基于數字孿生和貝葉斯網絡的液壓啟閉機故障診斷研究

摘 要：液壓啟閉機對于保障水利工程設施的安全運行，防洪排澇、水資源調度等方面起著關鍵作用，一旦發生故障將會導致水位失控、設備損壞等事故，影響水利工程的正常運行。為掌握液壓啟閉機運維情況，快速識別異常狀況，基于數字孿生技術和貝葉斯理論，構建了液壓啟閉機的故障診斷模型。首先，分析液壓啟閉機的日常運行狀態和數智柜存儲數據，構建液壓啟閉機的數字孿生體系；其次，結合專家經驗及歷史故障數據建立基于貝葉斯網絡的數字化液壓啟閉機故障診斷模型，通過實例進行敏感性分析并對故障事件排序，結果表明所建模型根據輸入概率能準確診斷液壓啟閉機故障事件，溢流閥閥芯位置異常、油箱油位過低、換向閥未換向為主要故障因素，且與實際運維狀況相符；最后，結合公理驗證該故障模型的合理性和有效性。

關鍵詞：數字孿生；數字化液壓啟閉機；故障診斷；貝葉斯網絡；敏感性分析

中圖分類號：TV664 文獻標識碼：A 文章編號：1001-9235（2024）10-0124-14

Fault Diagnosis of Hydraulic Hoist Based on Digital Twin and Bayesian Network

WANG Bo1，2，3， SUN Ruiyang1， QIAN Lu4， GU Hao4， NIE Xiangtian1，2，3*

（1. School of Water Conservancy， North China University of Water Resources and Electric Power， Zhengzhou 450046， China; 2. Henan

Key Laboratory of Water Environment Simulation and Treatment， Zhengzhou 450046， China; 3. Collaborative Innovation Center for

Efficient Utilization of Water Resources， Zhengzhou 450046， China;4. Changzhou Zhongsheng Sluice Gate Machinery Technology Co.，Ltd， Changzhou 213125， China）

Abstract： Hydraulic hoist plays a key role in ensuring the safe operation of water conservancy facilities， flood control and drainage， and water resource scheduling. Once failure occurs， it will lead to out-of-control water levels， equipment damage， and other accidents， affecting the normal operation of water conservancy projects. In order to grasp the operation and maintenance of hydraulic hoists and quickly identify abnormal conditions， a fault diagnosis model of hydraulic hoists was constructed based on digital twin technology and Bayesian theory. Firstly， this paper analyzed the daily operation state of the hydraulic hoist and the data stored in the data tank and constructed the digital twin system of the hydraulic hoist. Secondly， a fault diagnosis model of a digital hydraulic hoist based on the Bayesian network was established according to expert experience and historical fault data， and sensitivity analysis was carried out through examples. Fault events were sorted. The results show that the model can accurately diagnose the fault event of the hydraulic hoist according to the input probability. The main fault factors are the abnormal spool position of the relief valve， extremely low oil level of the fuel tank， and non-reversing of the reversing valve， which are consistent with the actual operation and maintenancecondition. Finally， the rationality and validity of the fault model were verified by axioms.

Keywords： digital twin; digital hydraulic hoist; fault diagnosis; Bayesian network; sensitivity analysis

