基于数字孪生和贝叶斯网络的液压启闭机故障诊断研究

摘 要：液压启闭机对于保障水利工程设施的安全运行，防洪排涝、水资源调度等方面起着关键作用，一旦发生故障将会导致水位失控、设备损坏等事故，影响水利工程的正常运行。为掌握液压启闭机运维情况，快速识别异常状况，基于数字孪生技术和贝叶斯理论，构建了液压启闭机的故障诊断模型。首先，分析液压启闭机的日常运行状态和数智柜存储数据，构建液压启闭机的数字孪生体系；其次，结合专家经验及历史故障数据建立基于贝叶斯网络的数字化液压启闭机故障诊断模型，通过实例进行敏感性分析并对故障事件排序，结果表明所建模型根据输入概率能准确诊断液压启闭机故障事件，溢流阀阀芯位置异常、油箱油位过低、换向阀未换向为主要故障因素，且与实际运维状况相符；最后，结合公理验证该故障模型的合理性和有效性。

关键词：数字孪生；数字化液压启闭机；故障诊断；贝叶斯网络；敏感性分析

中图分类号：TV664 文献标识码：A 文章编号：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

液压启闭机是一种利用液体静压原理启闭闸门的装置，是水利水电工程中的重要设备［1］。液压启闭机各部件相互关联，当某部件不能正常工作或异常时，可能导致整个系统故障，因此对液压启闭机的可靠性要求越来越高［2］。数字化液压启闭机是指对行程、压力、油位、油温、全开/全关极限位置、压差、流量、电磁阀阀芯位置、油液品质、电机泵组转速、电机泵组振动、系统运行噪声、电机运行电流等设备关键指标做数字量全面监测，实现设备故障自诊断、设备健康度分析、智能辅助决策和全生命周期管理的液压启闭机。故障诊断是指通过对设备、系统运行过程中出现的故障进行分析和检测，找出故障原因及发生位置；故障诊断对于机械设备的正常运转和工作效率具有重要作用，可以提高设备的运转效率和降低维护成本，是机械设备维护管理中不可缺少的重要环节［3］。研究液压启闭机故障诊断，综合评估其运行状态，及时修复潜在故障，可为液压启闭机的可靠运行提供有力支持［4］。周椿浩等［5］采用适用于案例推理技术（Case-Based Reasoning， CBR）对液压启闭机进行了故障诊断研究，但只针对于故障库检索，数据系统复杂，耗费大量时间和资源，无法快速诊断。马赛平等［6］对液压启闭机油缸进行研究，用AMESim仿真软件构造仿真模型，将故障信息输入到模型中，对其故障进行分析研究，为液压油缸的故障诊断开辟了一条新路径，但只针对于液压油缸，且建模过程复杂，诊断效率低。郭建斌等［7］采用故障树分析法对液压启闭机进行研究诊断，顶事件为系统故障，底事件为所有可能导致系统故障的事件，以树形图的方式将顶事件与底事件连接起来，结合故障树模型建立水工液压启闭机故障诊断专家系统，使得故障模型简单化，但实际中底事件发生具有一定的模糊性。杨恒乐等［8］采用故障树和贝叶斯相结合的方式对液压启闭机进行故障诊断，以故障树模型为基础将其转变为贝叶斯网络并对其进行推理计算，求出顶事件的发生概率及各故障事件的重要度并进行分析研究，以此来解决基本事件发生概率不确定的问题，但文中应用反向诊断技术较少，诊断效率不高。赵新泽等［9］在液压系统故障诊断中采用原子光谱分析技术，运用光谱分析来检测采集油样中的金属磨粒种类与含量进而可以诊断出机械磨损情况，实际情况中受设备、环境等因素影响较大，诊断准确性较低。

