基于數(shù)字孿生和貝葉斯網(wǎng)絡(luò)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(shè)施的安全運行，防洪排澇、水資源調(diào)度等方面起著關(guān)鍵作用，一旦發(fā)生故障將會導(dǎo)致水位失控、設(shè)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(shù)字孿生技術(shù)和貝葉斯理論，構(gòu)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(tài)和數(shù)智柜存儲數(shù)據(jù)，構(gòu)建液壓啟閉機的數(shù)字孿生體系；其次，結(jié)合專家經(jīng)驗及歷史故障數(shù)據(jù)建立基于貝葉斯網(wǎng)絡(luò)的數(shù)字化液壓啟閉機故障診斷模型，通過實例進(jìn)行敏感性分析并對故障事件排序，結(jié)果表明所建模型根據(jù)輸入概率能準(zhǔn)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(jié)合公理驗證該故障模型的合理性和有效性。

關(guān)鍵詞：數(shù)字孿生；數(shù)字化液壓啟閉機；故障診斷；貝葉斯網(wǎng)絡(luò)；敏感性分析

中圖分類號：TV664 文獻(xiàn)標(biāo)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(shè)備［1］。液壓啟閉機各部件相互關(guān)聯(lián)，當(dāng)某部件不能正常工作或異常時，可能導(dǎo)致整個系統(tǒng)故障，因此對液壓啟閉機的可靠性要求越來越高［2］。數(shù)字化液壓啟閉機是指對行程、壓力、油位、油溫、全開/全關(guān)極限位置、壓差、流量、電磁閥閥芯位置、油液品質(zhì)、電機泵組轉(zhuǎn)速、電機泵組振動、系統(tǒng)運行噪聲、電機運行電流等設(shè)備關(guān)鍵指標(biāo)做數(shù)字量全面監(jiān)測，實現(xiàn)設(shè)備故障自診斷、設(shè)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(shè)備、系統(tǒng)運行過程中出現(xiàn)的故障進(jìn)行分析和檢測，找出故障原因及發(fā)生位置；故障診斷對于機械設(shè)備的正常運轉(zhuǎn)和工作效率具有重要作用，可以提高設(shè)備的運轉(zhuǎn)效率和降低維護(hù)成本，是機械設(shè)備維護(hù)管理中不可缺少的重要環(huán)節(jié)［3］。研究液壓啟閉機故障診斷，綜合評估其運行狀態(tài)，及時修復(fù)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(shù)（Case-Based Reasoning， CBR）對液壓啟閉機進(jìn)行了故障診斷研究，但只針對于故障庫檢索，數(shù)據(jù)系統(tǒng)復(fù)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(jìn)行研究，用AMESim仿真軟件構(gòu)造仿真模型，將故障信息輸入到模型中，對其故障進(jìn)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(fù)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(jìn)行研究診斷，頂事件為系統(tǒng)故障，底事件為所有可能導(dǎo)致系統(tǒng)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(jié)合故障樹模型建立水工液壓啟閉機故障診斷專家系統(tǒng)，使得故障模型簡單化，但實際中底事件發(fā)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(jié)合的方式對液壓啟閉機進(jìn)行故障診斷，以故障樹模型為基礎(chǔ)將其轉(zhuǎn)變?yōu)樨惾~斯網(wǎng)絡(luò)并對其進(jìn)行推理計算，求出頂事件的發(fā)生概率及各故障事件的重要度并進(jìn)行分析研究，以此來解決基本事件發(fā)生概率不確定的問題，但文中應(yīng)用反向診斷技術(shù)較少，診斷效率不高。趙新澤等［9］在液壓系統(tǒng)故障診斷中采用原子光譜分析技術(shù)，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(jìn)而可以診斷出機械磨損情況，實際情況中受設(shè)備、環(huán)境等因素影響較大，診斷準(zhǔn)確性較低。

