面向航空液压系统电磁干扰环境的直驱电磁阀故障诊断深度注意力框架设计与实现

 

摘要：直驱电磁阀（Direct Drive Solenoid Valve, DDSV）作为航空液压系统的关键执行元件，其运行稳定性直接关系到飞行器的安全性与可靠性。然而，DDSV在实际服役环境中面临强电磁干扰、压力脉动、机械振动及温度漂移等多源噪声耦合，导致传感器信号呈现非高斯性、非平稳性和分布动态变化特征，传统数据驱动故障诊断方法的鲁棒性严重不足。针对这一难题，本文提出了一种基于注意力感知权重机制的鲁棒故障诊断方法。该方法首先采用投影梯度下降法（Projected Gradient Descent, PGD）生成贴合实际工况的干扰样本，以模拟复杂电磁干扰环境；在此基础上，构建深度神经网络（DNN）与注意力感知模块（Attention Perception Module, APM）的协同训练框架，通过APM动态感知样本特征响应并自适应调整训练权重，实现关键样本的精准聚焦与干扰样本的有效利用。搭建了航空电磁阀故障诊断验证实验平台，系统采集了正常工况、传感器故障、机械故障、电气故障、磨损故障及复合故障等六种运行状态数据。实验结果表明，所提方法在干扰条件下的诊断准确率达到97%以上，召回率和F1-score均保持在97%~98%，在训练效率、收敛稳定性及权重分配均衡性等方面均显著优于传统加权策略。本研究为复杂电磁环境下航空液压系统关键部件的可靠故障诊断提供了有效的技术路径。

关键词：直驱电磁阀；航空液压系统；故障诊断；注意力机制；投影梯度下降；鲁棒训练

一、直驱电磁阀抗噪故障诊断方法研究

1.1 直驱电磁阀在航空液压系统中的关键作用

直驱电磁阀（DDSV）是航空液压系统中实现电液信号转换与流量压力精确控制的核心执行元件。在飞机飞控系统、起落架收放系统、刹车系统及推力矢量控制系统等关键部位，DDSV通过比例电磁铁直接驱动阀芯产生轴向位移，从而精确调节阀口开度，实现对油液流量与压力的连续控制。与传统先导式伺服阀相比，直驱式结构具有响应快、抗污染能力强、可靠性高等显著优势，因此在现代航空液压系统中得到了广泛应用。

然而，航空液压系统的工作环境极为苛刻。DDSV在服役过程中不仅承受高压、高温和大流量冲击，还面临强电磁干扰、机体结构振动、压力脉动以及温度漂移等多源噪声的持续作用。这些复杂工况导致传感器采集的运行信号呈现显著的非高斯性、非平稳性和分布动态变化特征，使得基于理想测量条件建立的故障诊断模型在实际部署中容易出现性能退化甚至误判，严重制约了其工程可用性。因此，面向DDSV的鲁棒故障诊断技术研究对于保障航空液压系统的安全运行具有重要的理论意义与工程价值。

1.2 直驱电磁阀故障诊断方法研究现状

直驱电磁阀的故障诊断方法经历了从机理模型到数据驱动、从浅层学习到深度学习的演进历程。

在早期研究中，基于结构特性和工作机理推导的机理模型是故障诊断的主要手段。研究人员通过建立电磁阀的电磁场模型、流体动力学模型及阀芯运动学模型，分析不同故障模式下的系统响应特性。然而，机理模型高度依赖精确的物理参数和边界条件，在面对实际工况中的不确定性和非线性时泛化能力有限。

随着信号处理技术的发展，基于信号统计特征提取的传统故障模式分类方法得到了广泛应用。研究人员通过采集驱动端电流信号、振动信号及压力信号，运用经验模式分解、小波变换等方法提取故障特征，再结合支持向量机、多核学习向量机等分类器实现故障识别。Liu等基于驱动端电流检测开展了电磁阀故障诊断技术研究，探索了基于“熵-故障”的典型故障诊断方法。Guo等基于振动信号测量提出了液压电磁阀的故障诊断方法。这类方法在一定程度上实现了故障的自动识别，但特征提取过程仍然依赖人工经验和领域知识，难以充分挖掘海量监测数据中的深层故障信息。

