基础设施数字孪生：检测数据如何驱动预测性维护

基础设施的退化并非按计划发生。去年检测报告中看起来尚可的桥面，现在可能正因比往年更严酷的冬季、比预期更重的交通负荷，或一个直到水渗入十二个月前尚在容许范围内的裂缝才被发现的排水问题，而加速逼近阈值失效状态。传统的检测方案捕捉的是某个时间点的状况。数字孪生则将状况捕捉为一个连续、演变的状态——正是这种差异，使得预测性维护成为可能，而这仅靠定期检测是永远无法实现的。

本文将解释在基础设施管理背景下，数字孪生的真正含义，检测数据如何为其提供信息，以及对于道路网络、桥梁、机场和其他关键资产而言，从被动式维护转向预测性维护在实践中是怎样的。

数字孪生的真正含义

这个术语的使用相当宽泛，因此有必要进行精确定义。数字孪生不是资产的三维模型，不是扫描图、正射影像或地理信息系统（GIS）图层。这些都只是输入数据。数字孪生是实体资产的动态虚拟表示，它通过真实世界的数据持续更新，并能基于当前状况和预测负荷来模拟未来状态。

这一区别至关重要，因为静态模型无论多么详细，描述的都只是资产在被捕捉瞬间的样子。而数字孪生描述的是资产现在的状态、自上次更新以来的变化，以及——通过模拟和预测建模——它接下来可能发生的变化。对于基础设施管理而言，这种前瞻能力是其核心价值所在。知道某段路面目前的 PCI (路面状况指数) 为 74 是有用的。但知道同一路段正以某种速率退化，并将在下一个预算周期内超过您的干预阈值（基于当前状况趋势和预测交通负荷），这才能在干预成本攀升之前驱动维护决策。

检测数据如何成为数字孪生

为数字孪生提供数据的数据源有多种，而基于无人机的检测正日益成为数据采集层的核心。对道路网络或桥梁结构进行的无人机勘测可生成带有地理参照的正射影像、点云、表面状况数据和缺陷图，这些数据可直接导入数字孪生平台。以固定间隔重复进行这些勘测，便能形成时间序列数据集，使数字孪生能够跟踪状况变化，而不仅仅是状况状态。

从检测到孪生的工作流程包括几个不同步骤。原始的无人机影像被处理成结构化输出，如正射影像、数字表面模型、裂缝图和状况指数，并进行地理定位和采集日期标记。这些输出被导入孪生平台，并与资产现有的几何模型对齐。由人工智能驱动的分析会将新数据集与之前的检测数据进行比较，识别出状况发生变化的位置、变化的程度和速率。孪生的预测模型利用这些变化率数据，结合材料属性、荷载历史和环境暴露情况，来预测未来状况，并标记出退化程度接近维护阈值的路段。

其结果是一个连续而非间歇性的资产管理工作流程。数字孪生持有资产的当前状况图，每次有新的检测数据送达时都会更新，而不是一份仅在生成当天准确，然后在接下来的两三年内直至下一个检测周期都日益过时的状况报告。

从状况监测到预测性维护

数字孪生所带来的操作性转变，是从基于时间间隔的维护计划转向基于实际状况轨迹的维护计划。这两种方法有着根本性的不同，而这种差异会直接产生财务影响。

基于时间的维护计划将同一类别中的所有资产视为等同。一个以五年为重铺周期的道路网络管理，会同时重铺状况尚好的路段和确实在退化的路段，却会错过那些退化速度快于周期的路段。而由数字孪生数据驱动的、基于状况的维护，则会将干预措施引导至真正需要的路段，并在其退化曲线上最具成本效益的时间点进行干预。

随着状况的下降，干预成本会急剧上升。早期修复的成本比延迟修复便宜 4 到 5 倍（EIC deck 数据），而 Fadron 自己的分析表明，计划性维护的成本约为每平方米 €12，而一旦重建成为唯一选择，成本则约为每平方米 €130。在损坏尚轻微时发现的路段可以采取预防性处理。同一路段若拖延足够长的时间就需要修复，再拖延更久则需要重建。由数字孪生驱动的预测性维护，其根本在于时机：在正确的路段、在其退化曲线的正确时间点进行正确的干预，其结果始终优于任何固定间隔计划所能达到的效果。

