1 前言
全球范围内大量钢铁厂运营已逾40年，配管、起重机、输送带等基础设施老化问题日益严峻。目前设备监控主要依赖人工巡检与传感器监测，但前者人力和时间成本高、判断依赖主观经验；后者仅能实现局部“点”监测，全面覆盖需引入庞大系统，引入成本高昂。
基于上述背景，本文在网络物理系统（CPS）框架下，探讨了设备异常诊断建模的可能性。具体而言，将目标物理设备表示为物理模型及其近似模型——代理模型，研究通过两者互补，实现考虑设备及环境个体差异的高精度建模技术。
2 设备诊断的CPS模型
2.1 CPS的构成
构想中的设备诊断系统示意图如图1所示。在对目标物理系统进行诊断时，流程如下：
1）通过传感器获取物理系统的状态，并将数据存入数据库；
2）从数据库中获取设备状态值，输入到模型M；
3）将诊断结果从模型M输出到物理系统。
在流程1），通过全景振动摄像头等IoT设备采集数据，并将广域且长期的数据存储在数据库中。同时，设备处理对象的相关信息以及外部环境（如气象）信息也会一并存储。流程2）的基础物理模型M，由一个基础物理模型MP和分别对应于各物理设备的多个代理模型MS构成。
2.2 基础物理模型和代理模型
基础物理模型（MP）直接描述了目标设备及环境的动态特性（如设备的挠度、振动等）。MP用于模拟众多具有相似结构和功能的设备所共有的动态特性，输入设备状态值后，输出关于结构物挠度或振动的异常诊断结果。
然而，实际设备通常具有外部环境和设备固有特征，需要将M调整到与这些特征相匹配。为此，可以考虑将外部环境和设备固有特征作为从实际设备获取的数据进行反映。由于这些数据一般无法直接输入到MP，因此需要单独创建代理模型（MS）。具体而言，以实际数据组成的高维数据为输入值，以多样条件下MP的输出值（诊断结果）作为初始数据，在机器学习框架下对MS进行调整（学习）。
MS的具体学习过程可分为以下两个步骤：
①获得能够表达与MP等效的输入输出关系的代理模型。
②基于①的代理模型，加入实际设备数据进行增量学习。
特别是对于②，可以通过在基于某种视角进行聚类后的代理模型之间共享模型参数，从而加速学习过程。
3 结语
关于以MS学习为前提的MP设计方式（如模型的抽象度或复杂度等）仍需结合具体设备对象进行进一步探讨。
另一方面，如果通过上述设备诊断系统能够实现钢铁厂全厂的智能监控，则有望从当前的人工巡检或局部传感器监测，转变为更广范围、高密度的诊断。如果能够自动诊断原料输送带、各类配管、室外起重机、烟囱等老化部位，预计将大幅降低诊断成本。