液壓啟閉機是一種利用液體靜壓原理啟閉閘門的裝置，是水利水電工程中的重要設備［1］。液壓啟閉機各部件相互關聯，當某部件不能正常工作或異常時，可能導致整個系統故障，因此對液壓啟閉機的可靠性要求越來越高［2］。數字化液壓啟閉機是指對行程、壓力、油位、油溫、全開/全關極限位置、壓差、流量、電磁閥閥芯位置、油液品質、電機泵組轉速、電機泵組振動、系統運行噪聲、電機運行電流等設備關鍵指標做數字量全面監測，實現設備故障自診斷、設備健康度分析、智能輔助決策和全生命周期管理的液壓啟閉機。故障診斷是指通過對設備、系統運行過程中出現的故障進行分析和檢測，找出故障原因及發生位置；故障診斷對于機械設備的正常運轉和工作效率具有重要作用，可以提高設備的運轉效率和降低維護成本，是機械設備維護管理中不可缺少的重要環節［3］。研究液壓啟閉機故障診斷，綜合評估其運行狀態，及時修復潛在故障，可為液壓啟閉機的可靠運行提供有力支持［4］。周椿浩等［5］采用適用于案例推理技術（Case-Based Reasoning， CBR）對液壓啟閉機進行了故障診斷研究，但只針對于故障庫檢索，數據系統復雜，耗費大量時間和資源，無法快速診斷。馬賽平等［6］對液壓啟閉機油缸進行研究，用AMESim仿真軟件構造仿真模型，將故障信息輸入到模型中，對其故障進行分析研究，為液壓油缸的故障診斷開辟了一條新路徑，但只針對于液壓油缸，且建模過程復雜，診斷效率低。郭建斌等［7］采用故障樹分析法對液壓啟閉機進行研究診斷，頂事件為系統故障，底事件為所有可能導致系統故障的事件，以樹形圖的方式將頂事件與底事件連接起來，結合故障樹模型建立水工液壓啟閉機故障診斷專家系統，使得故障模型簡單化，但實際中底事件發生具有一定的模糊性。楊恒樂等［8］采用故障樹和貝葉斯相結合的方式對液壓啟閉機進行故障診斷，以故障樹模型為基礎將其轉變為貝葉斯網絡并對其進行推理計算，求出頂事件的發生概率及各故障事件的重要度并進行分析研究，以此來解決基本事件發生概率不確定的問題，但文中應用反向診斷技術較少，診斷效率不高。趙新澤等［9］在液壓系統故障診斷中采用原子光譜分析技術，運用光譜分析來檢測采集油樣中的金屬磨粒種類與含量進而可以診斷出機械磨損情況，實際情況中受設備、環境等因素影響較大，診斷準確性較低。

數字孿生是新時代水利高質量發展的必然要求［10］，實現物理實體與虛擬模型的相互融合，以互聯網技術、云平臺技術等為基礎搭建實體與虛擬模型結合的平臺總體架構，為應對數字化液壓啟閉機的故障診斷提供了一定的技術支撐［11-12］。齊波等［13］將數字孿生技術與傳統輸變電設備相結合，實現對輸變電設備的全面且精準的狀態評估。任巍曦等［14］基于數字孿生體系對風電機組軸承進行故障診斷，提升了診斷的準確率及穩定性。江悅等［15］借鑒了數字孿生的思想，構建了堿性電解糟制氫設備的4層框架，針對堿性電解糟制氫設備故障提出了新的研究思路及方法。余永華等［16］將數字孿生技術應用于船用柴油機故障診斷，從而可以及時發現柴油機故障并制HxOGuDXLwn39NyLC/uMgiQ==定合理的維護計劃。韓偉等［17］提出了一種基于數字孿生的在運安控系統的故障診斷方法，進一步提升對故障類型判斷的準確性。趙大偉等［18］以液壓系統知識為基礎架構，通過結合數字孿生理論與知識圖譜技術構建了液壓系統的數字孿生體模型，提升了液壓系統的設計效率，但并未研究液壓系統的故障診斷技術。

基于此，本文提出基于數字孿生的液壓啟閉機故障診斷方法。首先，根據數智柜存儲及在線監測的故障數據，結合專家經驗統計出較為常見的故障元件及類型；隨后提出了液壓啟閉機的數字孿生體系，進一步建立基于貝葉斯網絡的液壓啟閉機故障診斷模型，通過數字孿生體系實時監測設備狀態數據，并將這些數據輸入到貝葉斯網絡中進行推理。貝葉斯網絡可以根據實時監測數據和先驗知識，更新液壓啟閉機可能存在的故障類型和概率；最后利用貝葉斯網絡反向診斷技術，對其求解概率重要度，關鍵重要度和敏感性分析，可快速、準確診斷液壓啟閉機故障類型和故障點。

1 基于數字孿生的液壓啟閉機架構及工作原理

1. 1 液壓啟閉機數字孿生架構

液壓啟閉機數字孿生體框架結構見圖1。本文提出的液壓啟閉機數字孿生架構由物理實體、虛擬模型、虛擬執行與應用服務四部分組成。

a））物理實體。物理實體包括了液壓啟閉機的主要設備，包括液壓油缸、液壓動力站和電氣控制柜。各類傳感器部署在液壓啟閉機上，實時監測其運行數據及運行狀態。物理實體具有系統復雜及數據量大的特征，物理實體向虛擬模型傳輸數據的同時也能接受其虛擬模型反饋的運行結果。表1為液壓啟閉機主要采用的傳感器及監測項目。