數(shù)字孿生是新時代水利高質(zhì)量發(fā)展的必然要求［10］，實現(xiàn)物理實體與虛擬模型的相互融合，以互聯(lián)網(wǎng)技術(shù)、云平臺技術(shù)等為基礎(chǔ)搭建實體與虛擬模型結(jié)合的平臺總體架構(gòu)，為應(yīng)對數(shù)字化液壓啟閉機的故障診斷提供了一定的技術(shù)支撐［11-12］。齊波等［13］將數(shù)字孿生技術(shù)與傳統(tǒng)輸變電設(shè)備相結(jié)合，實現(xiàn)對輸變電設(shè)備的全面且精準(zhǔn)的狀態(tài)評估。任巍曦等［14］基于數(shù)字孿生體系對風(fēng)電機組軸承進(jìn)行故障診斷，提升了診斷的準(zhǔn)確率及穩(wěn)定性。江悅等［15］借鑒了數(shù)字孿生的思想，構(gòu)建了堿性電解糟制氫設(shè)備的4層框架，針對堿性電解糟制氫設(shè)備故障提出了新的研究思路及方法。余永華等［16］將數(shù)字孿生技術(shù)應(yīng)用于船用柴油機故障診斷，從而可以及時發(fā)現(xiàn)柴油機故障并制HxOGuDXLwn39NyLC/uMgiQ==定合理的維護(hù)計劃。韓偉等［17］提出了一種基于數(shù)字孿生的在運安控系統(tǒng)的故障診斷方法，進(jìn)一步提升對故障類型判斷的準(zhǔn)確性。趙大偉等［18］以液壓系統(tǒng)知識為基礎(chǔ)架構(gòu)，通過結(jié)合數(shù)字孿生理論與知識圖譜技術(shù)構(gòu)建了液壓系統(tǒng)的數(shù)字孿生體模型，提升了液壓系統(tǒng)的設(shè)計效率，但并未研究液壓系統(tǒng)的故障診斷技術(shù)。

基于此，本文提出基于數(shù)字孿生的液壓啟閉機故障診斷方法。首先，根據(jù)數(shù)智柜存儲及在線監(jiān)測的故障數(shù)據(jù)，結(jié)合專家經(jīng)驗統(tǒng)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(shù)字孿生體系，進(jìn)一步建立基于貝葉斯網(wǎng)絡(luò)的液壓啟閉機故障診斷模型，通過數(shù)字孿生體系實時監(jiān)測設(shè)備狀態(tài)數(shù)據(jù)，并將這些數(shù)據(jù)輸入到貝葉斯網(wǎng)絡(luò)中進(jìn)行推理。貝葉斯網(wǎng)絡(luò)可以根據(jù)實時監(jiān)測數(shù)據(jù)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(wǎng)絡(luò)反向診斷技術(shù)，對其求解概率重要度，關(guān)鍵重要度和敏感性分析，可快速、準(zhǔn)確診斷液壓啟閉機故障類型和故障點。

1 基于數(shù)字孿生的液壓啟閉機架構(gòu)及工作原理

1. 1 液壓啟閉機數(shù)字孿生架構(gòu)

液壓啟閉機數(shù)字孿生體框架結(jié)構(gòu)見圖1。本文提出的液壓啟閉機數(shù)字孿生架構(gòu)由物理實體、虛擬模型、虛擬執(zhí)行與應(yīng)用服務(wù)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(shè)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(jiān)測其運行數(shù)據(jù)及運行狀態(tài)。物理實體具有系統(tǒng)復(fù)雜及數(shù)據(jù)量大的特征，物理實體向虛擬模型傳輸數(shù)據(jù)的同時也能接受其虛擬模型反饋的運行結(jié)果。表1為液壓啟閉機主要采用的傳感器及監(jiān)測項目。

