作为现代精密液压控制系统的核心零件，电液伺服阀被广泛应用于各类大型高精度液压机装备^[1]. 面对复杂应用场景和重载变速控制要求，伺服阀性能面临加速疲劳失效的风险，最终导致泄漏和阻塞故障^[2]，降低生产质量与效率，存在较大的生产安全隐患. 针对重载与时变速工况下电液伺服阀应用中的故障类型精准识别至关重要.

电液伺服阀的故障分析具备广泛的研究基础. 基于模型^[3]和专家系统^[4]的研究能够有效解析系统故障机制，但极易受模型复杂程度的限制. 传统基于模型的故障诊断方案逐渐难以满足工业需求. 胡渊豪等^[5]采用注意力卷积胶囊网络，对比例伺服阀实现端到端的高精度故障诊断. 孙炜等^[6]针对阀控缸系统的相似故障表征难题，提出结合独立循环和一维卷积神经网络的模型准确定位故障问题. 上述模型针对小型液压系统中的伺服阀能够实现有效的故障诊断任务，但面对长周期特性的数据，难以有效捕捉特征信息. 赵洪利等^[7]基于融合卷积Transformer模型，有效抑制信号的冗余信息，提高模型诊断的准确率. 面对不同的应用场景，单模块对强非线性和隐蔽性的长时序数据的全局特征关注方面存在不足. 针对应用于电液伺服阀故障诊断的任务，亟需进一步的组合与创新应用.

数据的表征能力是决定模型诊断效果的关键因素. Chen等^[8]提取不同尺度下的压力信号特征信息，通过机器学习对较好的特征信息实现故障分类. 单信号的分解与变化难以弥补信号的表征能力不足，多传感器信息的融合进一步加强了故障诊断的准确性和稳定性. Li等^[9]采用不同位置的振动传感器，实现了高效的压缩机故障诊断. Liu等^[10]关注阀泄漏的声信号，融合2个不同位置的时间和频率特征信息，在常规泄漏下实现了较快的诊断速度. 相同的传感器信号在不同位置能够实现信息特征的互补，但复杂系统中的故障难以用同种传感器有效表达. Shi等^[11]采用融合熵加权与注意力机制，对多传感器信息进行特征融合分类，实现高效的方向阀故障诊断任务，但短周期应用方案难以有效解决长周期运动下的阀控系统故障诊断问题. 复杂工况下的阀控系统多源传感器融合方案的有效应用仍需进一步的实验探究.

综上所述，重载与时变速工况下的伺服阀故障诊断任务存在较大的挑战，长周期时序数据不同于传统故障诊断任务中的信号类型，特征信息具有更强的周期性与时序依赖性. 多传感器特征融合技术的发展表明，不同传感器之间的信息互补是提升故障表征能力的重要途径. 本文设计并搭建重载与时变速电液伺服阀控制实验系统，同步采集不同源的控制和压力信号数据，构建故障数据集. 提出双源特征互补融合的方案，构建DC-MTF-Net，实现在重载与时变速工况下的电液伺服阀泄漏与堵塞多类故障的高效诊断.

如图1所示为8种电液伺服阀的状态. 如图1（a）所示为正常状态下的电液伺服阀. 如图1（b）、（e）所示为电液伺服阀密封圈在强振动和高压作用下产生的断裂和磨损故障. 如图1（c）、（d）所示为安装质量问题产生的密封圈丢失和损坏. 如图1（f）、（g）、（h）所示，随着产品使用时间的增加，油液中的铁屑与污泥逐渐增加导致不同的堵塞故障.

如图2所示为电液伺服阀的实验运行方案. 其中，图2（a）采用纽扣式阻尼安装于电液伺服阀阀口，通过不同通径的阻尼孔固定阀口的最大流量，模拟在重载时变速过程下的阀芯在某位置产生阻塞的问题. 由于电液伺服阀的外泄漏产生较大的污染，如图2（b）所示，设计泄漏专用的阻尼块，将其安装于电液伺服阀阀口，在阻尼块中安装不同通径的阻尼，实现回油或供油时油液分流而返回油箱的泄漏状态模拟.

