩(wěn)時間序列和非平穩(wěn)時間序列。平穩(wěn)時間序列是指均值、方差、自協(xié)方差不隨時間變化，統(tǒng)計特征比較穩(wěn)定，而非平穩(wěn)時間序列的統(tǒng)計值會隨時間而變化。目前，時間序列的預測問題是一個研究熱點，通過分析因時間變化的量的歷史數(shù)據(jù)來預測未來數(shù)據(jù)，以數(shù)據(jù)驅動的方式挖掘數(shù)據(jù)內部特征與關系，實現(xiàn)數(shù)據(jù)的預測和分類等功能。

２.１.２ 構架機制

Ｔｒａｎｓｆｏｒｍｅｒ［１８］注意力機制最早是由谷歌在２０１７年提出的一種新型神經網絡架構，是第一種完全依賴自注意力機制形成的網絡架構，在處理時間序列數(shù)據(jù)方面表現(xiàn)出良好的效果。注意力機制是讓機器模擬人的感知力和注意力，感知數(shù)據(jù)中重要部分和不重要的部分，自注意力機制屬于注意力機制的一種，根據(jù)輸入項間的相互作用來計算輸入項的權重，即通過輸入項的“內部表決”來決定應該重點關注哪些輸入項。傳統(tǒng)的神經網絡在處理時間序列問題上，無法處理長序列數(shù)據(jù)，或處理效果很差，容易出現(xiàn)梯度消失或梯度爆炸的過擬合現(xiàn)象，無法滿足長序列處理的穩(wěn)定性和準確性。與ＬＳＴＭ和循環(huán)神經網絡（ＲＮＮ）不同的是，Ｔｒａｎｓｆｏｒｍｅｒ注意力機制對序列數(shù)據(jù)的長期依賴關系和相互關系表現(xiàn)出很強的建模能力，在平穩(wěn)性時間序列預測方面展現(xiàn)出很好的效果。然而，目前Ｔｒａｎｓｆｏｒｍｅｒ模型對非平穩(wěn)性時間序列預測問題表現(xiàn)出一定的局限性，但也有相關研究［１９］在此方面取得了一定的進展，說明Ｔｒａｎｓｆｏｒｍｅｒ模型在處理非平穩(wěn)性時間序列預測問題具有一定的潛力。

２.２ 應用框架

零件的制造與加工、裝配、運行與維護的復雜裝備全生命周期應用框架如圖３所示。基于模型定義，利用３Ｄ-ＣＡＤ模型存儲信息數(shù)據(jù)技術，在復雜裝備運維領域中進行幾何信息、物理信息等多角度的信息集成。在零件的制造與加工過程中，首先利用ＭＢＤ技術的信息集成優(yōu)點，將零件的幾何信息、物理信息集成在零件的三維模型中。然后利用有限元仿真，將集成了幾何和物理信息的三維模型導入規(guī)則信息，模擬零件的加工過程。最后以傳感器數(shù)據(jù)為基準，利用基于深度學習的虛實同步技術，計算實際加工過程中傳感器數(shù)據(jù)與數(shù)值仿真產生模擬數(shù)據(jù)間的誤差，對于超出限定誤差范圍內數(shù)據(jù)的仿真過程進行校正，實現(xiàn)模型的不斷更新。因此，零件模型中集成了幾何、物理、行為和規(guī)則４種信息。同時，基于深度學習的虛實同步算法可以對傳感器數(shù)據(jù)集進行學習和迭代，預測和優(yōu)化零件的實際制造過程，提高出廠的零件質量，并且將零件的成型數(shù)據(jù)模型傳輸?shù)綌?shù)據(jù)中心。