b））虛擬模型。虛擬模型由液壓啟閉機和傳感器監(jiān)測數(shù)據(jù)組成。利用數(shù)字孿生技術(shù)將物理實體通過虛實交互的方式數(shù)字化成虛擬模型，包含運行狀態(tài)，3D展示、在線監(jiān)測、故障診斷與預(yù)測、健康評估、預(yù)測性運維等應(yīng)用功能，并通過感知接入至虛擬執(zhí)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(huán)境影響較大，致使液壓啟閉機的運行參數(shù)發(fā)生變化，如油路壓力、啟閉速度、閥芯位置等。所以，構(gòu)建液壓啟閉機虛擬模型需要考慮模型的合理性、系統(tǒng)運行的復(fù)雜性，模型實時更新且更新故障概率，進(jìn)而提高模型診斷的準(zhǔn)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(shù)字孿生虛擬模型的接收端主要涵蓋各類數(shù)據(jù)及控制指令，具體內(nèi)容見表2。

c））虛擬執(zhí)行模型。虛擬執(zhí)行模型是指基于創(chuàng)建的虛擬模型，模擬和控制物理實體。通過數(shù)字孿生虛擬模型可以進(jìn)行液壓啟閉機的數(shù)據(jù)采集及處理，基于數(shù)據(jù)參數(shù)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(jìn)一步確定執(zhí)行策略。液壓啟閉機數(shù)字孿生虛擬執(zhí)行模型通過模擬和執(zhí)行液壓啟閉機的運行情況，能夠監(jiān)測設(shè)備的運行狀態(tài)、診斷故障問題、優(yōu)化設(shè)備的運行參數(shù)，從而提高設(shè)備的可靠性、效率和安全性，具體內(nèi)容見表3。

d））應(yīng)用服務(wù)模型。應(yīng)用服務(wù)模型即為虛擬數(shù)字孿生體和物理設(shè)備的交互映射模型，對應(yīng)數(shù)字孿生五維結(jié)構(gòu)中的“服務(wù)層”，包括健康度分析、汛期保障、故障診斷及解決方案、遠(yuǎn)程專家協(xié)助、數(shù)據(jù)報表等功能。根據(jù)運行狀態(tài)及執(zhí)行方式進(jìn)行虛擬建模能夠?qū)σ簤簡㈤]機進(jìn)行核驗，利用傳感器監(jiān)測數(shù)據(jù)及系統(tǒng)運行信息，實現(xiàn)對液壓啟閉機的故障診斷。圖2所示，數(shù)字孿生液壓啟閉機安全運行智能保障系統(tǒng)界面包括在線監(jiān)測、告警管理、統(tǒng)計分析、運行記錄、工程管理等功能，能夠?qū)崟r監(jiān)控液壓啟閉機的工作狀況，且能同時展示模型仿真結(jié)果，驗證了應(yīng)用服務(wù)模型的有效性。

液壓啟閉機數(shù)字孿生架構(gòu)所包含的4個部分彼此是協(xié)同交互的，具體交互方式見圖3。

根據(jù)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(jù)傳感器和數(shù)據(jù)采集設(shè)備實時監(jiān)測液壓啟閉機的物理參數(shù)，校正仿真模型參數(shù)并構(gòu)建孿生模型，以此實現(xiàn)對液壓啟閉機實時狀態(tài)的準(zhǔn)確反映和監(jiān)控。②液壓啟閉機和應(yīng)用服務(wù)模型的交互：通過將液壓啟閉機的實時數(shù)據(jù)、運行狀態(tài)和性能參數(shù)傳輸?shù)綌?shù)字化服務(wù)模型中，可以實現(xiàn)對設(shè)備的遠(yuǎn)程監(jiān)控、分析和優(yōu)化。這種交互可以幫助提高設(shè)備的運行效率、預(yù)測潛在故障并進(jìn)行預(yù)防性維護(hù)，從而降低停機時間和維護(hù)成本。③虛擬模型和應(yīng)用服務(wù)模型的交互：參照實際運維故障狀況，模擬設(shè)備的運行狀態(tài)、性能特征和故障情況，產(chǎn)生大量仿真數(shù)據(jù)，生成服務(wù)模型的故障診斷模型；由服務(wù)模型對仿真模型進(jìn)行參數(shù)建模并進(jìn)行智能化的監(jiān)控和分析，提供故障診斷的決策。

