Гибридный цифровой двойник повышает точность мониторинга центробежных компрессоров

Вот перевод статьи на русский язык. Я постарался сохранить научный стиль, точность терминологии и структуру оригинала.

---

Гибридный цифровой двойник центробежного компрессора, управляемый обоснованием безопасности: моделирование остаточных отклонений с помощью нейронных сетей в среде синтетических данных

Аннотация Центробежные компрессоры являются критически важными активами в нефтегазовой, нефтехимической промышленности и электроэнергетике, где незапланированные простои влекут за собой серьезные экономические последствия и угрозы безопасности. Несмотря на применение технологии цифровых двойников для прогностического обслуживания, существующие подходы сталкиваются с трудностями при совмещении точного моделирования деградации с формальными доказательствами обеспечения безопасности, которые требуют регуляторы и операторы перед доверием к системам, дополненным машинным обучением. В данной статье предлагается гибридная архитектура цифрового двойника, структура которой построена на основе шаблона формального обоснования безопасности, что позволяет одновременно решать проблемы точности и надежности. Методология сочетает термодинамическую модель, основанную на фундаментальных законах, с нейросетевым модулем обучения остаточным отклонениям. Полная система организована посредством обоснования безопасности на этапе проектирования, построенного с использованием нотации структурирования целей (GSN). Этап проектирования определяет требования для эксплуатационного развертывания. Валидация с помощью имитационного исследования на синтетическом наборе операционных данных за один год показывает, что гибридная модель снижает среднеквадратичную ошибку прогнозирования более чем на 50% как для коэффициента давления, так и для политропного КПД по сравнению с базовой физической моделью. Модуль обнаружения аномалий, представленный здесь как подтверждение концепции, достигает полноты (recall) в 92% при идентификации внедренных отказов, а комплексный индекс здоровья отслеживает прогрессирование загрязнения, эрозии и износа уплотнений в течение смоделированного срока службы. Данное исследование является полностью теоретическим и не включает экспериментальных измерений. Оно демонстрирует структурную жизнеспособность и согласованность предложенной архитектуры в контролируемой среде, обеспечивая прочную теоретическую и вычислительную основу для будущих физических валидаций. Полученные результаты дают предварительные доказательства того, что встраивание структурированного аргумента безопасности в конструкцию гибридного цифрового двойника технически осуществимо и полезно для формирования доверия, необходимого для развертывания таких систем в критически важных промышленных приложениях.

Ключевые слова: центробежный компрессор; цифровой двойник; гибридное моделирование; прогностическое обслуживание; обоснование безопасности

---

1. Введение Нефтегазовая перерабатывающая промышленность полагается на центробежные компрессоры для поддержания операций, начиная от транспортировки природного газа по трубопроводам и заканчивая газовым сжатием. Только в добыче нефти и газа одна крупная компрессорная установка может представлять собой инвестиции, превышающие миллионы долларов, а любой незапланированный останов может стоить оператору нескольких сотен тысяч долларов за каждый час потерянного производства [1]. Любая механическая неисправность, будь то вызванная помпажом, неисправностью системы маслоснабжения уплотнений или непредвиденным отказом подшипника, может иметь катастрофические последствия. Эти происшествия потребовали разработки оптимизированного решения для перехода от реактивного, планово-предупредительного обслуживания к обслуживанию по фактическому состоянию и, в конечном итоге, к прогностическим стратегиям, которые предвидят проблемы до их обострения.

Концепция цифрового двойника, впервые сформулированная Гривзом в контексте управления жизненным циклом продукта [2] и позже формализованная NASA для прогнозирования срока службы конструкций планера [3], стала признанным подходом для осуществления этого перехода. В своем определении, он поддерживает постоянно обновляемую виртуальную копию физического актива, объединяя данные датчиков с вычислительными моделями для оценки остаточного ресурса. Благодаря достижениям в области искусственного интеллекта и машинного обучения, концепция продвинулась от теоретических знаний к развертываемой технологии в связке с промышленным интернетом вещей, облачными вычислениями и машинным обучением [4]. Цифровые двойники уже с большей точностью применяются к газовым турбинам, ветряным турбинам и электродвигателям, однако их внедрение для центробежных компрессоров, особенно в критически важных приложениях, остается ограниченным.

