数字孪生驱动的离心泵剩余寿命实时预测

gkket

目录
1 问题：RUL 工业落地三大难——小样本、工况漂移、实时性
2 方法：DT-RUL 双循环
2.1 数字孪生体：Modelica+CFD 一体化建模
2.2 数据同化：Ensemble Kalman Filter 在线校准
2.3 RUL 预测：Transformer+Weibull 混合头
3 实验：某水务集团 58 台离心泵 18 个月运行
3.1 指标：MAPE 7.9%，预测偏差<±8 h
3.2 经济：减少 31% 非计划停机
4 开源：DT-RUL-Sim 工具包（MIT 协议）
5 展望：把“孪生体”搬进 AR 眼镜，现场维修工“一眼看寿命”


数字孪生驱动的离心泵剩余寿命实时预测

1 问题：RUL 工业落地三大难

• 小样本：离心泵全生命周期数据往往 <10 台，深度模型易过拟合
• 工况漂移：季节切换、调度变化导致特征分布漂移，离线模型快速失效
• 实时性：水务现场要求 5 s 内给出 RUL，云端往返超时
  

2 方法：DT-RUL 双循环
提出“数字孪生体-数据同化-RUL 预测”双循环框架，把物理规律嵌入数据驱动，实现小样本、强鲁棒、秒级更新。
2.1 数字孪生体：Modelica+CFD 一体化建模

• 基于 Modelica.Fluid 构建离心泵一维热力学模型，封装 34 个物理参数
• 关键部件（叶轮、轴承、机械密封）再耦合 CFD 高保真网格，局部精度≤1%
• 整个孪生体共 1.2 M 方程，可在 RTX 4090 实时求解 500 Hz
  

2.2 数据同化：Ensemble Kalman Filter 在线校准

• 观测变量：振动 RMS、出口压力脉动、轴承温度
• 状态向量：扬程效率、口环间隙、轴承刚度等 11 个隐变量
• 每 30 s 进行一次同化，把隐变量后验分布喂给 RUL 模型，解决工况漂移
  

2.3 RUL 预测：Transformer+Weibull 混合头

• 输入：过去 256 个时间点隐变量序列
• 编码：4 层 Transformer，8 头自注意力，隐藏层 128
• 输出：Weibull β、η 两参数分布，直接给出概率密度函数，可算任意置信度 RUL
  

3 实验：某水务集团 58 台离心泵 18 个月运行
3.1 指标

• MAPE=7.9%，预测偏差±8 h（置信区间 90%）
• 提前 7 天预警准确率 93%，误报 0.9 次/月·台
  

3.2 经济

• 减少非计划停机 31%，每年少缴水厂违约金 180 万元
• 备件库存周转天数从 45 天降到 22 天
  

4 开源：DT-RUL-Sim 工具包

• 地址：github.com/Industrial-AI-2025/DT-RUL-Sim
• 内容：Modelica 模型、Python 同化代码、Transformer 权重、58 台脱敏数据集
• 协议：MIT，欢迎二次开发
  

5 展望：把“孪生体”搬进 AR 眼镜
正在与国产 AR 头显厂商联调，把实时 RUL 以“热力图”叠加到真实泵体，维修工一眼即可看到“剩余寿命 87 h”，并自动弹出更换 SOP 视频，实现“物理世界直接读条”。

gkxxw

占个楼慢慢看，先马克一下 楼主辛苦啦，期待下一篇分享