用于电液系统故障定位的嵌入功率键合图因果流感知图神经网络

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：Power Bond graph-embedded causal flow-aware graph neural network for fault localization of electro-hydraulic systems

　　要点摘要：• 引入物理约束，借助功率键合图实现对系统动力学的显式建模。• 提出 CFAGNN 模型，以因果逻辑与功率守恒作为核心物理约束。• 将故障物理逻辑转化为因果流路径，从而实现故障诊断与追溯。• 将该方法应用于挖掘机液压系统中可解释的故障分析。## 引言液压系统是工程机械的核心动力与控制单元，承担着能量传输与动作驱动等关键任务，对保障设备运行的连续性与稳定性起着决定性作用[1]。此类系统高度复杂，涉及动力与液压等多个子系统的深度耦合，各组件与支路在能量流与控制流方面存在动态交互[2]。一旦系统出现故障，不仅会造成停机带来的巨大经济损失，还可能导致设备损坏甚至人员伤亡等安全事故[3]。这些问题严重制约了工程作业的高效实施与安全保证。因此，开展液压系统故障诊断研究，对于提升可靠性、降低维护成本以及降低安全风险具有重要意义[4]。尽管工业系统的故障诊断已取得相当进展，但液压系统的可靠诊断仍是一项具有挑战性的难题[5]。在实际工程应用中，故障很少孤立发生。相反，多个故障源往往同时出现，并通过紧密耦合的能量传输与控制通道在不同子系统之间传播[6]。例如，由液压泵退化引起的压力波动可能进一步影响执行器性能与控制响应，从而产生复杂的故障交互与级联效应。在此类条件下，传感器观测到的故障征兆往往高度相关，使得区分真实故障源与二次传播异常变得困难[7]。因此，面对复杂的耦合故障时，传统故障诊断方法经常出现误报、漏报以及故障定位不准确等问题[8]。因此，开发一种能够有效捕捉故障传播机制并追溯根源的有效诊断框架，已成为液压系统研究的重要课题[9]。为应对上述挑战，人们已对复杂液压系统的故障诊断付出了大量努力。现有研究大致可分为三类，即基于物理的方法、知识驱动方法和数据驱动方法。基于物理的故障诊断方法利用系统动力学、物理机制与能量守恒原理[10]。典型方法包括键合图建模、解析冗余关系以及基于仿真的诊断框架[11]。键合图模型显式地表征能量交换与组件交互，为故障传播提供具有物理可解释性的表示[12]。例如，Attafi 等人设计了一种针对开环不稳定系统的键合图线性功能观测器，通过控制变量估计来诊断传感器故障[13]。类似地，AMESim 等仿真平台[14]被广泛用于复现系统行为，并通过仿真与测量的对比来检测异常。这些方法具有较强的可解释性与故障可追溯性，但严重依赖于系统模型的可得性与准确性。对于存在参数不确定性与工况变化条件的非线性液压系统，构建高保真模型仍然具有挑战性。知识驱动方法利用专家经验、逻辑规则与诊断知识库来识别故障源[15]。此类方法通常根据工程知识与系统运行特性建立故障诊断规则[16]。近期，有研究提出将逻辑规则与图学习相结合的混合推理框架，以提升工业过程中的故障识别能力[17]。例如，Wang 等人开发了一种基于逻辑规则的图神经网络框架，将专家知识与数据驱动表示相结合，用于混合工业系统[18]。这些方法可解释性较好，且所需的训练数据相对较少。然而，其有效性高度依赖于专家知识的完备性[19]。随着系统结构日益复杂，人工维护与更新诊断规则变得困难，导致其对新兴故障模式及跨子系统故障传播场景的适应能力有限。在人工智能进展的推动下，数据驱动故障诊断方法日益受到关注[20]。