Медленное внедрение цифровых двойников в критически важных нефтегазовых компрессорных службах происходит не из-за недостатка методов моделирования. Это связано с отсутствием формальных проверенных структур, удовлетворяющих нормативным и эксплуатационным требованиям. Физические модели, хотя и основаны на хорошо изученных термодинамических принципах, неизбежно упрощают реальность. Они часто предполагают поведение идеального газа, пренебрегают вторичными явлениями потока и не могут в полной мере учесть постепенное загрязнение проточной части лопаток или прогрессирующий износ лабиринтных уплотнений. Модели, основанные на данных, могут изучать эти сложные, нелинейные закономерности деградации на основе эксплуатационных данных [5,6]. Однако их трудно интерпретировать, они подвержены ошибкам при экстраполяции и их сложно объяснить регулирующему органу или страховщику [7,8]. Объединение двух подходов в гибридный представляет собой практический компромисс. Но это также порождает новую проблему: «как доказать, что выходные данные такой системы достаточно надежны для принятия решений, связанных с безопасностью?». Данная работа решает этот пробел с помощью подтверждения концепции на основе имитационного моделирования. Гибридные цифровые двойники для вращающегося оборудования были продемонстрированы в [7,8]. Однако эти исследования были сосредоточены только на точности прогнозов; они не показывают, можно ли доверять выходным данным для принятия критически важных эксплуатационных решений. Коммерческие системы мониторинга компрессоров полагаются на установленные пороговые значения сигнализации и не используют физически обоснованное обучение остаточным отклонениям или формальное количественное определение неопределенности. Обоснования безопасности с использованием нотации структурирования целей (GSN) применялись в аэрокосмической, атомной и железнодорожной отраслях [6,9,10,11]. Однако их применение к промышленным системам мониторинга, дополненным машинным обучением, остается в значительной степени неисследованным. На основе нашего исследования и обзора литературы, не существует структуры, которая бы непосредственно включала формальное обоснование безопасности в архитектуру и управление гибридным цифровым двойником компрессора.

Мы представляем гибридную структуру цифрового двойника для центробежных компрессоров, в которой нейросетевой модуль обучения остаточным отклонениям дополняет физическую термодинамическую модель, а вся система структурирована посредством формального обоснования безопасности, построенного с использованием GSN [6,9]. Хотя обоснование безопасности является независимой системой, не изменяемой алгоритмами, оно активно влияет на проектные решения. Это проистекает из выбора аддитивной остаточной архитектуры, которая удерживает прогнозы в рамках физики, и требования к калиброванным оценкам неопределенности, которые питают логику обнаружения аномалий. Она валидируется с помощью всестороннего имитационного исследования, генерирующего реалистичные эксплуатационные данные за годовой период, включая эффекты загрязнения, эрозии, износа уплотнений и внедренных аномальных событий.

Четыре цели данного исследования: (1) создать гибридную архитектуру цифрового двойника, объединяющую термодинамическую модель, основанную на фундаментальных законах, с модулем обучения остаточным отклонениям на основе данных для мониторинга состояния центробежных компрессоров; (2) непосредственно интегрировать формальное обоснование безопасности, построенное с использованием GSN, в архитектуру двойника, чтобы каждый выходной параметр модели был связан со структурированным аргументом о надежности; (3) протестировать структуру с помощью полного имитационного исследования с использованием синтетических эксплуатационных данных, включающих реалистичные профили деградации и внедренные аномалии; и (4) оценить, является ли гибридная модель значительно более точной в прогнозировании, чем базовая физическая модель, и достигает ли система обнаружения аномалий целей по полноте и частоте ложных срабатываний, установленных в обосновании безопасности.

Значимость этой работы двояка. Во-первых, в смоделированной среде гибридная модель наглядно улучшает точность прогнозирования: среднеквадратичные ошибки для коэффициента давления и политропного КПД снижаются более чем на 50% по сравнению с базовой физической моделью, а встроенный детектор аномалий достигает полноты в 92% на внедренных отказах при пороге по умолчанию. Во-вторых, обоснование безопасности GSN предоставляет структурированный, подтвержденный доказательствами шаблон аргументации, который потребуется операторам и регуляторам, прежде чем они доверят систему мониторинга с дополненным машинным обучением в приложении с высокими требованиями к целостности. Эти вклады представляют собой значительный шаг к преодолению разрыва между обещаниями цифровых двойников и их практическим развертыванием на критически важном вращающемся оборудовании, хотя для подтверждения этих результатов необходима валидация в реальных условиях.