数字孪生是新时代水利高质量发展的必然要求［10］，实现物理实体与虚拟模型的相互融合，以互联网技术、云平台技术等为基础搭建实体与虚拟模型结合的平台总体架构，为应对数字化液压启闭机的故障诊断提供了一定的技术支撑［11-12］。齐波等［13］将数字孪生技术与传统输变电设备相结合，实现对输变电设备的全面且精准的状态评估。任巍曦等［14］基于数字孪生体系对风电机组轴承进行故障诊断，提升了诊断的准确率及稳定性。江悦等［15］借鉴了数字孪生的思想，构建了碱性电解糟制氢设备的4层框架，针对碱性电解糟制氢设备故障提出了新的研究思路及方法。余永华等［16］将数字孪生技术应用于船用柴油机故障诊断，从而可以及时发现柴油机故障并制HxOGuDXLwn39NyLC/uMgiQ==定合理的维护计划。韩伟等［17］提出了一种基于数字孪生的在运安控系统的故障诊断方法，进一步提升对故障类型判断的准确性。赵大伟等［18］以液压系统知识为基础架构，通过结合数字孪生理论与知识图谱技术构建了液压系统的数字孪生体模型，提升了液压系统的设计效率，但并未研究液压系统的故障诊断技术。

基于此，本文提出基于数字孪生的液压启闭机故障诊断方法。首先，根据数智柜存储及在线监测的故障数据，结合专家经验统计出较为常见的故障元件及类型；随后提出了液压启闭机的数字孪生体系，进一步建立基于贝叶斯网络的液压启闭机故障诊断模型，通过数字孪生体系实时监测设备状态数据，并将这些数据输入到贝叶斯网络中进行推理。贝叶斯网络可以根据实时监测数据和先验知识，更新液压启闭机可能存在的故障类型和概率；最后利用贝叶斯网络反向诊断技术，对其求解概率重要度，关键重要度和敏感性分析，可快速、准确诊断液压启闭机故障类型和故障点。

1 基于数字孪生的液压启闭机架构及工作原理

1. 1 液压启闭机数字孪生架构

液压启闭机数字孪生体框架结构见图1。本文提出的液压启闭机数字孪生架构由物理实体、虚拟模型、虚拟执行与应用服务四部分组成。

a））物理实体。物理实体包括了液压启闭机的主要设备，包括液压油缸、液压动力站和电气控制柜。各类传感器部署在液压启闭机上，实时监测其运行数据及运行状态。物理实体具有系统复杂及数据量大的特征，物理实体向虚拟模型传输数据的同时也能接受其虚拟模型反馈的运行结果。表1为液压启闭机主要采用的传感器及监测项目。

b））虚拟模型。虚拟模型由液压启闭机和传感器监测数据组成。利用数字孪生技术将物理实体通过虚实交互的方式数字化成虚拟模型，包含运行状态，3D展示、在线监测、故障诊断与预测、健康评估、预测性运维等应用功能，并通过感知接入至虚拟执行模型。由于液压启闭机液压元件容易老化失效，且受工作环境影响较大，致使液压启闭机的运行参数发生变化，如油路压力、启闭速度、阀芯位置等。所以，构建液压启闭机虚拟模型需要考虑模型的合理性、系统运行的复杂性，模型实时更新且更新故障概率，进而提高模型诊断的准确性，使得虚拟仿真模型与液压启闭机实体工作状况保持相同。液压启闭机数字孪生虚拟模型的接收端主要涵盖各类数据及控制指令，具体内容见表2。

c））虚拟执行模型。虚拟执行模型是指基于创建的虚拟模型，模拟和控制物理实体。通过数字孪生虚拟模型可以进行液压启闭机的数据采集及处理，基于数据参数建模和仿真，完成基于人工智能或信号的故障诊断，从而确定故障类型和定位并进一步确定执行策略。液压启闭机数字孪生虚拟执行模型通过模拟和执行液压启闭机的运行情况，能够监测设备的运行状态、诊断故障问题、优化设备的运行参数，从而提高设备的可靠性、效率和安全性，具体内容见表3。

d））应用服务模型。应用服务模型即为虚拟数字孪生体和物理设备的交互映射模型，对应数字孪生五维结构中的“服务层”，包括健康度分析、汛期保障、故障诊断及解决方案、远程专家协助、数据报表等功能。根据运行状态及执行方式进行虚拟建模能够对液压启闭机进行核验，利用传感器监测数据及系统运行信息，实现对液压启闭机的故障诊断。图2所示，数字孪生液压启闭机安全运行智能保障系统界面包括在线监测、告警管理、统计分析、运行记录、工程管理等功能，能够实时监控液压启闭机的工作状况，且能同时展示模型仿真结果，验证了应用服务模型的有效性。