卷积神经网络与循环神经网络在自动特征提取与故障模式识别方面表现出色[21]。图神经网络（GNN）在复杂工业诊断中进一步脱颖而出，因为它们能够天然地建模传感器与组件之间的交互关系[22]。Chen 等人提出了一种感知交互的 GNN，用于捕捉工业过程中的变量交互[23]。Jia 等人引入了拓扑引导的图学习，以增强物理一致性与可解释性[24]。此外，因果干预和解耦 GNN 等因果图学习策略也被开发出来，以提升复杂交互下的故障识别能力[25]。尽管取得了这些进展，但大多数基于图的方法是根据相关性或拓扑结构而非物理能量传输机制来构建图的，所产生的故障路径与液压系统的动力学特性不一致[26]。GNN 通过图建模捕捉组件之间的结构依赖关系，使其成为复杂系统故障诊断的有力工具。然而，大多数现有方法依赖于统计相关性而非真实的能量传输机制。这导致液压系统因果能量流特征无法得到充分利用，从而降低了诊断结果的可靠性与可解释性。为解决由强系统耦合导致的故障源定位难题，本研究提出了一种新颖的因果流感知图神经网络（CFAGNN）。该框架建立在键合图物理拓扑之上，能够实现液压系统的精确故障识别与可解释的故障追溯。1. 提出一种新颖的键合图引导的图构建策略，以连接数据驱动图学习与液压系统中的实际能量传输机制。将能量传输定律与功率守恒编码为硬约束，为数据驱动学习提供精确的物理指导。2. 设计了一种因果流注意力（CFA）机制，以使注意力权重与液压系统的能量传播对齐。该机制采用因果掩码与功率流先验，消除纯数据驱动模型固有的非物理推断。3. 建立了 CFAGNN 框架，用于强子系统耦合条件下的可解释故障诊断与故障源定位。该框架联合优化分类性能与物理一致性，实现了更高的诊断精度与更好的可追溯性。本文结构安排如下：第 2 节阐述理论基础与建模方法，包括功率键合图的构建与物理约束。第 3 节详细介绍所提出的 CFAGNN 框架。第 4 节展示在真实挖掘机运行数据集上的实验验证。第 5 节总结本文的核心贡献并展望潜在的未来研究方向。## 章节片段### 液压系统的物理拓扑结构挖掘机作为典型的液压系统，集成了机械、液压与电气多个领域。高功率密度与精确控制的协同，使其成为不可或缺的工程设备，具有复杂耦合的体系架构，有助于研究多能系统中的复合故障诊断。挖掘机面临多样的工况。在采矿中，反复的重型矿石提升使动臂与液压缸承受高压冲击，### 因果流感知图神经网络为实现复合故障的精确根源诊断，本节提出 CFAGNN 框架。通过在键合图结构上融合数据驱动学习与物理约束，CFAGNN 实现了流感知处理，以捕捉故障传播，并实现物理融合以增强模型完备性，如图 5 所示。### 实验设置本研究使用的原始数据由从挖掘机液压系统中采集的多通道监测信号构成，采样间隔为 10 秒。该数据集涵盖两年连续的满工况数据，并包含诊断任务的四种分类标签：正常样本、液压系统故障、动力系统故障和电气系统故障。所有真实标签均源自官方维护记录，其中记录了确切的### 结论本文提出了一种嵌入功率键合图的 CFAGNN 框架，用于复杂挖掘机液压系统的智能故障诊断。本研究基于键合图拓扑构建系统感知的图结构，以显式挖掘液压传感器节点之间的动态耦合特性。设计了拓扑感知正则化损失与能量一致性约束，以优化网络的前向传播与参数推断。结合### CRediT 作者贡献声明高慧伟：原稿撰写、验证、方法论、数据管理。霍鑫：审稿与编辑、监督、资金获取。孟蛟：验证、方法论、调查研究。何长春：验证、方法论、调查研究。### 利益冲突声明作者声明，他们没有已知可能影响本文所述工作的竞争性经济利益或个人关系。### 致谢本工作得到了国家自然科学基金的资助（批准号 62373128）。---作者：高慧伟 | 霍鑫 | 孟蛟 | 何长春