Конкретно, новые вклады данного исследования формулируются следующим образом:

• Она объединяет гибридную архитектуру физико-математического моделирования с формальной структурой обеспечения безопасности, использующей GSN. Предыдущие исследования рассматривали гибридные цифровые двойники и обоснования безопасности по отдельности; однако, насколько известно авторам, ни одна существующая работа не интегрировала аргумент безопасности непосредственно в архитектуру двойника, гарантируя, что каждый выходной параметр модели содержит проверяемое доказательство своей надежности, хотя аргумент остается частично неразработанным до валидации в реальных условиях. Эта интеграция специфична, поскольку структура GSN определяет, какие метрики валидации должны быть выполнены, прежде чем выходные данные двойника смогут влиять на эксплуатационные решения. Это устраняет разрыв между точностью модели и операционным доверием.
• Вторым вкладом является стратегия обучения остаточным отклонениям, которая обучает нейронную сеть только на сигнале ошибки физической модели, а не на необработанных технологических данных. Это ограничивает работу части, основанной на данных, физически обоснованными рамками, что необходимо для сертификации безопасности в регулируемых отраслях.
• Предложенная структура критически проанализирована на смоделированном центробежном компрессоре API 617, на работу которого влияют прогрессирующие загрязнение, эрозия и износ уплотнений. Это типы деградации, которые трудно уловить с помощью одной физики, но которые доминируют в реальных затратах на техническое обслуживание в нефтехимической службе.
• Мы используем GSN для построения формального аргумента безопасности, который связывает каждый архитектурный выбор с конкретной целью безопасности. Это делает структуру приемлемой для заинтересованных сторон.

Остальная часть статьи организована следующим образом. Раздел 2 рассматривает соответствующую литературу по цифровым двойникам, моделированию компрессоров, гибридной архитектуре и обеспечению безопасности. Раздел 3 подробно описывает предложенную методологию, охватывая физическую модель, модуль обучения остаточным отклонениям, уровень слияния и обоснование безопасности GSN. Раздел 4 представляет результаты имитационного моделирования. Раздел 5 обсуждает последствия и ограничения. Раздел 6 обсуждает направления для будущей работы, а Раздел 7 представляет заключение.

---

2. Связанные работы

2.1. Цифровые двойники в промышленности Концепция цифрового двойника значительно эволюционировала с момента своего возникновения. Тао и др. [1] представили всесторонний обзор применений цифровых двойников в производственной сфере. В исследовании авторы продемонстрировали прогресс технологии от простых CAD-копий до сложных кибер-физических систем, включающих потоки данных в реальном времени, физические симуляции и машинное обучение. Илиутэ и др. [4] также изучали, как идея изменилась от теории к пригодной к использованию технологии, называя ключевыми факторами промышленный интернет вещей, облачные вычисления и достижения в миниатюризации датчиков. Рашид и др. [12] предложили широкую структуру для цифровых двойников, разделяющую автономные, составные и связанные двойники, и определили качество данных и точность модели как основные барьеры для их внедрения. Ци и др. [13] исследовали облегчающие технологии и инструменты для внедрения цифровых двойников, в то время как Эррандонеа и др. [14] исследовали применения цифровых двойников конкретно для технического обслуживания, отмечая недостаток формальных методологий обеспечения безопасности. В области вращающегося оборудования цифровые двойники использовались на газовых турбинах, ветряных турбинах и электродвигателях с многообещающими результатами. Однако они еще не широко применялись для центробежных компрессоров, особенно когда речь идет о формальном обеспечении безопасности.

2.2. Моделирование центробежных компрессоров Теория политропного сжатия [5] демонстрирует возможности в объяснении термодинамической работы центробежных компрессоров. При заданных условиях на входе, свойствах газа и карте производительности компрессора можно рассчитать следующие параметры: коэффициент давления, политропный напор, политропный КПД, температуру нагнетания и мощность на валу. Курц и Брун [15] провели углубленное исследование механизмов деградации в центробежных компрессорах, продемонстрировав, что загрязнение снижает КПД на 2–5% в течение стандартных межсервисных интервалов, а эрозия снижает напорную способность почти линейно на протяжении ранней и средней стадий срока службы. Бойс [16] описал основные инженерные принципы, лежащие в основе газотурбинных и компрессорных систем, построение карт производительности и поведение при нерасчетных режимах. Карта производительности действительна только для состояния «как новый» и принадлежит производителю оригинального оборудования. По мере старения компрессора его производительность изменяется способами, которые трудно предсказать с помощью математических моделей. Это фундаментальное ограничение мотивирует дополнение физической модели моделью, основанной на данных.