b））虛擬模型。虛擬模型由液壓啟閉機和傳感器監測數據組成。利用數字孿生技術將物理實體通過虛實交互的方式數字化成虛擬模型，包含運行狀態，3D展示、在線監測、故障診斷與預測、健康評估、預測性運維等應用功能，并通過感知接入至虛擬執行模型。由于液壓啟閉機液壓元件容易老化失效，且受工作環境影響較大，致使液壓啟閉機的運行參數發生變化，如油路壓力、啟閉速度、閥芯位置等。所以，構建液壓啟閉機虛擬模型需要考慮模型的合理性、系統運行的復雜性，模型實時更新且更新故障概率，進而提高模型診斷的準確性，使得虛擬仿真模型與液壓啟閉機實體工作狀況保持相同。液壓啟閉機數字孿生虛擬模型的接收端主要涵蓋各類數據及控制指令，具體內容見表2。

c））虛擬執行模型。虛擬執行模型是指基于創建的虛擬模型，模擬和控制物理實體。通過數字孿生虛擬模型可以進行液壓啟閉機的數據采集及處理，基于數據參數建模和仿真，完成基于人工智能或信號的故障診斷，從而確定故障類型和定位并進一步確定執行策略。液壓啟閉機數字孿生虛擬執行模型通過模擬和執行液壓啟閉機的運行情況，能夠監測設備的運行狀態、診斷故障問題、優化設備的運行參數，從而提高設備的可靠性、效率和安全性，具體內容見表3。

d））應用服務模型。應用服務模型即為虛擬數字孿生體和物理設備的交互映射模型，對應數字孿生五維結構中的“服務層”，包括健康度分析、汛期保障、故障診斷及解決方案、遠程專家協助、數據報表等功能。根據運行狀態及執行方式進行虛擬建模能夠對液壓啟閉機進行核驗，利用傳感器監測數據及系統運行信息，實現對液壓啟閉機的故障診斷。圖2所示，數字孿生液壓啟閉機安全運行智能保障系統界面包括在線監測、告警管理、統計分析、運行記錄、工程管理等功能，能夠實時監控液壓啟閉機的工作狀況，且能同時展示模型仿真結果，驗證了應用服務模型的有效性。

液壓啟閉機數字孿生架構所包含的4個部分彼此是協同交互的，具體交互方式見圖3。

根據液壓啟閉機實際運維狀況，建立故障診斷仿真模型，完成三方面的交互。①液壓啟閉機實體與孿生模型的交互：根據傳感器和數據采集設備實時監測液壓啟閉機的物理參數，校正仿真模型參數并構建孿生模型，以此實現對液壓啟閉機實時狀態的準確反映和監控。②液壓啟閉機和應用服務模型的交互：通過將液壓啟閉機的實時數據、運行狀態和性能參數傳輸到數字化服務模型中，可以實現對設備的遠程監控、分析和優化。這種交互可以幫助提高設備的運行效率、預測潛在故障并進行預防性維護，從而降低停機時間和維護成本。③虛擬模型和應用服務模型的交互：參照實際運維故障狀況，模擬設備的運行狀態、性能特征和故障情況，產生大量仿真數據，生成服務模型的故障診斷模型；由服務模型對仿真模型進行參數建模并進行智能化的監控和分析，提供故障診斷的決策。

1. 2 故障診斷原理

基于數字孿生液壓啟閉機故障診斷原理見圖4。

首先根據傳感器對液壓啟閉機的實時數據進行采集，結合數智柜存儲數據查詢相應的執行措施。將預處理后的數據結合專家經驗構建液壓啟閉機故障樹，將其映射成液壓啟閉機貝葉斯網絡模型，故障基本事件的模糊概率即為先驗概率，計算數字化液壓啟閉機故障發生的概率和故障基本事件的后驗概率。將數字孿生模型和貝葉斯網絡進行集成，利用傳感器數據實時更新貝葉斯網絡中的觀測變量，幫助調整系統狀態的概率分布，并更新貝葉斯網絡的概率分布。針對重新分配概率后的故障事件分別對其重要度及敏感性進行分析研究，最后，根據分析結果確定液壓啟閉機故障發生的主要位置和類型并進行診斷維護，保證液壓啟閉機的正常運行。

2 故障診斷模型

2. 1 故障樹構建

通過分析液壓啟閉機構成部件、深度挖掘液壓啟閉機數智柜采集數據、查閱相關工程資料，對數字化液壓啟閉機故障類型進行了匯總分析，發現其故障主要包括液壓缸無動作、液壓動力站故障、電氣控制柜故障三大類［19-20］，相應的編號內容及故障名稱見表4。據此可構建適用于數字化液壓啟閉機進行故障診斷分析的故障樹，見圖5。

