基于数字孪生的液压系统早期故障诊断方法

《Engineering Applications of Artificial Intelligence》：Digital twin driven fault diagnosis method for early faults of hydraulic system

数字孪生驱动的液压系统早期故障诊断方法通过迭代更新模型和反馈验证机制提升检测精度，实验室验证证实其有效识别早期弱信号故障。

　　

赵阳|蔡宝平|田志刚|李庆平|张寅航|江毅|邵海东

中国石油大学（华东）高端海上油气装备设计与制造山东省重点实验室，青岛市，266580，中国

摘要

识别早期故障可以确保液压系统的安全性，这对于工业生产至关重要。获取传感器数据并进行单一诊断是主要的故障诊断方法，但这种方法容易忽略早期故障。为了解决这个问题，本文提出了一种基于数字孪生（DT）的故障诊断方法，用于检测液压系统中的早期故障。建立了一个能够识别不同严重程度故障的故障诊断模型，并采用迭代更新机制构建液压系统的DT模型。将基于反馈的验证过程集成到DT框架中，用于纠正错误的诊断结果。误分类的故障会被重新输入系统进行重新诊断，并实施故障程度匹配机制以确认故障的严重性。通过实验室液压系统验证了该方法的有效性。实验结果表明，该方法提高了早期故障检测的准确性。

引言

液压系统对工业运营至关重要，故障可能导致停机并造成重大经济损失（Guan等人，2024a）。及时识别早期故障并结合有效的维护计划对于确保安全生产和降低维护成本至关重要。

在液压系统的故障诊断中，出现了两个主要的研究方向。第一个方向是通过集成额外的传感器来实现对液压组件的精确诊断（Fu等人，2024）。这些传感器通常包括高频设备，如振动传感器和声发射传感器（Wang等人，2023）。例如，使用声发射传感器和加速度传感器来诊断液压涡轮机的故障。融合方法提高了诊断准确性（Kang等人，2025）。同样，声发射信号也被用于液压涡轮机的故障诊断（Fu等人，2025）。卡尔曼滤波算法基于光纤传感器用于监测航空液压管道（Xu等人，2025）。虽然高频传感器的集成提高了诊断准确性并有助于更精确地识别故障，但这种方法存在明显局限性。首先，这些传感器的监测范围有限；通常一个传感器只能监测一两个组件。因此，大规模监测需要多个传感器，从而导致成本增加。其次，某些液压系统（如海底液压系统和航空液压系统）无法容纳额外的传感器（Jin等人，2025）。第二个方向是利用液压系统中的现有数据通过优化推理模型来诊断故障（Ma等人，2023）。与第一种方法不同，这种方法主要识别故障组件，而不关注组件内的具体故障类型。例如，提出了一种基于1D CNN-LSTM的故障诊断方法来诊断电液线控系统（Zhang等人，2024a）。线性判别分析被应用于检测液压系统中的复合故障（Liu等人，2023）。此外，开发了一种模型辅助的多源融合超图卷积神经网络来应对故障样本不足的问题（Zhao等人，2024a；Angeli和Chatzinikolaou，1999）。这些方法通常针对可更换组件设计，例如识别异常阀门而不诊断阀门内的具体故障。这种对可更换组件的关注对于维护特别有益，因为它可以减少维修时间并最小化系统停机时间（Kumar等人，2024）。压力和流量传感器通常被用作这些方法的数据源。这种方法的准确性往往取决于传感器的数量和分布，在传感器部署有限的情况下实现高精度诊断是一个关键目标（Zhang等人，2024b；Shad和Taghikhany，2026）。作为故障的早期形式，识别早期故障尤为重要。故障诊断的最终目标是在故障导致系统故障之前获取信息并采取相应措施（Liu等人，2026）。

早期故障代表了故障的初始阶段，其特征不明显，难以检测。这些故障可能不会立即影响系统运行，但随着设备的持续运行，可能会发展成严重问题，最终导致异常（Zhao等人，2024b；Angeli和Atherton，2010）。振动和声发射信号对早期故障非常敏感，这也是它们被广泛研究的原因（Han和Cheng，2025）。例如，通过处理噪声诊断了滚动轴承的早期故障（Zhang等人，2026）。加速度信号被用来诊断轴箱轴承的弱故障（Jin等人，2022），并通过加速度传感器提取了滚动轴承的弱故障特征（Wang等人，2024）。这些研究主要集中在旋转机械上，因为故障通常会改变信号频率（Song等人，2023）。在液压系统的背景下，振动和声发射传感器被证明对早期故障诊断有效。例如，振动信号被用于检测液压管夹的早期故障（Conti等人，2024）和液压系统中的弱故障（Konieczny等人，2023）。此外，还开发了利用现有传感器进行早期故障检测的方法，包括早期时间序列分类算法（Askari等人，2023）和具有深度特征融合的全卷积网络（Zhang等人，2024c）。尽管取得了这些进展，但由于忽略了故障特征，液压系统中早期故障的误诊仍然普遍存在（Guan等人，2024b）。当前方法的一个关键局限性是它们依赖于一次性诊断，即结果基于单一输入生成，没有后续的验证或反馈。将有效的反馈机制纳入故障诊断模型可以显著提高其检测早期故障的性能。

