外部齿轮泵是一种旋转机械，作为飞机发动机燃油系统的核心组件，其在这些系统中的关键作用显而易见。然而，由于高压、强烈干扰以及长时间处于旋转运动模式等不利工作条件，齿轮泵的关键部件容易发生各种类型的故障，这是旋转机械在苛刻环境中面临的常见挑战。
大多数关于旋转机械故障诊断的研究都基于振动测量的研究（Li, Wu, Bai, & Yang (2023); Li et al. (2024); Long et al. (2023)）。例如，Li et al. (2023) 收集了轴承的多通道振动信号以估计轴承恶化的临界转折点。此外，Long et al. (2023) 使用多个振动传感器收集谐波驱动的振动信号，然后利用振动谱进行故障诊断。另外，压力脉动信号在检测旋转机械的故障方面也非常有效。例如，Rituraj 和 Vacca (2018) 利用数值模拟研究了齿轮泵的内部泄漏。Xu et al. (2024) 开发了一种系统级混合数字孪生方法，结合基于物理的动态建模和深度强化学习，以实现外部齿轮泵的自适应更新和磨损状态评估。Xiao, Feng, & Wang (2025) 提出了一种基于传递函数的压力信号重建方法，从壳体振动中提取信号，并将其与自动编码器结合用于叶片故障诊断。许多故障诊断技术都是在实验室环境中创建和测试的，在那里安装多种类型传感器非常方便，有助于开发能够诊断不同传感器模态故障的模型。
多模态学习在故障诊断领域引起了广泛的研究兴趣，因为它有效地利用了来自设备多个传感器的多样化数据。诊断专家经常整合多模态信息来进行机械系统的故障诊断。例如，Luo et al. (2024) 提出了一种对比学习方案，利用振动和电流信号在只有电流数据时提高故障诊断的准确性。Zhang et al. (2025) 开发了一个基于 Transformer–TCN 的多模态融合框架，整合了位置、速度、加速度、扭矩、电流和电压信号，用于飞行翼无人机执行器的故障诊断。Wang et al. (2025) 提出了一种多模态诊断方法，通过基于熵的特征融合结合了不同的传感信号。多模态学习整合了不同传感器捕获的故障信息，对于有效利用多模态数据进行故障诊断至关重要。然而，尽管最近取得了进展，但这些方法在现实世界场景中的应用仍然具有挑战性，因为它们通常在训练和测试阶段都需要完整模态的数据。
在现实世界的机载条件下，获取完整的多模态数据可能面临各种困难。例如，有限的空间、传感器可靠性和部署成本等限制会对飞机系统的全面监控造成很大挑战（Zhu, Ge, Song, & Gao (2018）。此外，在长时间飞行过程中强烈的外部激励会加速传感器磨损和故障，导致模态数据缺失（Li, Xu, Li, Yang, & Lei (2022)）。因此，与受控的实验设置不同，现实世界应用经常面临多源数据缺失的问题。例如，在实验室环境中，可以轻松收集多模态数据（如压力、振动、声学），为齿轮泵的故障诊断模型提供丰富信息。然而，在现实世界环境中，由于液压齿轮泵的可靠性和抗干扰性，通常只使用压力传感器，而很少安装振动传感器。这种数据模态的缺乏会降低基于多模态数据训练的模型的诊断性能（Li et al. (2025)。最近，生成模型作为一种处理缺失多模态问题的领先技术出现（Sun, Li, Xu, Zhang, & Wang (2023)）。例如，Niu et al. (2022) 提出了一种时空图注意力模型，利用传感器相关性恢复悬索桥中缺失的缆绳力测量数据。类似地，Zhang et al. (2024) 开发了一个两阶段异常检测框架，通过知识蒸馏增强缺失数据的插补和信号重建。Feng et al. (2022) 提出了结合模内融合、模间融合和决策融合的方法，用于液体火箭引擎的故障检测。Yang et al. (2024) 提出了一种多模态协作元框架，其中设计了一个特征重建网络来重建缺失的模态。上述研究将数据生成网络整合到多模态学习中，以提高诊断性能。此外，Yao et al. (2024) 通过首先分离不同模态的数据，然后进行融合，解决了模态缺失的问题。然而，这些方法在解释性和可信度方面仍存在挑战。
在工业设施维护（Ding, Ying, Chen, & Xu (2024）和医疗保健（Khan et al. (2025)）等风险敏感领域，模型的可解释性对于帮助决策者评估模型性能和可信度至关重要。将物理知识整合到数据驱动方法中是实现可解释诊断的有希望途径，从而提高模型性能。例如，Sun et al. (2025) 开发了一种缺失模态重建模型，将完整的故障知识转移到不完整的模态数据中。同样，Xia et al. (2023) 将数字孪生框架与 Wasserstein GAN 结合，合成虚拟振动故障数据用于诊断目的。虽然这些研究从不同角度将物理知识整合到数据驱动模型中，但它们的主要焦点是重建缺失的模态数据，而不是直接提取可解释的故障特征。因此，故障特征提取过程仍然是一个“黑箱”，限制了其可信度。
在本文中，我们提出了一种新的两阶段增强框架，仅使用压力信号来诊断外部齿轮泵。在第一阶段，我们采用基于物理的潜在空间建模从压力脉动信号中提取可解释的故障特征，利用基于流体动力学的物理先验来增强结构指导和可解释性。在第二阶段，我们采用数据驱动方法将地面测试的振动信号与压力脉动数据融合，以学习共享的潜在表示，使模型能够捕获不同模态之间的互补诊断信息。
这项工作的创新之处在于提出了一个两级增强框架，通过战略性地融合数据驱动的跨模态增强和基于物理的可解释性，解决了仅依赖压力信号的机载诊断这一关键挑战。与主要关注重建缺失传感器数据的现有研究不同，我们的框架引入了一种双重机制，直接从机械结构和物理现象的角度增强压力信号的判别能力。通过实施跨模态表示学习策略，模型在地面测试期间学习对齐和分离振动和压力模态，有效地将振动线索的敏感性“转移”到压力模态，以补偿现实世界场景中缺失的结构信息。此外，我们通过基于物理的掩蔽机制将流体动力学原理嵌入学习过程中，将提取的特征与可解释的旋转和啮合频率联系起来。这种数据驱动灵活性与物理一致性之间的协同作用不仅弥合了“黑箱”学习和物理建模之间的差距，还确保了在体积和结构故障方面的卓越诊断精度。通过在嵌入式硬件平台上的成功部署，进一步证明了这种方法的实际可行性，在资源受限的系统上实现了接近实时的性能。
本文的结构如下。第2节介绍了所提出的诊断框架。第3节提供了使用外部齿轮泵的实验验证，以展示所提方法的性能优势。第4节给出了结论性意见。
