在制动阀异常监测中增强液压响应：一种集成了硬件在环（HIL）技术和循环生成对抗网络（CGAN）的方法

《Expert Systems with Applications》：Hydraulic response enhancement in brake valve anomaly monitoring: an integrated hardware-in-the-loop and cyclic generative adversarial network

制动控制阀动态建模中，提出基于物理仿真与HIL实验的CausalStarGAN生成对抗网络，通过因果关系建模与数据增强解决低采样率数据稀缺问题，实验表明合成数据使MAE、RMSE和MAPE分别降低21.3%、23.1%和8.8%，有效提升模型泛化能力。

　　

陈胤|林琳|阮宏泽|陈勇|钟世生|祖丽珍

哈尔滨工业大学机电工程学院，中国黑龙江省哈尔滨市150001

摘要

飞行记录器数据中的低采样率限制了用于远程制动控制阀异常监测的数字孪生模型的发展，因为这些数据掩盖了阀门的内部动态。为了解决这个问题，本研究引入了一种领域自适应的循环生成对抗网络（GAN），该网络将物理仿真与硬件在环（HIL）实验相结合，以增强阀门响应建模。使用HIL数据建立并校准了一个等效的电磁阀模型，模拟样本作为源域。所开发的模型名为CausalStarGAN，它考虑了阀门激励信号与压力响应之间的因果关系，从而实现了高保真度的数据迁移。通过使用领域分类器、循环重建损失和因果感知机制，该模型在保持宏观物理特性（如响应频率）的同时，准确生成了包括波动和延迟在内的微观压力特征。实验结果表明，合成数据改善了激励-响应动态的因果表示，从而提高了模型在未见条件下的泛化能力。与数据增强前的结果相比，该方法使平均绝对误差、均方根误差和平均绝对百分比误差分别降低了21.3%、23.1%和8.8%。使用增强数据集进行的替代数字孪生案例研究展示了所提出方法在远程制动监测中的工程潜力。阀门仿真数据可在此处获取：https://github.com/chenyin7255-eng/solenoid-valve-response-data.git。

引言

民用飞机中的制动控制阀（BCV）调节液压流量以控制制动压力，其动态响应直接影响制动效果和安全性。准确建模这种响应对于制动系统的性能监测和健康管理至关重要。

然而，由于电磁阀等此类元件的高度非线性行为、强耦合的多物理相互作用以及系统优化的复杂性，监测其动态性能仍然特别具有挑战性。具体因素包括电磁滞后（Hattori, Ohnishi, & Koseki, 2025）、流体可压缩性（Glueck, Lobe, Trachte, Bitzer, & Kemmetmueller, 2025）、机械振动（Chakrabarti et al., 2025）以及其他非线性现象，以及电磁场、机械场和流场之间的紧密耦合效应。构建这样的耦合模型不仅需要理论建模，还需要补充的仿真和实验方法来获取实际数据，以便对物理模型进行有效验证和校准（Chen, Zhu, Qin, & Li, 2025）。这些固有特性共同限制了在动态响应性能分析（Liu et al., 2024）、精确控制以及故障诊断（Bai, Du, Sun, Bu, & Wang, 2025）等领域的评估准确性和实际效果。

传统的基于物理的建模方法，如非线性数学建模、有限元分析和响应面方法，在准确描述控制阀的动态响应方面能力有限。这些方法严重依赖于精确的物理参数（Tang et al., 2024），使得它们难以适应不同的操作条件，例如油压变化（Zhang, Zhou, & Wu, 2025）。例如，（Han et al., 2024）提出了一种无需使用流量计即可估计控制阀动态流量的自感知方法，该方法将测量值转换为动态压力，从而将最大相对误差从11%降低到6%。此外，在许多工业应用中，控制阀必须同时满足高速响应、低噪声和低振动的要求（Gao, 2025）。此外，这些方法在处理死区效应和补偿压力波动方面也相当复杂（Yang, Liu, Zhu, & Qu, 2025）。这些挑战进一步凸显了传统高保真建模方法在适应性和泛化能力方面的局限性，特别是在飞机系统的实时性能监测方面。

基于数据的控制阀流量或压力响应建模提供了一种新颖的方法，可以克服传统基于物理的精确建模在跨条件场景下的适用性限制。其主要优势在于可以直接替代物理模型，利用强大的高维特征提取和端到端建模。例如，长短期记忆（LSTM）神经网络等算法可以从传感器数据（如电流、压力、流量）中自动学习深度时空非线性特征和相关性，而无需依赖复杂的物理机制分析或手动特征工程（Li, Li, Mao, Zhu, & Ye, 2025）。例如，Shen等人（2025）提出了一种结合图结构学习和时间注意力机制的TA-GraphLSTM模型，有效捕捉了复杂的变量间依赖性和关键时间点，同时显著提高了阀门故障诊断的鲁棒性。同样，Ma等人（2025）提出了一种针对电磁液压阀组的局部电流信号余弦相似性支持向量机（CS-SVM）多步方法，几乎100%地减少了多传感器数据的冗余和信息淹没问题。

然而，纯数据驱动的模型高度依赖数据，并且对未训练条件的泛化能力较差。混合方法通过将物理参数与数据驱动算法相结合来提高适应性。例如，模型-数据融合技术在确保不同操作条件下的准确流量估计方面已被证明是有效的（Cui et al., 2024）。

