[发明专利]数字孪生环境下基于故障传播的中央空调预测性维护方法

权利要求书

1.一种数字孪生环境下基于故障传播的中央空调预测性维护方法，其特征在于，包括如下步骤：

S1，根据中央空调系统的物理实体，基于BIM技术建立中央空调系统的信息模型与三维几何模型，利用Unity3D软件搭建中央空调数字孪生模型，基于WebGL技术搭建B/S架构的中央空调数字孪生系统；

S2，根据中央空调系统的信息模型、功能原理、工作机理和物理特性，分别构建相应的功能层、原理层和结构层，并建立基于FPS的多领域相连接的故障传播模型；

S3，基于CPM计算中央空调潜在故障组件在功能层、原理层和结构层的多维度的潜在影响程度，包括可能性矩阵、依赖度矩阵和风险矩阵；

S4，利用Unity 3D软件构建中央空调数字孪生系统，将基于BIM技术构建的中央空调信息模型和三维几何模型与基于FPS的多域故障传播的数学模型相结合，形成基于“三维模型+数学模型”的双模型驱动模式，由传感器采集中央空调系统的实时运行数据，通过多域故障传播模型预测中央空调未来运行一段时间内潜在发生的趋势性故障；

S5，根据孪生系统中故障传播预测模块的结果，将预测的潜在故障记录在运维管理模块中，将潜在发生故障的组件在数字孪生模型中进行高亮预警显示，根据设备设计信息、历史运维信息和实时运行数据，形成预测性主动维护信息；

步骤S1具体为：

S1.1，根据中央空调系统的物理实体，基于Revit软件建立中央空调系统的信息模型和三维几何模型，在信息模型中保存中央空调系统的设计信息和施工信息，并将三维几何模型导出为.fbx三维文件格式；

S1.2，将.fbx三维文件格式导入Unity 3D软件，基于Unity 3D软件将信息模型、三维几何模型和数学模型组合为中央空调的数字孪生模型；

S1.3，在中央空调系统的制冷主机、冷却塔和末端处加装传感器，并将传感器监测数据上传至云端服务器，以获取实际的运行数据，监测中央空调系统的实际运行状态；

S1.4，搭建后台云端服务器，基于WebGL技术，利用超文本标记语言与文档对象模型接口，通过底层的图形硬件加速功能在浏览器中渲染数字孪生模型，最终搭建出B/S架构模式的中央空调数字孪生系统；

步骤S2具体为：

S2.1，根据信号流、物料流和能量流的输入输出关系，将中央空调系统的功能分解为多个子功能，并通过子功能间的DSM，映射子功能之间的相互依赖关系；

S2.2，根据中央空调系统的基本结构、基本工作原理和能量转移原理，将中央空调逐级分解为自上而下的“子系统-部件-组件”之间相互影响的集合，以便于捕获组件之间的故障传播关系；

S2.3，根据中央空调系统的装配、机械和电气三个属性分层，将结构层的典型故障分为：由安装施工不当引发的故障，即，装配属性；由电力驱动组件失效引发的故障，即，电气属性；由机械结构失效引发的故障，即，机械属性；并通过三个属性分层的DSM，映射多个组件在装配、机械和电气三个属性内的相互依赖关系，在DSM中，列元素表示故障传播发起组件，行元素表示故障传播接收组件；

S2.4，根据中央空调系统的机理、热力学和控制三个属性分层，将原理层的典型故障分为：由工作原理相关联所引发的故障，即，机理属性；由热力学压焓原理变化所引发的故障，即，热力学属性；由控制系统失效引发的故障，即，控制属性；并通过三个属性分层的DSM，映射多个组件在机理、热力学和控制三个领域的相互依赖关系；