1. 2 故障診斷原理

基于數(shù)字孿生液壓啟閉機故障診斷原理見圖4。

首先根據(jù)傳感器對液壓啟閉機的實時數(shù)據(jù)進(jìn)行采集，結(jié)合數(shù)智柜存儲數(shù)據(jù)查詢相應(yīng)的執(zhí)行措施。將預(yù)處理后的數(shù)據(jù)結(jié)合專家經(jīng)驗構(gòu)建液壓啟閉機故障樹，將其映射成液壓啟閉機貝葉斯網(wǎng)絡(luò)模型，故障基本事件的模糊概率即為先驗概率，計算數(shù)字化液壓啟閉機故障發(fā)生的概率和故障基本事件的后驗概率。將數(shù)字孿生模型和貝葉斯網(wǎng)絡(luò)進(jìn)行集成，利用傳感器數(shù)據(jù)實時更新貝葉斯網(wǎng)絡(luò)中的觀測變量，幫助調(diào)整系統(tǒng)狀態(tài)的概率分布，并更新貝葉斯網(wǎng)絡(luò)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(jìn)行分析研究，最后，根據(jù)分析結(jié)果確定液壓啟閉機故障發(fā)生的主要位置和類型并進(jìn)行診斷維護(hù)，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(gòu)建

通過分析液壓啟閉機構(gòu)成部件、深度挖掘液壓啟閉機數(shù)智柜采集數(shù)據(jù)、查閱相關(guān)工程資料，對數(shù)字化液壓啟閉機故障類型進(jìn)行了匯總分析，發(fā)現(xiàn)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(yīng)的編號內(nèi)容及故障名稱見表4。據(jù)此可構(gòu)建適用于數(shù)字化液壓啟閉機進(jìn)行故障診斷分析的故障樹，見圖5。

2. 2 貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò)（Bayesian Network，BN）是一種反映不同事物之間依賴關(guān)系的概率圖模型，在故障診斷領(lǐng)域中有著一定的優(yōu)勢。貝葉斯網(wǎng)絡(luò)通過有向無環(huán)圖將各事件連接起來，節(jié)點代表各個事件，通過有向邊連接變量節(jié)點來表示不同要素之間的關(guān)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(wǎng)絡(luò)具有較強的概率表達(dá)能力，采用不確定性表達(dá)方式可以更準(zhǔn)確地描述系統(tǒng)的狀態(tài)和故障信息，能夠適應(yīng)系統(tǒng)變化和新的故障情況［22-23］。

貝葉斯網(wǎng)絡(luò)直觀地展示各事件的聯(lián)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(fā)揮重要作用。在貝葉斯網(wǎng)絡(luò)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(wǎng)絡(luò)具有獨特的概率演化算法及相應(yīng)計算軟件，對設(shè)備故障診斷具有一定的優(yōu)勢，選取故障事件作為節(jié)點，當(dāng)系統(tǒng)發(fā)生故障時，根據(jù)網(wǎng)絡(luò)節(jié)點間的因果關(guān)系和概率大小可以推斷出各故障事件發(fā)生的概率，進(jìn)而得出診斷結(jié)論［24］。

2. 3 模型構(gòu)建

貝葉斯網(wǎng)絡(luò)模型構(gòu)建是指確定網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)的過程，其中網(wǎng)絡(luò)結(jié)構(gòu)表示變量之間的依賴關(guān)系，參數(shù)表示這些依賴關(guān)系的強度［25］。在構(gòu)建貝葉斯網(wǎng)絡(luò)模型時，需要考慮變量之間的因果關(guān)系和條件概率分布，以便進(jìn)行概率計算。根據(jù)所構(gòu)建的故障樹模型，對應(yīng)貝葉斯網(wǎng)絡(luò)確定其節(jié)點、連接關(guān)系、概率分布，并進(jìn)行參數(shù)計算和模型調(diào)整，從而推斷其他節(jié)點的狀態(tài)或進(jìn)行未來事件的預(yù)測［26］。