2. 2 貝葉斯網絡

貝葉斯網絡（Bayesian Network，BN）是一種反映不同事物之間依賴關系的概率圖模型，在故障診斷領域中有著一定的優勢。貝葉斯網絡通過有向無環圖將各事件連接起來，節點代表各個事件，通過有向邊連接變量節點來表示不同要素之間的關系，同時使用條件概率來量化各個事件之間的影響狀況［21］。貝葉斯網絡具有較強的概率表達能力，采用不確定性表達方式可以更準確地描述系統的狀態和故障信息，能夠適應系統變化和新的故障情況［22-23］。

貝葉斯網絡直觀地展示各事件的聯合概率分布和條件獨立性，使得概率演算變得更加容易，在概率演算中發揮重要作用。在貝葉斯網絡中，各基本事件是相對獨立的，因此概率計算變得更易處理。貝葉斯網絡具有獨特的概率演化算法及相應計算軟件，對設備故障診斷具有一定的優勢，選取故障事件作為節點，當系統發生故障時，根據網絡節點間的因果關系和概率大小可以推斷出各故障事件發生的概率，進而得出診斷結論［24］。

2. 3 模型構建

貝葉斯網絡模型構建是指確定網絡結構和參數的過程，其中網絡結構表示變量之間的依賴關系，參數表示這些依賴關系的強度［25］。在構建貝葉斯網絡模型時，需要考慮變量之間的因果關系和條件概率分布，以便進行概率計算。根據所構建的故障樹模型，對應貝葉斯網絡確定其節點、連接關系、概率分布，并進行參數計算和模型調整，從而推斷其他節點的狀態或進行未來事件的預測［26］。

通過和領域專家進行溝通和討論，了解液壓啟閉機的工作原理、可能的故障模式和故障影響等方面的知識。根據專家提供關于設備的結構、組成部件、相互作用等信息，以幫助確定貝葉斯網絡的節點和連接關系；收集和分析歷史故障數據，了解設備的常見故障模式、故障發生的條件、故障之間的關聯等信息。結合專家經驗來指導網絡結構的建立，然后根據歷史故障數據來調整和優化網絡的參數并以此來驗證專家的假設和推斷，驗證了所建故障樹模型的正確性和有效性，以確保貝葉斯網絡的結構和參數與實際情況相符。根據數字化液壓式啟閉機故障樹轉換的貝葉斯網絡模型見圖6。

2. 4 BN模型參數

2. 4. 1 先驗概率

由于數字化液壓啟閉機故障反饋存在模糊性，難以給出一個精確的概率，因此采用模糊集理論解決此類不確定性且繁雜的問題。三角模糊是眾多模糊數中的一種，其形式簡單明了，計算相對容易，能直觀地對數值范圍進行描述［27-28］。本文在查詢數智柜獲取液壓啟閉機故障數據、收集傳感器信號、整理統計日常運維檢修記錄從而獲取根節點先驗概率的基礎上，引用了三角模糊隸屬度函數對液壓啟閉機部分根節點進行了故障分析，隸屬度函數形式見式（1）：則底事件X （i= 1，2，…，n，n為底事件數）發i 生概率為：Pi=（mi-ai，mi，mi+bi） （2）式中：ai、bi分別為模糊程度Pi的上、下限；mi為置信中值，0 <ai≤mi≤bi。隸屬度函數可通過圖7形象地表示出來。

對于2個三角模糊數，A= （a1，m1，b1）和B=（a1，m1，b1），滿足如下運算方法。

兩數之和為：數字化液壓啟閉機故障樹中只采用了邏輯或門，將底事件發生的概率替換為某個區間，通過模糊運算獲取故障基本事件的模糊概率P即為對i 應的先驗概率。

2. 4. 2 后驗概率

數字化液壓啟閉機故障貝葉斯網絡模型的根節點X1，X2，…Xn為底層故障因子，葉節點T為數字化液壓啟閉機系統故障，葉節點事件發生后，根節點X對事件發生概率進行更新得到后驗概率i ，見式（7）［29］：

式中：P（Xi）為先驗概率；P（Xi|T）為后驗概率，為T發生時Xi發生的概率；P（T|Xi）為條件概率，是Xi發生時T發生的概率。通過參數學習的方式結合歷史

故障數據，估計網絡中各節點之間的概率分布；通過結構學習幫助確定貝葉斯網絡中節點之間的依賴關系，從而更準確地表示液壓啟閉機系統中的故障模式和原因。結合專家知識并通過迭代優化的方法來不斷調整和優化條件概率，以使模型構建合理。