液压启闭机数字孪生架构所包含的4个部分彼此是协同交互的，具体交互方式见图3。

根据液压启闭机实际运维状况，建立故障诊断仿真模型，完成三方面的交互。①液压启闭机实体与孪生模型的交互：根据传感器和数据采集设备实时监测液压启闭机的物理参数，校正仿真模型参数并构建孪生模型，以此实现对液压启闭机实时状态的准确反映和监控。②液压启闭机和应用服务模型的交互：通过将液压启闭机的实时数据、运行状态和性能参数传输到数字化服务模型中，可以实现对设备的远程监控、分析和优化。这种交互可以帮助提高设备的运行效率、预测潜在故障并进行预防性维护，从而降低停机时间和维护成本。③虚拟模型和应用服务模型的交互：参照实际运维故障状况，模拟设备的运行状态、性能特征和故障情况，产生大量仿真数据，生成服务模型的故障诊断模型；由服务模型对仿真模型进行参数建模并进行智能化的监控和分析，提供故障诊断的决策。

1. 2 故障诊断原理

基于数字孪生液压启闭机故障诊断原理见图4。

首先根据传感器对液压启闭机的实时数据进行采集，结合数智柜存储数据查询相应的执行措施。将预处理后的数据结合专家经验构建液压启闭机故障树，将其映射成液压启闭机贝叶斯网络模型，故障基本事件的模糊概率即为先验概率，计算数字化液压启闭机故障发生的概率和故障基本事件的后验概率。将数字孪生模型和贝叶斯网络进行集成，利用传感器数据实时更新贝叶斯网络中的观测变量，帮助调整系统状态的概率分布，并更新贝叶斯网络的概率分布。针对重新分配概率后的故障事件分别对其重要度及敏感性进行分析研究，最后，根据分析结果确定液压启闭机故障发生的主要位置和类型并进行诊断维护，保证液压启闭机的正常运行。

2 故障诊断模型

2. 1 故障树构建

通过分析液压启闭机构成部件、深度挖掘液压启闭机数智柜采集数据、查阅相关工程资料，对数字化液压启闭机故障类型进行了汇总分析，发现其故障主要包括液压缸无动作、液压动力站故障、电气控制柜故障三大类［19-20］，相应的编号内容及故障名称见表4。据此可构建适用于数字化液压启闭机进行故障诊断分析的故障树，见图5。

2. 2 贝叶斯网络

贝叶斯网络（Bayesian Network，BN）是一种反映不同事物之间依赖关系的概率图模型，在故障诊断领域中有着一定的优势。贝叶斯网络通过有向无环图将各事件连接起来，节点代表各个事件，通过有向边连接变量节点来表示不同要素之间的关系，同时使用条件概率来量化各个事件之间的影响状况［21］。贝叶斯网络具有较强的概率表达能力，采用不确定性表达方式可以更准确地描述系统的状态和故障信息，能够适应系统变化和新的故障情况［22-23］。

贝叶斯网络直观地展示各事件的联合概率分布和条件独立性，使得概率演算变得更加容易，在概率演算中发挥重要作用。在贝叶斯网络中，各基本事件是相对独立的，因此概率计算变得更易处理。贝叶斯网络具有独特的概率演化算法及相应计算软件，对设备故障诊断具有一定的优势，选取故障事件作为节点，当系统发生故障时，根据网络节点间的因果关系和概率大小可以推断出各故障事件发生的概率，进而得出诊断结论［24］。

2. 3 模型构建

贝叶斯网络模型构建是指确定网络结构和参数的过程，其中网络结构表示变量之间的依赖关系，参数表示这些依赖关系的强度［25］。在构建贝叶斯网络模型时，需要考虑变量之间的因果关系和条件概率分布，以便进行概率计算。根据所构建的故障树模型，对应贝叶斯网络确定其节点、连接关系、概率分布，并进行参数计算和模型调整，从而推断其他节点的状态或进行未来事件的预测［26］。

通过和领域专家进行沟通和讨论，了解液压启闭机的工作原理、可能的故障模式和故障影响等方面的知识。根据专家提供关于设备的结构、组成部件、相互作用等信息，以帮助确定贝叶斯网络的节点和连接关系；收集和分析历史故障数据，了解设备的常见故障模式、故障发生的条件、故障之间的关联等信息。结合专家经验来指导网络结构的建立，然后根据历史故障数据来调整和优化网络的参数并以此来验证专家的假设和推断，验证了所建故障树模型的正确性和有效性，以确保贝叶斯网络的结构和参数与实际情况相符。根据数字化液压式启闭机故障树转换的贝叶斯网络模型见图6。

