面向工程机械轴向柱塞泵健康评估的双路径物理信息异构信息融合

《ADVANCED ENGINEERING INFORMATICS》：Dual-path physics-informed heterogeneous information fusion for axial piston pump health assessment in construction machinery

　　

摘要

对液压动力部件进行可靠的健康评估对于自主建筑机械至关重要。作为核心动力部件，轴向柱塞泵的健康状况直接影响自动化作业的安全。然而，传统的单源数据驱动方法受限于信息不完整，且容易受到传感器故障或数据丢失的影响。为此，我们提出了一种双路径物理信息融合异构信息融合框架（DP-PIHIF），该框架由虚拟健康指标（VHI）路径和物理健康指标（PHI）路径组成，融合了高频振动数据与相对较低频率的物理数据。在VHI路径中，使用变分自编码器提取并压缩多域振动特征，以表征动态故障特征。在PHI路径中，开发了一种物理信息Transformer，从多传感器液压测量值中推断出可解释的泄漏相关系数，并通过体积流量损失模型强制实现物理一致性。随后，使用具有动态权重分配的自适应异构融合模块整合所得的VHI与PHI表示，再结合多任务学习方案，同时实现健康状态分类与序数健康水平回归。实验结果表明，该方法在评估精度与回归稳定性方面表现优异，超越了单源基线方法。这表明所提框架在远程健康评估方面具有广阔前景，可为自主建筑机械的预测性维护与作业连续性提供支持。

引言

随着建筑4.0的快速发展，该行业正经历向自主建筑机械（如机器人挖掘机和无人推土机）的范式转变[1]。然而，在长期运行过程中，关键部件的健康退化是不可避免的，这可能导致意外故障甚至灾难性事故。与传统人工操作机械不同，这些自主系统缺乏人类操作员实时感知异常振动、噪声或其他早期故障征兆。因此，开发具有自我感知能力的健康评估系统对于确保无人建筑工地的可靠性与安全性已变得至关重要[2]。

在这些自主重型机械的语境下，液压传动系统充当核心动力总成，而轴向柱塞泵作为驱动机械运动的关键"心脏"[3]、[4]、[5]。这些泵的健康状况直接决定了整个自动化基建工程项目的安全与作业连续性[6]、[7]。图1展示了中联重科股份有限公司一款重型移动起重机的液压传动系统。该系统具有复杂的液压回路以及时变的工作周期[8]，轴向柱塞泵在极端载荷和复杂耦合条件下运行。诸如内部泄漏和磨损等退化机制，常常被强烈的内部流固动态耦合所掩盖[9]。此外，高速旋转部件与高压流体域之间的复杂相互作用，也使准确的健康评估成为一项重大挑战。

传统的健康监测一般分为两类：基于物理的分析建模和数据驱动的模式识别[10]。基于物理的方法通过分析从泵动力学推导出的数学模型的偏差来推断健康状态[11]。经典研究广泛表征了容积损失和泄漏流量，以将效率指标与内部磨损相关联[12]、[13]。虽然这些方法对物理失效机理提供了有价值的可解释性，但它们往往依赖简化假设（例如层流、稳态），这限制了它们在复杂的真实世界非线性场景中的准确性[9]。

相反，数据驱动方法利用机器学习将传感器数据直接映射为健康状态。早期研究从振动或压力信号中提取人工构造的特征，并采用传统机器学习算法（如支持向量机SVM）进行健康评估[14]。近年来，深度学习架构（如卷积神经网络CNN和长短期记忆LSTM网络）通过从原始信号中自动提取特征，实现了高精度[15]、[16]。然而，尽管取得这些进展，纯数据驱动模型往往作为"黑箱"运行，缺乏可解释性和物理一致性。因此，它们通常难以在不同的运行条件下泛化，除非进行大量再训练[17]。

为了解决孤立方法的局限性，一些研究人员将基于物理的方法与数据驱动方法相结合，将物理约束引入纯机器学习方法。例如，Chao等人[17]建立了物理模型以获得流量损失系数作为健康特征，随后采用支持向量数据描述（SVDD）模型进行健康状态评估。Dai等人[18]采用基于物理的指标来对齐不同运行条件下的特征分布，从而提升了钻井泵的诊断性能。最近，物理信息机器学习（PIML）作为一种稳健的范式出现，将物理定律嵌入学习算法中[19]、[20]。物理信息神经网络（PINN）框架[21]通过在物理约束与测量数据之间强制一致性，在 prognostics and health management 中展现出特别的潜力[22]、[23]。在液压泵健康评估的具体语境下，近期研究证明了该方法的效能。Wang等人[24]将领域特定的排出压力模型用作神经网络的损失项，为轴向柱塞泵提供了可解释的故障严重度识别结果。Chao等人[25]开发了一种专门的PINN框架，集成了排出压力的常微分方程（ODE），用于检测摩擦副的磨损。Zhang等人[26]提出了一种物理信息LSTM（PI-LSTM）用于柱塞泵退化预测，其中引入了三个关键摩擦副。Dong等人[27]、[28]、[29]引入了一种PINN用于泵流量脉动预测，该预测用于提升轴向柱塞泵诊断的精度。这些方法增强了数据驱动方法的物理可解释性，提供了更可靠、更稳健的健康评估结果。