2. 5 BN網絡診斷與模型驗證

2. 5. 1 BN網絡診斷

貝葉斯網絡診斷是根據所得先驗概率求取葉節點發生概率，利用反向診斷獲取根節點后驗概率，但僅參照后驗概率進行故障診斷可信度不高，分析對比概率重要度和關鍵重要度可以了解各事件對整體系統的影響程度，縮短故障診斷時間，加速故障排查進程［31］。因此，計算各事件后驗概率并進行重要度分析［32］，判斷出導致數字化液壓啟閉機故障的主要基本事件。根據貝葉斯基本原理作出如下定義。基本故障事件X處于階段S時（故障i 1 事件發生時S1= 1，未發生時S1= 0）的概率為：式中：Pa（Xi）為基本故障事件Xi的條件概率。

啟閉機故障事件T處于S2階段時（啟閉機故障時S2= 1，正常運作時S2= 0）的概率為：

P（T=S2） =P（T=S2|X1，X2，…，Xn）×

P（X1）P（X2）…P|（Xn）

基本故障事件Xi處于S1階段時，啟閉機故障事件T處于S2階段的概率為：

P（Xi=S1）

基本故障事件Xi處于S1階段時，其單獨導致階

式中：k為根節點故障狀態的個數。

基本故障事件Xi處于S1階段時，其單獨導致階段為S2的啟閉機故障的關鍵重要度為：當啟閉機故障事件T處于S2階段時，基本故障事件Xi的關鍵重要度為：為了比較基本事件的先驗概率和后驗概率，不同于概率重要度的定性分析，采用BN進行反向推理，計算各節點事件后驗概率并求取RoV值［33］，對各節點的影響程度進行定量分析并排序。

2. 5. 2 模型驗證

BN模型是否合理，還需要進行敏感性分析來驗證，以此也可確定數字孿生模型精度是否滿足實際要求，本文采用3個公理驗證敏感性分析，公理內容如下［33-34］。①公理一：子節點后驗概率的增大或減小取決于每個父節點的先驗概率增大或減小。②公理二：子節點受父節點先驗概率的不同增幅的影響應保持一致。③公理三：子節點可能存在諸多父節點（假設a和b），a、b兩個父節點單獨的影響程度總是小于父節點a和父節點b的組合效應。

3 實例分析

某市水頭排澇樞紐是一座以防洪、排澇、納潮、擋潮等功能相結合的水利樞紐工程。水閘共設7孔閘門、7臺QPPYII-2×400 kN-6. 5 m液壓啟閉機和7套液壓系統，液壓啟閉機的液壓系統包括主泵、主閥、液壓油箱和油管等組成部分。主泵通過電動機驅動，將液壓油壓力增加到設定值，主閥控制液壓油的流動和壓力，將動力傳遞給啟閉機的執行機構，實現水閘的開關操作。后期在原有設備上增設必要的感知元件，更換帶閥芯位置監測的電磁換向閥，安裝閘門監控系統，部署啟閉機智能保障系統，實現液壓啟閉機設備在線監測、故障自診斷、健康度分析、預測性運維、專家遠程協助、運行生命周期管理等一系列功能。

該液壓啟閉機主要采取RS485噪聲傳感器、光電轉速傳感器、壓電振動速度傳感器、LN3000-LED數字顯示浮球液位傳感器、OPCom II顆粒物檢測儀、閥芯位置監測傳感器及壓力傳感器等傳感器設備，分別對閥芯位置、油缸缸內壓力、現地柜電壓等監測項進行監測，將實時的運行環境數據轉換為數字信號，把傳感器數據作為BN網絡中的觀測變量，將異常數據所對應的監測項以概率量化的形式映射到故障事件中。近期液壓啟閉機出現開關操作緩慢、動力不足、系統工作壓力下降等情況；針對以上故障現象，進行液壓啟閉機故障排查研究。表5為水閘液壓啟閉機實際運行0、800、7 620 h產生故障對應的基本事件的數據統計。