建立阀芯动力学、阀口流量方程、缸腔内流量平衡及负载平衡的数学模型，分析控制信号与阀出口压力对不同失效机理的响应.

(1)$ m{\ddot{x}}_{\text{v}}+{c}_{\text{v}}{\dot{x}}_{\text{v}}+{k}_{\text{v}}{x}_{\text{v}}={K}_{\text{u}}u . $

式中： $ {x}_{v} $为阀芯位移，$ u $为控制电压输入信号，$ m $、$ {c}_{\text{v}} $和$ {k}_{\text{v}} $分别为阀芯的等效质量、阻尼和刚度，$ {K}_{\text{u}} $为控制增益.

根据伺服阀的二阶动力学模型（见式（1））可知，电液伺服阀的控制信号对系统动态稳定性和阀芯位移运行精度具有决定性作用. 当伺服阀产生泄漏和堵塞故障时，$ {c}_{\text{v}} $和$ {k}_{\text{v}} $会产生改变，进而影响阀芯位移对控制信号的响应.

(2)$ Q={C}_{\text{d}}{A}_{\text{w}}\sqrt{\frac{2\Delta p}{\rho }}-{C}_{\text{sv}}\left({p}_{\text{b}}-{p}_{\text{T}}\right) . $

式中： $ Q $为通过电液伺服阀阀口的流量，$ \Delta p $为电液伺服阀两端压力差，$ {C}_{\text{d}} $为流量系数，$ {A}_{\text{w}} $为电液伺服阀的等效流通面积，$ \rho $为液压油的密度，$ {C}_{\text{sv}} $为电液伺服阀泄漏系数，$ {p}_{\text{b}} $为阀口的压力，$ {p}_{\text{T}} $为供油端压力.

阀口开度和压差对阀口流量具有关键作用. 当伺服阀产生堵塞时，$ {A}_{\text{w}} $减小导致通过伺服阀的流量减少，造成活动横梁下降时阀口压力高于正常工况. 回程时执行端液压缸横截面积固定而产生压力低于正常工况的问题. 当伺服阀产生泄漏故障时，$ {C}_{\text{sv}} $超参数增大，导致伺服阀工作口的流量减小，压力相较于正常工况变小.

设定液压缸为理想状态不存在泄漏，建立液压缸的流量平衡方程、负载动力学模型如下：

(3)$ Q={A}_{\text{b}}\dot{x}+\frac{{V}_{\text{b}}}{{\beta }_{\text{c}}}{\dot{p}}_{\text{b}}+{C}_{\text{l}}{p}_{\text{b}} , $

(4)$ A_{\text{b}}{p}_{\text{b}}-A_{\text{a}}{p}_{\text{a}}=M\ddot{x}+{B}_{\text{f}}\dot{x}+Kx+F\left(x\right) . $

式中：$ A_{\text{b}} $为液压缸有杆腔有效横截面，$ {V}_{\text{b}} $为液压缸有杆腔的有效容积，$ {\beta }_{\text{c}} $为等效体积模量， $ {C}_{\text{l}} $为液压缸泄漏系数，$ A_{\text{a}} $为液压缸无杆腔的有效横截面积，$ {p}_{\text{a}} $为液压缸无杆腔的压力，$ M $为活动横梁的等效质量，$ {B}_{\text{f}} $为等效黏性阻尼系数，$ K $为等效刚度，$ F\left(x\right) $为额外干扰力. 电液伺服阀连接于液压缸有杆腔，阀口的压力直接反映液压缸有杆腔的压力状态. 从式（3）可知，当产生堵塞故障时，阀口的有效流通面积显著降低，压力信号产生明显的畸变. 当产生泄漏故障时，在闭环控制器调节下产生较强的压力波动. 从式（4）可知，阀口的压力综合反映了阀口的节流性能和泄漏状态.

综上所述，通过控制信号和压力信号的联合建模，捕捉泄漏变化和阀口堵塞的故障特征，相比单一信号输入能够显著增强对复杂工况下电液伺服阀状态的表征能力. 基于此，构成具有耦合关系的内部信号. 电液伺服阀的故障类型、纽扣式阻尼孔径d_b和M5阻尼孔径d_M5如表1所示.