在裝配過程中，基于ＣＡＤ軟件將零件按照裝配規(guī)則進行組裝，可以實現(xiàn)幾何結構的裝配。然而，零件的裝配過程具有強時序性和耦合性，僅在結構上完成組裝不能完全表征裝配過程零件間的耦合關系。同時，裝配準則通常以語義文本的形式進行保存，需要專業(yè)人員進行解讀，提高了裝配過程中數(shù)字孿生模型的搭建難度，因此本文提出了基于知識圖譜的裝配知識模型。按照實體和關系標注、實體和關系提取、知識融合、圖譜生成的順序進行搭建，形成結構化圖知識網絡，實現(xiàn)問答交互。在三維零件模型進行組裝的過程中，通過調用裝配知識圖譜，結合圖神經網絡計算零件總成后性能最佳的裝配順序，并且配合實際裝配數(shù)據(jù)，對裝配過程進行校正和反饋。

在運行與維護過程中，將裝配總成后的模型信息重新提取與重構，去除裝配過程信息，只保留成型后的模型集成信息。同時，運維過程中產生了大量的多源異構數(shù)據(jù)，包括非平穩(wěn)的時序數(shù)據(jù)，視頻、音頻、文本等。為了更好識別多種運維數(shù)據(jù)間的知識關系，建立基于多模態(tài)的動態(tài)運行知識圖譜，搭建復雜裝備的運行知識圖譜，利用多模態(tài)模型整合多種數(shù)據(jù)，并結合ＧＮＮ實現(xiàn)知識圖譜的動態(tài)更新；對于非平穩(wěn)的時序數(shù)據(jù)，搭建基于Ｔｒａｎｓｆｏｒｍｅｒ的神經網絡模型，實現(xiàn)時間角度的狀態(tài)預測；利用有限元仿真模型對復雜裝備三維模型進行模擬仿真，實現(xiàn)物理環(huán)境和行為動作的可視化預測。通過搭建“知識－數(shù)據(jù)－模型”并行的動態(tài)數(shù)字孿生模型，能夠準確、深入地了解復雜裝備運維過程中動態(tài)的時空特征和潛在的因果關系，實現(xiàn)動作預測和故障診斷。

３ 應用實現(xiàn)

３.１ 數(shù)據(jù)集

動車組屬于典型的復雜裝備，本節(jié)以動車組運維為例，對上文提出的理論進行部分驗證。在動車組運行過程中，產生了龐大的以時間為進程的多源異構數(shù)據(jù)，以時間序列角度進行建?？梢跃_描述動車組的運行過程。動車組運行產生的數(shù)據(jù)多數(shù)歸類于非平穩(wěn)時間序列。對于非平穩(wěn)時間序列建模預測，以往的研究通常進行平穩(wěn)化預處理來減弱原始數(shù)據(jù)的非平穩(wěn)性，從而獲得優(yōu)異的預測效果，但是直接平穩(wěn)化預處理會導致數(shù)據(jù)的過平穩(wěn)化問題。

在本節(jié)實驗中，所用數(shù)據(jù)為動車組關鍵部件轉向架運行過程中產生的真實數(shù)據(jù)，選取了２號車廂某一天６∶００～１７∶００時刻的數(shù)據(jù)，時間間隔為３０ｓ。表１為數(shù)據(jù)特征及其對應的簡稱。傳統(tǒng)的Ｔｒａｎｓｆｏｒｍｅｒ模型在處理平穩(wěn)時間序列數(shù)據(jù)方面已經取得一定的成果，但對于非平穩(wěn)的時間序列表現(xiàn)不理想，無法解決過平穩(wěn)化的問題。本文應用了Ｎｏｎ-ＳｔａｔｉｏｎａｒｙＴｒａｎｓｆｏｒｍｅｒ（ＮＳＴ）［１９］模型對上述運行時間序列數(shù)據(jù)進行建模和預測分析。ＮＳＴ模型在平穩(wěn)化處理數(shù)據(jù)的同時，引入了去平穩(wěn)化因子，保留了原始數(shù)據(jù)的非平穩(wěn)性。

