基于數字孿生的礦山散料堆場堆取料機智能監測系統

劉燕燕 趙 峰 付博宣 楊曉明 齊躍峰

(1.燕山大學信息科學與工程學院,河北 秦皇島 066000;2.河北省特種光纖和光纖傳感器重點實驗室,河北 秦皇島 066000)

港口作為海陸運輸的重要交換點和對外交流的重要窗口,在推動周邊城市經濟發展方面發揮著重要作用[1]。 斗輪堆取料機作為世界上最大的挖取運輸一體化設備,可以連續完成作業任務且生產效率高,成為國內現代化港口散裝物料作業運輸的重要組成部分[2-3]。 港口的礦山散料堆場是散料礦物在海路運輸與鐵路運輸的中轉站,工作環境十分復雜[4],工作時外部激勵源多樣;且由于整體機身龐大,人工檢修也變得非常困難,故障一旦發生很難及時發現并進行妥善處理。

隨著信息時代的不斷發展,智能化、信息物理系統[5]、“工業4.0”[6]等概念相繼被提出,智能制造成為各國制造業爭相發展的趨勢和戰略目標[7]。 為了解決物理世界與虛擬數字之間的相互融合問題,對物理層系統實現直觀的實時監測與趨勢判斷,以信息物理一體化為特征的數字孿生(Digital Twin,DT)技術應運而生[8]。 數字孿生技術最早用于模擬航空航天領域的一些問題,如美國空軍研究室和國家航空航天局[9]等重大項目。 近些年,隨著研究人員的不斷探索,數字孿生技術也為工業的數字化和信息化提供了新的助力[10-13]。 2017 年,北京航空航天大學的陶飛等[14]提出將數字孿生應用于車間運行,詳細闡述了車間物理空間要求、信息空間構建流程以及信息交互共融理論,實現了車間的數字化管理與優化。 2020年,西安科技大學張超等[15]針對復雜環境下煤礦井下巷道掘進存在的智能化程度不高以及效率低下等問題,提出了一種基于數字孿生的礦井智能掘進機器人技術,實現了多機器人掘進的智能感知與控制,很大程度上提升了煤礦井下掘進的智能化與安全水平。2022 年,東北大學馬新博等[16]針對地下礦山設備巡檢問題,通過虛擬開發環境,結合數字化建模與意見指導庫,實現了實時巡檢的信息化,最后通過眼前山鐵礦破碎機進行巡檢試驗,證明了虛實結合的巡檢系統的可行性,促進了數字孿生技術在礦山等復雜工況環境下的應用。

綜上分析可知,目前業內對于礦山復雜環境下的大型機械健康狀態關注較少,針對礦山大型機械分布分散、數據來源繁多、電子通信信號干擾等問題,本研究參考2022 年國家工業信息安全發展研究中心在第二屆兩化融合暨數字化轉型大會上發布的《工業設備數字孿生白皮書》的相關案例,開發了基于數字孿生技術的五維數字系統。 通過構建數字化健康模型,實現對礦山散料堆場堆取料機的數字化監測與智能化故障分析。

1 整體架構設計

在實際工程應用中,對于大型機械設備的日常健康監測,最常見的方法仍然是基于傳感器的監測技術[17],即將傳感器固定到某一位置進行實時測量,并將數據反饋給上位機進行分析和展示。 在進行觀測時,無法全面了解到機器各部分信息,并且在這一過程中,數據只是按照固有的算法將測量的變化值計算為相應的物理值,需要相關專業的技術人員進行分析處理獲取具體信息,這使得問題的發現存在滯后性;此外,對于分析方法的選擇也比較依賴于技術人員的經驗,從而增加了解決問題的成本。 數字孿生系統由于結合了信息物理仿真接口以及機器學習模塊,以不斷增加的大量數據作為支撐并進行持續的學習更新,能夠利用不斷增長的大量數據進行持續學習和更新,從而快速定位問題的核心,或者為技術人員提供參考,使他們能明確分析方向、快速發現問題并輔助提出解決方案[18]。