在BCV建模中，多物理耦合和实际制动数据的稀缺性阻碍了高保真模型的开发。本研究提出了一个结合物理仿真与HIL实验数据的混合框架。通过使用对抗生成来创建数字孪生的合成数据集，即使在数据稀缺的情况下，这种方法也能实现精确建模（图1）。

在飞机健康管理（AHM）系统（Kabashkin & Shoshin, 2024）中，基于人工智能（AI）和大数据的远程状态监测和评估是关键技术（Kabashkin, 2024）。最近在将深度学习与多源数据域（如实验数据（Liang, Zhang, Xu, & Liu, 2025）、操作数据（Prabhakara et al., 2025）和物理仿真（Alkin, 2025）（例如计算流体动力学（CFD）、有限元分析（FEA））相结合方面的进展，显著提高了对液压阀状态响应的建模能力。

数据稀缺仍然是液压系统异常监测的主要限制。为了解决这一挑战，数据增强和特征增强已成为近期研究中的关键策略。GAN已被有效应用于为特定液压组件合成故障样本，例如基于Transformer的谱归一化条件GAN（Trans-SN-CGAN）用于电液伺服阀（Zhang et al., 2026）和Wasserstein GAN（WGAN）框架用于系统级监测（Jafari & Farsangi, 2026）。补充数据驱动方法的是，基于物理的策略利用CFD仿真来丰富水液压轴向活塞泵的空化特征（Yin et al., 2025）。此外，专门的特征学习技术已被证明对阀门诊断有效。值得注意的方法包括用于电磁阀剩余使用寿命（RUL）预测的贝叶斯联合模型（Li et al., 2025）、用于往复泵阀门的加权下采样策略（WDS）（Luo et al., 2025），以及在高噪声条件下用于调速阀执行器的Resformer架构（Liu et al., 2025）。

为了解决实验数据稀缺的问题，本研究提出了一种跨领域增强策略，将物理仿真与真实数据相结合。它通过微调物理模型来提高保真度，并利用生成建模来学习干扰，生成多样化的增强数据以进行准确评估。实施分为三个层次。

(1)

基于真实激励构建参数优化的多物理模型。这生成了一个涵盖多种条件（包括极端情况）的数据集，同时遵循物理定律以补偿真实数据覆盖不足的问题。

(2)

建立HIL实验系统以捕获微观动态特征。这针对难以模拟的特征，如噪声和非线性，从而提高物理完整性和细节真实性。

(3)

引入生成对抗学习，将仿真多样性与HIL真实性相结合。生成的样本在覆盖范围上超越了真实数据，同时保留了细微特征，从而提高了制动控制阀性能预测的准确性。

因此，核心在于通过跨领域增强建立一个物理上可信、操作上全面的数据基础，以实现高精度的性能预测。

核心贡献是一个结合物理机制与数据驱动方法的跨领域框架，显著提高了动态建模和性能预测能力。具体包括以下方面：

(1)

一种结合多物理仿真和HIL的新响应建模方法。使用HIL数据校准的高保真模型可以准确模拟正常和故障条件下的响应，为高质量合成数据提供物理基础。

(2)

一种受物理约束的生成对抗网络，用于跨领域增强。通过结合模拟和真实的HIL数据，该网络生成了保留物理因果关系的多样化样本，有效解决了数据稀缺问题。

(3)

验证增强数据的预测泛化能力。研究表明，增强数据显著提高了简单模型中的预测准确性，为制动阀监测应用建立了框架和数据解决方案。

概念框架如图2所示。

本研究的结构如下：第1节概述了背景和贡献。第2节详细介绍了方法论：2.1小节开发了一个基于物理的BCV模型，通过HIL数据进行了优化，以生成多条件数据集；2.2小节介绍了因果感知的统一生成对抗网络（CausalStarGAN）。该框架结合了激励信号和输出响应之间的因果关系，将仿真与稀缺的HIL数据相结合，生成保留了细粒度特征和物理一致性的样本。第3节使用自建的HIL实验验证了数字孪生的预测准确性，第4节总结了未来的研究方向。

方法论片段

方法论

图3展示了所提出方法中控制阀状态响应的数据增强工作流程。该方法基于一个统一模型，该模型采用了原本为多领域图像风格转换设计的StarGAN（Choi et al., 2018）的核心概念，进行了改进，以适应多领域时间特征转换。

首先，建立了一个控制阀的近似物理响应模型，并使用HIL实验样本优化其参数，表示为x^r。

实验

评估制动控制阀需要关键指标，包括压力参数、额定电压、电流和响应时间，这些指标反映了流体控制的精度（SAE International, 2020）。其他评估因素还包括功耗、材料性能、泄漏、耐腐蚀性、使用寿命和物理尺寸。

本研究的主要目标是验证基于GAN的数据增强方法在提高预测模型效果方面的有效性

结论

本研究提出了CausalStarGAN，这是一种基于GAN的新方法，用于数据增强，以缓解实际HIL数据稀缺问题，从而开发高保真的BCV数字孪生模型。该方法将物理仿真域映射到HIL实验域，确保了循环一致性和激励与响应之间的严格因果关系，从而提高了数据多样性和真实性。该研究建立了一个通用的跨领域生成框架，并通过BCV HIL进行了验证

CRediT作者贡献声明

陈胤：概念化、方法论、数据整理、初稿撰写、审稿与编辑、监督、可视化。林琳：监督、调查、验证、审稿与编辑。阮宏泽：项目管理、资源协调、数据整理。陈勇：资金获取、项目管理、软件开发。钟世生：验证、调查。祖丽珍：形式分析、验证。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。