近年来，随着传感器技术和数据获取能力的显著提升，基于数据驱动的深度学习方法逐渐成为故障诊断领域的主流范式。深度学习模型凭借其强大的自动特征提取和端到端学习能力，在故障模式识别与复杂关系建模方面展现出显著优势。卷积神经网络（CNN）被广泛应用于故障特征的空间维度提取，循环神经网络（RNN）及长短期记忆网络（LSTM）则擅长捕捉时序依赖关系。Gao等提出了层次训练的CNN以有效解决复杂设备故障数据不平衡问题；Men等提出的AIM-OBLS方法通过自适应不平衡修正与增量学习显著提升了复杂系统的故障诊断性能。针对旋转机械故障诊断，Liu等提出的MsFT多传感器融合Transformer展现了在强噪声条件下的高鲁棒性与准确性。在电磁阀故障诊断领域，研究人员提出了基于时序注意力图LSTM（TA-GraphLSTM）的故障诊断模型，通过融合图神经网络与时序注意力机制实现了变量间关系的准确表征。此外，基于卷积自编码器的液压电磁阀故障诊断方法也被证明具有良好的诊断效果。

在鲁棒故障诊断方面，研究者们从噪声建模增强和鲁棒性训练优化两个方向展开了探索。噪声建模增强方法通过高斯噪声注入、工况扰动模拟及分布偏移建模等方式扩展训练集，以提升模型抗噪声能力。鲁棒性训练优化则借鉴对抗训练思想，通过生成干扰样本进而提升模型的抗干扰能力。Castejón-Limas等提出了一种处理离群值的新策略以增强模型对异常数据的抵抗能力；Yang等提出了基于学生t分布和粒子滤波的鲁棒非线性系统辨识方法。然而，传统噪声注入方法难以覆盖真实场景中的多源非高斯扰动，且在引入噪声增强的同时往往面临分类精度下降的困境。

1.3 复杂噪声干扰下面临的核心挑战与本文贡献

尽管现有研究在电磁阀故障诊断方面取得了显著进展，但在复杂航空液压环境下的鲁棒故障诊断仍面临以下核心挑战：

挑战一：多源噪声的统计未知性与时变特征。DDSV系统中的电磁阀所处的真实航空液压环境存在强电磁干扰、压力脉动、机械振动、温度漂移以及执行机构耦合扰动等多源噪声影响。这些噪声呈现统计未知性和显著时变特征，使得依赖噪声先验的深度诊断方法难以适用。

挑战二：样本敏感性的差异化处理需求。不同样本在特征空间中的扰动敏感性存在显著差异。如果在训练过程中未能区分“高敏感关键样本”与“稳定样本”，模型则无法在准确的位置进行鲁棒性强化。

挑战三：鲁棒性与分类精度的内在矛盾。大多数鲁棒训练方法采用样本等权处理策略，未能有效区分深度特征空间中对噪声敏感的关键样本，导致在提升抗干扰能力的同时不可避免地面临分类精度下降的问题。

针对上述挑战，本文提出了一种基于注意力增强深度神经网络的航空液压直驱电磁阀抗噪故障诊断方法。本文的主要贡献如下：

提出了基于PGD的干扰样本生成策略，能够模拟实际航空液压环境中多源、非高斯干扰的干扰样本，在特征空间中与原始样本保持高度相似性；

开发了APM与DNN协同训练框架，通过感知特征变化量化样本可靠性并自适应调整训练权重，有效缓解传统鲁棒训练方案中样本等权处理导致的性能下降问题；

搭建了模拟航空液压系统工作环境的DDSV实验测试平台，支持典型故障注入与多工况数据采集，为方法验证提供了完备的实验环境。

二、电磁阀故障诊断实验与数据采集

2.1 实验平台总体架构

为系统研究航空电磁阀在复杂工况下的故障诊断问题，搭建了一套专用的DDSV实验测试平台。该平台严格遵循航空液压系统的工作规范，主要由液压缸、DDSV阀体、截止阀、液压泵、油箱、比例电磁铁、单向阀和液压油冷却器等核心部件组成。

DDSV内部的比例电磁阀是整个实验平台的核心研究对象。该阀采用比例电磁铁直接驱动阀芯结构，公称通径为6 mm，最大工作压力315 bar，额定流量40 L/min。驱动单元额定吸力为85 N，额定工作电流为2.5 A，线圈采用直径0.67 mm的裸铜电磁线绕制，匝数为600匝。在直驱结构中，阀芯位移可由输入电信号直接控制，输入电信号与阀芯运动之间呈可预测的对应关系，这一特性便于实验数据采集与故障诊断分析。