如图3所示，建立双通道多尺度Transformer融合模型，该模型主要由自编码器、反卷积解码器与交叉注意力门控特征融合分类器组成. 由压力传感器和控制模块分别采集2种不同来源的信号，经滑动窗口划分后，按照无标签数据、标签微调数据和测试数据3类进行划分. 编码器在两路通道之间共享参数，分别提取特征. 解码器在预训练阶段通过最小化重建误差实现无监督编码器的参数训练. 冻结编码器的参数，为后续分类任务提供特征提取基础. 在分类阶段，标签数据经过共享编码器得到两路特征向量，输入交叉注意力门控特征融合模块，建模控制与压力信号之间的相关性，通过门控向量自适应调节两路特征在融合中的权重. 融合特征经全连接层输出各故障类别的概率，实现对伺服阀泄漏和堵塞故障的分类.

自编码器包含2层一维卷积、2层池化、多尺度卷积、深度可分离卷积和Transformer模块. 构建2个并行通道，采用2层卷积实现数据降维和噪声抑制，通过多尺度卷积模块提取压力和控制信号不同感受野的局部特征并融合^[12]. 引入深度可分离卷积层，对拼接后的特征进一步压缩特征，提升通道结构的表达能力. 各卷积模块的过程如下：

(5)$ \left. \begin{array}{l} \boldsymbol{Y}_{i}^{l}=\text{MaxPool1D}\left(f\times \left({\boldsymbol{X}}_{i}\ast \boldsymbol{W}_{i}^{l}+\boldsymbol{b}_{i}^{l}\right)\right),\\\boldsymbol{h}_{i}^{r}=\text{Conv1D }(\boldsymbol{Y}_{i}^{2}),\\{\boldsymbol{p}}_{i}=\text{Conv1D }\left(\text{MaxPool1D (}\boldsymbol{Y}_{i}^{2})\right),\\{\boldsymbol{H}}_{i}=\text{BatchNorm (Concat }(\boldsymbol{h}_{i}^{r},{\boldsymbol{p}}_{i})).\end{array}\right\} $

式中：$ \boldsymbol{Y}_{i}^{l} $为卷积和最大池化后第l层的输出特征元素；$ \boldsymbol{h}_{i}^{{{r}}} $为多尺度卷积的特征输出值，r为多尺度卷积对应的感受野大小，取2、3、5、7；$ {\boldsymbol{p}}_{i} $为步长为1的卷积特征输出；$ {\boldsymbol{H}}_{i} $为多尺度卷积层结合后的标准化输出；$ f $为激活函数；$ {\boldsymbol{X}}_{i} $为输入数据；$ \boldsymbol{W}_{i}^{l} $为该卷积核权重矩阵；$ \boldsymbol{b}_{i}^{l} $为偏差项；MaxPool1D为最大池化；i为对应通道信号的输入标识，取1为控制信号, 2为压力信号.

为了进一步提升模型的关键特征关注能力，在多尺度卷积模块后级联使用卷积注意力模块^[13] （CBAM），对融合后的多尺度特征增强关键区域的特征关注度，有效抑制冗余信息并提升关键特征的聚焦能力. 通道注意力权重为

(6)${\left. {\begin{array}{*{20}{l}} {{\boldsymbol{M}}_{\text{c}}} = \sigma ({{{\mathrm{F}}}}{{{{\mathrm{C}}}}_2}({\text{ReLU}}({\text{F}}{{\text{C}}_1}({\text{AvgPool }}({{\boldsymbol{H}}_i}) + {\text{MaxPool}}({{\boldsymbol{H}}_i}))))), \\ {{{\boldsymbol{F}}_{\text{c}}} = {{\boldsymbol{H}}_i} \otimes {{\boldsymbol{M}}_{\text{c}}}.} \end{array}} \right\}}$

