4. 设备数字孪生与仿真模型构建

故障注入要真正有意义，前提是虚拟环境里存在一个“像真设备”的承载对象。设备数字孪生与仿真模型构建，就是为故障注入准备这个承载对象：它既要知道设备由哪些部件组成、信号如何流动，也要知道设备在正常与异常条件下会呈现什么响应。没有模型，故障注入只能停留在“改一个变量看结果”；有了模型，才能把故障放到具体部件、具体信号、具体工况上，并观察它如何沿设备内部传播。

从工程实现看，设备模型通常不是单一模型，而是三类模型的组合：功能模型回答“设备应该做什么”，物理模型回答“设备为什么这样响应”，数据驱动模型回答“设备实际怎么响应”。三者不是互斥关系，而是按故障注入目标选择主模型、辅以其他模型。例如注入“电机轴承磨损”故障，功能模型可判断输出转矩是否仍满足负载需求，物理模型可计算摩擦增大导致的温升与电流变化，数据驱动模型则可用历史振动数据判断故障特征频率是否出现。

构建模型的第一步是确定建模边界与粒度。边界决定哪些部件进入模型、哪些作为外部环境；粒度决定模型是“部件级”还是“系统级”。以一台三相异步电机驱动的皮带输送机为例，若故障注入目标是“电机绕组匝间短路”，模型边界应包含定子绕组、转子、轴承、负载转矩和供电电压，粒度至少到绕组相与温度节点；若目标只是“输送带打滑”，则电机可简化为一个转矩源，重点放在皮带张力与摩擦系数上。边界和粒度一旦确定，后续的故障注入点、观测点和判据才有明确归属。

功能模型通常用状态机或逻辑框图表达。以电机启动为例，可定义状态：待机 → 预励磁 → 加速 → 稳态运行 → 故障停机。每个状态有进入条件、退出条件和输出动作。故障注入时，可以修改“加速→稳态”的转换条件，例如把“转速达到额定值 95%”改为“转速达到额定值 80%”，模拟测速反馈偏差；也可以强制某个状态停留，模拟接触器粘连。功能模型的优点是响应快、逻辑清晰，适合验证控制逻辑和保护策略，但它不产生连续物理量，因此需要与物理模型配合。

物理模型用微分方程或代数方程描述能量与信号关系。仍以电机为例，简化后的转矩平衡方程为：

J·dω/dt = Te - TL - B·ω
Te = Kt · iq
dT_w/dt = (P_loss - (T_w - T_amb)/R_th) / C_th

其中 J 为转动惯量，ω 为角速度，Te 为电磁转矩，TL 为负载转矩，B 为阻尼系数，Kt 为转矩常数，iq 为交轴电流，T_w 为绕组温度，P_loss 为损耗功率，R_th 为热阻，C_th 为热容。注入“绕组匝间短路”时，可令 Kt 下降 8%、P_loss 上升 15%，观察 ω 是否出现周期性波动、T_w 是否在 300 秒内超过 120 ℃ 报警阈值。这些数值属于教学示例假设，实际参数需通过铭牌、试验或辨识获得。

数据驱动模型则从历史数据中学习输入输出关系。常见做法是采集正常工况下的电流、温度、振动、转速等时序数据，构造特征后训练回归或分类模型。例如用 1 秒窗口的电流均方根、温度斜率、振动频谱峰值作为输入，输出“健康/退化/故障”标签。数据驱动模型的优势是能捕捉难以用方程描述的复杂响应，但它依赖数据覆盖度：如果训练数据中没有“轴承外圈故障”样本，模型就无法可靠响应这类注入。因此，数据驱动模型更适合作为物理模型的补充，用于残差检测和异常评分。

三类模型建好后，需要统一到同一个仿真运行框架中。推荐采用“功能模型定逻辑、物理模型算状态、数据模型做校验”的协同方式：每个仿真步长内，功能模型先判断当前状态与允许动作，物理模型根据故障参数更新连续状态，数据模型对关键观测点给出异常评分。若评分超过阈值而物理模型未报警，说明模型对故障的敏感度不足，需要调整参数或增加观测点。这个闭环正是数字孪生区别于普通仿真的关键：模型不是一次性建成的，而是通过故障注入与真实响应比对不断修正。

最后需要强调，模型精度不必追求“全工况高保真”，而应追求“对目标故障敏感、对非目标因素鲁棒”。如果注入“传感器断线”故障，模型只需准确反映信号丢失后的控制逻辑与保护动作，不必精确计算电机温升。反之，若注入“冷却风扇失效”，则热模型必须足够细，否则温度响应不可信。建模的取舍标准始终是：故障注入要观察什么，模型就必须能反映什么。只有把模型构建与故障注入目标对齐，虚拟环境才能真正承载故障并给出可信的设备响应。