３.２ ＮＳＴ模型簡介

序列平穩(wěn)化模塊：將輸入的數(shù)據(jù)序列做時間維度的歸一化處理，如圖４中１部分所示，在訓練階段接受的輸入變量由整段序列的各個滑動窗口采集而來，使相鄰窗口內子序列都具有相同的均值μｘ和方差σｘ，減弱了輸入樣本在時間維度的分布差異，提高了平穩(wěn)性，具有較好的預測性。為避免過度平穩(wěn)化處理去除了原始數(shù)據(jù)的時間特征，因此保留了各個窗口序列原本的均值和方差，在平穩(wěn)化注意力模塊后輸出部分進行反歸一化處理，以恢復序列原本的非平穩(wěn)性，如圖４中２部分所示。去平穩(wěn)化注意力模塊：在模型的內部注意力模塊中設計了非平穩(wěn)序列數(shù)據(jù)的去平穩(wěn)化模塊，在傳統(tǒng)Ｔｒａｎｓｆｏｒｍｅｒ注意力機制計算公式的基礎上，加入原始數(shù)據(jù)的均值和方差，要實現(xiàn)原始輸入的注意力圖，需要引入尺度變化因子，定義為去平穩(wěn)化因子，采用一個多層感知機（ＭＬＰ）自適應地學習去平穩(wěn)化因子，實現(xiàn)模型的內外部均具有原始數(shù)據(jù)的非平穩(wěn)性，如圖４中３部分所示。

３.３ 實驗結果

從復雜裝備運維系統(tǒng)數(shù)字孿生應用框架中的“數(shù)據(jù)”角度進行實驗，對基于Ｔｒａｎｓｆｏｒｍｅｒ的深度學習模型在處理復雜裝備非平穩(wěn)數(shù)據(jù)方面的應用可能性進行了驗證。以Ｉｎｆｏｒｍｅｒ模型為基線。

３.３.１ 不同特征數(shù)預測對比結果

在不同特征數(shù)條件下，對比了Ｉｎｆｏｒｍｅｒ與ＮＳＴ模型對列車運行狀態(tài)的預測能力，結果如圖５所示。圖５ａ為Ｉｎｆｏｒｍｅｒ模型在全特征（特征數(shù)為３８）下的最佳預測效果圖，圖５ｂ為在相同超參數(shù)下的ＮＳＴ模型預測圖，圖５ｃ為ＮＳＴ模型的最佳預測效果圖。由圖５ａ、５ｂ對比可知，當設置相同的超參數(shù)時，Ｉｎｆｏｒｍｅｒ模型的預測誤差在開始階段比較小，預測值基本符合真實值的變化趨勢，但隨著時間的增加，預測效果開始逐漸變差。而具有相同超參數(shù)的ＮＳＴ模型的預測值與真實值具有相同的趨勢，預測效果明顯優(yōu)于Ｉｎｆｏｒｍｅｒ模型。由圖５ｃ可知，當ＮＳＴ模型的超參數(shù)不被限制時，此時的預測值雖然具有微小的滯后，但基本符合真實數(shù)據(jù)值的變化，得到了精確度較高的預測結果。通過上述對比可以發(fā)現(xiàn)，對于動車組運行狀態(tài)，ＮＳＴ模型具有良好的預測能力。

圖６為減少一些相似特征后，部分特征（特征數(shù)為１８）下的不同模型預測效果圖。由圖６ａ、６ｂ對比可知，在設置相同的超參數(shù)情況下，圖６ｂ的預測效果依然更好，而且由圖６ｃ可知，特征數(shù)量的減少對ＮＳＴ模型的預測能力沒有影響，精確度仍然很高。

圖７為主要影響特征（特征數(shù)為６）下的不同模型預測效果，通過圖７可以看到與圖５、６相似的結果。Ｉｎｆｏｒｍｅｒ的預測效果較差，ＮＳＴ模型依然保持著優(yōu)秀的預測能力。由此可知，隨著特征數(shù)量的減少，對ＮＳＴ模型的預測能力幾乎無影響，但對Ｉｎｆｏｒｍｅｒ模型影響較大。因此，相比Ｉｎｆｏｒｍｅｒ模型，ＮＳＴ模型預測精度更高，穩(wěn)定性和泛化能力更強，適合應用于非穩(wěn)定性較強的復雜裝備運維系統(tǒng)數(shù)字孿生體系。