2. 4 BN模型参数

2. 4. 1 先验概率

由于数字化液压启闭机故障反馈存在模糊性，难以给出一个精确的概率，因此采用模糊集理论解决此类不确定性且繁杂的问题。三角模糊是众多模糊数中的一种，其形式简单明了，计算相对容易，能直观地对数值范围进行描述［27-28］。本文在查询数智柜获取液压启闭机故障数据、收集传感器信号、整理统计日常运维检修记录从而获取根节点先验概率的基础上，引用了三角模糊隶属度函数对液压启闭机部分根节点进行了故障分析，隶属度函数形式见式（1）：则底事件X （i= 1，2，…，n，n为底事件数）发i 生概率为：Pi=（mi-ai，mi，mi+bi） （2）式中：ai、bi分别为模糊程度Pi的上、下限；mi为置信中值，0 <ai≤mi≤bi。隶属度函数可通过图7形象地表示出来。

对于2个三角模糊数，A= （a1，m1，b1）和B=（a1，m1，b1），满足如下运算方法。

两数之和为：数字化液压启闭机故障树中只采用了逻辑或门，将底事件发生的概率替换为某个区间，通过模糊运算获取故障基本事件的模糊概率P即为对i 应的先验概率。

2. 4. 2 后验概率

数字化液压启闭机故障贝叶斯网络模型的根节点X1，X2，…Xn为底层故障因子，叶节点T为数字化液压启闭机系统故障，叶节点事件发生后，根节点X对事件发生概率进行更新得到后验概率i ，见式（7）［29］：

式中：P（Xi）为先验概率；P（Xi|T）为后验概率，为T发生时Xi发生的概率；P（T|Xi）为条件概率，是Xi发生时T发生的概率。通过参数学习的方式结合历史

故障数据，估计网络中各节点之间的概率分布；通过结构学习帮助确定贝叶斯网络中节点之间的依赖关系，从而更准确地表示液压启闭机系统中的故障模式和原因。结合专家知识并通过迭代优化的方法来不断调整和优化条件概率，以使模型构建合理。

2. 5 BN网络诊断与模型验证

2. 5. 1 BN网络诊断

贝叶斯网络诊断是根据所得先验概率求取叶节点发生概率，利用反向诊断获取根节点后验概率，但仅参照后验概率进行故障诊断可信度不高，分析对比概率重要度和关键重要度可以了解各事件对整体系统的影响程度，缩短故障诊断时间，加速故障排查进程［31］。因此，计算各事件后验概率并进行重要度分析［32］，判断出导致数字化液压启闭机故障的主要基本事件。根据贝叶斯基本原理作出如下定义。基本故障事件X处于阶段S时（故障i 1 事件发生时S1= 1，未发生时S1= 0）的概率为：式中：Pa（Xi）为基本故障事件Xi的条件概率。

启闭机故障事件T处于S2阶段时（启闭机故障时S2= 1，正常运作时S2= 0）的概率为：

P（T=S2） =P（T=S2|X1，X2，…，Xn）×

P（X1）P（X2）…P|（Xn）

基本故障事件Xi处于S1阶段时，启闭机故障事件T处于S2阶段的概率为：

P（Xi=S1）

基本故障事件Xi处于S1阶段时，其单独导致阶

式中：k为根节点故障状态的个数。

基本故障事件Xi处于S1阶段时，其单独导致阶段为S2的启闭机故障的关键重要度为：当启闭机故障事件T处于S2阶段时，基本故障事件Xi的关键重要度为：为了比较基本事件的先验概率和后验概率，不同于概率重要度的定性分析，采用BN进行反向推理，计算各节点事件后验概率并求取RoV值［33］，对各节点的影响程度进行定量分析并排序。

2. 5. 2 模型验证

BN模型是否合理，还需要进行敏感性分析来验证，以此也可确定数字孪生模型精度是否满足实际要求，本文采用3个公理验证敏感性分析，公理内容如下［33-34］。①公理一：子节点后验概率的增大或减小取决于每个父节点的先验概率增大或减小。②公理二：子节点受父节点先验概率的不同增幅的影响应保持一致。③公理三：子节点可能存在诸多父节点（假设a和b），a、b两个父节点单独的影响程度总是小于父节点a和父节点b的组合效应。

