液压泵远程状态监测中的云智能低采样率信号重构方法研究

为解决液压泵远程监测中高采样率(HSR)信号传输带宽不足的问题，研究人员开发了基于自适应多尺度特征调制Swin Transformer(AMFM-SwinT)网络的低采样率(LSR)信号云重构技术。该技术将现场采集的LSR信号在云端重建为HSR信号，数据量减少87.5%-90%的同时实现0.0041-0.0054的均方误差(MSE)，为液压系统可靠性监测提供了高效解决方案。

　　

液压系统作为工业领域的核心动力单元，其可靠性直接影响设备运行安全。然而，传统液压泵状态监测面临一个突出矛盾：为捕捉瞬时故障特征需要采集kHz至MHz级的高采样率(HSR)振动信号，但现有无线通信带宽难以支撑海量数据的实时传输。当前解决方案如特征参数提取会丢失细节信息，压缩感知技术又受限于噪声敏感性和数据稀疏性要求。这一矛盾使得远程监测系统陷入"要么延迟传输，要么损失精度"的两难境地。

针对这一行业痛点，中国某高校研究团队在《Expert Systems with Applications》发表创新成果，提出基于云智能重构的低采样率(LSR)信号监测新范式。该方法突破性地将图像超分辨率(ISR)技术引入时间序列分析，设计出融合卷积神经网络(CNN)与Transformer优势的AMFM-SwinT网络。通过数值模拟和双泵实验验证，该技术成功实现LSR到HSR信号的精准重构，在齿轮泵和柱塞泵上分别取得90%和87.5%的数据量压缩率，同时保持MSE低于0.0054的精度。

关键技术方法包括：1)采用一拖二信号调理器同步采集同源LSR/HSR信号构建训练集；2)设计含高频卷积块、低频Swin Transformer块和交互注意力融合块的AMFM-SwinT网络架构；3)基于均方误差(MSE)和归一化互相关系数(NCC)双指标评估重构效果；4)在齿轮泵与柱塞泵实验平台上验证方法普适性。

Proposed method
研究构建了云端LSR信号智能重构的完整技术路线：现场端以1/8采样率采集振动信号，云端AMFM-SwinT网络通过三级特征处理实现信号超分辨率重建。其中高频提取模块采用深度可分离卷积捕捉瞬态特征，低频模块利用窗口多头自注意力机制建模长程依赖，特征调制模块通过跨尺度注意力实现频谱补偿。

Evaluation metrics
定量分析显示，在齿轮泵振动信号重构中，AMFM-SwinT的MSE(0.0054)显著优于传统三次样条插值(0.0187)；活塞泵实验中NCC达到0.983，证明重构信号与真实HSR信号具有极高波形相似度。频谱分析证实该方法能有效恢复5kHz以上的高频成分。

Experiment background
双实验平台验证表明：齿轮泵在转速1800r/min工况下，LSR信号经重构后能准确识别7倍频特征频率；柱塞泵在变负载条件下，重构信号成功检测到斜盘摆动引起的125Hz特征频率，为传统方法难以捕捉的关键故障特征。

Conclusion
该研究开创性地解决了液压监测领域"高精度需求与低带宽约束"的根本矛盾。AMFM-SwinT网络通过多尺度特征协同提取机制，突破传统插值方法无法恢复高频成分的限制。实际应用中，传输1分钟振动信号的数据量从144MB降至14.4MB，上传时间缩短90%，为工程现场提供了切实可行的远程监测方案。

CRediT authorship contribution statement
研究团队呈现完整的技术链条：Xinlei Xu完成算法设计与实验验证，Xiwen Gu负责理论框架构建，Weidi Huang提供工业应用指导，多学科协作确保方法兼具学术创新性与工程落地价值。

这项研究不仅为液压系统智能运维提供新工具，其"端侧采集+云端重构"的技术范式更可拓展至风电、航空发动机等复杂装备监测领域，具有广阔的工业应用前景。