空间注意力权重为

(7)$ \left.\begin{array}{l} {\boldsymbol{M}}_{\text{s}}=\sigma \left({\text{Conv1D}}_{k=7}\text{Concat }\left(\text{mean}\left({\boldsymbol{F}}_{\text{c}}\right),\text{max}\left({\boldsymbol{F}}_{\text{c}}\right)\right)\right),\\{\boldsymbol{F}}_{\text{s}}={\boldsymbol{F}}_{\text{c}}\otimes {\boldsymbol{M}}_{\text{s}}.\end{array} \right\}$

式中：$ \sigma $为Sigmoid 激活函数，$ {\boldsymbol{F}}_{\text{c}} $为通道注意力细化后的特征，$ {\text{FC}}_{1} $为通过全连接层的降维，$ {\text{FC}}_{2} $为通过全连接层恢复通道， $ {\boldsymbol{F}}_{\text{s}} $为空间注意力细化后的特征.

通过深度可分离卷积^[14]既保留了CBAM模块传递的通道内部信息，又提升了特征细节的建模效果. 通过下采样卷积层，有效减少了序列长度，降低了后续模块的计算负担，提升了通道维的表达能力，为后续Transformer模块的运行降低了运行复杂性. 深度可分离卷积模块的特征输出为

(8)$ {\boldsymbol{D}}_{i}=\text{ReLU (DepthwiseConv1D (}{\boldsymbol{F}}_{\text{s}})) . $

下采样卷积层的输出为

(9)$ {\boldsymbol{C}}_{i}=\text{ReLU (Conv}1\text{D (}{\boldsymbol{D}}_{i})) . $

引入Transformer模块^[8]，对提取后的时序特征进行时序信息建模，增强模型对不同时间数据之间的长期依赖关系，如下所示：

(10)$ \left.{\begin{array}{*{20}{l}} {{\boldsymbol{Q}} = {\boldsymbol{L}}{{\boldsymbol{W}}_{\text{Q}}},{\boldsymbol{K}} = {\boldsymbol{L}}{{\boldsymbol{W}}_{\text{K}}},{\boldsymbol{V}} = {\boldsymbol{L}}{{\boldsymbol{W}}_{\text{V}}},} \\ {{\boldsymbol{O}}_{_{\text{A}}}^t({\boldsymbol{Q}},{\boldsymbol{K}},{\boldsymbol{V}}) = {\text{Softmax}}\left( {{\boldsymbol{Q}}{{\boldsymbol{K}}^{\text{T}}}/\sqrt {{d_{\mathrm{k}}}} } \right){\boldsymbol{V}},} \\ {{{\boldsymbol{O}}_{{\text{MH}}}} = {\text{Concat (}}{\boldsymbol{O}}_{_{\text{A}}}^1, \cdots ,{\boldsymbol{O}}_{_{\text{A}}}^t),} \\ {{\boldsymbol{Z}} = {\text{LayerNorm}}\left( {{\boldsymbol{L}} + {\text{Dropout}}\left( {{{\boldsymbol{O}}_{{\text{MH}}}}} \right)} \right),} \\ {{\boldsymbol{F}}_{\rm{FN}} = {\text{ReLU }}({\boldsymbol{Z}}{{\boldsymbol{W}}_1} + {{\boldsymbol{b}}_1}){{\boldsymbol{W}}_2} + {{\boldsymbol{b}}_2},} \\ {{\boldsymbol{U}} = {\text{LayerNorm}}\left( {{\boldsymbol{Z}} + {\text{Dropout }}\left( {{\boldsymbol{F}}_{\rm{FN}}} \right)} \right).} \end{array}} \right\}$

(11)$ {\boldsymbol{E}}=\text{GAP (}\boldsymbol{U})=\frac{1}{T}\sum \limits_{t=1}^{T}\boldsymbol{U}[:,t,:] . $