2.3. Гибридные подходы к моделированию Гибридные модели, объединяющие физические и основанные на данных компоненты, привлекли растущее внимание. Уиллард и др. [8] исследовали интеграцию физического моделирования с машинным обучением, определив три широкие стратегии: функции потерь, учитывающие физику, ограничения архитектуры и обучение остаточным отклонениям. Карниадакис и др. [7] рассмотрели физически информированные нейронные сети (PINNs), которые встраивают управляющие уравнения непосредственно в функцию потерь. Раисси и др. [17] продемонстрировали фундаментальный подход PINN для решения дифференциальных уравнений в частных производных. Карпатне и др. [18] предложили структуру науки о данных, управляемую теорией, которая предоставляет таксономию для интеграции знаний предметной области в конвейеры машинного обучения. Для компрессорных приложений подход обучения остаточным отклонениям эффективен, поскольку он сохраняет интерпретируемость физической модели, позволяя компоненту, основанному на данных, корректировать неучтенные явления, такие как деградация, изменчивость производства и монтажные эффекты. Эта комбинация обеспечивает успех гибридных подходов. Недавние исследования продемонстрировали эффективность гибридных физико-математических подходов в нескольких приложениях вращающегося оборудования. Чен и др. [19] разработали адаптивную к условиям физически информированную LSTM (CAPI-LSTM) для прогнозирования мощности морской газовой турбины, достигнув RMSE 0.177 МВт, что на 58.5% меньше по сравнению с чистой LSTM. Кумар и др. [20] предложили гибридный цифровой двойник для диагностики неисправностей синхронного двигателя с постоянными магнитами, который интегрирует физически информированные нейронные сети с расширенным фильтром Калмана, достигая 96.99% точности обнаружения неисправностей с задержкой 95 мс. Ли и др. [21] применили физически информированный DeepLSTM к моделированию цифрового двойника паровой турбины, снизив RMSE прогнозирования мощности на 86.8% в тестах экстраполяции по времени. Ли и др. [22] использовали LSTM с переносом обучения для прогнозирования производительности центробежного компрессора, сообщив о средней абсолютной процентной ошибке 2.90% для мощности и 0.97% для степени сжатия. Чоун и др. [23] применили LSTM-RNN для обнаружения дефектов подшипников воздушного компрессора, достигнув 97.4% точности прогнозирования с использованием чисто основанного на данных подхода. Дауди и др. [24] сравнили четыре регрессионные модели для прогностического обслуживания винтовых компрессоров, причем градиентный бустинг достиг наилучшего R2, равного 0.92. Эти исследования подтверждают тенденцию к гибридной архитектуре, но ни одно из них не интегрирует формальное обоснование безопасности в структуру цифрового двойника — пробел, который данная работа устраняет напрямую.

2.4. Обеспечение безопасности для систем машинного обучения Использование машинного обучения в приложениях, где безопасность имеет решающее значение, привело к созданию формальных структур обеспечения безопасности. GSN предлагает графическую структуру для формулирования аргументов безопасности, которые связывают основные утверждения о безопасности с подтверждающими доказательствами через структурированную иерархию целей, стратегий и решений. Блумфилд и др. [10] обсудили уникальные трудности создания обоснований безопасности для систем, использующих машинное обучение, и предложили подход, основанный на шаблонах. Хокинс и др. [11] создали шаблоны аргументов безопасности для компонентов машинного обучения в автономных системах. GSN широко используется в аэрокосмической, атомной и железнодорожной отраслях, но еще не широко применялся в системах промышленного мониторинга с улучшенным машинным обучением. Эта статья устраняет этот пробел, встраивая обоснование безопасности GSN непосредственно в проектирование и управление цифровым двойником гибридного компрессора.