1.1 系統工程方案設計

從一個信息系統的生命周期理論角度考慮,當完成信息系統的初步構想之后需要對系統工程進行實現[19],如圖1 所示。 實現一個完整的系統工程,首先需要對研究對象的研究任務進行分析以及相應的系統功能進行設計,從而完成系統結構方案設計;然后完成系統的具體構造,搭建數字孿生系統;最后通過一段時間的實際應用驗證方案的可行性。

圖1 系統工程實現過程Fig.1 Realization process of system engineering

1.2 堆取料機結構與工作狀態分析

首先進行系統任務分析,從物理結構角度考慮,斗輪堆取料機在日常工作中需要關注的結構包括斗輪機構、懸臂架帶式輸送機構、俯仰機構、回轉平臺以及行走機構[20],各系統又可進一步劃分為不同的結構,如圖2 所示。

圖2 堆取料機主要結構Fig.2 Main structure of the stacker reclaimer

斗輪機構作為堆取料機的核心部分,負責將物料從堆場取出并卸載到指定位置,在運行過程中,斗輪電機驅動斗輪旋轉挖掘,將物料不斷地輸送到懸皮帶上。 懸臂架帶式輸送機構負責將斗輪機構中取出的物料輸送到后續處理設備。 該機構由一個懸臂架和帶式輸送機組成,懸臂架用于支撐輸送機,并使其可以沿著軌道移動,帶式輸送機則負責物料輸送。 俯仰機構負責控制堆取料機主要工作部分的升降和傾斜,通過調整俯仰機構角度,可以改變斗輪和輸送機的取料位置和輸送角度,以適應不同的工況需求。 回轉平臺控制水平轉動整個堆取料機構,使其可以在一個較大的區域內進行作業。 它通過電動機驅動和減速器控制回轉角度,同時借助傳感器和編碼器等檢測裝置獲取位置和角度信息,實現精準控制。 行走機構負責移動堆取料機,使其能夠在堆場內自由行走。

在調度中心發出一次作業請求后,行走機構先進行運轉,在鐵軌上進行直線行走動作。 到達指定堆場之后,按照堆場作業區域調整大臂俯仰角度,使斗輪高度與堆場高度達到預定差值。 俯仰角度固定后,回轉平臺與行走機構互相配合,在散料堆場進行水平作業。 如圖3 所示,是一次工作中主要的姿態數據變化情況,水平面姿態主要由行走位置與回轉角度表征,垂直面姿態主要由俯仰角度表征。 在此過程中各個部位的傳感器實時監測機身物理數據,并與模型通過讀取電機與PLC 指令的實時計算值進行誤差分析。

圖3 一次工作狀態中主要姿態數據變化Fig.3 Main attitude data changes in a working stat e

1.3 功能模塊設計

系統工程的第二階段是功能設計。 合理的功能模塊劃分不僅可以使系統更加便于精細化管理,降低整體復雜度,同時也有助于提高系統的易用性和理解程度。 數字孿生系統由多個模塊組成,協同實現對堆取料機的智能健康監測與故障診斷,主要包括實時監測系統、數據流分析系統、故障診斷推測系統等。

(1)實時監測系統。 實時監測模塊是主要的日常數據監測部分,主要作用是讀取解調處理后的實時數據并進行顯示,實現與數字孿生體初步的數據對接。 主要包括機身各部分的溫度、振動、應變等物理測量數據,還有斗輪電機功率、懸皮流量等工作參數,以及用于描述堆取料機姿態的俯仰角度、回轉角度和行走位置等姿態參數,這部分原生數據對于保證數字孿生系統的可靠性和精準性至關重要。

(2)數據流向與分析系統。 數據流向與分析模塊是孿生系統中功能實現的基礎,負責接收并處理物理實體傳來的實時數據,并根據所設置的預警閾值與智能預測算法進行綜合分析,解讀物理數據包含的信息。 該模塊采用大數據處理、機器學習等技術,將所得數據與健康模型進行對比和分析模擬,從而可以有效預測和識別斗輪堆取料機的故障和缺陷,為系統整體順暢運行提供數據支持。