S2.5，根据功能与原理之间的对应关系，将实现子功能的组件分配给对应的原理属性，由此完成功能层-原理层DMM以及原理层-功能层DMM；

S2.6，根据结构属性和原理属性的连接关系，构建结构层-原理层的DMM以及原理层-结构层DMM；

S2.7，根据步骤S2.2、S2.3、S2.4、S2.5和S2.6所构建的功能层、原理层和结构层以及功能层-原理层连接、结构层-原理层连接，由相应的DSM以及DMM建立基于FPS的 多域MDM，即故障传播模型；

S2.8，基于中央空调系统的功能故障传播分析以及典型故障传播分析，并根据组件在功能、结构和原理之间连接的相关度以及故障跨越子系统、部件和组件之间的传播边界为量化标准，对故障传播模型进行量化；

步骤S3具体为：

S3.1，根据多域故障传播模型中所有的直接传播和间接传播，建立一个多域故障传播链；

S3.2，根据CPM算法，计算中央空调潜在故障组件在功能层、原理层和结构层的多维度的潜在影响程度；

S3.3根据多域故障传播链，计算综合可能性矩阵，计算方法为：把多域故障传播链看作逻辑链，其中，竖直线表示数学关系“并”，用∪表示，水平线表示数学关系“交”，用∩表示；综合可能性的交、并求和计算从最底部开始，在到达顶部时得到结果，运算公式由公式(1)和(2)表示：

l_b,u∪l_b,v＝l_b,ul_b,v (1)

l_b,u∩l_b,v＝l_b,u+l_b,v-l_b,ul_b,v＝1-(1-l_b,u)(1-l_b,v) (2)

式中，l_b,u表示从u到b的故障传播的直接可能性；

S3.4，根据多域故障传播链，计算综合风险矩阵，综合风险的交、并求和计算从逻辑链最顶部开始，在到达最底部得到结果，运算公式由公式(3)表示：

R_b，a＝1-Π(1-ρ_b,u) (3)

式中，R_b,a表示故障传播从b到a的综合风险，u表示处在a到b的多域故障传播链倒数第二层的所有子系统，ρ_b,u表示u和b之间的传播风险，ρ_b,u的计算公式由公式(4)表示：

ρ_b,u＝σ_u,al_b,ui_b,u (4)

式中，σ_u,a表示从a到达子系统u的传播可能性，i_b,u表示u到b故障传播的直接依赖度；

S3.5，根据综合可能性矩阵和综合风险矩阵，计算综合依赖度矩阵，计算公式由公式(5)、公式(6)和公式(7)表示：

I_b,a＝R_b,a/L_b,a (5)

L_b,a＝1-(1-l_b,a)(1-l_b,dl_d,a)(1-l_b,fl_f,a) (6)

（7）

式中，I_b,a表示故障传播从b到a的综合依赖度，L_b,a表示故障传播从b到a的综合可能性。

2.如权利要求1所述的一种数字孪生环境下基于故障传播的中央空调预测性维护方法，其特征在于，步骤S5具体为：

S5.1，根据故障传播预测模块对空调系统潜在的故障进行预测，并将预测结果记录在预测故障记录中，在维修人员维修时，将物理世界的实际故障情况记录在实际故障记录中；

S5.2，根据故障的预测结果，利用运维管理模块，将预测的维修信息记录在预测维修记录中，在维修人员维修时，将物理世界的实际维修信息记录在实际维修记录中；

S5.3，根据多域故障传播模型的运算分析结果，将中央空调潜在的故障组件在数字孪生模型进行中高亮预警显示，通过不同的颜色，分级表达出不同程度的风险值；

S5.4，根据运维管理模块的预警信息，在数字孪生模型中快速定位故障组件的位置，确定故障传播的路径，查看故障传播的范围及影响，追溯中央空调故障的源头；

S5.5，根据设备的设计信息、历史运维信息和实时运行数据，包括：历史维修信息、安装信息、供货商信息和设备当前运行信息，形成预测性主动维护信息，包括设备维修人 员、设备故障程度、维修所需时间和维修所需成本，在组件完全失效之前，提醒维护人员最佳维护时间。