通過和領(lǐng)域?qū)＜疫M(jìn)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(jù)專家提供關(guān)于設(shè)備的結(jié)構(gòu)、組成部件、相互作用等信息，以幫助確定貝葉斯網(wǎng)絡(luò)的節(jié)點和連接關(guān)系；收集和分析歷史故障數(shù)據(jù)，了解設(shè)備的常見故障模式、故障發(fā)生的條件、故障之間的關(guān)聯(lián)等信息。結(jié)合專家經(jīng)驗來指導(dǎo)網(wǎng)絡(luò)結(jié)構(gòu)的建立，然后根據(jù)歷史故障數(shù)據(jù)來調(diào)整和優(yōu)化網(wǎng)絡(luò)的參數(shù)并以此來驗證專家的假設(shè)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(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)與實際情況相符。根據(jù)數(shù)字化液壓式啟閉機故障樹轉(zhuǎn)換的貝葉斯網(wǎng)絡(luò)模型見圖6。

2. 4 BN模型參數(shù)

2. 4. 1 先驗概率

由于數(shù)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(shù)中的一種，其形式簡單明了，計算相對容易，能直觀地對數(shù)值范圍進(jìn)行描述［27-28］。本文在查詢數(shù)智柜獲取液壓啟閉機故障數(shù)據(jù)、收集傳感器信號、整理統(tǒng)計日常運維檢修記錄從而獲取根節(jié)點先驗概率的基礎(chǔ)上，引用了三角模糊隸屬度函數(shù)對液壓啟閉機部分根節(jié)點進(jìn)行了故障分析，隸屬度函數(shù)形式見式（1）：則底事件X （i= 1，2，…，n，n為底事件數(shù)）發(fā)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(shù)可通過圖7形象地表示出來。

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

兩數(shù)之和為：數(shù)字化液壓啟閉機故障樹中只采用了邏輯或門，將底事件發(fā)生的概率替換為某個區(qū)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(yīng)的先驗概率。

2. 4. 2 后驗概率

數(shù)字化液壓啟閉機故障貝葉斯網(wǎng)絡(luò)模型的根節(jié)點X1，X2，…Xn為底層故障因子，葉節(jié)點T為數(shù)字化液壓啟閉機系統(tǒng)故障，葉節(jié)點事件發(fā)生后，根節(jié)點X對事件發(fā)生概率進(jìn)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(fā)生時Xi發(fā)生的概率；P（T|Xi）為條件概率，是Xi發(fā)生時T發(fā)生的概率。通過參數(shù)學(xué)習(xí)的方式結(jié)合歷史

故障數(shù)據(jù)，估計網(wǎng)絡(luò)中各節(jié)點之間的概率分布；通過結(jié)構(gòu)學(xué)習(xí)幫助確定貝葉斯網(wǎng)絡(luò)中節(jié)點之間的依賴關(guān)系，從而更準(zhǔn)確地表示液壓啟閉機系統(tǒng)中的故障模式和原因。結(jié)合專家知識并通過迭代優(yōu)化的方法來不斷調(diào)整和優(yōu)化條件概率，以使模型構(gòu)建合理。

2. 5 BN網(wǎng)絡(luò)診斷與模型驗證

2. 5. 1 BN網(wǎng)絡(luò)診斷

貝葉斯網(wǎng)絡(luò)診斷是根據(jù)所得先驗概率求取葉節(jié)點發(fā)生概率，利用反向診斷獲取根節(jié)點后驗概率，但僅參照后驗概率進(jìn)行故障診斷可信度不高，分析對比概率重要度和關(guān)鍵重要度可以了解各事件對整體系統(tǒng)的影響程度，縮短故障診斷時間，加速故障排查進(jìn)程［31］。因此，計算各事件后驗概率并進(jìn)行重要度分析［32］，判斷出導(dǎo)致數(shù)字化液壓啟閉機故障的主要基本事件。根據(jù)貝葉斯基本原理作出如下定義?；竟收鲜录處于階段S時（故障i 1 事件發(fā)生時S1= 1，未發(fā)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(dǎo)致階