３.３.２ 不同預測目標對比結果

圖８、９為兩種模型對于不同目標特征ＡＳＰＢ１和ＡＳＰＢ２的預測效果。由圖８、９對比可知，基于Ｉｎｆｏｒｍｅｒ模型的預測值在一定程度上展現(xiàn)了原始值的變化趨勢，但存在較大的精度誤差，兩種目標特征的預測結果較差。而ＮＳＴ模型對于兩種目標特征的預測結果都較精確，雖有微小的滯后，但是基本符合原始數(shù)據(jù)的趨勢，因此證明ＮＳＴ模型對非平穩(wěn)的復雜裝備系統(tǒng)時序數(shù)據(jù)預測具有更好的處理能力。

圖１０、１１分別為兩種模型對兩種目標特征的預測誤差。由圖１０、１１可知，隨著預測時間的增加，Ｉｎｆｏｒｍｅｒ算法對原始數(shù)據(jù)的預測誤差逐漸變大，最大誤差達到了２.５，預測性能逐漸下降。而應用ＮＳＴ模型的預測誤差雖然變化波動較大，但是差值始終在０附近，最大誤差僅為１.０左右，而且使用ＮＳＴ模型的最大預測誤差值較小。對比之下，ＮＳＴ模型對于原始數(shù)據(jù)的預測更有優(yōu)勢。

本節(jié)用均方根誤差（ＲＭＳＥ）和平均絕對百分比誤差（ＭＡＰＥ）來評價模型的預測性能，誤差結果越小，代表預測性能越好，具體結果如表２、３所示。ＦＲＭＳＥ表示預測值與目標值之間的均方根誤差，其表達式為

式中：～ｙ（ｔ）為預測值；ｙ（ｔ）為真實值；Ｎ為測試數(shù)據(jù)集的數(shù)量。

ＦＭＡＰＥ表示測量預測值與真實值之間的平均絕對百分比誤差，其表達式為

４ 結束語

本文基于數(shù)據(jù)維度設計了基于深度學習的復雜裝備運維系統(tǒng)數(shù)字孿生應用框架，進行了多維度、多層次的描述，以數(shù)字孿生與深度學習相結合的應用實例為研究對象，驗證了應用的可行性。

本文提出了基于深度學習的復雜裝備運維系統(tǒng)數(shù)字孿生理論和應用框架，從物理層、數(shù)據(jù)層、虛擬層、功能層４個方面闡述了理論框架方面的結合方法，從復雜裝備全生命各個時期的角度描述了應用框架的實施方式。此外，從復雜裝備運維系統(tǒng)數(shù)字孿生應用框架中的“數(shù)據(jù)”角度，發(fā)掘了基于Ｔｒａｎｓｆｏｒｍｅｒ的深度學習模型在處理復雜裝備非穩(wěn)態(tài)時間序列的潛力并進行了對比分析，驗證了應用的可能性。

參考文獻（Ｒｅｆｅｒｅｎｃｅｓ）：

［１］張華兵，周英耀，徐磊，等．網絡數(shù)據(jù)中心ＩＴ設備人工智能化運維應用［Ｊ］．沈陽工業(yè)大學學報，２０２２，４４（５）：５４１－５４５．

（ＺＨＡＮＧＨＢ，ＺＨＯＵＹＹ，ＸＵＬ，ｅｔａｌ．ＡｒｔｉｆｉｃｉａｌｉｎｔｅｌｌｉｇｅｎｃｅｏｐｅｒａｔｉｏｎａｎｄｍａｉｎｔｅｎａｎｃｅａｐｐｌｉｃａｔｉｏｎｓｏｆＩＴｅｑｕｉｐｍｅｎｔｉｎｎｅｔｗｏｒｋｄａｔａｃｅｎｔｅｒ［Ｊ］．ＪｏｕｒｎａｌｏｆＳｈｅｎｙａｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，２０２２，４４（５）：５４１－５４５．）

