数字孪生驱动的承压设备设计制造运维跨阶段数据集成方法

doi:10.3901/JME.260588

机械工程学报 ›› 2026, Vol. 62 ›› Issue (11): 48-60.doi: 10.3901/JME.260588

• 特邀专栏：制造互联与工业智能 • 上一篇

扫码分享

数字孪生驱动的承压设备设计制造运维跨阶段数据集成方法

李孝斌^1,2, 黄文明^1,2, 江沛^1,2, 尹超^1,2, 曹华军^1,2

1. 重庆大学机械与运载工程学院重庆 400044;
2. 重庆大学高端装备机械传动全国重点实验室重庆 400044

收稿日期:2025-06-05 修回日期:2025-11-01 发布日期:2026-07-29
作者简介:李孝斌(通信作者),男,1987年出生,副教授,博士研究生导师。主要研究方向为智能制造、网络协同制造,以及大数据、物联网、人工智能等新一代信息技术在离散制造行业中的应用。E-mail:xiaobin_lee@cqu.edu.cn;黄文明,男,2001年出生,硕士研究生。主要研究方向为智能制造。E-mail:1357788523@qq.com;江沛,男,1985年出生,副教授,博士研究生导师。主要研究方向为机器人技术、绿色制造、智能制造等。E-mail:peijiang@cqu.edu.cn;尹超,男,1974年出生,教授,博士研究生导师。主要研究方向为智能制造、网络协同制造、制造系统工程、新一代信息技术及应用。E-mail:ych925@cqu.edu.cn;曹华军,男,1978年出生,教授,博士研究生导师。主要研究方向为绿色制造、智能制造等。E-mail:hjcao@cqu.edu.cn
基金资助:
国家重点研发计划(2022YFB3306400)、国家自然科学基金(52475511,52075060)和重庆市技术创新重大研发(CSTB2024TIAD-STX0029)资助项目。

A Digital Twin-driven Method for Cross-stage Data Integration of Pressurized Equipment in Design, Manufacturing, and Operation & Maintenance

LI Xiaobing^1,2, HUANG Wenming^1,2, JIANG Pei^1,2, YIN Chao^1,2, Cao Huajun^1,2

1. College of Mechanical and Vehicle Engineering, Chongqing University, Chongqing 400044;
2. State Key Laboratory of Mechanical Transmission for Advanced Equipment, Chongqing University, Chongqing 400044

Received:2025-06-05 Revised:2025-11-01 Published:2026-07-29

摘要/Abstract

摘要： 数字孪生、人工智能等新一代信息技术与先进制造技术的深度融合应用，推动着量大面广的制造行业企业从传统生产型制造向服务型制造高质转型发展。然而，承压设备作为石化、冶金等流程工业生产的核心装备，其设计、制造与运维等环节普遍存在业务协作链条长、专业知识要求高、跨区域多业务间信息孤岛频现等问题，严重制约了全业务链条的高效协同运行与智能优化管控。为此，提出一种数字孪生驱动的承压设备全生命周期数据集成方法。首先，构建数字孪生驱动的承压设备全生命周期运行模式，阐明数字孪生驱动的全域信息共享机制；构建数字孪生驱动的承压设备设计-制造-运维跨阶段数据集成框架，研究全生命周期数据融合处理、模型虚实映射与语义对齐、人工智能驱动的数据价值挖掘等支撑该框架运行的关键技术；最后，通过某炼油厂管壳式换热器运维优化案例，验证所提方法的可行性与有效性。结果表明，该方法可有效提升承压设备跨阶段数据集成共享水平，提高设计、制造与运维效率，降低故障率与维护成本，为承压设备的智能化转型与可持续运维提供有力支撑。

关键词: 数字孪生, 承压设备, 全生命周期, 数据集成, 人工智能

Abstract: The integration of digital twin and artificial intelligence with advanced manufacturing technologies is driving the transformation of manufacturing enterprises from production-oriented to service-oriented models. However, pressure vessels, as core equipment in petrochemical and metallurgical industries, face significant challenges including lengthy collaboration chains, high technical requirements, and cross-regional information silos throughout their design, manufacturing, and operation phases. These issues severely limit efficient collaboration and intelligent control across the entire business chain. This paper proposes a digital twin-driven data integration method for pressure vessel full lifecycle management. A digital twin-driven operation mode is established with global information sharing mechanisms. A cross-stage data integration framework spanning design-manufacturing- operation phases is developed, incorporating key technologies such as lifecycle data fusion, virtual-real model mapping with semantic alignment, and AI-driven data mining. The method's feasibility and effectiveness are validated through a shell-and-tube heat exchanger optimization case in a refinery. Results show that the proposed approach significantly enhances cross-stage data integration, improves design and operational efficiency, reduces failure rates and maintenance costs, providing robust support for intelligent transformation and sustainable maintenance of pressure vessels.