(3)故障診斷系統。 故障診斷模塊用于處理堆取料機的故障信息,主要作用是在計算得出的數據基礎上,通過仿真模擬對堆取料機的健康狀況進行診斷和分析,識別故障類型、故障位置和故障程度,并給出相應的處理建議。 該模塊采用人工智能、物理仿真模塊、深度學習等技術,實現對大量的歷史故障數據進行分析和建模,從而可以快速、準確地對斗輪堆取料機故障進行診斷和處理,有助于提高堆取料機的維護效率、降低維護成本。

2 數字孿生系統構造

系統工程的第三階段是系統構造與實現。 數字孿生的核心在于以數字化方法建立帶有規則的數字孿生體,將其與物理世界的環境或物體相互映射,達到多元數據融合、實時分析決策的目的。 在完成系統功能的模塊化設計之后,需要對整體方案進行實施。經典的數字孿生5 維模型包括物理實體層、虛擬仿真層、服務管理層、數據存儲層以及數據交互連接層5個維度[21],數據由物理實體進行采集,傳輸到數據存儲層進行原生數據保存,服務管理層調取需要的數據進行計算、模擬與分析,最后將數據綁定到虛擬仿真層進行仿真體現,各層之間又通過數據交互連接層進行數據之間的交互傳輸,達到分工明確的目的。 數字孿生系統5 維模型以及各維度之間的相互配合關系如圖4 所示。

圖4 數字孿生系統5 維架構Fig.4 Five-dimensional architecture of digital twin system

2.1 物理實體

物理實體部分主要包括斗輪堆取料機的工作結構以及安裝的各種傳感器,其中堆取料機作為研究對象,包括斗輪拉桿、斗輪插銷、斗輪支撐梁、電機、取料機拉桿、門庭耳板以及行走機構等重要物理數據監測位置。 傳感器負責數據采集,是關鍵的數據源。 對于機身外部物理數據測量,本研究采用最新的光纖光柵傳感器確保數據傳輸的穩定性與可靠性。 由于港口露天料堆的斗輪堆取料機工作環境十分復雜,激勵源多變且難以控制,傳統的電子類傳感器容易受到各種電磁干擾,導致數據不可靠。 因此,光纖光柵傳感器憑借其抗電磁干擾和耐腐蝕的特性,成為復雜工況環境下物理數據測量手段的首選。

2.2 數據計算存儲層

數據計算存儲層主要承擔數據存儲、調度與計算分析任務。 首先,作為數據存儲中心,數據計算存儲層需要管理大量的數據,包括當前狀態下所有傳感器的實時物理信息,關鍵部位電機當前的運行狀態等其他堆取料機實時數據,還有歷史數據的保存與迭代處理,以及各部位預警信息與實時預測結果等數據。 本研究以Oracle 數據庫為核心構建數據存儲處理系統,在接收到各部位原始數據之后連接對應的數據庫區域進行實時的寫入存儲。 為了確保系統數據的安全性與完整性,數據層還要負責設定備份策略和數據訪問權限,保證系統數據不受突發情況干擾。

2.3 服務管理層

服務管理層主要負責用戶交互以及各個模塊之間的相互配合,統籌整個系統的運行與功能管理,包括獲取用戶界面的輸入以用于調取不同功能模塊。實際運行中,各個模塊可能需要共享數據、使用其他模塊的功能,或者根據其他模塊的狀態進行決策。 服務管理層將起到一個協調線程的作用,動態管理各通道之間不同的數據流向與存儲方式,對系統平穩運行有著重要作用。

2.4 虛擬仿真層

虛擬仿真層是數字孿生系統的核心,包括數字孿生模型和虛擬仿真平臺,按照幾何—物理—行為—規則的融合封裝方式完成數字孿生體構造,實現數字孿生體與物理實體的映射[21]。 幾何模型主要完成對物理實體外觀尺寸的描述與各個結構比例的對應;物理模型是各項數據的體現,包括與傳感器連接的數據接口,將監測的物理數據(包括振動、應變、溫度等信號)在虛擬模型結構中進行顯示。 行為模型控制孿生模型在動作上的各項映射與動作模擬仿真的實施以及核心的機器學習算法,包括用于判別工作狀態的分類算法與數據模擬預測的多參量狀態感知機算法,還有其他的溫度補償與擬合、誤差率計算等。 規則模型主要包括各種故障模型與判別規則,包括預先完成訓練測試的算法模型與故障分類算法等。 通過3ds Max 等建模軟件以及仿真模擬平臺構建數字化模型,最終借助Unity 3D 物理引擎完成模型封裝與功能檢測。

