CN114897271B - 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 - Google Patents

Abstract

本发明提出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，其步骤如下：首先，搭建中央空调的数字孪生系统，包括物理空间的中央空调设备、虚拟空间的三维模型和数学模型。其次，利用设计结构矩阵的建模方法，建立基于“功能‑原理‑结构”的多领域故障传播模型。最后，根据实时运行数据和变更预测算法，预测潜在的高风险故障，在孪生模型中高亮预警，形成主动的预测性维护信息，反馈给运维人员，提供维修决策依据。本发明构建了“三维模型+数学模型”的双模型驱动的中央空调运维模式，能够根据物理实体的实时运行数据，预报潜在故障，为预测性维护提供了决策依据，提高了企业的维修时效性与管理效率，减少了过度维护以及漏维护情况。

Description

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

技术领域

本发明涉及数字孪生、中央空调系统主动式预测性维护，具体为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。

背景技术

中央空调是现代楼宇中不可或缺的运行调控系统，由冷、热源和空气调节等装置组成，能使一栋建筑保持舒适、卫生的室内环境。相比以往，人们在近年来愈来愈重视室内环境的空气质量，中央空调的功能设计也因此变得愈加复杂，各部件之间的联系也逐渐紧密，而相应的，则导致了中央空调系统的故障种类和故障原因愈发多样。在中央空调系统的实际运行中，也常常因为某一个组件的失效而引发故障在系统中的传播，最终形成牵一发而动全身的局面，影响整个中央空调系统的性能。

传统的中央空调维护维修方式并不能对故障的传播进行准确预测，常规的维护维修方式是：系统发生报警或使用人员笼统的察觉制冷效果不佳时，先将故障上报给企业，然后企业安排维修人员到现场勘察，排查故障原因，制定维修计划，最后再着手进行维修；或者，企业安排巡检人员对空调系统进行不定期的巡视检查，以求在故障发生初期及时的维护维修。然而，传统方式存在被动维护和过度维护的缺点，所以导致了空调系统的维护维修时间跨度大、管理效率低和时效性差。因此，如何根据已有的中央空调设计信息、运维信息和实时运行数据等进行主动式的预测性维护是空调企业的迫切需求，而数字孪生技术为满足这一需求提供了有效途径。

数字孪生技术能够把复杂的中央空调系统以数字化的形式在三维世界中描绘出来，并利用实时数据来模拟和还原在现实世界中的空调系统运行状态，能够使企业直观的掌握中央空调的运行情况，并通过智能运维算法及时的了解中央空调潜在发生的故障，及时在孪生模型中显示，完成主动式的维护维修预警。为此，结合数字孪生的优势，本申请提出了一种数字孪生环境下基于故障传播的中央空调主动式预测性维护方法。

发明内容

针对中央空调系统现有的被动式维护维修，以及由此产生的时效性差、管理混乱、能源浪费和维护维修成本高的技术问题，本发明提出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，搭建了B/S架构模式的中央空调的数字孪生系统，采用基于DSM、DMM和MDM的建模方法，考虑中央空调组件之间的故障相关性，建立了基于“功能-原理-结构”的中央空调系统多领域故障传播层次结构模型，准确分析了中央空调系统的故障传播行为，根据中央空调实时运行数据，在孪生系统中预测出了潜在的具有高风险的趋势性故障，提供了主动式的预测性维护维修方案，从而减少维护维修的准备时间，提升了企业的维修时效性，提高了中央空调的维修效率和管理效率，减少了维护维修的成本，并防止了企业过度维护或漏维护的情况。

为了达到上述目的，本发明的技术方案是这样实现的：

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，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(Building InformationModeling，建筑信息模型)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(Browser/Server，浏览器/服务器)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(Function-Principle-Structure，功能-原理-结构)的多领域相连接的故障传播模型；

S3，基于CPM(Change Prediction Method，变更预测方法)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，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。

进一步地，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、冷却塔和末端等处加装传感器，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；

进一步地，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(Design structure matrix，设计结构矩阵)，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(，Domain mapping matrix，域映射矩阵)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；

进一步地，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)

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；

进一步地，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。

本发明能产生的有益效果：基于中央空调数字孪生系统，预测出中央空调潜在的高风险趋势性故障，并利用孪生系统为中央空调提供运行维护平台，通过主动式的维护维修模式，大大提高企业的维修时效性，减少维护维修的准备时间，防止过度维护或漏维护情况。本发明解决了中央空调系统在运行维护管理中被动式的维护维修问题，根据中央空调系统实时的运行数据，基于“三维模型+数学模型”双模型的驱动模式，搭建了B/S架构模式的中央空调数字孪生系统，大大增加了管理效率，降低了企业维护维修成本，减少了能源的浪费。

附图说明

图1为本发明的总体流程图；

图2为本发明的FPS故障传播模型架构图；

图3为本发明的功能层-原理层连接示意图；

图4为本发明的结构层-原理层连接示意图；

图5为本发明的功能故障传播分析图；

图6为本发明的典型故障传播分析图；

图7为本发明的故障影响传播树示意图；

图8为本发明的运维管理系统功能示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

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，如图1所示，具体步骤如下：

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架构模式的中央空调数字孪生系统，构建方法为：

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、冷却塔和末端等处加装传感器，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；

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，如图2所示，构建方法为：

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23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，共4个子系统、15个部件和54个组件，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54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54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，由于原理层与功能层并不直接进行连接，而是通过结构层间接相连，所以，原理层与功能层的连接方法为：将实现子功能的组件分配给对应的原理属性，如图3所示，并完成功能层-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，如图4所示，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，如图2所示的，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，如图5所示，以及典型故障传播分析，如图6所示，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；

S3，基于CPM正向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，包括可能性矩阵、依赖度矩阵和风险矩阵，构建方法为：

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，创建一个多域故障传播链，如图7所示，可表达所有的故障传播路径；其中，直接传播表示为在功能、结构和原理上相邻的组件的故障传播，间接传播表示为至少有一个中间组件参与的故障传播；

S3.2，根据CPM算法，计算中央空调系统潜在故障组件的潜在受影响程度，确定多域故障传播模型中的直接可能性矩阵(l)、直接依赖度矩阵(i)、直接风险矩阵(r)、综合可能性矩阵(L)、综合依赖度矩阵(I)、综合风险矩阵(R)；

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的最顶部开始，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)

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；

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，一方面，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，另一方面，根据设备设计信息、历史运维信息和实时运行数据，形成维修计划、维修方案等预测性主动维护信息。构建方法如下：

S5.1，运维管理模块与故障传播预测模块的功能结构，如图8所示，在运维管理模块中设置实际故障记录与预测故障记录，包括：故障类型、故障程度、故障时间和故障位置等；故障传播预测模块作为数据来源，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，在运维管理模块中设置实际维修记录和预测维修记录，包括：维修人员、维修时间、维修成本和维修方案等；故障传播预测模块作为数据来源，在得到故障预测结果后，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等，形成维修计划、维修方案等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等，在组件完全失效之前，提醒维护人员最佳维护时间。

以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (2)

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。

Images