［２］王楠，陳亞冬．基于數(shù)字孿生的城市軌道交通智慧運維應用［Ｊ］．城市軌道交通研究，２０２３，２６（１１）：１９４－１９７．

（ＷＡＮＧＮ，ＣＨＥＮＹＤ．Ｒｅｓｅａｒｃｈｏｎｉｎｔｅｌｌｉｇｅｎｔｏｐｅｒａｔｉｏｎａｎｄｍａｉｎｔｅｎａｎｃｅａｐｐｌｉｃａｔｉｏｎｏｆｕｒｂａｎｒａｉｌｔｒａｎｓｉｔｂａｓｅｄｏｎｄｉｇｉｔａｌｔｗｉｎｓ［Ｊ］．ＵｒｂａｎＭａｓｓＴｒａｎｓｉｔ，２０２３，２６（１１）：１９４－１９７．）

［３］黃華，李嘉然，趙秋舸，等．基于混合驅動的進給系統(tǒng)數(shù)字孿生模型自適應更新法［Ｊ］．計算機集成制造系統(tǒng)，２０２３，２９（６）：１８４０－１８５１．

（ＨＵＡＮＧＨ，ＬＩＪＲ，ＺＨＡＯＱＧ，ｅｔａｌ．Ａｄａｐｔｉｖｅｕｐｄａｔｅｍｅｔｈｏｄｏｆｄｉｇｉｔａｌｔｗｉｎｍｏｄｅｌｆｏｒｆｅｅｄｓｙｓｔｅｍｂａｓｅｄｏｎｈｙｂｒｉｄｄｒｉｖｅ［Ｊ］．ＣｏｍｐｕｔｅｒＩｎｔｅｇｒａｔｅｄＭａｎｕｆａｃｔｕｒｉｎｇＳｙｓｔｅｍｓ，２０２３，２９（６）：１８４０－１８５１．）

［４］吳琦，張勝文，國明義，等．數(shù)字孿生驅動的車間物流可視化監(jiān)控方法［Ｊ］．機床與液壓，２０２３，５１（２２）：１２０－１２６．

（ＷＵＱ，ＺＨＡＮＧＳＷ，ＧＵＯＭ Ｙ，ｅｔａｌ．Ｄｉｇｉｔａｌｔｗｉｎｄｒｉｖｅｎｖｉｓｕａｌｍｏｎｉｔｏｒｉｎｇｍｅｔｈｏｄｏｆｓｈｏｐｆｌｏｏｒｌｏｇｉｓｔｉｃｓ［Ｊ］．ＭａｃｈｉｎｅＴｏｏｌ＆ Ｈｙｄｒａｕｌｉｃｓ，２０２３，５１（２２）：１２０－１２６．）

［５］黃涵鈺，毛柯夫，苑明海，等．數(shù)據(jù)驅動的生產線數(shù)字孿生系統(tǒng)構建與應用［Ｊ］．制造技術與機床，２０２４（２）：６７－７４．

（ＨＵＡＮＧＨＹ，ＭＡＯＫＦ，ＹＵＡＮＭ Ｈ，ｅｔａｌ．Ｃｏｎｓｔｒｕｃｔｉｏｎａｎｄａｐｐｌｉｃａｔｉｏｎｏｆａｄｉｇｉｔａｌｔｗｉｎｓｙｓｔｅｍ ｆｏｒｄａｔａｄｒｉｖｅｎｉｎｔｅｌｌｉｇｅｎｔｍａｎｕｆａｃｔｕｒｉｎｇｌｉｎｅ［Ｊ］．ＭａｎｕｆａｃｔｕｒｉｎｇＴｅｃｈｎｏｌｏｇｙ＆ＭａｃｈｉｎｅＴｏｏｌ，２０２４（２）：６７－７４．）

