在有限的机载信号采集条件下，通过增强跨域信号处理和基于物理原理的解析方法，对飞机刹车控制阀的故障进行诊断

《COMPUTERS IN INDUSTRY》：Enhanced cross-domain signal and physics-based interpretation for fault diagnosis of aircraft brake control valve under limited onboard signal acquisition

制动控制阀故障诊断中高维映射与注意力机制融合研究提出基于变分自编码器（VAE）与双向长短期记忆网络（Bi-LSTM）的融合框架，通过隐式映射与先验知识结合增强特征维度，结合时间自适应权重分配机制与非周期信号捕捉的多头空间注意力机制，显著提升制动控制阀故障分类准确率至96%以上，优于传统六种经典网络模型5%。

　　航空领域中，飞机刹车系统对于飞行安全至关重要。作为该系统的核心组件，刹车控制阀（Brake Control Valves, BCVs）的准确性和及时性诊断是提升飞行安全和运营效率的关键因素。目前，航空公司主要依赖制造商提供的诊断手册来进行此类诊断。这些方法是在飞机设计和开发阶段由原始设备制造商（Original Equipment Manufacturer, OEM）通过分析流程开发的。

在液压系统故障诊断方面，方法可以分为两大类：基于模型的方法和数据驱动的方法（Xu et al., 2024; Hou et al., 2023; Qiu et al., 2023; Chen et al., 2024）。基于模型的方法通常由制造商或OEM在飞机设计和开发过程中实施。这些方法需要安装传感器，并通过台架测试和飞行试验验证其可靠性。这些方法能够捕捉全面且准确的信号，以及详细的故障特征。然而，由于大规模部署传感器的成本较高（Tucker et al., 2010），商业航班通常简化其传感器配置。因此，在构建物理模型过程中所需的各种变量和飞行条件数据的收集受到限制，这在一定程度上阻碍了基于模型方法在工程应用中的使用。

相比之下，近年来数据驱动的深度学习方法在故障诊断中展现出显著优势。然而，深度学习模型的准确性往往受到可用样本数量和完整性的限制（Li et al., 2024）。民用飞机上的快速存取记录器（Quick Access Recorder, QAR）记录了相关飞行性能参数，成为分析飞机事件和性能状态的关键数据来源，同时也为机载设备故障诊断提供了数据基础（Chen and Wang, 2023; Raza et al., 2023）。然而，由于QAR信号采集有限，通过数据表达的飞行故障特征也受到限制。飞行测试数据对于分析机载设备性能具有重要价值，并强烈支持飞机性能数据的扩充（Haywood-Alexander et al., 2024）。整合多源数据可以弥补数据不足，已被证明是提升数据驱动深度学习方法效果的有效策略（Wu and Li, 2024; Chao et al., 2022）。

然而，当采用数据驱动的深度学习方法时，传统深度学习模型往往面临可解释性问题，导致模型成为“黑箱”。近年来，可解释神经网络及相关方法在故障诊断领域受到广泛关注（Hassija et al., 2024; Bodria et al., 2023）。这些方法将物理特征信号纳入网络模型，明确了训练过程对分析结果的影响。这在很大程度上有助于理解各种故障模式的特征，从而推动数据驱动故障诊断技术的发展。

本研究的动机在于利用真实飞机运行数据，以解决传统基于模型的故障诊断方法在工程应用中存在转移能力和适应性不足的问题。此外，研究还旨在应对航空运营过程中遇到的实际挑战，包括刹车控制阀故障样本的稀缺性以及在故障事件中飞机运行条件传感器数据的有限性。