式中：$ \boldsymbol{L} $为位置编码后的输出；$ \boldsymbol{Q}、\boldsymbol{K}、\boldsymbol{V} $为多头注意力机制中Query、Key和Value 的投影权重矩阵；$ {\boldsymbol{W}}_{\mathrm{Q}}、{\boldsymbol{W}}_{\mathrm{K}}、{\boldsymbol{W}}_{\mathrm{V}}$分别为注意力机制中的可学习线性投影矩阵；$ O_{{}_{\text{A}}}^{t}(\boldsymbol{Q},\boldsymbol{K},\boldsymbol{V}) $为第t个注意力头的输出；$d_{\mathrm{k}} $为K的维度；$ {\boldsymbol{O}}_{\text{MH}} $为多头注意力输出；$ \boldsymbol{Z} $为多头注意力输出经Dropout后与输入特征进行残差连接，并经LayerNorm归一化得到的中间特征；$ \boldsymbol{F}_\text{FN} $为前馈神经网络模块的输出；$ {\boldsymbol{W}}_1 $和${\boldsymbol{W}}_2$为权重矩阵；${\boldsymbol{b}}_1 $和$ {\boldsymbol{b}}_{2} $为偏置项；$ \boldsymbol{U} $为Transformer模块最终的输出；$ {\boldsymbol{E}} $为通道最终的输出.

解码器模块通过3层反卷积层扩展从编码器中提取的特征参数，重建样本数据. 经上采样的特征扩展和重建，有效减少原始数据中的噪声干扰，如下所示：

(12)$ {\tilde{\boldsymbol{X}}}_{i}=f\times \left(\sum \limits_{l=1}^{H}{\boldsymbol{E}}_{i}\ast \boldsymbol{W}_{i}^{l\text{T}}+\boldsymbol{c}_{i}^{l}\right) . $

式中：$ {\tilde{\boldsymbol{X}}}_{i} $为通道i重塑的样本数据，$ f $为反卷积激活函数，${\boldsymbol{E}}_i $为通道i的输出，$ \boldsymbol{W}_{i}^{l\text{T}} $为通道i的转置卷积核矩阵，$ \boldsymbol{c}_{i}^{l} $为通道i的偏置项.

电液伺服阀作为高精密的液压元件，其强非线性、时变性、强隐藏性和特征提取困难等特点导致诊断难度随之提升^[15]. 在强噪声影响下，外部信号难以充分反映液压元件的运行状态. 采用多源传感器的特征融合策略，能够有效弥补非侵入式传感器在信号检测中的不足.

如图4所示，提出面向双通道时间序列分类任务的交叉注意力的门控融合模块（CAGF）. 将交叉注意力机制与门控动态融合策略集成于故障诊断模型结构中，实现通道信息的协同建模与动态加权，如下式所示：

(13)$ \left.\begin{array}{l} {\boldsymbol{E}}_{i}{}^{\prime}=\text{Reshape (}{\boldsymbol{E}}_{i}\textit{),}\\{\boldsymbol{A}}_{1}=\text{MultiHead (}{\boldsymbol{E}}_{1}{}^{\prime},{\boldsymbol{E}}_{2}{}^{\prime}\textit{,}{\boldsymbol{E}}_{2}{}^{\prime}),\\{\boldsymbol{A}}_{2}=\text{MultiHead (}{\boldsymbol{E}}_{2}{}^{\prime},{\boldsymbol{E}}_{1}{}^{\prime},{\boldsymbol{E}}_{1}{}^{\prime}),\\{\boldsymbol{P}}_{i}={{\mathrm{GlobalAvgPool}} \;(}{\boldsymbol{A}}_{i}),\\\boldsymbol{G}=\sigma \left(\text{FC}\left(\text{Concat}\left({\boldsymbol{P}}_{1},{\boldsymbol{P}}_{2}\right)\right)\right),\\{\boldsymbol{F}}_{\text{fused}}=\boldsymbol{G}\odot {\boldsymbol{P}}_{1}+\left({\boldsymbol{1}}-\boldsymbol{G}\right){\boldsymbol{P}}_{2}.\end{array}\right\} $

式中：$ {\boldsymbol{E}}_{i}{}^{\prime} $为第i通道重塑后的特征输出，$ {\boldsymbol{A}}_{1} $为交叉融合机制1的通道输出，$ {\boldsymbol{A}}_{2} $为交叉融合机制2的通道输出，$ {\boldsymbol{P}}_{i} $为第i通道全局平均池化的特征输出，$ \boldsymbol{G} $为通道融合权重系数，$ {\boldsymbol{F}}_{\text{fused}} $为交叉注意力门控融合模块后的输出特征.

