融合多源信息的电液伺服机构健康评估

doi:10.7527/S1000-6893.2025.32458

材料工程与机械制造

本期目录 | 过刊浏览 | 高级检索

前一篇 |

融合多源信息的电液伺服机构健康评估

李文博, 周志杰(), 王兆强, 冯志超, 孙一杰, 张心怡

火箭军工程大学导弹工程学院，西安 710038

收稿日期:2025-06-20 修回日期:2025-07-16 接受日期:2025-10-11 出版日期:2025-12-01 发布日期:2025-11-28
通讯作者: 周志杰
基金资助:
国家自然科学基金(62573349); 国家自然科学基金(62203365); 国家自然科学基金(62203461); 航空科学基金(2023Z034053004); 陕西省科学技术协会青年人才培养计划(20230125); 中国博士后科学基金(2023M742843); 陕西省重点研发计划(2025CY-YBXM-102); 陕西省自然科学基础研究计划重点项目(2025JC-QYXQ-038); 流体动力基础件与机电系统全国重点实验室开放基金(GZKF-202430)

Health assessment for electro-hydraulic servomechanism with multi-source information fusion

Wenbo LI, Zhijie ZHOU(), Zhaoqiang WANG, Zhichao FENG, Yijie SUN, Xinyi ZHANG

College of Missile Engineering，Rocket Force University of Engineering，Xi’an 710038，China

Received:2025-06-20 Revised:2025-07-16 Accepted:2025-10-11 Online:2025-12-01 Published:2025-11-28
Contact: Zhijie ZHOU
Supported by:
National Natural Science Foundation of China(62573349); Aeronautical Science Foundation of China(2023Z034053004); Young Talent Promotion Program of Shaanxi Association for Science and Technology(20230125); China Postdoctoral Science Foundation(2023M742843); Key Research and Development Program of Shaanxi(2025CY-YBXM-102); Key Projects of the Shaanxi Province Natural Science Foundation(2025JC-QYXQ-038); Open Foundation of the State Key Laboratory of Fluid Power and Mechatronic Systems(GZKF-202430)

摘要/Abstract

摘要：

电液伺服机构（EHS）是航天设备中重要的执行机构，其健康状态的保持对于航天设备安全稳定飞行具有至关重要的作用。然而，现有的健康评估模型面临两大问题：一是电液伺服机构在运行过程中产生的大量履历文本信息难以利用，二是缺乏有效的履历文本信息与测试数据融合手段。为解决上述问题，提出一种基于自然语言处理证据推理规则的健康状态评估模型。首先，基于大规模自然语言处理（BERT）设计了履历文本信息提取策略；然后，分析EHS运行机理，构建EHS健康评估指标体系，提出维修等级和运行时间影响因子计算方法，进而构建融合多源信息的健康状态评估模型（ER-MIF）。为克服专家知识不确定性影响，构建健康评估模型参数优化模型，对模型参数进行优化确定最优模型参数，提高评估精度。最后，通过某型电液伺服机构评估案例和对比，验证了所提模型有效性。

关键词: 证据推理规则, 健康评估, 自然语言处理, 电液伺服机构, 诊断推理

Abstract:

Electro-Hydraulic Servomechanism （EHS） serves as critical actuators in aerospace equipment， and maintaining its health status is vital for ensuring the safe and stable operation of aerospace systems. However， existing health assessment models face two major challenges： first， the vast amount of historical text data generated during EHS operation is difficult to utilize effectively； second， there is a lack of efficient methods for integrating historical text data with test data. To address these issues， a health status assessment model is proposed based on natural language processing evidence inference rules. First， a historical text information extraction strategy is designed based on Bidirectional Encoder Representations from Transformers （BERT）. Subsequently， by analyzing the operational mechanisms of EHS， a health assessment indicator system is constructed， and methods for calculating maintenance levels and operational time influence factors are proposed. On this basis， an Evidential Reasoning rule with Multi-source Information Fusion health status assessment model （ER-MIF） is developed. To mitigate the impact of expert knowledge uncertainty， a health assessment model parameter optimization model is established to determine optimal parameters and enhance assessment accuracy. Finally， the effectiveness of the proposed model was validated through an evaluation case study and comparative analysis of a specific electro-hydraulic servo mechanism.

Key words: evidential reasoning rule, health assessment, natural language processing, electro-hydraulic servomechanism, diagnostic reasoning

中图分类号:

李文博, 周志杰, 王兆强, 冯志超, 孙一杰, 张心怡. 融合多源信息的电液伺服机构健康评估[J]. 航空学报, 2026, 47(7): 432458.