这对不同类型的资产意味着什么

数字孪生在基础设施管理中的应用并非对所有资产类型都一成不变，其所带来的具体价值因资产的复杂性、检测频率和失效后果而异。

对于道路网络，其主要价值在于对庞大、地理上分散的资产组合进行路面状况建模。一个管理着数千公里路面的公路管理机构，如果不知道每个路段的状况轨迹，而不仅仅是最近检测过的路段，就无法优化维护开支。由定期无人机路面勘测数据支持的数字孪生提供了这种全局性的视图，使得预算分配能够由干预点的预测状况驱动，而不是由检测的新近程度或行政优先级决定。

对于桥梁，其价值转向结构健康监测和荷载响应建模。桥梁数字孪生集成了检测数据、嵌入式监测系统的传感器数据以及交通荷载记录，以模拟结构如何随时间对其运营环境作出响应。在定期目视检测中无法察觉的状况变化，如挠度响应的细微变化、振动频率的改变、微裂缝的扩展模式等，在一个持续跟踪资产的孪生体中变得清晰可见。对于老化的桥梁资产，其意外关闭或结构失效的成本需从财务和安全两方面衡量，因此这种早期预警能力意义重大。

对于机场，数字孪生正越来越多地被用于在单一集成平台内管理全部基础设施资产组合，包括跑道和滑行道路面、停机坪表面、排水系统以及空侧结构。由基于无人机的 PCI 勘测和 FOD (外来物碎片) 检测数据支持的跑道道面数字孪生，为机场运营商提供了整个空侧表面状况的连续视图，从而支持日常安全管理和长期资本规划。

决定一切的数据质量问题

数字孪生的作用大小完全取决于为其提供数据的数据质量。这是大多数数字孪生实施在充分发挥其技术潜力之前都会遇到的制约因素，值得直接探讨，因为它决定了检测方案若要有效支持孪生体，就必须如何设计。

要让数字孪生能够跟踪状况轨迹而非仅仅是状况状态，为其提供数据的检测数据必须在时间上保持一致。在每个检测周期中，都必须以相同的方式对同一资产应用相同的坐标系、相同的精度容差和相同的缺陷分类框架。基础数据的不一致，例如不同的 GPS 基准、变化的图像分辨率、不同检测员采用的不同缺陷严重性阈值，会在孪生体中产生表面的状况变化，而这些变化反映的是测量差异，而非真实的退化。孪生的预测模型无法区分是真实的 PCI 下降了 3 点，还是两位检测员因标准略有不同而产生的 3 点评分差异。

这正是基于无人机的检测，在数字孪生应用中相对于人工检测的结构性优势所在——它在定义的、可重复的工作流程上运行，具有一致的定位、高度、重叠度和由人工智能驱动的缺陷分类。自动化数据采集的一致性，使得时间序列数据集足够可靠，从而能够驱动预测建模。没有这种一致性，孪生体积累的将是噪声而非信号，其所支持的维护决策的质量也仅与基础测量的可靠性相当。

技术的发展方向

如今部署在基础设施资产上的数字孪生平台，正日益具备整合定期无人机勘测之外的数据流的能力。嵌入式传感器网络提供实时结构健康数据，联网车辆数据提供整个道路网络的连续路面粗糙度测量，与退化模型直接关联的天气和环境监测——所有这些都在从研究应用转向运营部署。无人机检测勘测仍然是其中的核心部分，提供传感器网络和联网车辆数据无法复制的高分辨率空间状况数据，但它正日益成为多个输入源之一，而不再是唯一的数据源。

发展轨迹指向的是能够被持续监测的基础设施资产，其维护干预由状况阈值而非预定日期触发，其资本项目由预测的状况轨迹而非对可见故障的被动响应来证明其合理性。这是一种在意义上截然不同的基础设施管理方式。那些现在正朝着这个方向发展，构建使其成为可能的数据基础设施、检测工作流程和孪生平台的组织，正将自己置于维护成本曲线的领先位置。