3 实例分析

某市水头排涝枢纽是一座以防洪、排涝、纳潮、挡潮等功能相结合的水利枢纽工程。水闸共设7孔闸门、7台QPPYII-2×400 kN-6. 5 m液压启闭机和7套液压系统，液压启闭机的液压系统包括主泵、主阀、液压油箱和油管等组成部分。主泵通过电动机驱动，将液压油压力增加到设定值，主阀控制液压油的流动和压力，将动力传递给启闭机的执行机构，实现水闸的开关操作。后期在原有设备上增设必要的感知元件，更换带阀芯位置监测的电磁换向阀，安装闸门监控系统，部署启闭机智能保障系统，实现液压启闭机设备在线监测、故障自诊断、健康度分析、预测性运维、专家远程协助、运行生命周期管理等一系列功能。

该液压启闭机主要采取RS485噪声传感器、光电转速传感器、压电振动速度传感器、LN3000-LED数字显示浮球液位传感器、OPCom II颗粒物检测仪、阀芯位置监测传感器及压力传感器等传感器设备，分别对阀芯位置、油缸缸内压力、现地柜电压等监测项进行监测，将实时的运行环境数据转换为数字信号，把传感器数据作为BN网络中的观测变量，将异常数据所对应的监测项以概率量化的形式映射到故障事件中。近期液压启闭机出现开关操作缓慢、动力不足、系统工作压力下降等情况；针对以上故障现象，进行液压启闭机故障排查研究。表5为水闸液压启闭机实际运行0、800、7 620 h产生故障对应的基本事件的数据统计。

3. 1 参数模型构建

结合图6和表5中液压启闭机运行7 620 h的数据（防止设备在磨合期内性能受影响，确保数据的准确性，且满足故障诊断精度要求），假设故障树结构中各底事件相互独立且互不影响，定义根节点Xi的故障节点状态S=｛Normal，Fault｝，Normal表示液压启闭机正常运行，Fault表示液压启闭机部件发生故障。由所建BN模型为基础，通过GeNIe软件搭建数字化液压启闭机故障的贝叶斯网络参数模型见图8。

3. 2 反向诊断

针对液压泵故障进行研究，针对底事件X15—X20进行研究，采用GeNIe软件对其贝叶斯网络模型进行数据分析和诊断运算，通过参观工程了解液压启闭机现场运行状况，翻阅工程相关资料，通过GeNIe软件获得各底事件先验概率，运用式（7）可得对应节点的后验概率，式（11）—（14）可求概率重要度和关键重要度见表6。根据表6所求各节点概率重要度和关键重要度绘制重要度分析对比见图9。通过GeNIe软件对数据进行调整，求取底事件X15—X20对数字化液压启闭机故障的影响程度排序见表7。

通过对所求重要度进行分析，结合RoV值排序综合考虑进行分析对比研究，可看出液压泵轴封漏油故障X16对液压泵故障的影响最为显著，X17液压泵出油量不足对液压泵站故障的影响最轻微。当液压泵不能正常工作时，首先应对液压泵轴封位置进行故障排除，然后再逐一排查其余故障事件，从而增强故障诊断的效率及准确性。

当叶节点数字化液压启闭机故障T=Fault发生概率为100%时，通过GeNIe软件采用反向推理，诊断结果见图10，根据各故障节点事件对数字化液压启闭机故障的影响度进行排序，由高到低依次为液压缸无动作、液压动力站故障、电气控制柜故障。

3. 3 敏感性分析与模型验证

3. 3. 1 敏感性分析

根据构建的贝叶斯网络诊断模型进行数字化液压启闭机故障根节点的敏感性分析，选取T=Fault作为数字化液压启闭机故障敏感性分析目标，调整波动参数为20%、50%、80%和100%，表现出不同故障节点对数字化液压启闭机故障的敏感性的区别，见图11。由图11可知，根据列出的20个影响节点，X（1溢流阀阀芯位置异常）故障时对叶节点造成（T=Fault）时的影响程度最大，其次为X（2油箱油位过低）、X（3换向阀未换向）、X1（8液压泵噪声大）、X1（6液压泵轴封漏油）的敏感度较高，对所属部件影响程度较大。根据4种不同离散程度，结合历史运维数据及故障诊断记录，构建的数字化液压启闭机故障模型得出的数据和实际运维状况较为符合，具有参考性。