［６］張春霖，周婷婷，胡天亮，等．刀具切削變工況數(shù)字孿生模型構建方法［Ｊ］．計算機集成制造系統(tǒng)，２０２３，２９（６）：１８５２－１８６６．

（ＺＨＡＮＧＣＬ，ＺＨＯＵＴＴ，ＨＵＴＬ，ｅｔａｌ．Ｃｏｎｓｔｒｕｃｔｉｏｎｍｅｔｈｏｄｏｆｄｉｇｉｔａｌｔｗｉｎｍｏｄｅｌｆｏｒｃｕｔｔｉｎｇｔｏｏｌｓｕｎｄｅｒｖａｒｉａｂｌｅｗｏｒｋｉｎｇｃｏｎｄｉｔｉｏｎｓ［Ｊ］．ＣｏｍｐｕｔｅｒＩｎｔｅｇｒａｔｅｄＭａｎｕｆａｃｔｕｒｉｎｇＳｙｓｔｅｍｓ，２０２３，２９（６）：１８５２－１８６６．）

［７］ＬＹＵＺＨ，ＧＵＯＪＫ，ＬＹＵＨＢ．Ｓａｆｅｔｙｐｏｋａｙｏｋｅｉｎｚｅｒｏｄｅｆｅｃｔｍａｎｕｆａｃｔｕｒｉｎｇｂａｓｅｄｏｎｄｉｇｉｔａｌｔｗｉｎｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｄｕｓｔｒｉａｌＩｎｆｏｒｍａｔｉｃｓ，２０２３，１９（２）：１１７６－１１８４．

［８］ＷＡＮＧＺＱ．Ｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｏｆｃｏａｌａｎｄｇａｓｏｕｔｂｕｒｓｔｉｎｔｅｎｓｉｔｙｂａｓｅｄｏｎｄｉｇｉｔａｌｔｗｉｎａｎｄｄｅｅｐｌｅａｒｎｉｎｇ［Ｊ］．ＦｒｏｎｔｉｅｒｓｉｎＥｎｅｒｇｙＲｅｓｅａｒｃｈ，２０２２，１０：１８４－１９２．

［９］ＤＡＮＧＨＶ，ＴＡＴＩＰＡＭＵＬＡ Ｍ，ＮＧＵＹＥＮ Ｈ Ｘ．Ｃｌｏｕｄｂａｓｅｄｄｉｇｉｔａｌｔｗｉｎｎｉｎｇｆｏｒｓｔｒｕｃｔｕｒａｌｈｅａｌｔｈｍｏｎｉｔｏｒｉｎｇｕｓｉｎｇｄｅｅｐｌｅａｒｎｉｎｇ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｄｕｓｔｒｉａｌＩｎｆｏｒｍａｔｉｃｓ，２０２２，１８（６）：３８２０－３８３０．

［１０］ＪＩＴ，ＮＯＲ Ｎ Ｍ．Ｄｅｅｐｌｅａｒｎｉｎｇｅｍｐｏｗｅｒｅｄｄｉｇｉｔａｌｔｗｉｎｕｓｉｎｇａｃｏｕｓｔｉｃｓｉｇｎａｌｆｏｒｗｅｌｄｉｎｇｑｕａｌｉｔｙｉｎｓｐｅｃｔｉｏｎ［Ｊ］．Ｓｅｎｓｏｒｓ，２０２３，２３（５）：２６４３－２６４９．

［１１］ＸＩＯＮＧＭ Ｌ，ＷＡＮＧＨＷ，ＦＵＱ，ｅｔａｌ．Ｄｉｇｉｔａｌｔｗｉｎｄｒｉｖｅｎａｅｒｏｅｎｇｉｎｅｉｎｔｅｌｌｉｇｅｎｔｐｒｅｄｉｃｔｉｖｅｍａｉｎｔｅｎａｎｃｅ［Ｊ］．ＴｈｅＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＡｄｖａｎｃｅｄＭａｎｕｆａｃｔｕｒｉｎｇＴｅｃｈｎｏｌｏｇｙ，２０２１，１１４（１１）：３７５１－３７６１．