Wenbo LI, Zhijie ZHOU, Zhaoqiang WANG, Zhichao FENG, Yijie SUN, Xinyi ZHANG. Health assessment for electro-hydraulic servomechanism with multi-source information fusion[J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(7): 432458.

图/表 23

图 1

表 1

表 2

图 2

表 3

表 4

表 5

图 3

图 4

表 6

图 5

图 6

图 7

图 8

表 7

图 9

图 10

表 8

表 9

模型其他参数最优值

维修等效系数			可调参数		影响因子
$s$	$m$	$l$	$λ$	$ε$	$d 1$	$d 2$
0.030	0.281	0.950	0.063	1.140	0.943	0.912

表 9

图 11

图 12

表 10

图 13

参考文献 39

[1]	宋征宇. 推动航天运输系统持续创新的控制技术与挑战［J］. 航空学报， 2025， 46（6）： 531446.
	SONG Z Y. Promoting continuous innovation in space transportation systems： Control technologies and challenges［J］. Acta Aeronautica et Astronautica Sinica， 2025， 46（6）： 531446 （in Chinese）.
[2]	蒋孟龙，付剑，刘轶男，等. 航天机电伺服系统非线性表征建模与动态特性精细化预示［J］. 航空学报， 2024， 45（15）： 630203.
	JIANG M L， FU J， LIU Y N， et al. Nonlinear characterization modeling and dynamic performance accurate prediction of aerospace electromechanical actuator［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（15）： 630203 （in Chinese）.
[3]	程堂明，李家文，陈宇，等. 运载火箭伺服机构故障检测与诊断的扩展多模型自适应方法［J］. 国防科技大学学报，2017，39（5）： 80-89.
	CHENG T M， LI J W， CHEN Y， et al. Extended multiple model adaptive method for fault detection and diagnosis of launch vehicle servo mechanism［J］. Journal of National University of Defense Technology， 2017， 39（5）： 80-89 （in Chinese）.
[4]	肖雪，赵守军，陈克勤，等. 电静压伺服机构故障诊断中的主成分分析方法应用［J］. 导弹与航天运载技术，2019（1）： 94-100.
	XIAO X， ZHAO S J， CHEN K Q， et al. Application of principal component analysis method in fault diagnosis of electro-static hydraulic servo mechanism［J］. Missiles and Space Vehicles， 2019（1）： 94-100 （in Chinese）.
[5]	方鼎，金阳，汤力，等. 电液伺服机构贮存延寿技术研究［J］. 导弹与航天运载技术，2022（3）： 107-111.
	FANG D， JIN Y， TANG L， et al. Research on storage life extension technology of electro-hydraulic servo mechanism［J］. Missiles and Space Vehicles， 2022（3）： 107-111 （in Chinese）.
[6]	吕克洪，程先哲，李华康，等. 电子设备故障预测与健康管理技术发展新动态［J］. 航空学报， 2019， 40（11）： 023285.
	LYU K H， CHENG X Z， LI H K， et al. New developments in fault prediction and health management technology for electronic equipment［J］. Acta Aeronautica et Astronautica Sinica， 2019， 40（11）： 023285 （in Chinese）.
[7]	袁利，王淑一. 航天器控制系统智能健康管理技术发展综述［J］. 航空学报， 2021， 42（4）： 525044.
	YUAN L， WANG S Y. Review on intelligent health management technology development for spacecraft control systems［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（4）： 525044 （in Chinese）.
[8]	董绍江，吴文亮，贺坤，等. 基于性能衰退评估的轴承寿命状态识别方法研究［J］. 振动与冲击，2021，40（5）： 186-192， 210.
	DONG S J， WU W L， HE K， et al. Research on bearing life state identification method based on performance degradation evaluation［J］. Journal of Vibration and Shock， 2021， 40（5）： 186-192， 210 （in Chinese）.
[9]	邓超，王远航，吴军，等. 机电装备性能退化建模与健康状态评估方法［J］. 计算机集成制造系统， 2018， 24（9）： 2279-2287.
	DENG C， WANG Y H， WU J， et al. Modeling of performance degradation and health state assessment method for electromechanical equipment［J］. Computer Integrated Manufacturing Systems， 2018， 24（9）： 2279-2287 （in Chinese）.
[10]	魏梓轩，韩晓娟，李炫. 基于深度神经网络的梯次利用电池健康状态评估［J］. 太阳能学报， 2022， 43（5）： 518-524.
	WEI Z X， HAN X J， LI X. Health state assessment of retired batteries based on deep neural network for echelon utilization［J］. Acta Energiae Solaris Sinica， 2022， 43（5）： 518-524 （in Chinese）.