2.5. Мониторинг состояния и диагностика неисправностей Литература по мониторингу состояния предоставляет важный контекст для этой темы. Жардин и др. [25] провели обширный обзор диагностических и прогностических методологий для вращающегося оборудования, охватывая вибрационный анализ, анализ масел и методы, основанные на моделях. Лей и др. [26] исследовали методы интеллектуальной диагностики неисправностей, подчеркивая переход от ручного конструирования признаков к представлениям глубокого обучения. Цзядун Мэн и др. [27] исследовали состояние здоровья подшипников. Алгоритм MDDCs-MRSVD впервые обрабатывает вибрационный сигнал. За этим следует матрица признаков, показывающая состояние здоровья подшипников, созданная с использованием выбранных признаков. Для каждого момента времени выборки вдоль направления амплитуды этой матрицы вычисляется стандартное отклонение градиента. Наконец, создается индикатор мониторинга для обнаружения здоровых стадий подшипника. Эти обзоры показывают, что остаточный анализ на основе модели, который сравнивает измеренную производительность с эталонной моделью, является одним из лучших способов обнаружения ранних признаков деградации в компрессорах, если эталонная модель достаточно точна.

---

3. Методология Предложенная структура состоит из пяти тесно интегрированных компонентов: физической модели компрессора, сбора и предварительной обработки данных, гибридного уровня моделирования (физика + НС), уровня обнаружения аномалий и формального обоснования безопасности и уровня управления. На Рисунке 1 представлен общий обзор архитектуры высокого уровня.

Machines 14 00712 g001

Рисунок 1. Пятиуровневая архитектура предложенной гибридной структуры цифрового двойника центробежного компрессора, управляемой обоснованием безопасности.

Как показано на Рисунке 1, Уровень 1 предложенной модели фиксирует физический актив и средства измерений. Уровень 2 отвечает за сбор и предварительную обработку данных. Уровень 3 содержит гибридный механизм моделирования с физическими и основанными на данных моделями, поступающими на уровень слияния. Уровень 4 предоставляет приложения поддержки принятия решений. Уровень 5 реализует обоснование безопасности GSN. Зеленая рамка представляет собой оболочку обеспечения безопасности.

3.1. Физическая модель Физическая модель основана на термодинамической теории политропного сжатия. Для одноступенчатого центробежного компрессора (в предположении идеального газа) политропный напор задается формулой (1) [17]: H_p = (n/(n-1)) R T_1 [ (P_2/P_1)^((n-1)/n) - 1 ] (1) где R — удельная газовая постоянная, T₁ — температура на входе, n — политропный показатель, а P₂/P₁ — коэффициент давления. Политропный показатель связан с показателем адиабаты γ и политропным КПД η_p, как определено в (2): (n-1)/n = (γ-1)/γ * η_p (2) Температура нагнетания и мощность на валу следуют непосредственно [14]: T₂ = T₁ × (P₂/P₁)^((n-1)/n) (3) W = (m × H_p) / (η_p × η_mech) (4) где η_mech — механический КПД, принятый равным 0.98. Карта производительности компрессора, представляющая собой взаимосвязь между коэффициентом давления, КПД и массовым расходом на различных частотах вращения, генерируется синтетически с использованием параболической характеристики коэффициента давления и колоколообразной кривой КПД, масштабируемых по линиям частот вращения с использованием законов вентилятора. Это необходимое упрощение, так как фактические карты производителей являются собственническими. Границы помпажа и запирания установлены на уровне 70% и 125% от расчетного массового расхода соответственно, что является репрезентативными значениями для машин этого класса. На Рисунке 2 показана полученная карта компрессора. Как показано на Рисунке 2, границы помпажа и запирания обозначены пунктирными линиями.

Machines 14 00712 g002

Рисунок 2. Синтетическая карта производительности компрессора: (a) коэффициент давления в зависимости от массового расхода для пяти частот вращения (70–105% от расчетной), с указанием границ помпажа и запирания; (b) политропный КПД в зависимости от массового расхода, показывающий характерные колоколообразные кривые, смещающиеся с изменением частоты вращения.

3.2. Модель деградации Были смоделированы три механизма деградации: загрязнение, эрозия и износ уплотнений. Это наиболее распространенные способы снижения производительности компрессоров API 617, согласно литературе и опыту эксплуатации. Загрязнение, являющееся результатом отложений, накапливающихся на лопатках рабочего колеса и диффузорных лопатках, делает поверхность более шероховатой и приводит к уменьшению эффективной площади проходного сечения. Курц и Брун [15] продемонстрировали, что загрязнение снижает КПД на 2–5% в течение стандартных межсервисных интервалов, причем скорость зависит от состава газа и качества фильтрации. Наша модель применяет линейное падение КПД до 15% за 8760 часов. Это безопасное число для сильно загрязненной машины, но оно все еще находится в сообщаемом диапазоне. Эрозия (удаление материала с передних кромок лопаток из-за абразивного воздействия частиц) снижает способность рабочего колеса передавать энергию газу. Это в основном влияет на коэффициент напора. Износ уплотнений (увеличение зазоров в лабиринтных уплотнениях) вызывает внутреннюю рециркуляцию, снижая пропускную способность и КПД.