基于深度学习的故障诊断方法在研究中受到广泛关注，并主要分为两类：数据增强方法和集成故障诊断建模方法。数据增强方法通过生成更具信息量的嵌入特征数据来提高飞机机载系统性能分析的准确性（Zolghadri, 2024; Iglesias et al., 2023）以及其他复杂设备的分析效果（Li et al., 2025; Kim et al., 2023）。这些嵌入特征数据来源于先验知识或现有模型。例如，生成对抗网络（Generative Adversarial Networks, GANs）（Goodfellow et al., 2017）和变分自编码器（Variational Autoencoders, VAEs）（Kingma and Welling, 2013）擅长从历史数据中提取抽象特征。由于它们具有灵活的网络结构和强大的非线性逼近能力，这些算法在生成故障样本方面表现出色。Zhou et al.（2023）和Liang and Zhou（2023）通过结合大量未标记数据与有限标记数据，分别使用GANs和自编码器成功提高了齿轮和轴承的故障检测性能。此外，Li et al.（2024）通过自适应聚类加权过采样（Adaptive Clustering Weighted Oversampling, ACWOS）技术解决了轴承故障样本的不平衡问题。然而，GANs在过采样场景下可能会面临模式崩溃和过拟合的问题，而VAEs在无监督学习中则提供了更高的稳定性，能够生成更现实的样本。

除了深度学习技术，传统的动态分析和数值模拟也在数据增强中发挥着重要作用。动态分析通过研究物理参数如阀门质量、流量和压力的动态响应，利用这些响应来创建扩展的特征集。然而，这种方法在适应飞机运行条件的复杂性方面存在困难，常常导致数据增强结果不收敛（Navarro and Goes, 2018）。数值模拟则通过求解偏微分方程，结合物理模型、几何参数和边界条件，近似控制阀的响应特性（Wen et al., 2024; Qian et al., 2019）。然而，这种方法通常需要对输入参数进行大量假设，使得模型分析变得困难。

飞机刹车控制阀在航空飞行中的故障特征与飞行测试中的特征相似，但由于信号维度的差异，数据存在异构性。有效的信息整合和提取依赖于合适的机器学习算法（Kamm et al., 2023）。然而，在使用异构数据集进行数据增强时，不当的整合可能导致误差累积，从而在生成样本中丢失关键特征，甚至引发模式崩溃（Shao et al., 2019）。

本研究提出了一种直接将原始数据输入深度学习模型进行训练的方法，已被证明是进行性能分析和故障诊断的有效手段。基于深度学习模型训练刹车控制阀的性能参数可以捕捉系统样本中的高精度特征表示。然而，这些模型需要在网络结构中包含专门模块来处理与目标任务相关的关键特征。这些模块通过经验或物理知识进行引导，从而增强模型对应用关键特征的准确表示能力。

例如，Zhang et al.开发了一种配备高效自注意力块的编码器，以解决长期时间序列建模中的全局信息提取和过拟合问题（Zhang et al., 2024）。Diallo et al.引入了一种基于自动注意力机制的创新多视图深度嵌入聚类（Multi-View Deep Embedding Clustering, MDEC）模型，以减少计算需求（Diallo et al., 2023）。然而，这些模型往往针对特定情境进行设计，限制了它们在跨领域故障分类任务中的应用。

为了应对诸如传感器数据不完整、识别信号采集重要性困难以及忽视异常点等问题，许多研究人员实施了增强数据增强和优化深度学习网络结构的策略，以开发能够捕捉关键信息的特征提取器，从而全面提高故障诊断性能。例如，Dong et al.（2024）提出了多尺度动态监督对比学习（Multi-Scale Dynamic Supervised Contrastive Learning, MDSupCon）方法，该方法结合了联合通道-空间注意力机制，提高了在不平衡样本中捕捉关键故障信息的能力。Sun et al.（2022）提出了一种故障诊断方法，利用数学模型插补和修改后的深度残差收缩网络，以提高在变量条件和缺失数据下数据驱动模型的鲁棒性。Rivas et al.开发了一种数据生成方法和半经验退化模型，以重现泵轴承的特征故障频率，并建立了故障诊断的预测性维护框架（Rivas et al., 2024）。