3. 1 參數模型構建

結合圖6和表5中液壓啟閉機運行7 620 h的數據（防止設備在磨合期內性能受影響，確保數據的準確性，且滿足故障診斷精度要求），假設故障樹結構中各底事件相互獨立且互不影響，定義根節點Xi的故障節點狀態S=｛Normal，Fault｝，Normal表示液壓啟閉機正常運行，Fault表示液壓啟閉機部件發生故障。由所建BN模型為基礎，通過GeNIe軟件搭建數字化液壓啟閉機故障的貝葉斯網絡參數模型見圖8。

3. 2 反向診斷

針對液壓泵故障進行研究，針對底事件X15—X20進行研究，采用GeNIe軟件對其貝葉斯網絡模型進行數據分析和診斷運算，通過參觀工程了解液壓啟閉機現場運行狀況，翻閱工程相關資料，通過GeNIe軟件獲得各底事件先驗概率，運用式（7）可得對應節點的后驗概率，式（11）—（14）可求概率重要度和關鍵重要度見表6。根據表6所求各節點概率重要度和關鍵重要度繪制重要度分析對比見圖9。通過GeNIe軟件對數據進行調整，求取底事件X15—X20對數字化液壓啟閉機故障的影響程度排序見表7。

通過對所求重要度進行分析，結合RoV值排序綜合考慮進行分析對比研究，可看出液壓泵軸封漏油故障X16對液壓泵故障的影響最為顯著，X17液壓泵出油量不足對液壓泵站故障的影響最輕微。當液壓泵不能正常工作時，首先應對液壓泵軸封位置進行故障排除，然后再逐一排查其余故障事件，從而增強故障診斷的效率及準確性。

當葉節點數字化液壓啟閉機故障T=Fault發生概率為100%時，通過GeNIe軟件采用反向推理，診斷結果見圖10，根據各故障節點事件對數字化液壓啟閉機故障的影響度進行排序，由高到低依次為液壓缸無動作、液壓動力站故障、電氣控制柜故障。

3. 3 敏感性分析與模型驗證

3. 3. 1 敏感性分析

根據構建的貝葉斯網絡診斷模型進行數字化液壓啟閉機故障根節點的敏感性分析，選取T=Fault作為數字化液壓啟閉機故障敏感性分析目標，調整波動參數為20%、50%、80%和100%，表現出不同故障節點對數字化液壓啟閉機故障的敏感性的區別，見圖11。由圖11可知，根據列出的20個影響節點，X（1溢流閥閥芯位置異常）故障時對葉節點造成（T=Fault）時的影響程度最大，其次為X（2油箱油位過低）、X（3換向閥未換向）、X1（8液壓泵噪聲大）、X1（6液壓泵軸封漏油）的敏感度較高，對所屬部件影響程度較大。根據4種不同離散程度，結合歷史運維數據及故障診斷記錄，構建的數字化液壓啟閉機故障模型得出的數據和實際運維狀況較為符合，具有參考性。

采用敏感性分析算法對數字化液壓啟閉機故障根節點進行敏感性分析，見圖12。圖中節點的顏色程度越深，則表示其故障節點事件對數字化液壓啟閉機故障的影響程度越大，亦敏感性越高。由圖12可知，液壓缸無動作的敏感性最高，電氣控制柜故障敏感性最低，中間節點液壓油缸故障中，油液未進入液壓缸故障敏感性大于液壓缸壓力異常和液壓缸壓力滿足但不動作。由圖12可以直觀看出引起數字化液壓啟閉機故障的基本事件中，溢流閥閥芯位置異常、油箱油位過低、換向閥未換向引發故障的可能性最大，經核驗傳感器數據及詢問技術人員，該診斷結果較為符合實際運行中出現的故障狀況。因此為降低液壓啟閉機故障發生率，需要定期檢查溢流閥，確保其正常工作，及時更換損壞或磨損閥芯，并且定期檢查油箱油液質量，監測油箱油位，一旦發現液壓油泄漏，立即處理。

故障診斷作為液壓啟閉機數字孿生應用服務模型中的一部分，液壓啟閉機實時的工作狀態和故障預警將會展示在圖13的可視化交互界面中，在客戶電腦端或手機端展示故障信息，包含故障編號、類型、描述、故障點位置以及解決方案，從而最大化降低設備停機時間，避免造成巨大損失和運行事故，提高設備運行安全性。