Предположение о линейной деградации является упрощением, которое не учитывает несколько важных аспектов: фактическая деградация не является монотонной (технологические возмущения и водная промывка вызывают ступенчатые изменения). Механизмы деградации взаимодействуют (загрязнение изменяет поле течения, влияя на характер эрозии), и скорость зависит от условий эксплуатации. Более физически обоснованная модель для будущей работы использовала бы температурную зависимость типа Аррениуса для скорости загрязнения, модель эрозии Финни для воздействия частиц и корреляции утечек в зависимости от зазора для износа уплотнений. Ключевой момент заключается в том, что гибридная архитектура не зависит от модели деградации, и более сложная модель изменила бы обучающие данные, но не саму структуру.

3.3. Модель остаточных отклонений на основе данных Компонент, основанный на данных, представляет собой двухслойную нейронную сеть прямого распространения с 32 скрытыми нейронами и функцией активации ReLU. Сеть принимает четыре входа (массовый расход, частота вращения, давление на входе, температура на входе) и выдает восемь выходов: среднее значение и дисперсию для каждого из четырех ключевых показателей эффективности (коэффициент давления, КПД, температура нагнетания, мощность). Выход среднего значения представляет собой прогнозируемый остаток, поправку, добавляемую к прогнозу физической модели, в то время как выход дисперсии обеспечивает меру эпистемической неопределенности модели. Сеть обучается с использованием мини-пакетного градиентного спуска со скоростью обучения 0.001 и клиппингом градиентов для численной стабильности. Входные признаки стандартизируются с использованием z-нормализации, а целевые остатки аналогично нормализуются перед обучением. Выбор двухслойной сети с 32 скрытыми нейронами был продиктован тремя практическими соображениями. Во-первых, остаточный сигнал, который сеть должна изучить, по построению является низкоамплитудной поправкой к физической модели, обычно составляющей менее 10% от абсолютного выходного значения. Это означает, что отображение входных признаков на остатки является сравнительно гладким и низкоразмерным и не требует репрезентативной способности глубокой сети. Мы подтвердили это эмпирически: увеличение глубины сети до четырех слоев или ширины до 128 нейронов не дало статистически значимого улучшения валидационной RMSE (p > 0.15, парный t-тест по пяти случайным начальным значениям), при этом увеличив время обучения в три раза. Во-вторых, компактную сеть гораздо легче ограничить и проверить в рамках обоснования безопасности. В-третьих, целевая среда развертывания — это промышленное периферийное устройство или сервер архиватора данных завода, аппаратное обеспечение которых обычно ограничено по памяти и вычислительным ресурсам. Двухслойная сеть с 32 нейронами выполняет прямой проход менее чем за 0.5 мс на одном ядре процессора, что значительно меньше типичного цикла обновления в 1 с для систем мониторинга компрессоров.

Структура аддитивного обучения остаточным отклонениям (y = f_physics + f_NN) хорошо известна в литературе по гибридному моделированию. Наш вклад заключается в трех конкретных проектных решениях, которые отличают эту работу от стандартных реализаций. Во-первых, ограничение выходных данных с учетом безопасности: в отличие от обычных остаточных архитектур, которые позволяют нейронной сети создавать произвольные поправки, наш уровень слияния накладывает жесткие физические ограничения на комбинированный выход (коэффициент давления ограничен диапазоном [1.0, 6.0], КПД — [0.30, 0.95], температура нагнетания должна превышать температуру на входе). Эти ограничения являются неотъемлемой частью архитектуры и прослеживаются до цели безопасности G3.1 в GSN. Во-вторых, бутстрэп-ансамбли для количественной оценки неопределенности: мы используем пять независимо обученных сетей, каждая на различных 80% подвыборках, при этом неопределенность прогноза вычисляется как стандартное отклонение между участниками ансамбля. В-третьих, обнаружение аномалий через расхождение остатков: система отслеживает расхождение между прогнозом физической модели и гибридным прогнозом слияния, а не работает с необработанными данными датчиков.