相较于传统的拼接或静态加权融合方式，采用双向多头交叉注意力机制，CAGF 模块具备更强的特征选择能力与上下文关联建模能力，能够有效抑制冗余干扰，提高模型在复杂工况下的分类鲁棒性.

为了模拟重载与时变速工业应用环境，搭建如图5所示的液压机实验台. 该设备主要由电气柜、控制柜、液压机、阀块平台、液压站和实验模块组成. 大质量滑块模拟工业生产中的重载运动场景，提高复杂工况下故障诊断实验在重载运动背景下的普适性. 控制柜主要由主机、采集卡和输出卡组成，通过软件平台实现对系统压力信号和闭环运动控制信号2种不同来源数据的实时采集. 将阻尼块安装于阀块与电液伺服阀之间，通过在内部通道中更换不同通径的阻尼，实现内泄漏故障的模拟. 将纽扣式阻尼直接安装于电液伺服阀的阀口，实现阻塞故障的模拟. 根据实验需求，试验台所涉及信号产生与采集的主要液压元器件及电子元件如表2所示.

如图6所示，系统通过软件模块实现信号的传输和采集，利用位移闭环控制系统与模拟量信号的输出卡建立时变速系统，增强系统的非线性特征，使非线性运行更加贴近于工程应用. 经PCI-1713采集卡实现对压力信号的采集，控制信号由控制系统模块直接收集. 经数据提取与预处理后，将控制信号和压力信号并行输入模型实现训练与测试.

如图7所示，压力信号X₂和控制信号X₁受噪声影响较严重，数据中的故障特征敏感性降低，归一化与特征提取的难度随之增加. 泄漏故障之间的压力信号变化难以分辨，阻塞故障严重时压力信号变化较明显，但微小故障之间的信号难以有效区分. 此外，控制信号由于闭环控制系统的强影响，导致各个周期的信号特征相似度较高，单信号故障诊断的难度增大. 综上，有效利用压力信号和控制信号的互补特性，为提高故障诊断模型的准确率和高鲁棒性增大了可行性.

所提模型的各层基本参数如表3所示. 所有模型的运行环境均为Python 3.10、Windows 10、32.0GB RAM、i5-12500处理器和NVIDIA 3060显卡. 所有模型的学习率设定为0.001，步长为64，训练轮数为100，验证集分割率为0.1. 为了达到更全面的模型评估，采用精确率、召回率和F₁作为额外的评价指标，同时采用10次训练结果的平均值验证各模型在实验条件下的有效性和稳定性.

针对模型中的创新性模块进行逐个消融实验. 模型A1：去除卷积注意力模块，用以评估通道与空间注意力机制对特征提取性能的影响. 模型A2：去除跨通道门控注意力融合模块，使用简单拼接进行双通道特征融合，评估融合策略对分类效果的影响. 模型A3：去除多尺度卷积模块，评估局部多尺度特征对模型分类性能的贡献. 模型A4：去除Transformer，分析Transformer结构在全局建模能力中的作用. 构建先进模型的对比实验. 模型A5：适用于长周期时间序列数据的Informer模型^[16]. 模型A6：传统Transformer模型^[7]. 模型A7：图注意力神经网络模型^[17]. 模型A8：广泛应用的CNN-LSTM模型^[4]. 模型A9：Mamba模型^[18]. 模型A10：ResNet模型^[6]. 模型A11： 专门处理时间序列数据的TCN模型^[19]. 为了进一步验证特征融合方案的有效性，分别采用控制和压力信号建立模型A12和模型A13.

将无标签数据用于自编码器的训练，标签数据用于分类模型微调，构建具有标签的测试数据集. 各模型的无标签训练数据为控制和压力信号各1500组，标签数据各700组，测试数据各300组.

