摘要
液压方向控制阀中的延迟切换故障会显著降低系统性能和可靠性，但由于故障机制复杂、传感器响应相互关联以及工业应用中故障样本有限，其诊断仍然具有挑战性。尽管基于数据驱动的方法（包括深度学习方法）在故障诊断方面表现出了良好的性能，但它们在实际的工业质量检测和状态监测中的应用往往受到故障数据可用性有限以及诊断结果物理可解释性不足的限制。本研究提出了一种针对液压方向控制阀延迟切换故障的可解释故障诊断框架，该框架基于仿真引导的特征构建方法和多压力信号分析。该框架没有使用仿真来生成合成训练数据，而是利用物理仿真模型来分析故障机制，并指导从传感器间压力差异中提取的阀级诊断特征的设计。这些特征在故障样本有限的情况下，通过几种经典的机器学习分类器（包括RF、SVM、KNN和LR）进行了评估。实验结果表明，所提出的方法能够有效捕捉由内部阀故障引起的结构不平衡，并且与传统单传感器方法和纯数据驱动的黑盒模型相比，具有更高的诊断准确性和鲁棒性。该框架为小样本条件下的液压阀故障诊断提供了一种实用且物理可解释的解决方案，对工业质量检测和维护应用具有潜在价值。
