基于流体传播噪声信号的数字孪生驱动轴向柱塞泵零样本故障诊断

《Engineering Applications of Artificial Intelligence》：Digital twin-driven zero-shot fault diagnosis of axial piston pumps using fluid-borne noise signals

　　

摘要
轴向柱塞泵是流体动力系统中的关键部件，可靠的故障诊断对于确保运行安全性和效率至关重要。传统数据驱动方法需要大量带标签的故障数据，这通常难以获取高价值泵的数据，而基于模型诊断受限于仿真保真度和参数不确定性。为解决这一局限性，本研究开发了一种基于流体噪声信号的校准源零样本故障诊断框架。源生成器是一个基于逆瞬态分析校准的数字孪生体，源于我们之前的流体噪声建模工作，该工作使用健康状态压力测量值合成压力脉动和出口流量脉动故障信号用于分类器训练；实验故障样本被排除在训练之外，仅用于目标域测试。直接测量的压力脉动和由物理信息神经网络估计的出口流量脉动在基和同步压缩时频形式下被评估为两个独立的诊断分支。所实施的学习模型是用于轴向柱塞泵零样本故障诊断的卷积神经网络分类器。在测试的时间序列、残差和 Transformer 风格骨干网络中，一种第一层内核长度为子序列长度的紧凑宽核卷积神经网络在基压力脉动性能方面表现最佳。梯度加权类激活映射可视化表明，这种内核尺度有助于模型关注完整的压力脉动事件，而不是孤立的局部细节。流量脉动分支提供了更基于机制的泄漏相关故障视角，尽管其准确性受限于虚拟传感不确定性。低保真域自适应比较进一步表明，分布对齐可以改善清洁工况性能，但在强噪声下会退化。总体而言，结果表明，可靠的零样本泵诊断需要具有足够源域保真度的合成故障数据，以及感受野与流体脉动物理特性一致分类器。

引言
轴向柱塞泵作为液压传动系统中的关键部件，构成了航空航天、海洋推进和重型机械等众多高风险应用的基础 (W. Wang et al., 2025, Zhong et al., 2026)。其运行可靠性直接决定了宿主系统的整体安全性和效率。这些泵通过旋转缸体内的柱塞往复运动将机械能转化为液压能。然而，其性能和寿命面临着来自复杂内部健康动态的挑战，特别是在关键摩擦副（如滑靴/斜盘和柱塞/缸孔界面）之间，使其暴露于各种故障中 (Dong et al., 2023a)。常见故障模式——机械磨损 (Ma et al., 2025)、气蚀损伤 (Ye et al., 2017) 和泄漏增加 (Wang et al., 2023, Chao et al., 2026b)——若不处理可能引发灾难性系统故障。因此，先进的状态监测和精确故障诊断对于实现预测性维护、减少非计划停机以及保持液压系统运行完整性至关重要。

轴向柱塞泵的故障诊断方法通常分为两大类 (Dong et al., 2023a, Z. Wang et al., 2025)：基于模型的方法和基于数据的方法。状态监测通常采用各种传感器，包括流量 (Du et al., 2013)、温度 (Ivantysyn and Weber, 2024)、高频壳体振动 (Xia et al., 2019)、高频压力脉动 (Lu et al., 2015, Lu et al., 2017)，以及——更近期——动态缸体位移 (Xu et al., 2021, J. Zhang et al., 2024)。基于模型的方法从根本上基于泵动力学（涵盖多体动力学 Ye et al., 2021, 流体力学 Dong et al., 2023b, 以及弹流润滑 (EHL) Lyu et al., 2020, Ivantysyn and Weber, 2024, Hu et al., 2026, Yong et al.）的单物理或多物理仿真 (Ye et al., 2025) 进行物理建模。基于模型的方法中的物理模型自然包含两个相互关联的方向。第一条路径侧重于退化机制建模，考察泵内的长期演化过程。鉴于三个主要摩擦副在密封和润滑中的重要作用，研究人员对其磨损机制进行了最深入的审查。显著示例包括 Lyu 等人 (Lyu et al., 2020) 基于高精度 EHL 对柱塞/缸孔磨损的预测，并通过坐标测量机实验验证以识别局部磨损区域，以及 Long 等人 (Long et al., 2024) 对滑靴/斜盘副的综合寿命预测模型。第二条更侧重于诊断的路径采用故障行为建模，通过故障注入和响应分析进行。开创性研究包括 (Li, 2005) 使用集总参数模型，他们改变单个柱塞的直径来模拟单独磨损，并复制了特征性的周期性压力下降，以及 Bensaad 等人 (Bensaad et al., 2019) 观察到了匹配的周期性压力下降，并结合卡尔曼滤波器来定位泄漏柱塞。然而，早期基于模型的方法因仿真与实验之间的波形不匹配而受到影响，这源于模型保真度不足和参数不确定性，阻碍了基于模型方法的实际应用。