3. 3. 2 模型驗證

a））公理一的檢驗。剖析故障節點H（2液壓缸壓力異常）的概率波動，波動結果見表8。父節點X4、X5、X6的故障先驗概率由初始值提升至1時，其對應子節點H2的概率分別增至0. 844 3、0. 779 1、0. 829 6；當父節點X4、X5、X6的故障先驗概率分別由初始值減少到0時，對應的子節點H的概率減少為0. 270 0、0. 261 42 、0. 284 5，結果滿足公理一的假設。

b））公理二的檢驗。分析故障節點H（3液壓缸壓力滿足但不動作）的概率波動，波動情況見圖14，當3個父節點對應概率值均增加0. 1時，子節點H3的概率隨父節點概率變化呈現出接近線性關系的趨勢，結果符合公理二的假設。

c））公理三的檢驗。剖析故障節點H（1油液未進入液壓缸）的概率波動，變化率波動見表9。由表可知父節點概率值單獨增加至1時，子節點的變化率沒有3個父節點概率值同時增加至1的變化率大，表明父節點的聯合作用優于單獨作用，結果滿足公理三的假設。

44a3af9216448a1e27b8cc04f475e9363 結論

為了更準確及高效地完成數字化液壓啟閉機的故障診斷，本文提出了基于數字孿生的液壓啟閉機故障診斷方法，主要結論如下。

a））運用數字孿生交互映射的功能，將液壓啟閉機、模擬數據及孿生體診斷模型相結合，相較于需要大量訓練數據量和經驗知識的支持向量機和案例推理技術，數字孿生結合貝葉斯網絡通過對比實際數據和模擬數據能更快確定故障的根本原因，提高對故障元件及類型判斷的準確性；數字孿生模型可以實時監測液壓啟閉機運行狀態，結合貝葉斯網絡進行實時的故障診斷，相較于需要花費較長計算時間的故障樹分析法和原子光譜分析法具有較快的運算速度，有助于及時發現異常運行情況；數字孿生模型結合貝葉斯網絡可以根據實際數據不斷學習和優化，相較于操作繁瑣、建模復雜的人工神經網絡、集成學習等故障診斷技術具有較高的自適應性和使用便捷性，更易于運維人員使用和操作。

b））本文提出了一種以故障樹模型為基礎，結合貝葉斯網絡對數字化液壓啟閉機故障診斷的方法。通過使用GeNIe軟件計算頂層事件的發生概率并對導致數字化液壓啟閉機故障的事件進行了重要性分析。采用反向診斷技術對液壓進行故障定位，用概率值表示故障診斷結果并采用敏感性分析獲取故障根節點對數字化液壓啟閉機故障的影響程度，結果滿足三公理的驗證，增強了貝葉斯網絡在故障診斷方面的精確性，幫助工程師和維修人員更快速、準確地診斷和解決數字化液壓啟閉機的故障問題，為工作人員提供了參考依據。

參考文獻：

［1］楊國來，冒越穎，劉雨聰，等.基于AMESim的長江船閘液壓啟閉機液壓系統中插裝式平衡閥穩定性分析［J］.液壓與氣動，2023（2）：100-108.

［2］ ZHOU J，SHI D W，SUN Z L， et al. Analytical and experimental research on stability of large slenderness ratio horizontal hydraulic hoist［J］. Advances in Mechanical Engineering，2018，10（10）.DOI：10. 1177/16878140188034.

［3］周汝勝，焦宗夏，王少萍.液壓系統故障診斷技術的研究現狀與發展趨勢［J］.機械工程學報，2006（9）：6-14.

［4］郝俊杰，高虹霓，王崴，等.基于大數據分析的液壓系統故障診斷綜述［J］.機床與液壓，2022，50（10）：166-173.

［5］周椿浩，李龍華.基于CBR的液壓啟閉機故障診斷方法［J］.液壓與氣動，2012（11）：141-143.

［6］馬賽平，倪剛亮，汪晟杰.基于AMESim的液壓啟閉機油缸故障建模與仿真［J］.機械設計與制造工程，2014，43（12）：24-27.

［7］郭建斌，唐澤，王江.水工液壓啟閉機故障診斷專家系統［J］.制造業自動化，2014，36（4）：144-146.

［8］楊恒樂，郭建斌.基于故障樹貝葉斯網絡的液壓啟閉機故障診斷方法［J］.液壓與氣動，2015（1）：44-48.

［9］趙新澤，張少慶，趙美云，等.原子光譜分析法在大型閘門啟閉機液壓系統故障診斷中的應用［J］.液壓與氣動，2012（9）：73-75.

［10］陶飛，劉蔚然，劉檢華，等.數字孿生及其應用探索［J］.計算機集成制造系統，2018，24（1）：1-18.