2.5 數據交互連接層

數據交互連接層是孿生系統實現數據互通的基礎,包括各種通信方式、通信協議以及預設的數據收發格式。 光纖光柵傳感器通過光纖匯入主光纜,最終連接到主控室的解調儀;電機功率、皮帶秤流量以及油缸壓力等數據通過PLC(可編程邏輯控制器)匯總到數據平臺,最后通過UDP(用戶數據報協議)通信連接到數字孿生系統,各通信通道之間實現全部隔離,防止數據串擾。

3 系統現場安裝及應用

在完成整體理論架構設計與實際數字孿生系統構建之后,為了進一步驗證系統的可行性,本研究團隊與秦皇島港務公司合作,在QL6000. 55 型斗輪堆取料機上進行了系統安裝與運行。

3.1 模型仿真與傳感器安裝

首先根據港務公司提供的結構尺寸圖紙與現場實地考察結果,完成基本幾何模型構建,并對模型進行降階處理,抽象出主體結構的力學模型進行結構仿真與力學分析。 結構仿真結果如圖5 所示。

圖5 結構仿真結果Fig.5 Structure simulation results

根據應力云圖以及多階固有模態仿真圖確定關鍵受力點與振動易發生點,標定重點監測位置,以此作為應力(振動)傳感點,并根據所在位置設計對應傳感器的安裝方式與實際布線方案,現場情況如圖6所示。

圖6 光纖光柵傳感器物理實體安裝現場Fig.6 Installation site of the physical entity of fiber grating sensor

3.2 數字孿生平臺構建

完成作為外部物理數據來源的光纖光柵傳感器布設之后,本研究設計了數據處理平臺。 數字孿生系統在數據處理方面具有顯著的兼容性優勢,能夠整合多種數據來源,實現研究對象的全方面數字化。 數據包括機身結構應變與溫度數據、關鍵部位振動數據、斗輪電機以及懸皮電機相關數據、水平俯仰角度以及相應電機扭矩等姿態數據。 數據接收模塊通過預設的數據報收發格式進行多連接通信,為確保實時性,Socket 通信方式采用UDP(User Datagram Protocol)用戶數據報協議實現快速、高效地并行傳輸;后臺數據處理系統根據不同的數據報格式進行區分處理與數據解析,將不同來源的數據按照要求分配到不同的功能模塊與數據接口。

將堆取料機的高保真幾何模型、材料參數以及數據接口等數字模型相結合構建對應的數字孿生體,并根據實際工作狀態與動作設定物理規則,包括進行俯仰動作時堆取料機拉桿的伸縮、回轉平臺旋轉動作,斗輪工作時堆旋轉動作與電機數據的映射等。 利用Unity 3D 物理引擎平臺對各個功能模塊與模型進行封裝,并根據不同的數據接口完成數據對接。 數據經過采集到初步計算完成后,一部分原生數據進入數據存儲模塊進行保存,另一部分進入仿真模擬模塊進行后續計算,數據存儲模塊直接連接到公司內網系統中的數據存儲中心,通過Oracle 數據庫將不同的數據進行分類存儲,方便查看歷史狀態與操作。