近年来，数据驱动方法通过避开建模复杂性而日益突出：它们将泵视为黑箱，从监测信号推导出到健康状态的映射 (Lei et al., 2020, Xia et al., 2026)。早期工作依赖于人工特征——如时域和频域统计 (Wang et al., 2018) 或基于经验模态分解 (EMD) 的能量熵 (Lu et al., 2015, Lu et al., 2017, Wang et al., 2018)——输入支持向量机 (Xia et al., 2019) 和极限学习机 (Lan et al., 2018) 等浅层分类器。深度学习的兴起将焦点转移到了端到端框架上，卷积神经网络 (CNN) (Tang et al., 2022d, Tang et al., 2021, Tang et al., 2022b, Tang et al., 2022a, Tang et al., 2022c, Xia et al., 2025)、ResNets (Chen et al., 2024, S. Liu et al., 2024)、注意力增强网络 (S. Liu et al., 2024, Z. Dong et al., 2025) 和类似架构自动从原始或频谱图变换的高频信号中提取判别特征。这些方法通常在实验室故障数据集上超过 90% 的准确率。例如，Tang 等人 (2022b) 设计了一种带有批量归一化的归一化卷积神经网络来处理数据分布偏移，贝叶斯优化用于超参数调优，以及同步压缩时频预处理用于斜盘式轴向柱塞泵的振动、压力和声学信号。他们的实验展示了五种健康状态的优越分类，在信号类型上超过了传统的 LeNet-5 和 AlexNet 架构。许多研究追求新颖的网络设计或预处理增强以提高准确率。扩展单故障检测，Liu 等人 (2024) 通过多传感器融合处理复合故障，纳入了他们在缸体位移信号方面的创新，由于传播路径短，提供了优越的故障灵敏度。为了应对复合故障引起的指数增长类别，他们采用了二分类策略。他们的时空注意力网络结合这种传感方法，在复杂故障场景中提供了峰值准确率。