2.2 多通道信号采集与监测参数

在实验过程中，通过控制器向比例电磁阀施加控制指令，并对系统运行状态进行多通道同步采集。采集信号体系涵盖以下三类关键参数：

电磁驱动与阀芯状态信号：包括阀芯给定位置、阀芯实际位置、阀驱动电流反馈等。这些信号直接反映电磁阀的电磁转换效率与阀芯运动响应特性。

执行机构运动状态信号：包括油缸位置、油缸速度等。这些参数表征液压执行机构的动态响应性能。

液压系统关键压力参数：包括A口压力、B口压力和系统压力，同时记录系统运行温度作为辅助工况信息。

实验分别在阀闭环控制模式和阀控缸控制模式下开展，并施加不同激励波形（正弦波和三角波）以及多种工作频率（1 Hz、5 Hz和10 Hz），以覆盖航空电磁阀在实际服役过程中可能经历的多样化运行工况和动态响应特征。

2.3 典型故障模式注入与数据集构建

为构建完备的故障诊断数据集，本文系统性地模拟并注入了多种典型故障模式。数据集覆盖六种运行状态，具体如下：

正常工况：系统各部件运行完好，作为基准对照状态。

传感器故障：主要表现为线性可变差动变压器（LVDT）的零点偏移和增益异常，导致阀芯位置反馈信号失真。

机械故障：对应阀芯卡滞等运动受限工况，表现为阀芯运动阻力异常增大或完全卡死。

电气故障：表现为比例电磁铁性能退化引起的驱动力不足，包括线圈匝间短路、绝缘老化等。

磨损故障：描述阀芯及相关部件的渐进式磨损过程，表现为配合间隙增大、内泄漏增加等。

复合故障：表示多种单一故障在同一工况下的叠加情形，如电气故障与机械故障同时发生。

通过上述系统性的故障注入，本文构建了一个涵盖单故障与复合故障、涵盖不同工况条件与激励模式的完备故障诊断数据集，为后续深度学习模型的训练与验证提供了坚实的数据基础。

三、基于注意力感知的鲁棒故障诊断

3.1 方法整体框架

本文提出的注意力感知鲁棒深度神经网络（Attention-enhanced Robust Deep Neural Network）旨在解决工业环境复杂电磁干扰与传感器噪声下的电磁阀鲁棒故障诊断问题。该框架的核心包括三个模块：数据预处理模块、基于PGD的干扰样本生成器，以及DNN与APM的协同训练模块。

数据预处理模块通过标准化与时序重构对原始多变量运行信号进行处理，以减少不同量纲和工况差异对模型训练的影响，构建统一的时序输入样本。

PGD干扰样本生成器用于生成模拟真实航空液压环境中电磁干扰的干扰样本。这些干扰样本与原始样本混合后，构成一个包含复杂电磁干扰因素的混合样本集。在训练阶段，这些样本显式地引入了复杂的环境干扰因素，提升了模型在复杂工况下的鲁棒性和诊断能力。

APM模块为混合样本动态分配权重，结合参数共享机制引导DNN提取抗干扰的故障特征，提升模型在实际应用场景中的诊断可靠性。该框架通过协同训练的方式，确保了DNN在面对干扰时能够维持稳定的故障诊断性能。

3.2 数据预处理流程

为保障后续鲁棒训练的有效性，需对原始多变量运行信号进行系统的标准化预处理，具体包含以下四个步骤：

步骤1：多变量特征筛选。根据试验台传感器布置及物理意义，从原始监测信号中选取阀芯位移、驱动电流、油缸位置与速度、A/B口压力、系统压力及温度等关键变量，构成原始输入特征向量。

步骤2：数据标准化处理。对特征进行标准化建模，消除不同物理量纲和量级差异对模型训练的影响。

步骤3：滑动时间窗建模。考虑到航空电磁阀运行信号具有显著的时序依赖特性，采用滑动时间窗对标准化后的信号进行重构，将时序动态信息编码至输入样本中。

步骤4：数据集划分。在完成时序样本构建后，按照训练集、验证集和测试集分别占全部样本的80%、10%和10%的比例进行划分，确保模型训练、超参数调优和最终性能评估的独立性与客观性。

3.3 DNN-APM协同训练机理

协同训练策略采用两阶段渐进式方式，兼顾基础特征学习与鲁棒性增强的双重目标。

第一阶段：预训练阶段。仅利用原始样本对DNN特征提取器进行预训练，使网络学习基础故障模式与原始数据分布特征，获得稳定的初始参数。这一阶段的目标是建立可靠的故障特征基线和分类决策边界。

第二阶段：联合训练阶段。引入PGD生成的干扰样本，通过冻结或共享特征提取结构，引入APM模块与DNN进行联合训练。在该阶段中，DNN负责提取样本特征，APM基于特征响应生成对应的样本权重，并将权重反馈至损失函数，从而在参数更新过程中动态调节各样本的梯度贡献。