[11]	宁梓呈，郑玉航，王爱亮. 基于PHM的伺服机构健康管理研究［J］. 伺服控制， 2014（3）： 42-44.
	NING Z C， ZHENG Y H， WANG A L. Research on servo mechanism health management based on PHM［J］. Servo Control， 2014（3）： 42-44 （in Chinese）.
[12]	郑玉航，宁梓呈，熊鹏. 基于遗传神经网络的伺服机构健康状态预测［J］. 计算机测量与控制， 2015， 23（6）： 1895-1897.
	ZHENG Y H， NING Z C， XIONG P. Health state prediction of servo mechanism based on genetic neural network［J］. Computer Measurement & Control， 2015， 23（6）： 1895-1897 （in Chinese）.
[13]	张晶晶，许修乐，丁明，等. 基于模糊层次分析法的变压器状态评估［J］. 电力系统保护与控制， 2017， 45（3）： 75-81.
	ZHANG J J， XU X L， DING M， et al. Transformer condition assessment based on fuzzy analytic hierarchy process［J］. Power System Protection and Control， 2017， 45（3）： 75-81 （in Chinese）.
[14]	王语嘉，李金波，侯继洁，等. 基于T-S模糊故障树和剩余寿命的离心泵健康评估方法［J］. 机电工程， 2024， 41（12）： 2272-2281.
	WANG Y J， LI J B， HOU J J， et al. Health assessment method for centrifugal pumps based on T-S fuzzy fault tree and remaining useful life［J］. Journal of Mechanical & Electrical Engineering， 2024， 41（12）： 2272-2281 （in Chinese）.
[15]	廉正，胡来红，周志杰，等. 基于置信规则库和弹道仿真的加速度计健康状态评估［J］. 控制与决策， 2024， 39（9）： 3143-3150.
	LIAN Z， HU L H， ZHOU Z J， et al. Accelerometer health state assessment based on belief rule base and ballistic simulation［J］. Control and Decision， 2024， 39（9）： 3143-3150 （in Chinese）.
[16]	赵文清，朱永利，姜波，等. 基于贝叶斯网络的电力变压器状态评估［J］. 高电压技术， 2008（5）： 1032-1039.
	ZHAO W Q， ZHU Y L， JIANG B， et al. Power transformer condition assessment based on Bayesian network［J］. High Voltage Engineering， 2008（5）： 1032-1039 （in Chinese）.
[17]	邵滨. 基于事件日志和过程挖掘的污水处理厂运行诊断及预测方法研究［D］. 青岛：青岛理工大学， 2024.
	SHAO B. Research on operation diagnosis and prediction methods for wastewater treatment plants based on event logs and process mining［D］. Qingdao： Qingdao University of Technology， 2024 （in Chinese）.
[18]	周志豪. 基于多源数据和深度学习的电网故障诊断方法研究［D］. 南昌：南昌大学， 2024.
	ZHOU Z H. Research on power grid fault diagnosis method based on multi-source data and deep learning［D］. Nanchang： Nanchang University， 2024 （in Chinese）.
[19]	YANG J B， SEN P. A general multi-level evaluation process for hybrid MADM with uncertainty［J］. IEEE Transactions on Systems， Man， and Cybernetics， 1994， 24（10）： 1458-1473.
[20]	DYANG J B， XU D L. On the evidential reasoning algorithm for multiple attribute decision analysis under uncertainty［J］. IEEE Transactions on Systems， Man， and Cybernetics-Part A： Systems and Humans， 2002， 32（3）： 289-304.
[21]	唐帅文，曹友，张朋，等. 基于相关证据推理规则的激光惯组健康评估［J］. 航空学报， 2024， 45（12）： 329453.
	TANG S W， CAO Y， ZHANG P， et al. Health assessment of laser inertial measurement unit based on correlation-based evidential reasoning rule［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（12）： 329453 （in Chinese）.
[22]	严硕，徐永能，何文韬. 基于自然语言处理的地铁工程车辆故障智能诊断研究［J］. 兵器装备工程学报， 2022， 43（9）： 101-108.
	YAN S， XU Y N， HE W T. Research on intelligent fault diagnosis of metro engineering vehicles based on natural language processing［J］. Journal of Ordnance Equipment Engineering， 2022， 43（9）： 101-108 （in Chinese）.
[23]	LEE J， YOON W， KIM S， et al. BioBERT： a pre-trained biomedical language representation model for biomedical text mining［J］. Bioinformatics， 2020， 36（4）： 1234-1240.
[24]	DEVLIN J， CHANG M W， LEE K， et al. BERT： Pre-training of deep bidirectional transformers for language understanding［C］∥Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies. 2019： 4171-4186.