尽管取得了这些进展，纯数据驱动方法依赖于来自昂贵且危险的故障注入实验的大量带标签数据集——这是航空航天或海洋等高价值应用的障碍 (Ivantysyn and Weber, 2018)。正如 Ivantysyn 和 Weber (2024) 所指出的，柱塞泵模型和工作条件的多样性要求为每个变体准备故障带标签数据集，使得实验室调优范式难以部署在数据稀缺的现实环境中。此外，深度学习模型的“黑箱”性质使结果解释变得复杂 (Jiang et al., 2025)。在既有的数据驱动成功基础上，迁移学习率先出现以减少对大量带标签数据的依赖 (Lei et al., 2020)。这项技术将知识从源域转移到数据稀缺的目标域。在轴向柱塞泵诊断中，两种迁移范式占主导地位。第一种连接实验数据集以解决工作条件或泵模型的差异。例如，Miao 等人 (2020) 从常规液压柱塞泵获取数据，以海水泵数据为目标，应用 TrAdaBoost 在仅 30 个目标故障样本的情况下确保超过 90% 的准确率。He 等人 (2022) 同样构建了一个融合声学和振动信号的对抗迁移框架，以在九种工作条件下进行稳健诊断。第二种范式是仿真到实验迁移：仿真模型的合成数据丰富了源域，而实验数据形成目标，在增强稀缺故障数据和细化仿真训练模型以克服历史基于模型准确率差距方面发挥双重作用。例如，Liu 等人 (2025) 引入了一种具有自注意力的卷积跨分支架构以获取域不变特征，通过 AMESim 集总参数仿真故障生成带标签的源域压力信号。Z. Wang 等人 (2025) 推进了一种使用三维计算流体力学 (3D CFD) 仿真获取带标签故障压力信号作为源，随后通过 EMD 预处理和域对抗神经网络进行实验适应的迁移方案。Z. Dong 等人 (2025) 进一步结合多尺度注意力特征提取器与对抗域自适应进行跨域条件下的轴向柱塞泵诊断。Ma 等人 (2026) 部署了带有 MMD 驱动自适应的增强元迁移学习网络；他们的联合仿真集成了多体动力学和液压，注入故障以产生振动和压力脉动信号，在仅 10 个带标签目标样本的情况下实现超过 98% 的准确率，并在少样本学习中表现卓越。虽然仿真到实验迁移减轻了故障数据集负担，但它仍需要一些实验故障样本（即少样本场景）来协调仿真与真实信号，限制了其在超数据稀缺或零样本设置中的效用 (Liu et al., 2023)。虽然这些方法通常能处理少样本或未标记目标，但它们被证明不足以应对高风险柱塞泵应用，在这些应用中健康状态数据丰富但故障数据缺乏。最近的轴向柱塞泵研究进一步表明，域泛化和仿真 - 测量融合正成为数据稀缺诊断的核心路线，包括用于未见工作条件的因果解纠缠网络 (Shao et al., 2026)、无真实故障数据的数值仿真驱动 Cycle-GAN 用于诊断 (Chao et al., 2026a)，以及通过融合仿真和测量压力信号进行的弱异常检测 (Wang et al., 2026)。

为解决严重数据受限场景中的这些限制，最近的研究越来越多地结合数字孪生 (DT) 模型、仿真生成数据和零样本或域自适应学习。DT 创建物理资产的虚拟副本，与实时数据持续同步以镜像系统动力学 (Tao et al., 2018)。对于故障诊断，DT 使用可用测量值细化物理模型参数，而不是黑箱神经网络参数，然后生成仿真故障响应用于分类器开发。在液压部件中，Chao 等人 (2024) 最近表明排油压力脉动可以在多种工作条件下揭示轴向柱塞泵磨损，而 (Xu et al., 2024) 为离心泵故障诊断开发了 DT 和图迁移学习系统，Zhang 等人 (2025) 校准了液压多路方向阀的 DT 并使用生成数据进行深度诊断建模。在旋转机械中，DT 辅助诊断也已迅速进展：Xia 等人 (2024b) 在没有测量故障数据的情况下诊断齿轮箱故障；Xia 等人 (2024a) 进一步研究了虚拟和物理旋转机械数据之间的部分域迁移；Peng 等人 (2025) 提出了非稳态条件下轴承诊断的物理驱动跨域 DT 框架；W. Liu 等人 (2024) 调查了基于 DT 的减速器诊断，具有虚拟到真实映射。与此同时，零样本故障诊断已从一般属性转移演变为机械和工业环境，包括多属性零样本诊断 (Cai et al., 2024)、旋转机械的复合故障属性嵌入 (L. Wang et al., 2025)，以及用于工业零样本诊断的类别树引导层次知识转移 (B. Zhang et al., 2024)。对于旋转机械的实时监测，Zhu 等人 (2026) 还提出了基于图注意力的 DT 代理模型用于齿轮传动，说明了从离线高保真仿真向可部署 DT 代理建模的最近转变。

这些近期研究确立了 DT 辅助诊断、仿真驱动域泛化和零样本学习的重要性，但对于轴向柱塞泵仍存在三个差距。许多虚拟到真实方法仍依赖于少样本或未标记的物理故障数据进行域对齐，留下了校准的液压 DT 是否能在没有目标故障数据的情况下作为可靠源的问题。此外，大多数研究依赖于直接测量的信号，而泵出口流量脉动是机制相关但在紧凑管道系统中难以测量的变量。最后，网络架构通常主要根据准确率选择；然而，在仿真到实验迁移中，稳健性、域不变特征和具有物理意义的早期感受野可能与仅仅增加模型深度一样重要。