式中：k為根節(jié)點故障狀態(tài)的個數(shù)。

基本故障事件Xi處于S1階段時，其單獨導(dǎo)致階段為S2的啟閉機故障的關(guān)鍵重要度為：當(dāng)啟閉機故障事件T處于S2階段時，基本故障事件Xi的關(guān)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(jìn)行反向推理，計算各節(jié)點事件后驗概率并求取RoV值［33］，對各節(jié)點的影響程度進(jìn)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(jìn)行敏感性分析來驗證，以此也可確定數(shù)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(nèi)容如下［33-34］。①公理一：子節(jié)點后驗概率的增大或減小取決于每個父節(jié)點的先驗概率增大或減小。②公理二：子節(jié)點受父節(jié)點先驗概率的不同增幅的影響應(yīng)保持一致。③公理三：子節(jié)點可能存在諸多父節(jié)點（假設(shè)a和b），a、b兩個父節(jié)點單獨的影響程度總是小于父節(jié)點a和父節(jié)點b的組合效應(yīng)。

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(jié)合的水利樞紐工程。水閘共設(shè)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(tǒng)，液壓啟閉機的液壓系統(tǒng)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(qū)動，將液壓油壓力增加到設(shè)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(zhí)行機構(gòu)，實現(xiàn)水閘的開關(guān)操作。后期在原有設(shè)備上增設(shè)必要的感知元件，更換帶閥芯位置監(jiān)測的電磁換向閥，安裝閘門監(jiān)控系統(tǒng)，部署啟閉機智能保障系統(tǒng)，實現(xiàn)液壓啟閉機設(shè)備在線監(jiān)測、故障自診斷、健康度分析、預(yù)測性運維、專家遠(yuǎn)程協(xié)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(zhuǎn)速傳感器、壓電振動速度傳感器、LN3000-LED數(shù)字顯示浮球液位傳感器、OPCom II顆粒物檢測儀、閥芯位置監(jiān)測傳感器及壓力傳感器等傳感器設(shè)備，分別對閥芯位置、油缸缸內(nèi)壓力、現(xiàn)地柜電壓等監(jiān)測項進(jìn)行監(jiān)測，將實時的運行環(huán)境數(shù)據(jù)轉(zhuǎn)換為數(shù)字信號，把傳感器數(shù)據(jù)作為BN網(wǎng)絡(luò)中的觀測變量，將異常數(shù)據(jù)所對應(yīng)的監(jiān)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(xiàn)開關(guān)操作緩慢、動力不足、系統(tǒng)工作壓力下降等情況；針對以上故障現(xiàn)象，進(jìn)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(chǎn)生故障對應(yīng)的基本事件的數(shù)據(jù)統(tǒng)計。

3. 1 參數(shù)模型構(gòu)建

結(jié)合圖6和表5中液壓啟閉機運行7 620 h的數(shù)據(jù)（防止設(shè)備在磨合期內(nèi)性能受影響，確保數(shù)據(jù)的準(zhǔn)確性，且滿足故障診斷精度要求），假設(shè)故障樹結(jié)構(gòu)中各底事件相互獨立且互不影響，定義根節(jié)點Xi的故障節(jié)點狀態(tài)S=｛Normal，F(xiàn)ault｝，Normal表示液壓啟閉機正常運行，F(xiàn)ault表示液壓啟閉機部件發(fā)生故障。由所建BN模型為基礎(chǔ)，通過GeNIe軟件搭建數(shù)字化液壓啟閉機故障的貝葉斯網(wǎng)絡(luò)參數(shù)模型見圖8。