[25]	廖伟涵. 基于机器学习与自然语言处理的变压器故障诊断与状态评价研究［D］. 杭州：浙江大学， 2020.
	LIAO W H. Research on transformer fault diagnosis and condition assessment based on machine learning and natural language processing［D］. Hangzhou： Zhejiang University， 2020 （in Chinese）.
[26]	AMIN M F I， WATANOBE Y， RAHMAN M M， et al. Source code error understanding using BERT for multi-label classification［J］. IEEE Access， 2025， 13： 3802-3822.
[27]	许仕伟. 电液伺服机构密封可靠性分析及其试验研究［D］. 杭州：浙江理工大学， 2012.
	XU S W. Sealing reliability analysis and experimental research of electro-hydraulic servo mechanism［D］. Hangzhou： Zhejiang Sci-Tech University， 2012 （in Chinese）.
[28]	陈兴根，潘骏，陈文华，等. 电液伺服机构故障树分析［J］. 机电工程， 2009（4）： 25-27， 35.
	CHEN X G， PAN J， CHEN W H， et al. Fault tree analysis of electro-hydraulic servo mechanism［J］. Journal of Mechanical & Electrical Engineering， 2009（4）： 25-27，35 （in Chinese）.
[29]	陆豪，李运华，朱成林. 某型航天器推力矢量控制伺服机构的设计理论［J］. 北京航空航天大学学报， 2010， 36（12）： 1417-1421.
	LU H， LI Y H， ZHU C L. Design theory of thrust vector control servo mechanism for a spacecraft［J］. Journal of Beijing University of Aeronautics and Astronautics， 2010， 36（12）： 1417-1421 （in Chinese）.
[30]	卢礼兵，任杰，唐海洋. 基于Labview RT技术的伺服机构测试仪远程监控系统设计［J］. 自动化应用， 2018（11）： 45-47.
	LU L B， REN J， TANG H Y. Design of remote monitoring system for servo mechanism tester based on Labview RT technology［J］. Automation Application， 2018（11）： 45-47 （in Chinese）.
[31]	周江平，杨鹤. 伺服机构动态特性测试系统设计［J］. 计算机测量与控制， 2019， 27（8）： 25-29.
	ZHOU J P， YANG H. Design of dynamic characteristic test system for servo mechanism［J］. Computer Measurement & Control， 2019， 27（8）： 25-29 （in Chinese）.
[32]	SUN Y J， ZHOU Z J， FENG Z C， et al. Optimal maintenance timing determination for complex electromechanical equipment based on evidential reasoning［J］. IEEE Transactions on Instrumentation and Measurement， 2023， 73： 4003312.
[33]	YANG J B. Rule and utility based evidential reasoning approach for multiattribute decision analysis under uncertainties［J］. European Journal of Operational Research， 2001， 131（1）： 31-61.
[34]	YANG J B， XU D L. Evidential reasoning rule for evidence combination［J］. Artificial Intelligence， 2013， 205（3）： 1-29.
[35]	TANG S W， ZHOU Z J， HU C H， et al. A new evidential reasoning rule-based safety assessment method with sensor reliability for complex systems［J］. IEEE Transactions on Cybernetics， 2022， 52（5）： 4027-4038.
[36]	YANG J B， XU D L. Maximum likelihood evidential reasoning［J］. Artificial Intelligence， 2025， 340： 104289.
[37]	栾浩楠. 基于深度学习的滚动轴承健康状态评估［D］. 石家庄：石家庄铁道大学， 2023.
	LUAN H N. Health state assessment of rolling bearings based on deep learning［D］. Shijiazhuang： Shijiazhuang Tiedao University， 2023 （in Chinese）.
[38]	李弘扬，董鹏，李蕴哲. 基于支持向量机的发动机健康状态评估［J］. 舰船电子工程， 2023， 43（5）： 158-163.
	LI H Y， DONG P， LI Y Z. Engine health state assessment based on support vector machine［J］. Ship Electronic Engineering， 2023， 43（5）： 158-163 （in Chinese）.
[39]	曾广商，赵守军，张晓莎. 我国载人运载火箭伺服机构技术发展分析［J］. 载人航天， 2013， 19（4）： 3-10， 44.
	ZENG G S， ZHAO S J， ZHANG X S. Analysis on the development of servo mechanism technology for China’s manned launch vehicle［J］. Manned Spaceflight， 2013， 19（4）： 3-10， 44 （in Chinese）.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