如表4所示，所提模型A的诊断准确率及各项指标达到99%以上，与效果最好的消融模型相比，准确率提升了6%. 所提模型准确率的标准差仅为1%，相较于最好的消融模型提高了5.02%. A1模型数据揭示了卷积注意力模块对电液伺服阀长周期时序信号数列冗余信息的抑制，对提高特征的聚焦能力具有关键作用. A2模型数据展示了交叉注意力门控融合模块的创新性融合在该方案中能够有效提升诊断的准确率和稳定性. A3模型证明了多尺度卷积模块的应用能够为后续的计算从多方位高效提取关键特征. A4模型验证了Transformer模块的创新性应用有效应对了电液伺服阀故障信息长时序数列之间的前后依赖问题，提高诊断的准确率.

图8中，z₁、z₂分别为样本在二维空间中的投影横坐标和纵坐标. 从图8（a）可知，所提模型的分类输出数据具有较大的类间距，聚类清晰度较高. 图8（b）~（e）验证了当所提创新模型中的模块被消融测试时，模型难以对复杂的电液伺服阀信号进行有效地分类，存在多处边界模糊，特征提取能力和聚类效果较差.

从表5可见，所提模型的准确率达到 99.54%，较最佳对比模型提升约 10.74%. A7和A8的准确率分别为83.94%和84.87%，说明A7和A8模型对长周期多源信号具有一定的分类能力，但对应的标准差明显偏大. A10和A11模型的准确率处于中等水平，而基于状态空间的Mamba模型A9在该数据集上的准确率仅约为60%，且标准差超过20%，表明A9模型在当前条件下难以稳定收敛. 综上，所提模型在多源长周期信号下具备更高的诊断精度和更好的稳定性.

图9中，N_s为样本个数. 从图9可知，控制信号对于状态6存在66.67%的误判概率，但是该状态通过压力信号能够较好地识别. 状态1~4难以通过压力信号实现有效分类，但在控制信号的诊断模型中可以较好地完成分类识别. 从图9（c）可知，采用特征融合方案，能够有效避免单信号存在的不足，实现信号识别弱点之间的互补.

由于大型液压机装备的应用场景复杂，采集信号的噪声多变. 在原有工厂噪声的基础上添加高斯白噪声，验证所提方案在复杂噪声工况下的效果. 其中，设置信噪比SNR分别为−2、−4、−8、2、4和8 dB. 为了进一步表征恒转速泵的压力脉动、负载变化和机构共振等干扰，以各类样本信号的标准差为基准，分别设置噪声强度系数λ为0.5、1和2倍的高斯噪声与均匀噪声组合，并在此基础上叠加幅值为混合噪声幅值0.5倍的周期扰动信号.

表6给出不同噪声强度下模型重复训练10次所得各项评价指标的平均值及标准差. 所提模型A在信噪比为−8 dB的条件下，与最好的对比模型相比，准确率提升了3.7%，且在所有高斯噪声的实验中标准差最低. 在2倍的复合噪声下，所提模型的准确率相较于最好的模型提高了7.04%，标准差提升了3.93%. 多噪声条件下的实验进一步证明了模型在随机噪声与复合干扰下具有较高的鲁棒性.

（1）设计消融模型和先进模型的对比实验，所提 DC-MTF-Net模型能够达到较好的诊断性能，验证了各模块之间的配合存在显著的效果.

（2）对控制信号和压力信号分别实现诊断任务，混淆矩阵的对比展现了2个信号对于特征融合后结果的互补特性.

（3）面对不同的噪声环境，该模型具有较高的诊断准确率，验证了模型的高鲁棒性.

面对重载和时变速工况下的电液伺服阀系统，尽管所提模型在实验中表现优异，但对标记数据具有较强的依赖性，且阀芯磨损、劈尖磨损和卡滞等故障类型为缓慢演变的过程，需要进一步增强对缓变故障的预测和诊断. 由于需要消耗较多的计算资源，针对模型的工业部署存在较大的挑战. 未来的研究将针对应用痛点，进一步探索小样本、模型迁移、缓变故障和工业部署的学习方法，加速工程应用落地.