因此，本文开发了一种由 DT 驱动的轴向柱塞泵零样本故障诊断框架，使用流体噪声 (FBN) 信号，将直接测量的压力脉动和 PINN 估计的泵出口流量脉动作为两个独立的诊断视角进行研究 (Opperwall and Vacca, 2014)。本文的核心任务是确定由健康状态校准的物理源生成的合成故障数据，能否在不使用实验故障样本进行分类器训练的前提下，可靠地迁移至实验目标域。

因此，本研究提出了一套校准源诊断协议，并考察了源保真度、输入依赖的CNN设计、噪声测试鲁棒性以及学习到的注意力的物理一致性。主要贡献总结如下：（1）我们定义了一种严格的校准源零样本协议，其中健康状态的压力测量值用于校准物理模型，实验故障样本不参与分类器训练，由校准后的DT生成合成故障数据库。（2）我们在相同协议下评估了两个FBN诊断分支。直接压力脉动和PINN估计的出口流量脉动分别以一维形式和同步压缩小波变换（SWT）形式进行独立测试，使得可获取的压力证据与面向机理的虚拟流量证据可以在不混入同一分类器的情况下进行比较。（3）我们阐明了物理有意义的感受野尺度在仿真到实验迁移中的作用。一维压力分支表明，第一层核接近压力脉动子序列的核可以在远少参数的条件下提供鲁棒且可解释的迁移，而小核网络则需要增加深度来重建相同的上下文。对于SWT输入，高维时频表示使核尺度效应减弱，Grad-CAM被用作事后检验，以检查注意力是否具有物理合理性。（4）我们通过噪声测试、与最先进模型的比较以及低保真源/域适应压力测试来评估鲁棒性和源保真度。与MMD和DANN的比较用于检验特征对齐是否能在强噪声条件下弥补低保真仿真。

本文其余部分组织如下：第2节建立理论基础和模型组件，涵盖数据驱动故障诊断和域适应、Grad-CAM可解释性、FBN物理原理、DT校准、基于PINN的虚拟感知以及同步压缩小波变换。第3节重点介绍基于这些基础提出的零样本诊断工作流程。第4节展示实验验证结果。最后，第5节综合关键发现，讨论实际意义，并展望未来的研究方向。

## 章节片段

### 理论基础与模型组件

本节介绍所提出的零样本诊断框架中使用的物理和机器学习组件。

### 零样本诊断问题建模

利用第2节总结的组件，本节定义了本研究所采用的诊断工作流程。DT校准、基于PINN的虚拟感知、SWT表示和Grad-CAM被组织成一种严格的校准源零样本协议，用于轴向柱塞泵诊断。尽管数据驱动故障诊断已取得了显著进展，但其实际部署往往受到获取全面标注故障数据集所涉及的高成本和高风险的阻碍。

### 实验设置与数据集构建

为使验证过程自洽，现将本次诊断实验所需的信息汇总于此。目标域信号采集于图2所示的液压泵实验台，该实验台包括被测轴向柱塞泵、出口管道以及阀门控制的负载。沿排油管路安装了两个动态压力传感器，在两个轴向位置记录行波压力脉动。传感器的带宽为20 kHz，信号

### 结论

本研究开发了一种基于FBN信号的DT驱动零样本故障诊断框架，用于轴向柱塞泵。校准后的DT从健康状态校准数据生成合成故障数据，因此实验故障样本未用于分类器训练。直接测量的压力脉动和PINN估计的出口流量脉动被作为两个独立的诊断分支进行评估，Grad-CAM用于检验训练后的分类器是否关注了与压力脉动相关的物理合理特征。

---

**CRediT作者贡献声明**

董畅：论文审阅与编辑，论文初稿撰写，可视化，验证，软件，资源，方法论，调查，形式分析，数据整理，概念构思。陶剑锋：论文审阅与编辑，指导，资源，资金支持获取，概念构思。潘民：论文审阅与编辑，验证，方法论，形式分析。刘成良：指导，资源。

---

**利益冲突声明**

作者声明不存在任何可能影响本文工作的已知竞争性经济利益或个人关系。

---

**致谢**

本研究得到中国国家重点研发计划（资助号：2023YFB3406705）的资助。

董畅 | 陶剑锋 | 潘民 | 刘成良