［１２］ＤＡＩＹＹ，ＺＨＡＮＧＫ，ＭＡＨＡＲＪＡＮＳ，ｅｔａｌ．Ｄｅｅｐｒｅｉｎｆｏｒｃｅｍｅｎｔｌｅａｒｎｉｎｇｆｏｒｓｔｏｃｈａｓｔｉｃｃｏｍｐｕｔａｔｉｏｎｏｆｆｌｏａｄｉｎｇｉｎｄｉｇｉｔａｌｔｗｉｎｎｅｔｗｏｒｋｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｄｕｓｔｒｉａｌＩｎｆｏｒｍａｔｉｃｓ，２０２１，１７（７）：４９６８－４９７７．

［１３］ＳＯＮＳ，ＫＷＯＮ Ｄ，ＬＥＥＪ，ｅｔａｌ．Ｏｎｔｈｅｄｅｓｉｇｎｏｆａｐｒｉｖａｃｙｐｒｅｓｅｒｖｉｎｇｃｏｍｍｕｎｉｃａｔｉｏｎｓｃｈｅｍｅｆｏｒｃｌｏｕｄｂａｓｅｄｄｉｇｉｔａｌｔｗｉｎｅｎｖｉｒｏｎｍｅｎｔｓｕｓｉｎｇｂｌｏｃｋｃｈａｉｎ［Ｊ］．ＩＥＥＥＡｃｃｅｓｓ，２０２２，１０：７５３６５－７５３７５．

［１４］ＣＨＥＮＧＹ，ＬＩＤ，ＧＵＯＺＹ，ｅｔａｌ．Ａｃｃｅｌｅｒａｔｉｎｇｅｎｄｔｏｅｎｄｄｅｅｐｌｅａｒｎｉｎｇｗｏｒｋｆｌｏｗｗｉｔｈｃｏｄｅｓｉｇｎｏｆｄａｔａｐｒｅｐｒｏｃｅｓｓｉｎｇａｎｄｓｃｈｅｄｕｌｉｎｇ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｒａｌｌｅｌａｎｄＤｉｓｔｒｉｂｕｔｅｄＳｙｓｔｅｍｓ，２０２１，３２（７）：１８０２－１８１４．

［１５］ＰＥＮＧＳＬ，ＳＵＮＳＪ，ＹＡＯＹＤ．Ａｓｕｒｖｅｙｏｆｍｏｄｕｌａｔｉｏｎｃｌａｓｓｉｆｉｃａｔｉｏｎｕｓｉｎｇｄｅｅｐｌｅａｒｎｉｎｇ：ｓｉｇｎａｌｒｅｐｒｅｓｅｎｔａｔｉｏｎａｎｄｄａｔａｐｒｅｐｒｏｃｅｓｓｉｎｇ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＮｅｕｒａｌＮｅｔｗｏｒｋｓａｎｄＬｅａｒｎｉｎｇＳｙｓｔｅｍｓ，２０２２，３３（１２）：７０２０－７０３８．

［１６］ＤＵＡＮＬ，ＣＡＩＪＸ，ＬＩＡＮＧＪ，ｅｔａｌ．Ｉｄｅｎｔｉｆｉｃａｔｉｏｎａｎｄａｎａｌｙｓｉｓｏｆｎｏｎｓｔａｔｉｏｎａｒｙｔｉｍｅｓｅｒｉｅｓｓｉｇｎａｌｓｂａｓｅｄｏｎｄａｔａｐｒｅｐｒｏｃｅｓｓｉｎｇａｎｄｄｅｅｐｌｅａｒｎｉｎｇ［Ｊ］．ＴｒａｉｔｅｍｅｎｔＤｕＳｉｇｎａｌ，２０２２，３９（５）：１７０３－１７０９．