為了保證數據的安全性與可靠性,本研究還構建了完全基于內網的信息交互通信網絡,所有數據的更新迭代與處理調取全部在內網中進行,有效避免了關鍵數據泄露與丟失。

3.3 運行測試

完成堆取料機各項檢查后,采集了停機與各種工作狀態下的全方位數據,首先采用傳統分類算法對堆取料機當前工作區間內的姿勢與區域進行分類;然后根據不同工作類別進行感知機算法的初步訓練,得到不同傳感點對應的數字健康模型;最后以當前工作姿態作為輸入,實時預測計算當前各點正常應變值范圍(由應力云圖仿真計算得出),根據實際值與預測值的偏差程度得到該監測點的故障可能性計算結果。經過測試集測試,預測值與正常狀態下的實際值偏差率保持在5%以內,表明數字健康模型可信程度較高。 而在預警模塊中,采用傳統的知識與模型故障診斷方法預先寫入不同種類故障產生原因及解決策略,然后根據實際工作狀態的數據與各監測點計算所得模擬數據進行對比分析,通過對比結果調取故障庫中不同策略輔助工作人員進行故障分析。 將模型各項數字接口與預警模塊進行了對接測試,效果良好,系統實時運行界面如圖7 所示。 當某一點監測數據發生異常時,預警系統將根據健康模型自動判別故障類型并給出相關建議,如圖8 所示。

圖7 系統實時運行界面Fig.7 System real-time operation interface

圖8 安全預警系統Fig.8 Security early warning system

警報產生后,技術人員到現場勘查發現,在斗輪進行取料工作時,散料煤中偶爾會出現較大的煤塊。這些煤塊在進入斗輪料斗前可能會被拋起,砸向斗輪左拉桿部位,進而在斗輪左拉桿部位產生小幅度的應變突變。 為防止長時間砸擊導致左拉桿損傷,本研究對左拉桿部位提前采取了保護措施。 最終警報解除,類似現象未再次出現。

3.4 結果討論

通過在秦皇島港務公司散料煤礦堆場進行了的為期1 a 的系統試運行,省去了每臺堆取料機間隔一個月一次的停機檢修,每年節省維護人員2 人/臺,節省人工費用共12 萬元,節省各類檢測及保養器材費用2 萬元,整體生產效率提升約12%。 整個系統投入成本約20 萬元,可實現整個散料堆場全部堆取料機的數據整合分析。

系統經過一段時間運行,分類算法模塊對工作狀態檢測正確率達到100%,可以正常調取對應的工作模型;正常工作狀態下,狀態感知機算法預測數據與實際數據誤差在10%以內,表明模型預測數據可靠,可以為堆取料機健康狀態判別提供有效依據。

總體來說,該系統的運用,有助于促進料場數字化進程、改變管理模式、提高生產效率,經濟效益較理想。

4 結 論

本研究開發了一種基于5 維數字孿生技術的智能監測系統,對礦山散料堆場的堆取料機進行了全方位的健康監測,通過當前調度指令自動判別本次工作狀態,根據實際作業中機身各部位的電機功率、工作姿態等數據對各監測點應變值與振動數據進行預測與模擬,最后通過計算預測值與實際值的偏差度作為故障判別依據,不僅實現了對堆取料機整個工作流程的全方位健康狀態監測,還可以在故障發生前及時發出預警進行報告,在故障發生后根據實際數據提出相關建議,輔助專業人員排查問題。 主要結論如下:

(1)采集正常工作的數據作為健康模型的評價標準并進行分類,首先在不同的堆取料機之間進行數據隔離,然后按照不同的工作模式對各自的算法模型進行預先標定訓練與測試,最后在工作中通過實時調取不同模型實現數據的分類計算與隔離模擬。 這樣不僅增強了系統的集成性,還極大提高了智能預測算法的準確度。

(2)通過數據實時采集與計算,數據模擬仿真層通過調取預先部署的健康數字模型,對不同工作狀態下的各個傳感器監測點進行預測模擬,達到故障預警的目的,不僅極大減少了人力物力消耗,降低了維護成本和維修人員的經驗依賴;還可以有效預防關鍵部位受損,延長其服務年限,促進以港口礦山散料堆場堆取料機為例的大型機械管理向著無人化、智能化方向發展。

(3)本研究系統獲取的數據仍局限于堆取料機自身工作狀態,未來可以結合不同作業區域內的堆場數據(包括散料堆濕黏度,高度,礦物種類等),構建一個更為多元化的數字孿生平臺,通過不同數據之間的計算配合,對整個礦山區域的作業活動提出指導。