3.4. Гибридное слияние и количественная оценка неопределенности Окончательный прогноз гибридного цифрового двойника представляет собой сумму прогноза физической модели и прогноза остатка нейронной сети. Неопределенность выражается в виде доверительного интервала, полученного из выходной дисперсии сети. Это аддитивное слияние гарантирует, что гибридная модель всегда привязана к физике: при отсутствии деградации или когда нейронная сеть не уверена, выходные данные по умолчанию возвращаются к прогнозу физической модели. Все выходные данные ограничены физически правдоподобными диапазонами (например, КПД ограничен значениями [0.30, 0.95], коэффициент давления должен превышать 1.0), чтобы предотвратить выдачу моделью, основанной на данных, бессмысленных результатов.

3.5. Обнаружение аномалий и индекс здоровья Обнаружение аномалий выполняется путем вычисления нормализованного остатка (z-оценки) для каждой выходной переменной i в момент времени t: z_i(t) = |y_measured,i(t) - y_hybrid,i(t)| / σ_ensemble,i(t) (5) где σ_ensemble,i(t) — стандартное отклонение между пятью участниками бутстрэп-ансамбля. Точка данных помечается как потенциально аномальная, если max(z_i) > k, где k = 3.0 — порог по умолчанию, соответствующий 99.7% доверительному уровню в предположении нормальности. Для снижения ложных срабатываний применяется временное сглаживание с использованием скользящего окна из W = 10 последовательных показаний: сигнал тревоги подается только в том случае, если по крайней мере m = 3 из W показаний помечены индивидуально. Композитный индекс здоровья HI(t) определяется как: HI(t) = 100 × (1 - (w_PR × |δ_PR(t)/PR_baseline| + w_η × |δ_η(t)/η_baseline|)) (6) где δ_PR(t) и δ_η(t) — отклонения прогнозов гибридной модели от базовых