［11］陶飛，劉蔚然，張萌，等.數字孿生五維模型及十大領域應用［J］.計算機集成制造系統，2019，25（1）：1-18.

［12］劉大同，郭凱，王本寬，等.數字孿生技術綜述與展望［J］.儀器儀表學報，2018，39（11）：1-10.

［13］齊波，張鵬，張書琦，等.數字孿生技術在輸變電設備狀態評估中的應用現狀與發展展望［J］.高電壓技術，2021，47（5）：1522-1538.

［14］任巍曦，張文煜，李明，等.基于數字孿生的風電機組軸承故障診斷方法研究［J］.彈箭與制導學報，2022，42（3）：97-104.

［15］江悅，沈小軍.堿性電解槽制氫設備數字孿生體構建及應用［J］.高電壓技術，2022，48（5）：1673-1683.

［16］余永華，章寧，解美強，等.基于數字孿生的柴油機故障診斷系統研究［J］.船舶工程，2022，44（10）：86-91.

［17］韓偉，段文巖，杜興偉，等.基于數字孿生的在運安控系統故障診斷方法［J］.中國電力，2023，56（11）：121-127.

［18］趙大偉，張太華，盧堯，等.基于數字孿生體的液壓系統知識模型構建及應用［J］.現代制造工程，2022（6）：17-24，89.

［19］陳敏捷，羊榮金.液壓支架液壓系統故障仿真與診斷技術研究［J］.液壓與氣動，2021（1）：128-132.

［20］寧辰校，張戌社.液壓啟閉機液壓系統振動與噪聲研究［J］.液壓與氣動，2013（2）：64-66.

［21］JUN H B ，KIM D . A Bayesian network-based approach for fault analysis［J］. Expert Systems with Applications，2017，81：332-348.

［22］李敏，林志軍，魯義，等.基于模糊貝葉斯網絡的煤礦瓦斯爆炸風險評估［J］.煤炭學報，2023，48（S2）：626-637.

［23］BEISER J A ， RIGDON S E . Bayes Prediction for the Number of Failures of A Repairable System［J］. IEEE Transactions on Reliability，1997，46（2）：320-326.

［24］WOLBRECHT E， AMBROSIO B D， PASSCH B， et al. Monitoring and Diagnosis of A Multi-stage Manufacturing Process Using Bayesian Networks ［J］. Artificial Intelligence for Engineering， Design and Manufacturing，2000，14（2）： 53-67.

［25］陳洪轉，趙愛佳，李騰蛟，等.基于故障樹的復雜裝備模糊貝葉斯網絡推理故障診斷［J］.系統工程與電子技術，2021，43（5）：1248-1261.

［26］李儉川，胡蔦慶，秦國軍，等.貝葉斯網絡理論及其在設備故障診斷中的應用［J］.中國機械工程，2003，14（10）：92-96.

［27］李儉川，陶俊勇，胡蔦慶，等.基于貝葉斯網絡的智能故障診斷方法［J］.中國慣性技術學報，2002（4）：26-30.

［28］陳東寧，姚成玉，黨振.基于T-S模糊故障樹和貝葉斯網絡的多態液壓系統可靠性分析［J］.中國機械工程，2013，24（7）：899-905.

［29］孫少楠，李博宇，聶相田.基于貝葉斯網絡的水輪機故障診斷研究［J］.水電能源科學，2023，41（3）：190-194.

［30］宮義山，高媛媛.基于故障樹和貝葉斯網絡的故障診斷模型［J］.沈陽工業大學學報，2009，31（4）：454-457.

［31］張梅，許桃，孫輝煌，等.基于模糊故障樹和貝葉斯網絡的礦井提升機故障診斷［J］.工礦自動化，2020，46（11）：1-5，45.

［32］ALIABADI M M， POURHASAN A， MOHAMMADFAM I. Riskmodelling of a hydrogen gasholder using Fuzzy Bayesian Network （FBN）［J］. International Journal of Hydrogen Energy， 2020， 45（1）： 1177-1186.

［33］AYDIN M， AKYUZ E， TURAN O， et al. Validation of riskanalysis for ship collision in narrow waters by using fuzzy Bayesian networks approach［J］. Ocean Engineering， 2021， 231. DOI：10.1016/j. oceaneng. 2021. 10897.

［34］LI K X， YIN J， BANG H S， et al. Bayesian network withquantitative input for maritime risk analysis［J］. Transportmetrica A： Transport Science， 2014， 10（2）： 89-118.