大多数现有方法关注的是相邻时间点特征的时间依赖性。然而，面对刹车控制阀的飞行数据，故障特征在多维信号中表现出不同的时间响应，且精确对齐时间点是一个挑战。此外，信号通道对故障模式的影响随着时间变化。双向长短期记忆网络（Bidirectional Long Short-Term Memory, Bi-LSTM）因其双向机制，在特征提取方面表现出色。

尽管深度学习技术在数据增强和故障诊断模型开发中展现出巨大潜力，但在其泛化和可解释性方面仍存在挑战。本研究旨在利用两种方法的优势，通过以下创新解决方案来解决刹车控制阀故障特征识别中的困难：

**动机：** 在飞机设计完成后，传感器数量的限制使得无法全面捕捉所有反映设备状态的关键参数。在复杂的运行条件下，信号采集的不完整性成为固有缺陷，阻碍了对高度非线性故障模式的识别。如图1所示，飞行测试和航空飞行之间在信号采集量上存在显著差异。

**方法：** 为了提高刹车控制阀关键性能状态信号的完整性，本研究提出利用VAE模型，将航空飞行的机载信号与飞行测试的高维机载信号相结合。这种映射能够将低维样本转换为高维样本，从而显著增加故障样本的特征维度。经过增强后，各种物理信号保持较强的独立性，并有效避免了维度灾难。

**动机：** 飞机刹车控制阀作为一种电磁阀，其结构和功能与其他飞机部件和复杂设备存在差异。阀体受到飞机外部环境载荷的影响，如振动和腐蚀，而内部则承受液压油的影响。阀芯由包括电磁线圈和弹簧在内的组件驱动。由于这些内部和外部载荷的复杂性，即使增加了物理信号的采集，多维信号的重要性也可能发生变化，且在运行过程中常常忽视非周期性的相似信号。传统的动态分析和数值模拟在准确识别多维信号和退化时间方面存在困难。此外，机载传感器生成的大量数据对人工提取故障特征构成了挑战。

**方法：** 为了解决多维信号重要性排序和忽视非周期性相似信号的问题，本研究设计了一种基于时间序列特征提取方法的自适应权重分配机制。该机制在时间与空间维度上分配故障特征的权重，从而能够精确捕捉不同时间点的机载物理信号故障特征。

本研究旨在通过数据特征增强和特征提取器来提升刹车控制阀的状态基故障诊断准确性，提出了改进样本区分性和建模区分性的方法。具体贡献如下：

**a）航空飞行信号的窄带宽：** 利用生成模型和先验知识，本研究引入了两种技术来增强刹车控制特征。通过将航空飞行数据映射到飞行测试的高维空间，故障样本的特征维度显著增加。增强后，各种物理信号保持较强的独立性，并有效避免了维度灾难。

**b）被忽视的非周期性相似信号和信号重要性：** 为了解决刹车控制过程中液压脉动、控制命令和反馈延迟等非周期性信号的问题，本研究建立了时间自适应权重分配机制。该机制通过在不同时间段内关联和聚合多维信号，增强了对控制激励和响应关键时间点的关注。同时，它还能从高维信号中捕捉关键的非周期性相似对称信号，对多维信号在相同时刻的控制模式重要性进行排序，从而提取出更显著的刹车控制和状态变量特征。

**c）高维控制信号训练的收敛问题：** 为了解决由于刹车控制阀的高维控制和状态响应信号可能引起的梯度消失以及非线性信号可能导致的梯度爆炸问题，本研究引入了一个残差模块。该模块采用恒等映射来捕捉输入数据中的残差信息，从而有效缓解梯度问题，并提高模型的鲁棒性。

研究框架如图2所示。该框架的结构组织如下：第2节分析刹车控制架构和故障报警逻辑，识别与重叠时间特征相关的挑战以及使用航空飞行数据分类故障模式的困难。第3节探讨确保机载物理信号完整性和开发故障分类器的建模方法。第4节使用真实刹车数据集验证所提出方法的有效性，而第5节则呈现了本研究的结论。