在结构设计上，DNN特征提取器包含两层全连接层、ReLU激活函数以及输出层全连接分类层。APM为轻量级注意力网络，其输入为DNN提取的特征向量，输出为每个样本的注意力权重。通过协同训练，APM生成的权重能够引导DNN在扰动存在时合理分配学习资源，使模型在训练中兼顾原始样本与干扰样本的贡献，从而实现对复杂干扰信号的自适应鲁棒性。

DNN-APM协同训练策略的核心优势在于：通过预训练建立稳定的特征基础，利用APM的自适应注意力机制在干扰样本存在时动态调整样本训练贡献，从而提高模型对复杂干扰环境下特征的区分能力。该策略在训练过程中增强了特征提取的稳定性，并促进了模型对不同样本类型的均衡利用，为航空电磁阀故障诊断任务提供了一种可实施的算法框架。

四、实验结果与分析

4.1 实验设置与故障诊断性能分析

为评估所提出方法在故障诊断任务中的性能，本节基于原始样本与PDG干扰样本给出了模型的混淆矩阵及关键指标（Accuracy、Recall、F1-score）。实验结果显示，在PDG干扰引入前后，整体诊断准确率均可达到97%，Recall和F1-score亦均保持在97%~98%。这一结果表明，在加入PDG扰动后，本文所提出的方法在各类故障的识别能力上未出现明显的系统性误判趋势，在干扰条件下能够保持稳定的类别判别边界，对不同类型故障具有一致的鲁棒识别能力。

与现有方法相比，本文方法在干扰条件下的性能优势尤为突出。在深度学习模型诊断准确率超过90%的基准条件下，传统方法在引入对抗样本后平均准确率下降显著；而本文方法通过PDG-APM协同训练机制，即使在干扰样本条件下仍能维持接近原始样本的诊断性能，充分验证了所提方法在复杂电磁干扰环境下的有效性与可靠性。

4.2 训练性能与收敛情况分析

为评估所提出方法在训练过程中的效率与稳定性，基于训练损失曲线进行了深入分析。该方法在训练初期表现出快速的损失下降趋势，在前20个训练轮次内损失迅速降至0.5以下。同时，在训练收敛阶段，损失曲线的波动范围约为±0.08，显示出更高的训练稳定性和较小的梯度震荡。

这一优异的训练性能可归因于两阶段协同训练策略的有效性：预训练阶段为模型提供了良好的初始参数，避免了从零开始的盲目搜索；联合训练阶段中APM的自适应权重调节机制有效平滑了梯度更新过程，抑制了干扰样本引入可能导致的训练震荡。

综合上述分析可知，本文所提出的方法不仅在故障诊断性能上优于对比方法，还在训练效率和收敛稳定性方面表现出明显优势，为模型在实际工业数据上的快速部署提供了可靠保障。

4.3 加权策略对比分析

为了系统评估不同样本加权策略的权重分配特性，本文对三种策略（LPS、PM、APM）在原始样本与PDG干扰样本上的表现进行了对比分析。权重数值反映各样本在训练过程中的相对贡献大小，颜色或分布越集中的区域表示该策略对相应样本赋予了更高的训练关注度。

通过分析三种策略在样本空间中的权重可视化分布可知，各策略在样本权重分配上呈现显著差异：

PM策略在高权重区域主要集中于少数干扰样本，导致模型过度关注特定干扰模式而忽视其他样本类型，容易引发过拟合风险。

LPS策略则相对偏向原始样本，对干扰样本的关注不足，限制了模型抗干扰能力的提升。

APM策略在原始样本与干扰样本之间形成了更为连续和平滑的权重分布，既避免了少量干扰样本权重过度放大的风险，又保证了关键样本在训练中的有效关注。

APM策略的这种平衡性源于其基于特征响应的自适应调节机制：APM通过感知样本在深度特征空间中的分布特性，动态计算每个样本的注意力权重，使得权重分配既能够突出对模型鲁棒性至关重要的关键样本，又能够避免对特定样本类型的过度聚焦。

4.4 实验结果综合讨论

综合上述实验结果，可以得出以下核心发现：

第一，PDG干扰生成机制的有效性。PGD生成的扰动样本较好地保持了原始数据的分布特性，使得模型能够在不改变原始数据特征的前提下引入复杂电磁干扰因素，从而增强了模型在复杂环境中的鲁棒性。这一发现验证了对抗训练思想在工业故障诊断领域的适用性。

第二，APM权重分配策略的优越性。APM策略通过自适应地关注关键样本，避免了对少数干扰样本权重的过度集中，同时确保了重要样本在训练中的有效性。这种平衡性使得模型在处理干扰样本时能够保持良好的分类性能，在鲁棒性与分类精度之间实现了有效折中。