3. 2 反向診斷

針對液壓泵故障進(jìn)行研究，針對底事件X15—X20進(jìn)行研究，采用GeNIe軟件對其貝葉斯網(wǎng)絡(luò)模型進(jìn)行數(shù)據(jù)分析和診斷運算，通過參觀工程了解液壓啟閉機現(xiàn)場運行狀況，翻閱工程相關(guān)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(yīng)節(jié)點的后驗概率，式（11）—（14）可求概率重要度和關(guān)鍵重要度見表6。根據(jù)表6所求各節(jié)點概率重要度和關(guān)鍵重要度繪制重要度分析對比見圖9。通過GeNIe軟件對數(shù)據(jù)進(jìn)行調(diào)整，求取底事件X15—X20對數(shù)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(jìn)行分析，結(jié)合RoV值排序綜合考慮進(jìn)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(dāng)液壓泵不能正常工作時，首先應(yīng)對液壓泵軸封位置進(jìn)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(zhǔn)確性。

當(dāng)葉節(jié)點數(shù)字化液壓啟閉機故障T=Fault發(fā)生概率為100%時，通過GeNIe軟件采用反向推理，診斷結(jié)果見圖10，根據(jù)各故障節(jié)點事件對數(shù)字化液壓啟閉機故障的影響度進(jìn)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(jù)構(gòu)建的貝葉斯網(wǎng)絡(luò)診斷模型進(jìn)行數(shù)字化液壓啟閉機故障根節(jié)點的敏感性分析，選取T=Fault作為數(shù)字化液壓啟閉機故障敏感性分析目標(biāo)，調(diào)整波動參數(shù)為20%、50%、80%和100%，表現(xiàn)出不同故障節(jié)點對數(shù)字化液壓啟閉機故障的敏感性的區(qū)別，見圖11。由圖11可知，根據(jù)列出的20個影響節(jié)點，X（1溢流閥閥芯位置異常）故障時對葉節(jié)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(jù)4種不同離散程度，結(jié)合歷史運維數(shù)據(jù)及故障診斷記錄，構(gòu)建的數(shù)字化液壓啟閉機故障模型得出的數(shù)據(jù)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(shù)字化液壓啟閉機故障根節(jié)點進(jìn)行敏感性分析，見圖12。圖中節(jié)點的顏色程度越深，則表示其故障節(jié)點事件對數(shù)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(jié)點液壓油缸故障中，油液未進(jìn)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(shù)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(fā)故障的可能性最大，經(jīng)核驗傳感器數(shù)據(jù)及詢問技術(shù)人員，該診斷結(jié)果較為符合實際運行中出現(xiàn)的故障狀況。因此為降低液壓啟閉機故障發(fā)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(zhì)量，監(jiān)測油箱油位，一旦發(fā)現(xiàn)液壓油泄漏，立即處理。

故障診斷作為液壓啟閉機數(shù)字孿生應(yīng)用服務(wù)模型中的一部分，液壓啟閉機實時的工作狀態(tài)和故障預(yù)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(shè)備停機時間，避免造成巨大損失和運行事故，提高設(shè)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(jié)點H（2液壓缸壓力異常）的概率波動，波動結(jié)果見表8。父節(jié)點X4、X5、X6的故障先驗概率由初始值提升至1時，其對應(yīng)子節(jié)點H2的概率分別增至0. 844 3、0. 779 1、0. 829 6；當(dāng)父節(jié)點X4、X5、X6的故障先驗概率分別由初始值減少到0時，對應(yīng)的子節(jié)點H的概率減少為0. 270 0、0. 261 42 、0. 284 5，結(jié)果滿足公理一的假設(shè)。

b））公理二的檢驗。分析故障節(jié)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(dāng)3個父節(jié)點對應(yīng)概率值均增加0. 1時，子節(jié)點H3的概率隨父節(jié)點概率變化呈現(xiàn)出接近線性關(guān)系的趨勢，結(jié)果符合公理二的假設(shè)。