缩略语	规范用语
电机	直流电机
油液	液压油液
油泵/液压泵	液压油泵
油滤	液压油液过滤器
电位计	反馈电位计
零位	零位电压

实验环境	配置
操作系统	Windows 11
CPU	Intel（R） Core（TM） Ultra
GPU	NVIDIA GeForce RTX 4060
内存	32 GB
编程环境	Python 3.7
深度学习框架	Pytorch
依赖库	numpy， gensim， torch等

输入文本	标签	分类结果
2020年9月10日，对伺服电机内壁进行清理，操作人员XX，过程顺利，未发生安全事故	中修	中修
2023年8月22日，对油液过滤器进行清洗，操作人员XX，油液过滤器已在清洗完毕后复位	小修	小修
2023年7月3日，对电液伺服阀进行检修并清理管道残渣，操作人员XX，XX	大修	大修

标签	含义
B-DEV	设备实体开始词
I-DEV	设备实体中间词
B-TIM	运行时间实体开始词
I-TIM	运行时间实体中间词
0	非实体词

参数	GRU网络	全连接层
输入维度	768	768
输出维度	768	5
偏置项	True	True
层数	3	1

融合多源信息的电液伺服机构健康评估

Health assessment for electro-hydraulic servomechanism with multi-source information fusion

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 23

参考文献 39

相关文章 4

编辑推荐

Metrics

本文评价

设备运行时间	提取结果
2022年3月21日，测试伺服机构伺服阀泄漏率，耗时3 h，操作人员XXX，XXX	测试伺服阀泄漏率，3 h
2022年11月8日，XXX对直流电机绝缘性进行测试，耗时20 min	直流电机绝缘性测试，20 min
2024年5月2日，伺服机构综合测试，耗时8 h，操作人员XXX	伺服机构综合测试，8 h

指标名称	健康	亚健康	失效
回环宽度Pos1/（°）	1.24	1.5	2
零位偏差Pos2/（°）	0.4	0.6	0.8
最大摆角Pos3/（°）	18.5	17	16
相对误差Pos4/%	2.8	4	6
暂态时间Tra1/ms	84	100	115
滞后相位Fre1/（°）	17	19	21

指标名称	健康	亚健康	失效
回环宽度Pos1/（°）	1.251 3	1.681 2	2.124 4
零位偏差Pos2/（°）	0.380 1	0.770 6	0.933 3
最大摆角Pos3/（°）	19.211 2	16.585 4	15.232 9
相对误差Pos4/%	2.921 2	4.213 3	7.146 9
暂态时间Tra1/ms	84.581 8	104.667 1	116.235 9
滞后相位Fre1/（°）	18.123 2	20.124 4	22.088 2

模型评价指标	ER-MIF	BRB	DL	SVM
1	0.061 2	0.142 5	0.065 3	0.178 8
2	60 ms	95 ms	106 ms	100 ms
3	0.142 3	0.084 4	0.175 8	0.218 9
4	0.952 7	2.795 4	0.815 4	1.826 1

[1]	唐帅文, 曹友, 张朋, 姜江. 基于相关证据推理规则的激光惯组健康评估[J]. 航空学报, 2024, 45(12): 329453-329453.
[2]	唐帅文, 周志杰, 姜江, 曹友, 陈媛, 叶燕清. 考虑扰动的无人机集群协同态势感知一致性评估[J]. 航空学报, 2020, 41(S2): 724233-724233.
[3]	房冠成, 贾大鹏, 刘毅飞, 刘海涛. 基于飞行参数数据挖掘的军机健康评估技术[J]. 航空学报, 2020, 41(6): 523458-523458.
[4]	王少萍. 大型飞机机载系统预测与健康管理关键技术[J]. 航空学报, 2014, 35(6): 1459-1472.