尽管现有的基于PIML的泵健康评估方法取得了成功，但它们主要关注液压信号，如压力和流量，这些信号通常使用侵入式传感器获取。在实际应用中，非侵入式传感器也很常见，通常更容易部署，并且在采集其他类型信号（如振动和温度）时提供更高的可靠性。这些信号为泵健康评估提供了补充于液压数据的信息[7]。然而，它们往往表现出异构特性，包括不同的采样频率和不同数量的通道，这为有效利用多源信息带来了重大挑战。多源信息融合方法（通常可分为数据级、特征级和决策级融合）已被广泛研究以应对这些挑战[30]。数据级方法在模型训练前直接拼接或对齐来自不同传感器的原始信号[31]。虽然这类方法保留了原始测量值，但它们通常需要严格的时序同步和统一的采样率，这在同时考虑高频振动信号和相对较低频率的液压变量时很难满足。特征级方法首先从各个数据源提取表示，然后再将它们组合[32]，而传统的静态融合通常假设所有源都同样可靠，并不显式建模它们的跨源依赖性。决策级融合通过投票、平均或加权集成来组合独立生成的预测，而无法充分利用细粒度的互补关系。因此，大多数现有的简单融合策略往往忽视不同信号的具体特性以及每个数据源内部的物理一致性。此外，它们通常假设所有源持续可用且同样可靠。然而，液压测量依赖于相对侵入式的传感器，这些传感器可能遭受漂移、故障、通信中断或数据丢失。在难以及时人工干预的无人建筑环境中，损坏的液压信息可能直接损害静态融合模型的可靠性。因此，仍有必要开发一种融合机制，在保留传感器特定信息的同时，动态适应传感器可靠性的变化。

为了解决上述局限性并充分利用异构多源信息，我们提出了一种用于轴向柱塞泵健康评估的双路径物理信息异构信息融合（DP-PIHIF）框架。所提框架通过双路径处理与融合架构，共同利用高频振动动力学和相对较低频率的液压信号。具体而言，开发了一条虚拟健康指标（VHI）路径，从振动信号中构建数据驱动的健康指标。同时，设计了一条物理健康指标（PHI）路径，使用专门设计的物理信息Transformer（PIT）从多传感器液压信号中提取健康表示，其中物理一致性被明确嵌入到特征学习过程中。随后，引入一个自适应异构信息融合网络，以有效整合双路径中互补的健康信息。与传统的融合方法不同，所提方法不仅实现了异构信息集成，还实现了物理一致且自适应的融合。最后，采用结合离散健康阶段分类与序数健康水平评分的多任务学习策略，以实现全面的泵健康评估。主要贡献如下：

（1）为全面利用异构多源信息进行轴向柱塞泵健康评估，提出了一种双路径物理信息异构信息融合（DP-PIHIF）框架，该框架共同利用了具有不同时间特性和物理性质的异构振动与液压信号。

（2）设计了基于变分自编码器（VAE）的VHI路径用于振动分析，并提出了基于物理信息Transformer（PIT）的PHI构建模型用于液压信号建模，其中物理一致性被明确纳入表示学习。

（3）引入了具有动态权重分配的自适应异构融合模块，并结合多任务健康评估策略，提升了液压传感器失效场景下泵健康评估的全面性与可靠性。

本文其余部分组织如下。第2节详细描述了VHI和PHI构建模型。第3节介绍了双路径信息融合模块和多任务训练过程。第4节描述了实验结果并给出了一些讨论。第5节总结全文并指引未来工作。

用于VHI和PHI构建的双路径模型

所提双路径物理信息异构信息融合（DP-PIHIF）方法的整体框架如图2所示。该框架由四个阶段组成：数据获取、双路径并行处理、异构信息融合和健康评估。具体而言，首先从轴向柱塞泵平台上采集高频振动信号和多传感器液压物理信号。为了处理不同源的异构特性……

双路径信息融合网络

虽然单独的VHI和PHI提供了有价值的信息，但有效的健康评估需要整合它们以发挥各自的互补优势。为此，我们提出了一种双路径融合网络，通过动态门控模块合成VHI和PHI，如图6所示。在本节中，我们首先分析融合这些异构信号的理论基础，随后详细介绍双路径交互和自适应集成的具体实现。

实验结果与讨论

在本节中，我们使用带有异构传感数据的轴向柱塞泵实验数据集评估所提DP-PIHIF框架。进行实验分析和消融研究以评估所提方法的有效性。

结论

本文提出了一种新颖的DP-PIHIF框架，用于自动化建筑机械中轴向柱塞泵的健康评估。通过整合高频振动动力学与相对较低频率的物理过程数据，所提框架解决了传统数据驱动方法中固有的多源异构和物理不一致等关键挑战。开发了一种双路径架构，分别通过VAE提取VHI，通过PIT提取PHI。

CRediT作者贡献声明

黄益祥：撰写——初稿，监督，方法论，资金获取，数据整理，概念构思。
王越：撰写——初稿，可视化，软件，方法论，调研。
夏鹏程：撰写——审阅与编辑，验证，资金获取，正式分析，概念构思。
王春琪：可视化，验证，软件。
董畅：验证，调研，正式分析。
超群：验证，资金获取，正式分析。
刘成良：……

利益冲突声明

作者声明不存在可能影响本文所述工作的已知的竞争性财务利益或个人关系。

致谢

本项目得到国家重点研发计划（编号：2023YFB3408502）和国家自然科学基金（编号：52375109、52405122、52475064）的资助。

黄益祥｜王越｜夏鹏程｜王春琪｜董畅｜超群｜刘成良