数字孪生（DT）是一种有效的工具，用于验证故障诊断结果并提供反馈，特别是在早期故障的诊断中。DT是一种基于云的虚拟表示技术，它集成多学科和多尺度仿真过程，创建物理设备或系统的虚拟映射，反映其完整生命周期（Qian等人，2024；Fan等人，2025）。DT的功能包括仿真、实时交互和自我优化，使DT能够提供反馈（Jiang等人，2024；Wan等人，2025）。在当前的DT驱动故障诊断中，其功能是为故障诊断模型提供训练数据（Xu等人，2024；Zhao等人，2026）。这些数据可以分为三类：故障数据，用于模拟所有故障情况以增加训练样本数量并提高故障模型的准确性（Xia等人，2024；Qiao等人，2026）；不平衡样本数据，用于解决故障样本不平衡的问题（Qin等人，2024；Donati等人，2026）；以及未知故障数据，用于模拟手册中记录但在实践中尚未观察到的故障（Huang等人，2024）。DT还作为一种可视化工具，提供系统状态和故障条件的洞察（Liu等人，2024a）。然而，DT与故障诊断模型之间的交互仍然有限（Liu等人，2024b），限制了其在故障诊断过程中动态提升诊断性能的能力。建立数字孪生模型（DTM）与故障诊断模型之间的有效交互机制至关重要，特别是对于诊断液压系统中的早期故障（Bo等人，2024）。

为了识别液压系统中的早期故障，提出了一种基于DT的故障诊断方法。建立了一个迭代更新的DTM来验证诊断结果，并开发了一个能够接收反馈信息的故障诊断模型。在早期故障、故障和严重故障的条件下测试了液压系统，以验证该方法的有效性。本研究的主要贡献如下：

1.

将故障、损失和控制参数添加到伯努利方程中以建立DTM。通过它，DTM可以动态更新。

2.

在基于BN的故障诊断模型中，通过更新父节点的状态来实现包含反馈信息的重新诊断。这减少了误判并提高了对弱故障的识别能力。

3.

针对具有易被忽略的弱特征的早期故障问题，提出了一种故障程度匹配机制，以提高对早期故障的识别能力。

本文的结构如下：第2节介绍了用于早期故障的DT驱动故障诊断方法。第3节介绍了液压系统及其相应的模型，并分析了其性能。第4节提供了研究结论。

部分摘录

DT驱动的故障诊断方法

DT驱动的故障诊断方法如图1所示。该方法包括两个关键步骤：故障诊断和反馈。在故障诊断过程中，必须收集来自液压系统的传感器数据。这些数据包括压力、流量、油温和泵速等参数。这些数据通常被称为真实数据，直接来自实际系统。值得注意的是，当故障首次发生时，DTM与实际系统之间往往存在显著差异

液压系统和故障设置

案例研究中使用的液压系统如图4所示。它由三个主要子系统组成：动力子系统、电子子系统和液压子系统。动力子系统为电机和电子组件提供动力，输入为三相交流电。其组件包括刀开关、变压器和变频器。电子子系统包括可编程逻辑控制器（PLC）、按钮、仪器和转换开关

结论

提出了一种用于液压系统早期故障的DT驱动故障诊断方法。该方法基于BN建立了故障诊断模型。使用迭代更新过程为液压系统建立了DTM。此外，引入了基于DT的反馈过程进行多次验证，以提高早期故障的识别能力。

量化故障程度

故障严重程度的量化是早期故障诊断的一个重要研究方向。本研究中的故障都是通过设置不同的泄漏和堵塞程度来实现的。故障严重程度量化方法的量化是未来的一个重要研究方向。

更多类型早期故障的故障诊断方法

目前关于早期故障的研究主要集中在泄漏和堵塞现象上。扩大研究范围，涵盖更广泛的故障特征，以实现更全面的诊断

CRediT作者贡献声明

赵阳：撰写——原始草案、方法论、数据整理。蔡宝平：监督、资金获取。田志刚：方法论。李庆平：监督。张寅航：数据整理。江毅：数据整理。邵海东：撰写——审稿与编辑、撰写——原始草案。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

致谢

本工作得到了国家自然科学基金（编号：52325107）、工业和信息化部的高科技船舶研究项目（编号：2023GXB01-05-004-03、GXBZH2022-293）、国家科技重大专项（编号：2025ZD1403501-05）和中央高校基本科研业务费（编号：24CX10006A）的支持。