采用敏感性分析算法对数字化液压启闭机故障根节点进行敏感性分析，见图12。图中节点的颜色程度越深，则表示其故障节点事件对数字化液压启闭机故障的影响程度越大，亦敏感性越高。由图12可知，液压缸无动作的敏感性最高，电气控制柜故障敏感性最低，中间节点液压油缸故障中，油液未进入液压缸故障敏感性大于液压缸压力异常和液压缸压力满足但不动作。由图12可以直观看出引起数字化液压启闭机故障的基本事件中，溢流阀阀芯位置异常、油箱油位过低、换向阀未换向引发故障的可能性最大，经核验传感器数据及询问技术人员，该诊断结果较为符合实际运行中出现的故障状况。因此为降低液压启闭机故障发生率，需要定期检查溢流阀，确保其正常工作，及时更换损坏或磨损阀芯，并且定期检查油箱油液质量，监测油箱油位，一旦发现液压油泄漏，立即处理。

故障诊断作为液压启闭机数字孪生应用服务模型中的一部分，液压启闭机实时的工作状态和故障预警将会展示在图13的可视化交互界面中，在客户电脑端或手机端展示故障信息，包含故障编号、类型、描述、故障点位置以及解决方案，从而最大化降低设备停机时间，避免造成巨大损失和运行事故，提高设备运行安全性。

3. 3. 2 模型验证

a））公理一的检验。剖析故障节点H（2液压缸压力异常）的概率波动，波动结果见表8。父节点X4、X5、X6的故障先验概率由初始值提升至1时，其对应子节点H2的概率分别增至0. 844 3、0. 779 1、0. 829 6；当父节点X4、X5、X6的故障先验概率分别由初始值减少到0时，对应的子节点H的概率减少为0. 270 0、0. 261 42 、0. 284 5，结果满足公理一的假设。

b））公理二的检验。分析故障节点H（3液压缸压力满足但不动作）的概率波动，波动情况见图14，当3个父节点对应概率值均增加0. 1时，子节点H3的概率随父节点概率变化呈现出接近线性关系的趋势，结果符合公理二的假设。

c））公理三的检验。剖析故障节点H（1油液未进入液压缸）的概率波动，变化率波动见表9。由表可知父节点概率值单独增加至1时，子节点的变化率没有3个父节点概率值同时增加至1的变化率大，表明父节点的联合作用优于单独作用，结果满足公理三的假设。

44a3af9216448a1e27b8cc04f475e9363 结论

为了更准确及高效地完成数字化液压启闭机的故障诊断，本文提出了基于数字孪生的液压启闭机故障诊断方法，主要结论如下。

a））运用数字孪生交互映射的功能，将液压启闭机、模拟数据及孪生体诊断模型相结合，相较于需要大量训练数据量和经验知识的支持向量机和案例推理技术，数字孪生结合贝叶斯网络通过对比实际数据和模拟数据能更快确定故障的根本原因，提高对故障元件及类型判断的准确性；数字孪生模型可以实时监测液压启闭机运行状态，结合贝叶斯网络进行实时的故障诊断，相较于需要花费较长计算时间的故障树分析法和原子光谱分析法具有较快的运算速度，有助于及时发现异常运行情况；数字孪生模型结合贝叶斯网络可以根据实际数据不断学习和优化，相较于操作繁琐、建模复杂的人工神经网络、集成学习等故障诊断技术具有较高的自适应性和使用便捷性，更易于运维人员使用和操作。

b））本文提出了一种以故障树模型为基础，结合贝叶斯网络对数字化液压启闭机故障诊断的方法。通过使用GeNIe软件计算顶层事件的发生概率并对导致数字化液压启闭机故障的事件进行了重要性分析。采用反向诊断技术对液压进行故障定位，用概率值表示故障诊断结果并采用敏感性分析获取故障根节点对数字化液压启闭机故障的影响程度，结果满足三公理的验证，增强了贝叶斯网络在故障诊断方面的精确性，帮助工程师和维修人员更快速、准确地诊断和解决数字化液压启闭机的故障问题，为工作人员提供了参考依据。

参考文献：

［1］杨国来，冒越颖，刘雨聪，等.基于AMESim的长江船闸液压启闭机液压系统中插装式平衡阀稳定性分析［J］.液压与气动，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］周汝胜，焦宗夏，王少萍.液压系统故障诊断技术的研究现状与发展趋势［J］.机械工程学报，2006（9）：6-14.