**未测量信号在刹车系统中的作用**
刹车控制阀作为刹车控制链中的中间执行器，接收来自上游刹车控制单元（Brake Control Unit, BCU）的控制信号（Li et al., 2024）。液压管线从BCU延伸至刹车关闭阀、液压泵和蓄能器，而刹车控制阀则连接至下游的液压安全装置和轮盘刹车盘。在刹车控制阀发生故障的情况下，应急控制阀将接管控制，通过某种方式将主液压回路切换至应急控制链。这种切换机制是确保飞机在刹车系统故障时仍能安全运行的关键环节。

**基于高维映射特征的故障可区分性建模**
本研究引入了一种分析高维映射故障特征的建模技术，以提升刹车控制阀的故障诊断能力。具体方法如下：
**a）为了表示刹车控制阀的高维特征，考虑到航空飞行信号的带宽有限且具有高度非线性，提出两种高维映射技术：通过VAE实现的隐式映射和基于先验知识的方法。这些技术增强了特征**
**b）通过引入时间自适应权重分配机制，对刹车控制过程中出现的非周期性信号进行识别和整合。该机制在时间与空间维度上分配故障特征的权重，从而能够精确捕捉不同时间点的机载物理信号故障特征。**
**c）通过引入残差模块，采用恒等映射来捕捉输入数据中的残差信息，从而有效缓解梯度消失和梯度爆炸问题，提高模型的鲁棒性。**

本研究提出了一种基于注意力的分类方法，通过将数据映射到更高维度来实现刹车控制阀故障数据的分类。通过在高维和低维数据上训练VAE，低维信号被转换为更高维度的表示，从而更有效地区分刹车控制阀故障点的传感器数据特征。注意力机制被引入到Bi-LSTM中，以捕捉数据中的时间趋势，同时多头空间注意力机制被用于捕捉与时间无关的信号特征。

在实际应用中，通过结合多种数据源，可以弥补数据不足的问题，并提高数据驱动方法的性能。然而，如何在不破坏数据完整性的情况下，有效地整合多维信号，是当前研究面临的重要挑战。此外，如何在不同时间段内准确识别关键信号，也是提高故障诊断准确性的关键因素。

在航空运营过程中，如何在有限的传感器配置下，提高故障诊断的准确性，是研究的核心问题。通过引入时间自适应权重分配机制，可以对刹车控制过程中出现的非周期性信号进行识别和整合，从而提高故障特征的捕捉能力。此外，通过引入残差模块，可以缓解梯度消失和梯度爆炸问题，提高模型的鲁棒性。

本研究通过实验验证了所提出方法的有效性。实验基于飞机刹车控制阀故障数据集，数据处理流程如下：
**1）样本选择**
每个刹车控制阀故障类型的数据显示来自同一架飞机。研究假设，故障前的飞行状态响应编码了潜在的故障特征。
**2）噪声增强**
30%的WGAN生成的噪声被注入原始QAR数据中。图13展示了液压系统1压力在故障前和故障后的对比情况。
**3）特征提取**
通过引入注意力机制，对刹车控制阀的故障特征进行提取和分类。注意力机制能够捕捉数据中的关键时间点和空间特征，从而提高故障诊断的准确性。
**4）模型训练**
通过训练VAE模型，将低维数据映射到高维空间，从而提高故障特征的区分性。Bi-LSTM模型结合注意力机制，能够捕捉数据中的时间趋势，同时多头空间注意力机制被用于减少无关信号的影响。
**5）结果验证**
通过实验验证，所提出方法在刹车控制阀故障诊断中的准确性、精确度、召回率和F1分数均超过96%，优于六种经典网络模型的最佳性能约5%。

综上所述，本研究通过引入多种创新技术，有效解决了刹车控制阀故障诊断中的关键问题。通过高维映射、时间自适应权重分配和残差模块的结合，提高了故障特征的捕捉能力和模型的鲁棒性。这些方法不仅适用于航空飞行数据，还可以推广到其他复杂设备的故障诊断中。未来的研究可以进一步探索如何在不同时间段内准确识别关键信号，以及如何在不同设备中实现跨领域故障分类。