Key words: digital twin, pressurized equipment, full lifecycle, data integration, artifical Intelligence

中图分类号:

TH49
TP391

李孝斌, 黄文明, 江沛, 尹超, 曹华军. 数字孪生驱动的承压设备设计制造运维跨阶段数据集成方法[J]. 机械工程学报, 2026, 62(11): 48-60.

LI Xiaobing, HUANG Wenming, JIANG Pei, YIN Chao, Cao Huajun. A Digital Twin-driven Method for Cross-stage Data Integration of Pressurized Equipment in Design, Manufacturing, and Operation & Maintenance[J]. Journal of Mechanical Engineering, 2026, 62(11): 48-60.

导出引用管理器 EndNote|Reference Manager|ProCite|BibTeX|RefWorks

链接本文: http://www.cjmenet.com.cn/CN/10.3901/JME.260588

http://www.cjmenet.com.cn/CN/Y2026/V62/I11/48

参考文献

[1] LI L，LEI B，MAO C. Digital twin in smart manufacturing[J]. Journal of Industrial Information Integration，2022，26：100289.
[2] FANG Y，PENG C，LOU P，et al. Digital-twin-based job shop scheduling toward smart manufacturing[J]. IEEE Transactions on Industrial Informatics，2019，15(12)：6425-6435.
[3] JEYAKUMAR M，CHRISTOPHER T. Influence of residual stresses on failure pressure of cylindrical pressure vessels[J]. Chinese Journal of Aeronautics，2013，26(6)：1415-1421.
[4] WU E，ZHAO Y，ZHAO B，et al. Fatigue life prediction and verification of high-pressure hydrogen storage vessel[J]. International Journal of Hydrogen Energy，2021，46(59)：30412-30422.
[5] CHEN X，FAN Z，XU S，et al. Exploration of design，manufacture and maintenance of pressure vessels in China under background of the Internet[C]//Volume 1：Codes & Standards. Atlanta，Georgia，USA：American Society of Mechanical Engineers，2023：V001T01A062[2024- 01-08].
[6] TAO F，SUI F，LIU A，et al. Digital twin-driven product design framework[J]. International Journal of Production Research，2019，57(12)：3935-3953.
[7] 张超，周光辉，肖佳诚，等. 数字孪生制造单元多维多尺度建模与边—云协同配置[J]. 计算机集成制造系统，2023，29(2)：355-371. ZHANG Chao，ZHOU Guanghui，XIAO Jiacheng，et al. Multi-dimensional and multi-scale modeling of digital twin manufacturing units and edge-cloud collaborative configuration[J]. Computer Integrated Manufacturing Systems ，2023，29(2)：355–371.
[8] 黄彬彬，张映锋，黄博，等. 数字孪生驱动的复杂产品智能运维服务体系与核心技术[J]. 机械工程学报，2022，58(12)：250-260. HUANG Binbin，ZHUANG Yingfeng，HUANG Bo，et al. Digital twin-driven intelligent operation and maintenance service system and core technologies for complex products[J]. Journal of Mechanical Engineering ，2022，58(12)：250-260.
[9] WANG Y，REN W，LI Y，et al. Complex product manufacturing and operation and maintenance integration based on digital twin[J]. The International Journal of Advanced Manufacturing Technology，2021，117(1-2)：361-381.
[10] REN Z，WAN J，DENG P. Machine-learning-driven digital twin for lifecycle management of complex equipment[J]. IEEE Transactions on Emerging Topics in Computing，2022，10(1)：9-22.
[11] ZHANG C，DONG L，WANG Y. Design-manufacturing- operation & maintenance (O&M) integration of complex product based on digital twin[J]. Applied Sciences，2023，13(2)：1052.
[12] 程浙武，童水光，童哲铭，等. 工业锅炉数字化设计与数字孪生综述[J]. 浙江大学学报，2021，55(8)：1518-1528. CHENG Zhanwu，TONG Shuiguang，TONG Zheming，et al. A review of digital design and digital twin for industrial boilers[J]. Journal of Zhejiang University ，2021，55(8)：1518-1528.
[13] CUI Z，XU J，LIU W，et al. Data-driven modeling-based digital twin of supercritical coal-fired boiler for metal temperature anomaly detection[J]. Energy，2023，278：127959.
[14] WU Y，SUN J，YANG G，et al. Research on digital twin based temperature field monitoring system for LNG storage tanks[J]. Measurement，2023，215：112864.
[15] TAO F，CHENG J，QI Q，et al. Digital twin-driven product design，manufacturing and service with big data[J]. The International Journal of Advanced Manufacturing Technology，2018，94(9)：3563-3576.
[16] 黄璞. 基于Kafka的数字化制造车间大数据处理平台设计与实现[D]. 成都：电子科技大学，2020. HUANG Pu. Design and implementation of a big data processing platform for digital manufacturing workshops based on Kafka[D]. Chengdu：University of Electronic Science and Technology of China，2020.
[17] 张庄. 工业大数据分析建模平台研究与实现[D]. 西安：西安电子科技大学，2021. ZHANG Zhuang. Research and implementation of an industrial big data analysis and modeling platform[D]. Xi’an：Xidian University，2021.
[18] 王闯，冯雅倩，周光辉，等. 面向多视图的数字孪生制造单元数据集成与服务方法[J]. 计算机集成制造系统，2023，29(7)：2139-2150. WANG Chuang，FENG Yaqian，ZHOU Guanghui，et al. Data integration and service method for digital twin manufacturing units based on multi-view scenarios[J]. Computer Integrated Manufacturing Systems，2023，29(7)：2139-2150.
[19] VALENZUELA E，CANO-DELGADO A，CRUZ- MIRANDA J，et al. The IFMIF-DONES remote handling control system：Experimental setup for OPC UA integration[J]. Fusion Engineering and Design，2023，192：113776.
[20] SOUSA J，MENDONÇA J P，MACHADO J. A generic interface and a framework designed for industrial metrology integration for the Internet of Things[J]. Computers in Industry，2022，138：103632.
[21] CHENG Y，CHEN K，SUN H，et al. Data and knowledge mining with big data towards smart production[J]. Journal of Industrial Information Integration，2018，9：1-13.

