近日，我院机械工程专业硕士研究生杨骏在海洋油气装备智能故障诊断方向取得重要进展，相关研究成果《数字孪生辅助的液压系统智能故障诊断方法》(A digital twin-assisted intelligent fault diagnosis method for hydraulic systems)发表在《Journal of Industrial Information Integration》上。《Journal of Industrial Information Integration》是工业信息集成领域的国际知名期刊，目前影响因子为10.4，杨骏为该论文的第一作者，通讯作者为蔡宝平教授，中国石油大学（华东）为第一署名单位和唯一通讯单位。该研究得到了国家重点研发计划、国家自然科学基金、工信部高技术船舶科研项目、山东省杰出青年基金以及“泰山学者”项目的联合资助。
论文首页
随着智能技术的发展，海洋设备故障诊断变得更加迫切。然而，复杂工程系统中的故障诊断往往面临准确性和可靠性的挑战。为应对这些问题，该研究提出了一种数字孪生辅助的故障诊断框架。该框架利用Modelica构建的虚拟模型，并通过一种双向数据一致性评估机制将其与真实数据相集成。优化后的双数据用于训练多通道一维卷积神经网络门控递归单元(MC1DCNN-GRU)联合模型，从而有效捕捉时空特征以提升故障检测精度。
数字孪生辅助的故障诊断框架
该方法不仅增强了诊断精度，相比主流方法显著提高了诊断性能。结果表明，经优化的虚拟数据的均方误差与未优化情况相比降低了约38.41%。MC1DCNN-GRU方法的故障诊断准确率达到95.62%，而现有方法在类似条件下的准确率<93%。值得注意的是，即使在数据稀缺或不完整的情况下，该模型仍表现出稳健的性能，准确率提高了12%。这些发现表明，DT辅助故障诊断框架不仅优于现有模型，而且还为复杂工程系统中的预测性维护提供了可扩展且可靠的解决方案。它能够处理不充分和不一致的数据，使其成为液压控制系统等关键系统故障检测的宝贵工具。
