污水处理厂是一种重要的民用基础设施，在维持生活水平和保护环境方面发挥着不可或缺的作用。污水处理厂的可持续运行要求以最低的成本保持其关键资产(如泵)的最佳性能。虽然各种维护策略(包括纠正性和预防性维护)已用于WWTPs的运行，但由于物联网(IoT)和机器学习的进步，预测性维护(PdM)最近开始受到广泛关注。基于资产状态监测数据，PdM技术有望预测资产的未来性能和故障，从而为单个资产提供更可持续的维护计划。然而，关于如何实现PdM以优化系统级别的维护决策的知识还没有很好地建立起来。

本研究旨在金博宝188欢迎你开发一个数字孪生(DT)驱动的框架，以增强WWTPs中当前的PdM实践。作为物理系统的数字复制品，DT承诺为复杂的系统配置和行为建模，以促进系统性能的仿真和预测。提出的dt驱动框架包括三层:数据集成层、分析和预测层以及应用层。数据集成层定义了一个标准的数据模式，以协调污水处理厂资产数据在数字平台上的描述和结构，包括建筑信息模型(BIM)和计算机维护管理系统。多种深度学习方法将在分析和预测层进行评估和应用，以检测物理状态异常，诊断资产故障，并根据单个资产的系统环境预测系统的未来性能。最后，应用层为工厂管理人员和操作员提供了一个基于bim的界面，以可视化基于场景的预测并优化维护决策。该框架将使用来自真实污水处理厂的监测和操作数据来实施和验证。将通过定性和定量分析来评价该框架的有效性。这项研究的结果有望推进PdM中数据驱动金博宝188欢迎你分析和预测的知识，并扩展DT在关键民用基础设施中的应用。

金博宝188欢迎你研究框架(IoT:物联网，BIM:建筑信息模型，IFC:工业基础课程，“T”:研究任务)