数字孪生驱动的承压设备设计制造运维跨阶段数据集成方法

A Digital Twin-driven Method for Cross-stage Data Integration of Pressurized Equipment in Design, Manufacturing, and Operation & Maintenance

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	丁满, 俱一娴, 刘政文, 白仲航. 面向不确定性的产品情感化智能设计研究综述与展望[J]. 机械工程学报, 2026, 62(9): 291-310.
[2]	秦曈, 孟庆尧, 魏威, 陈立为, 王紫扬, 李莉. 基于数据驱动的运载火箭总体回路设计研究[J]. 机械工程学报, 2026, 62(7): 15-24.
[3]	杨毅晟, 李明, 杨泽源, 闫喜强, 严思杰, 丁汉. 数字技术赋能风洞全生命周期体系[J]. 机械工程学报, 2026, 62(7): 97-113.
[4]	王金龙, 宣泳辉, 冀秀坤, 鲍永杰, 石泽宇. 基于单向降阶高保真代理模型的CFRP机翼力学状态数字孪生研究[J]. 机械工程学报, 2026, 62(7): 126-138.
[5]	王树新, 魏静, 陈思宇, 唐明海. AI赋能的机械传动技术范式重构：瓶颈突破与自主创新体系演进[J]. 机械工程学报, 2026, 62(7): 150-168.
[6]	罗忠, 李洪雨, 李雷, 董胤哲. 数字孪生驱动的转子系统变工况难测点响应实时预测方法[J]. 机械工程学报, 2026, 62(7): 221-233.
[7]	罗仕鉴, 郭和睿, 李庆龄, 易珮琦. 人智协同设计中的信任问题：挑战、进展和展望[J]. 机械工程学报, 2026, 62(7): 324-342.
[8]	柯庆镝, 张振, 薛冰, 李自生. 基于人员动态特征的绿色设计知识主动推送方法[J]. 机械工程学报, 2026, 62(7): 343-362.
[9]	杨泽浩, 董威, 黄思翰, 阴艳超, 董李扬, 郑祖杰. 基于数字孪生和强化学习的智能生产线实时调度仿真优化方法[J]. 机械工程学报, 2026, 62(5): 12-25.
[10]	许鸿伟, 刘丽兰, 张洁, 秦威, 邢宏文, 汪玮, 刘思仁, 吕佑龙. 工业大模型驱动的航空智能制造AI孪生控制方法体系[J]. 机械工程学报, 2026, 62(5): 61-73.
[11]	吴锦辉, 陈永昶, 吴亚男, 郝会乾, 袁翔, 陶友瑞. 数字孪生驱动的反射面天线运行状态监测与虚拟调试方法[J]. 机械工程学报, 2026, 62(5): 263-273.
[12]	杨亮亮, 龚壮壮, 何西旺, 王沐晨, 闵强, 阚子云, 宋学官. 面向结构损伤识别的数字孪生建模[J]. 机械工程学报, 2026, 62(4): 328-341.
[13]	刘素艳, 董一林, 乔一鸣, 马增强. 基于改进蜣螂优化算法的轴承数字孪生模型的动态故障注入研究[J]. 机械工程学报, 2026, 62(3): 446-457.
[14]	王世博, 葛世荣, 管增伦, 周士林, 王丽杰, 李雪峰, 王赟, 袁晓明, 马广军. 面向数字孪生的采煤机滚筒实时截割载荷模型研究[J]. 机械工程学报, 2026, 62(3): 479-491.
[15]	刘海波, 邓平, 迟庆宇, 刘天然, 刘阔, 李特, 黄祖广, 刘行健, 薄其乐, STEVEN Y LIANG, 王永青. 智能加工中数据使能技术与应用[J]. 机械工程学报, 2026, 62(2): 407-444.