张 轩，张 旭，黄亦翔，刘成良

(上海交通大学 机械与动力工程学院，上海 200240)

引言

液压系统在各类工程机械、飞机、机床等行业有着广泛的应用。内泄漏是液压系统最常见的故障之一，它的发生会导致系统压力不足，工作不平稳，内泄漏可能发生在液压泵、液压缸、换向阀等多个位置，通过对缸内流量或压力进行监测，往往可以观察到泄漏的发生[1]，但只凭借经验观察很难判断泄漏量的大小。对液压系统的故障诊断往往是先从压力信号中提取特征，再通过支持向量机、特征距离或状态空间的方法对信号进行分类，从而完成故障诊断[2-4]，近些年来使用深度学习的方法进行故障诊断的案例也越来越多[5-6]，然而这些监督学习的方法往往需要大量规范的样本进行训练，在数据量不足时往往很难发挥作用，而液压内泄漏数据往往也很难大量提取。无监督学习不需要大量的样本来训练模型参数，往往可以发现数据的内在联系，对界限不明显的数据往往也有着较好的效果，常用于故障诊断的无监督学习方法有K均值聚类、密度聚类、谱聚类等[7-8]。

谱聚类作为最有效的无监督学习方法之一，在故障诊断领域也有诸多的应用，宋天祥等[9]利用声信号进行谱聚类对托辊的故障进行分析；刘建峰等[10]基于继电保护信息和改进谱聚类分析对电网故障区域进行了识别。然而液压系统压力并不是稳定信号，随着活塞的运动在不同阶段特征也有所不同……