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

44a3af9216448a1e27b8cc04f475e9363 結(jié)論

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

a））運用數(shù)字孿生交互映射的功能，將液壓啟閉機、模擬數(shù)據(jù)及孿生體診斷模型相結(jié)合，相較于需要大量訓(xùn)練數(shù)據(jù)量和經(jīng)驗知識的支持向量機和案例推理技術(shù)，數(shù)字孿生結(jié)合貝葉斯網(wǎng)絡(luò)通過對比實際數(shù)據(jù)和模擬數(shù)據(jù)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(zhǔn)確性；數(shù)字孿生模型可以實時監(jiān)測液壓啟閉機運行狀態(tài)，結(jié)合貝葉斯網(wǎng)絡(luò)進(jìn)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(fā)現(xiàn)異常運行情況；數(shù)字孿生模型結(jié)合貝葉斯網(wǎng)絡(luò)可以根據(jù)實際數(shù)據(jù)不斷學(xué)習(xí)和優(yōu)化，相較于操作繁瑣、建模復(fù)雜的人工神經(jīng)網(wǎng)絡(luò)、集成學(xué)習(xí)等故障診斷技術(shù)具有較高的自適應(yīng)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(chǔ)，結(jié)合貝葉斯網(wǎng)絡(luò)對數(shù)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(fā)生概率并對導(dǎo)致數(shù)字化液壓啟閉機故障的事件進(jìn)行了重要性分析。采用反向診斷技術(shù)對液壓進(jìn)行故障定位，用概率值表示故障診斷結(jié)果并采用敏感性分析獲取故障根節(jié)點對數(shù)字化液壓啟閉機故障的影響程度，結(jié)果滿足三公理的驗證，增強了貝葉斯網(wǎng)絡(luò)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(zhǔn)確地診斷和解決數(shù)字化液壓啟閉機的故障問題，為工作人員提供了參考依據(jù)。

參考文獻(xiàn)：

［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(tǒng)中插裝式平衡閥穩(wěn)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(tǒng)故障診斷技術(shù)的研究現(xiàn)狀與發(fā)展趨勢［J］.機械工程學(xué)報，2006（9）：6-14.

［4］郝俊杰，高虹霓，王崴，等.基于大數(shù)據(jù)分析的液壓系統(tǒng)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(shè)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(tǒng)［J］.制造業(yè)自動化，2014，36（4）：144-146.

［8］楊恒樂，郭建斌.基于故障樹貝葉斯網(wǎng)絡(luò)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(tǒng)故障診斷中的應(yīng)用［J］.液壓與氣動，2012（9）：73-75.

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

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

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

［13］齊波，張鵬，張書琦，等.數(shù)字孿生技術(shù)在輸變電設(shè)備狀態(tài)評估中的應(yīng)用現(xiàn)狀與發(fā)展展望［J］.高電壓技術(shù)，2021，47（5）：1522-1538.

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

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

［16］余永華，章寧，解美強，等.基于數(shù)字孿生的柴油機故障診斷系統(tǒng)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(shù)字孿生的在運安控系統(tǒng)故障診斷方法［J］.中國電力，2023，56（11）：121-127.

［18］趙大偉，張?zhí)A，盧堯，等.基于數(shù)字孿生體的液壓系統(tǒng)知識模型構(gòu)建及應(yīng)用［J］.現(xiàn)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(tǒng)故障仿真與診斷技術(shù)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(tǒng)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(wǎng)絡(luò)的煤礦瓦斯爆炸風(fēng)險評估［J］.煤炭學(xué)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(zhuǎn)，趙愛佳，李騰蛟，等.基于故障樹的復(fù)雜裝備模糊貝葉斯網(wǎng)絡(luò)推理故障診斷［J］.系統(tǒng)工程與電子技術(shù)，2021，43（5）：1248-1261.

［26］李儉川，胡蔦慶，秦國軍，等.貝葉斯網(wǎng)絡(luò)理論及其在設(shè)備故障診斷中的應(yīng)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(wǎng)絡(luò)的智能故障診斷方法［J］.中國慣性技術(shù)學(xué)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(wǎng)絡(luò)的多態(tài)液壓系統(tǒng)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(wǎng)絡(luò)的水輪機故障診斷研究［J］.水電能源科學(xué)，2023，41（3）：190-194.

［30］宮義山，高媛媛.基于故障樹和貝葉斯網(wǎng)絡(luò)的故障診斷模型［J］.沈陽工業(yè)大學(xué)學(xué)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(wǎng)絡(luò)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.