第三，协同训练框架的整体效能。DNN-APM协同训练框架通过预训练建立基础、联合训练强化鲁棒的两阶段策略，在诊断准确率、训练效率和收敛稳定性等多个维度上均展现出优异性能。这一结果表明，将注意力机制引入鲁棒训练框架能够有效解决传统方法中鲁棒性与精度难以兼顾的困境。

然而，实验中也观察到本文方法在面对全新故障类型时仍可能存在一定的鲁棒性下降，这表明模型在应对未知故障时的适应能力仍有待提升。

 

五、结论与展望

5.1 研究结论

本文针对航空液压直驱电磁阀在强电磁干扰与多源噪声耦合下面临的故障诊断鲁棒性不足问题，提出了一种基于注意力增强深度神经网络的抗噪故障诊断方法。通过理论分析与实验验证，得出以下主要结论：

干扰样本生成策略的有效性。所提出的PGD干扰样本生成策略能够有效模拟实际工况下的多源干扰特性，生成在特征空间中与原始样本高度相似的干扰数据，为模型鲁棒训练提供了具有代表性的干扰样本。

协同训练机制的优越性。APM与DNN的协同训练机制通过注意力感知实现样本可靠性的自适应量化，在突出关键样本的同时抑制权重失衡，显著提升了模型在复杂干扰条件下的诊断稳健性。实验结果表明，该方法在干扰条件下的诊断准确率可达97%以上，召回率和F1-score均保持在97%~98%。

实验平台的有效支撑。搭建的航空电磁阀实验测试平台支持典型故障注入与多工况数据采集，覆盖正常工况、传感器故障、机械故障、电气故障、磨损故障及复合故障等六种运行状态，为方法验证提供了完备的实验环境。

5.2 未来展望与技术挑战

尽管本文方法在复杂电磁干扰下的航空电磁阀故障诊断任务中表现优异，但仍存在以下值得深入探索的方向：

（1）跨故障迁移学习。本文方法在面对全新故障类型时仍可能存在一定的鲁棒性下降，这表明模型在应对未知故障时的适应能力仍有待提升。未来可以结合跨故障迁移学习方法，将不同类型故障的知识迁移至新故障上，从而减少性能下降。

（2）多场景泛化能力。结合多场景泛化策略，有助于提升模型在不同工业环境中的适应性，使其在复杂的工程场景中表现得更加稳定可靠。

（3）轻量化部署。面向机载嵌入式系统的实际部署需求，如何在保证诊断精度的前提下实现模型的轻量化压缩与加速推理，是未来工程化应用的关键技术挑战。

（4）在线自适应学习。航空液压系统的工况条件随飞行阶段动态变化，如何实现模型的在线自适应更新与持续学习，以应对工况漂移和渐进性故障演化，是提升方法工程实用性的重要方向。

综上所述，本文提出的基于注意力增强深度神经网络的航空液压直驱电磁阀抗噪故障诊断方法，为解决复杂电磁环境下的关键部件可靠诊断问题提供了有效的技术路径，研究成果对于提升航空液压系统的安全性、可靠性与智能化水平具有重要的理论意义与工程应用价值。

 

湖南泰德航空技术有限公司于2012年成立，多年来持续学习与创新，成长为行业内有影响力的高新技术企业。公司聚焦高品质航空航天流体控制元件及系统研发，深度布局航空航天、船舶兵器、低空经济等高科技领域，在航空航天燃/滑油泵、阀元件、流体控制系统及航空测试设备的研发上投入大量精力持续研发，为提升公司整体竞争力提供坚实支撑。

公司总部位于长沙市雨花区同升街道汇金路877号，株洲市天元区动力谷作为现代化生产基地，构建起集研发、生产、检测、测试于一体的全链条产业体系。经过十余年稳步发展，成功实现从贸易和航空非标测试设备研制迈向航空航天发动机、无人机、靶机、eVTOL等飞行器燃油、润滑、冷却系统的创新研发转型，不断提升技术实力。

公司已通过 GB/T 19001-2016/ISO 9001:2015质量管理体系认证，以严苛标准保障产品质量。公司注重知识产权的保护和利用，积极申请发明专利、实用新型专利和软著，目前累计获得的知识产权已经有10多项。湖南泰德航空以客户需求为导向，积极拓展核心业务，与国内顶尖科研单位达成深度战略合作，整合优势资源，攻克多项技术难题，为进一步的发展奠定坚实基础。

湖南泰德航空始终坚持创新，建立健全供应链和销售服务体系、坚持质量管理的目标，不断提高自身核心竞争优势，为客户提供更经济、更高效的飞行器动力、润滑、冷却系统、测试系统等解决方案。