唐宏宾 傅政 邓习树 黄毅

(1．长沙理工大学 汽车与机械工程学院，湖南 长沙 410114;2.三一汽车制造有限公司，湖南 长沙 410100)

柱塞泵是工程机械液压传动系统的动力源和核心元件[1- 2]，其运行状态与服役性能直接影响着工程机械的施工质量和运营安全[3- 4]。针对柱塞泵的健康监测及故障诊断，国内外学者开展了广泛的研究，目前主要采用的是数据驱动方法。该方法首先测量柱塞泵不同健康状态的动态信号，然后利用信号处理技术提取故障特征，再将故障特征输入到分类器中进行故障模式识别。由于柱塞泵本身固有的机械振动、流体的压缩性及流-固耦合作用，使得现场采集的信号往往会被各种干扰影响，导致信噪比低，故障特征微弱，传统的信号处理方法难以有效提取性能状态信息。因此，小波(小波包)分析[5]、经验模式分解[6]、局部特征尺度分解[7- 8]、增强聚类分割[9]等方法在柱塞泵故障特征提取中得到了广泛应用。传统的模式识别方法，如神经网络[10- 11]、支持向量机[12- 13]等虽然能对柱塞泵的健康状态进行有效检测，但检测准确率很大程度上取决于提取的故障特征。近年来兴起的深度学习方法可以直接从原始信号中提取敏感特征，在柱塞泵的状态故障诊断中也得到了应用[14- 16]，取得了较好的效果。

数据驱动方法有效促进了柱塞泵状态监测及故障诊断技术的进步，但在实际应用中还受到一些限制：一是工程机械实际运行中的负载是不断变化的，因此现场采集的动态信号受柱塞泵健康状态和负载波动的耦合作用，这增加了数据驱动方法检测故障的难度；……