《Results in Engineering》：Multimodal Sensor Data Fusion for Hydraulic Piston Pump Fault Diagnosis Using a Spectrographic Residual Attention Network
编辑推荐：
航空液压系统中，未检测到的泵退化可能导致灾难性的飞行控制失效，因此稳健的实时故障诊断是一项基本的安全关键工程要求。传统的单域分析经常无法捕捉完整的故障特征。为了克服这一挑战，研究人员提出了一种新颖的多模态传感器融合框架Res-MSCNN-SE-BiLSTM，用
航空液压系统中，未检测到的泵退化可能导致灾难性的飞行控制失效，因此稳健的实时故障诊断是一项基本的安全关键工程要求。传统的单域分析经常无法捕捉完整的故障特征。为了克服这一挑战，研究人员提出了一种新颖的多模态传感器融合框架Res-MSCNN-SE-BiLSTM，用于鲁棒地诊断四种泵健康状态：名义运行、调节阀磨损、伺服活塞磨损和斜盘轴承衬套磨损。针对一维时间序列分析的局限性，同步的压力和振动测量值被转换为二维短时傅里叶变换(STFT)RGB谱图，产生了一种统一的时频表示，能有效处理非平稳转速曲线。在该架构中，压缩激励(Squeeze-and-Excitation, SE)注意力块自适应地重新校准传感器通道，动态地为每种故障类型加权最相关的物理域。并行多尺度残差卷积提取异构空间故障特征，而双向长短期记忆(Bidirectional LSTM)编码器明确地建模了诊断窗口内机械-液压瞬态事件的时序序列。在严格基于序列的训练-测试数据划分以防止数据泄漏的综合多模态泵数据集上进行评估，所提出的框架实现了99.60%的分类准确率、99.73%的宏平均G-均值(Macro G-mean)和0.9999的AUC(Area Under the Curve)。实证结果证实，所提出的多传感器融合策略成功地解开了复杂的退化模式，为关键液压机械的智能状态监测提供了一种高度可靠的方法论。
论文解读
研究背景与意义
航空恒压变量柱塞泵是飞行控制作动器和起落架系统的核心动力源，其运行状态直接关系到飞行安全。然而，泵内部承受着稳定的轴速变化和巨大的热变化，材料磨损会随着飞行时间的增加而累积。传统的单域分析方法往往难以捕捉流体与机械耦合的复杂退化特征，容易导致误诊或漏诊。因此，开展高精度、鲁棒的故障诊断研究对于实现预测性维护、保障航空器安全运行具有至关重要的工程意义。该论文发表在《Results in Engineering》期刊上。
关键技术方法
研究人员采用北京航空航天大学四分类航空泵数据集（Wang等人，2026年）作为研究对象，涵盖健康(H)、调节阀磨损(W1)、伺服活塞磨损(W2)和斜盘衬套磨损(W3)四种状态。关键技术方法包括：首先，对控制端口压力、输出压力和Z轴振动等关键信号进行预处理，并通过短时傅里叶变换(STFT)将其转化为二维RGB谱图，构建统一的时频表示；其次，设计了一种混合深度学习架构Res-MSCNN-SE-BiLSTM，该架构集成了压缩激励(SE)通道注意力机制以动态加权多模态传感器，利用多尺度卷积神经网络(MSCNN)结合残差连接提取异构空间特征，并引入双向长短期记忆(BiLSTM)网络建模故障事件的时序因果关系。
研究结果
数据集与实验系统
研究详细描述了航空柱塞泵的结构规格及北航试验台的传感器配置。通过控制性磨损制备了三种故障状态，并利用液压性能指标验证了标签的可靠性。
信号处理与数据表示
研究人员进行了四级小波包变换(WPT)能量带分解，揭示了不同故障模式在频率带上的独特能量分布特征，为多尺度卷积核的设计提供了物理依据。同时，STFT谱图分析表明，每种退化模式都会通过改变流体-机械耦合产生独特的时频拓扑结构，这些多模态RGB谱图成功捕捉了联合时频动态。
提出的Res-MSCNN-SE-BiLSTM架构
该架构通过SE注意力块解决物理域故障显著性差异问题，动态重新校准通道权重；利用并行多尺度卷积核(k=3, 7, 15)提取从高频瞬态冲击到低频宏观共振的异构特征，并结合残差连接稳定梯度传播；通过双向长短期记忆网络编码故障事件传播的因果时间模式，弥补了空间池化操作破坏时间上下文的缺陷。
结果与讨论
训练收敛表征显示模型在40个周期内实现了平滑联合收敛，验证了良好的泛化能力。总体系统性能方面，模型在独立测试集上达到了99.60%的分类准确率，Cohen's Kappa系数为99.47%，证明了极高的判别能力。受试者工作特征(ROC)曲线分析显示各类别的AUC值均接近1.0000，表现出近乎完美的类可分性。归一化混淆矩阵分析表明，模型几乎消除了健康状态的误报，且唯一的非对角线误分类（W3误分为W1）在运营维护中是可接受的。t-SNE特征可视化进一步证实了网络学习到了具有物理意义的潜在特征空间聚类。
消融研究与比较评估显示，SE注意力、多尺度卷积、BiLSTM时序建模和残差连接均对性能提升有独立贡献。与十二种现有先进方法相比，该框架在准确率、宏平均F1分数等指标上均取得了显著提升，确立了新的性能基准。
研究结论
研究人员通过多模态STFT谱图分析和Res-MSCNN-SE-BiLSTM架构，成功解决了航空液压泵在变工况下的复杂故障诊断难题。该框架通过动态传感器加权和双向时序建模，实现了对流体与机械耦合退化模式的精准解耦，为零健康状态误报的实时状态监测提供了可靠的端到端解决方案，对航空航天安全关键系统的预测性维护具有重要应用价值。