［１７］ＡＬＳＨＡＲＥＦＡ，ＡＧＧＡＲＷＡＬＫ，ＳＯＮＩＡ，ｅｔａｌ．ＲｅｖｉｅｗｏｆＭＬａｎｄＡｕｔｏＭＬｓｏｌｕｔｉｏｎｓｔｏｆｏｒｅｃａｓｔｔｉｍｅｓｅｒｉｅｓｄａｔａ［Ｊ］．ＡｒｃｈｉｖｅｓｏｆＣｏｍｐｕｔａｔｉｏｎａｌＭｅｔｈｏｄｓｉｎＥｎｇｉｎｅｅｒｉｎｇ，２０２２，２９（７）：５２９７－５３１１．

［１８］ＶＡＳＷＡＮＩＡ，ＳＨＡＺＥＥＲＮ Ｍ，ＰＡＲＭＡＲＮ，ｅｔａｌ．Ａｔｔｅｎｔｉｏｎｉｓａｌｌｙｏｕｎｅｅｄ［Ｃ］／／２０１７Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ３１ｓｔＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＮｅｕｒａｌＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇＳｙｓｔｅｍｓ．ＬｏｎｇＢｅａｃｈ，ＵＳＡ：ＣｕｒｒａｎＡｓｓｏｃｉａｔｅｓＩｎｃ．，２０１７：６０００－６０１０．

［１９］ＬＩＵＹ，ＷＵＨ，ＷＡＮＧＪ，ｅｔａｌ．Ｎｏｎｓｔａｔｉｏｎａｒｙｔｒａｎｓｆｏｒｍｅｒｓ：ｅｘｐｌｏｒｉｎｇｔｈｅｓｔａｔｉｏｎａｒｉｔｙｉｎｔｉｍｅｓｅｒｉｅｓｆｏｒｅｃａｓｔｉｎｇ［Ｃ］／／２０２２Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ３６ｓｔＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＮｅｕｒａｌＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇＳｙｓｔｅｍｓ．ＬｏｓＡｎｇｅｌｅｓ，ＵＳＡ：ＣｕｒｒａｎＡｓｓｏｃｉａｔｅｓＩｎｃ．，２０２２：９８８１－９８９３．

（責任編輯：楊 樹 英文審校：尹淑英）

特邀專家 魏喆，沈陽工業(yè)大學機械工程學院教授，國家一流學科建設點負責人，入選２０２１年國家級高層次人才特殊支持計劃“萬人計劃”科技創(chuàng)業(yè)領軍人才，遼寧省智能制造與工業(yè)機器人重點實驗室主任，現(xiàn)任中國機械工業(yè)教育協(xié)會第四屆工業(yè)設計專業(yè)教學委員會副主任委員、中國圖學學會計算機輔助工業(yè)設計分會委員、中國機械工程學會高級會員、國家級工業(yè)設計中心／國家級工業(yè)設計研究院執(zhí)行院長、遼寧省工業(yè)設計協(xié)會秘書長。創(chuàng)新性地提出性能驅動產品優(yōu)化設計理論與方法，并在數(shù)字化智能化設計與制造、復雜裝備設計與數(shù)字樣機、制造業(yè)信息化關鍵技術及軟件開發(fā)等領域進行深入的理論研究與科研實踐。主持和參與科研項目１９項，發(fā)表高水平論文５０余篇，參與國際學術會議到會報告２次?？蒲谐晒行嵘搜b備制造企業(yè)創(chuàng)新能力，推動了遼寧省裝備制造業(yè)轉型升級和智能化解決方案的實施。

基金項目：遼寧省“揭榜掛帥”科技項目（２０２２０２０６３０ＪＨ１／１０８）；中國國家鐵路集團有限公司科技研究開發(fā)計劃項目（Ｎ２０２２Ｊ０１４）。