［4］郝俊杰，高虹霓，王崴，等.基于大数据分析的液压系统故障诊断综述［J］.机床与液压，2022，50（10）：166-173.

［5］周椿浩，李龙华.基于CBR的液压启闭机故障诊断方法［J］.液压与气动，2012（11）：141-143.

［6］马赛平，倪刚亮，汪晟杰.基于AMESim的液压启闭机油缸故障建模与仿真［J］.机械设计与制造工程，2014，43（12）：24-27.

［7］郭建斌，唐泽，王江.水工液压启闭机故障诊断专家系统［J］.制造业自动化，2014，36（4）：144-146.

［8］杨恒乐，郭建斌.基于故障树贝叶斯网络的液压启闭机故障诊断方法［J］.液压与气动，2015（1）：44-48.

［9］赵新泽，张少庆，赵美云，等.原子光谱分析法在大型闸门启闭机液压系统故障诊断中的应用［J］.液压与气动，2012（9）：73-75.

［10］陶飞，刘蔚然，刘检华，等.数字孪生及其应用探索［J］.计算机集成制造系统，2018，24（1）：1-18.

［11］陶飞，刘蔚然，张萌，等.数字孪生五维模型及十大领域应用［J］.计算机集成制造系统，2019，25（1）：1-18.

［12］刘大同，郭凯，王本宽，等.数字孪生技术综述与展望［J］.仪器仪表学报，2018，39（11）：1-10.

［13］齐波，张鹏，张书琦，等.数字孪生技术在输变电设备状态评估中的应用现状与发展展望［J］.高电压技术，2021，47（5）：1522-1538.

［14］任巍曦，张文煜，李明，等.基于数字孪生的风电机组轴承故障诊断方法研究［J］.弹箭与制导学报，2022，42（3）：97-104.

［15］江悦，沈小军.碱性电解槽制氢设备数字孪生体构建及应用［J］.高电压技术，2022，48（5）：1673-1683.

［16］余永华，章宁，解美强，等.基于数字孪生的柴油机故障诊断系统研究［J］.船舶工程，2022，44（10）：86-91.

［17］韩伟，段文岩，杜兴伟，等.基于数字孪生的在运安控系统故障诊断方法［J］.中国电力，2023，56（11）：121-127.

［18］赵大伟，张太华，卢尧，等.基于数字孪生体的液压系统知识模型构建及应用［J］.现代制造工程，2022（6）：17-24，89.

［19］陈敏捷，羊荣金.液压支架液压系统故障仿真与诊断技术研究［J］.液压与气动，2021（1）：128-132.

［20］宁辰校，张戌社.液压启闭机液压系统振动与噪声研究［J］.液压与气动，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，林志军，鲁义，等.基于模糊贝叶斯网络的煤矿瓦斯爆炸风险评估［J］.煤炭学报，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］陈洪转，赵爱佳，李腾蛟，等.基于故障树的复杂装备模糊贝叶斯网络推理故障诊断［J］.系统工程与电子技术，2021，43（5）：1248-1261.

［26］李俭川，胡茑庆，秦国军，等.贝叶斯网络理论及其在设备故障诊断中的应用［J］.中国机械工程，2003，14（10）：92-96.

［27］李俭川，陶俊勇，胡茑庆，等.基于贝叶斯网络的智能故障诊断方法［J］.中国惯性技术学报，2002（4）：26-30.

［28］陈东宁，姚成玉，党振.基于T-S模糊故障树和贝叶斯网络的多态液压系统可靠性分析［J］.中国机械工程，2013，24（7）：899-905.

［29］孙少楠，李博宇，聂相田.基于贝叶斯网络的水轮机故障诊断研究［J］.水电能源科学，2023，41（3）：190-194.

［30］宫义山，高媛媛.基于故障树和贝叶斯网络的故障诊断模型［J］.沈阳工业大学学报，2009，31（4）：454-457.

［31］张梅，许桃，孙辉煌，等.基于模糊故障树和贝叶斯网络的矿井提升机故障诊断［J］.工矿自动化，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.