Tao, F.; Zhang, H.; Liu, A.; Nee, A.Y.C. Digital Twin in Industry: State-of-the-Art. IEEE Trans. Ind. Inform. 2019, 15, 2405–2415. [Google Scholar] [CrossRef] Grieves, M. Digital twin: Manufacturing excellence through virtual factory replication. White Pap. 2014, 1, 1–7. [Google Scholar] Tuegel, E.J.; Ingraffea, A.R.; Eason, T.G.; Spottswood, J.M. Reengineering aircraft structural life prediction using a digital twin. Int. J. Aerosp. Eng. 2011, 2011, 154798. [Google Scholar] [CrossRef] Iliuţă, M.-E.; Moisescu, M.-A.; Pop, E.; Ionita, A.-D.; Caramihai, S.-I.; Mitulescu, T.-C. Digital Twin—A Review of the Evolution from Concept to Technology and Its Analytical Perspectives on Applications in Various Fields. Appl. Sci. 2024, 14, 5454. [Google Scholar] [CrossRef] Elliott, F.S. How Does a Centrifugal Compressor Work? Available online: https://www.fs-elliott.com/how-does-a-centrifugal-compressor-work (accessed on 10 March 2025). The GSN Community. Goal Structuring Notation Community Standard, Version 3. Available online: http://www.goalstructuringnotation.info/ (accessed on 10 March 2025). Karniadakis, G.E.; Kevrekidis, I.G.; Lu, L.; Perdikaris, P.; Wang, S.; Yang, L. Physics-informed machine learning. Nat. Rev. Phys. 2021, 3, 422–440. [Google Scholar] [CrossRef] Willard, J.; Jia, X.; Xu, S.; Steinbach, M.; Kumar, V. Integrating scientific knowledge with machine learning for engineering and environmental systems. ACM Comput. Surv. 2022, 55, 1–37. [Google Scholar] [CrossRef] Kelly, T.; Weaver, R. The goal structuring notation—A safety argument notation. In Proceedings of the Dependable Systems and Networks 2004 Workshop on Assurance Cases, Princeton, NJ, USA, 1 July 2004; Volume 6. [Google Scholar] Bloomfield, R.; Fletcher, G.; Hinde, L.; Ryan, P.; Khlaaf, H. Safety case templates for autonomous systems. arXiv 2021, arXiv:2102.02625. [Google Scholar] Hawkins, R.; Paterson, C.; Picardi, C.; Jia, Y.; Calinescu, R.; Habli, I. Guidance on the assurance of machine learning in autonomous systems (AMLAS). arXiv 2021, arXiv:2102.01564. [Google Scholar] Rasheed, A.; San, O.; Kvamsdal, T. Digital Twin: Values, Challenges and Enablers from a Modeling Perspective. IEEE Access 2020, 8, 21980–22012. [Google Scholar] [CrossRef] Qi, Q.; Tao, F.; Hu, T.; Anwer, N.; Liu, A.; Wei, Y.; Wang, L.; Nee, A.Y.C. Enabling technologies and tools for digital twin. J. Manuf. Syst. 2020, 58, 3–21. [Google Scholar] Errandonea, I.; Beltrán, S.; Arrizabalaga, S. Digital Twin for maintenance: A literature review. Comput. Ind. 2020, 123, 103316. [Google Scholar] [CrossRef] Kurz, R.; Brun, K. Degradation in Gas Turbine Systems. J. Eng. Gas Turbines Power 2000, 123, 70–77. [Google Scholar] [CrossRef] Boyce, M.P. Gas Turbine Engineering Handbook, 4th ed.; Butterworth-Heinemann: Oxford, UK, 2012. [Google Scholar] Raissi, M.; Perdikaris, P.; Karniadakis, G.E. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. J. Comput. Phys. 2019, 378, 686–707. [Google Scholar] [CrossRef] Karpatne, A.; Atluri, G.; Faghmous, J.H.; Steinbach, M.; Banerjee, A.; Ganguly, A.; Shekhar, S.; Samatova, N.; Kumar, V. Theory-guided data science: A new paradigm for scientific discovery from data. IEEE Trans. Knowl. Data Eng. 2017, 29, 2318–2331. [Google Scholar] [CrossRef] Chen, J.; Hu, Z.; Zhang, H. Power Prediction for Marine Gas Turbine Plants Using a Condition-Adaptive Physics-Informed LSTM Model. J. Mar. Sci. Eng. 2026, 14, 532. [Google Scholar] [CrossRef] Kumar, N.B.; Babu, A.R.V.; Kumar, M.B.A.; Kumar, T.S.; Babu, V.G. Hybrid digital twin-based fault diagnosis framework for PMSMs in electric vehicle applications. Frankl. Open 2025, 12, 100328. [Google Scholar] [CrossRef] Li, A.; Guan, F.; Hu, H.; Liu, Z.; Xiao, B.; Huang, W.; Yang, Y. Physics-informed DEEPLSTM for digital twin modeling of steam turbine full-operating condition. Appl. Therm. Eng. 2025, 278, 127439. [Google Scholar] Li, X.; Chen, X.; Yang, C. Performance prediction of the centrifugal compressor using a long short-term memory-based model with transfer learning and similarity conversion. Urban Lifeline 2026, 4, 6. [Google Scholar] [CrossRef] Joung, B.G.; Nath, C.; Li, Z.; Sutherland, J.W. Bearing anomaly detection in an air compressor using an LSTM and RNN-based machine learning model. Int. J. Adv. Manuf. Technol. 2024, 134, 3519–3530. [Google Scholar] [CrossRef] Daoudi, N.; Zaki, S.; Aboussaleh, M. Predictive maintenance system for screw compressors using machine learning: A comparative study. Int. J. Adv. Manuf. Technol. 2025, 137, 3695–3708. [Google Scholar] Jardine, A.K.S.; Lin, D.; Banjevic, D. A review on machinery diagnostics and prognostics implementing condition-based maintenance. Mech. Syst. Signal Process. 2006, 20, 1483–1510. [Google Scholar] [CrossRef] Lei, Y.; Yang, B.; Jiang, X.; Jia, F.; Li, N.; Nandi, A.K. Applications of machine learning to machine fault diagnosis: A review and roadmap. Mech. Syst. Signal Process. 2020, 138, 106587. [Google Scholar] [CrossRef] Meng, J.; Yan, C.; Wang, Z.; Wen, T.; Chen, G.; Wu, L. Health Condition Identification of Rolling Element Bearing Based on Gradient of Features Matrix and MDDCs-MRSVD. IEEE Trans. Instrum. Meas. 2022, 71, 3517313. [Google Scholar] [CrossRef] Alimi, O.A. Data-driven learning models for Internet of Things security: Emerging trends, applications, challenges and future directions. Technologies 2025, 13, 176. [Google Scholar] [CrossRef]

Источник

Источник

Теги

• #ЦифровойДвойник
• #ПредиктивнаяАналитика
• #Компрессоры
• #Нейросети
• #R&D

Источник: https://www.mdpi.com/2075-1702/14/7/712

#ЦифровойДвойник #ПредиктивнаяАналитика #Компрессоры #Нейросети #R&D