《Sensors》：Detecting and Grading Valve-Plate Wear in an Axial Piston Pump from Pressure and Vibration Signals: Within-Campaign Separability Versus Leave-One-Condition-Out Generalisation
编辑推荐：
英文摘要专业翻译：
阀板磨损会降低轴向柱塞泵的容积效率，而基于数据驱动的分类器在磨损分级中常报告接近完美的准确率。本文探讨的是，此类准确率在多大程度上反映故障本身，而非记录条件。研究人员在试验台上针对五种诱导磨损状态（估计容积效率94.9%–69.5%），在
英文摘要专业翻译：
阀板磨损会降低轴向柱塞泵的容积效率，而基于数据驱动的分类器在磨损分级中常报告接近完美的准确率。本文探讨的是，此类准确率在多大程度上反映故障本身，而非记录条件。研究人员在试验台上针对五种诱导磨损状态（估计容积效率94.9%–69.5%），在空载和加载（约700 psi）两个工况点、单次采集活动中，记录了出口压力、预充压力、泄漏流量及四个测点处的壳体振动信号。研究人员采用支持向量机（support vector machine, SVM）、随机森林（random forest, RF）和浅层神经网络（shallow neural network, SNN）对统计特征进行分类，并设置难度递增的验证协议。记录级交叉验证可从压力信号或任意单个加速度计信号中以94%–100%的准确率区分五种磨损状态。留一工况（leave-one-condition-out, LOCO）验证表明，仅粗粒度决策可泛化至训练中未出现的磨损状态：显著退化（容积效率低于约80%，此时泵失去预充压力）可由两个工况下的压力通道及加载工况下三个加速度计检测到；而细粒度分级及连续容积效率估计（平均绝对误差3.6–7.0个百分点）不能迁移，不同工况点之间的模型也不能迁移。结果仅限于单次采集活动、每种磨损状态对应一次安装；需要在自然磨损部件上进行多次会话验证。
论文解读文章
阀板磨损是轴向柱塞泵中最常见的退化形式之一。阀板与轴承板之间的密封面磨损后，密封带材料损失，内泄漏增大，泵的容积效率下降，输出流量和可维持压力降低，油温升高，驱动扭矩增加。若不及时捕捉效率损失，最终将影响泵所驱动的执行机构。因此，基于状态的维护（condition-based maintenance, CBM）不仅需要识别故障是否存在，还需要对故障进展程度进行分级，并明确该分级在何种工况条件下是可靠的。然而，现有数据驱动的故障诊断研究大多报告近乎完美的分级准确率，但这些准确率是否真正反映故障本身，而非采集过程中记录条件造成的伪影，是一个尚未充分回答的问题。特别是，训练与测试数据来自同一次采集记录或重叠片段时，分类器可能利用每条记录的“指纹”而非故障本身的特征，导致准确率乐观估计。
针对上述问题，研究人员基于单次采集活动的试验台数据，系统评估了统计特征配合支持向量机（SVM）、随机森林和浅层神经网络在难度递增的验证协议下的磨损分级性能。研究旨在回答三个核心问题：第一，模型能否对单一、特征明确的故障进行严重程度分级，而非仅区分故障类型；第二，对于该故障实际需要哪些传感器；第三，当测试数据与训练数据不同时，已报告的准确率能保留多少。研究还引入留一工况（LOCO）验证协议，考察模型对训练中未出现的磨损状态的泛化能力。
研究人员使用Dicbot研究组在Universidad Industrial de Santander搭建的液压试验台，驱动一台Eaton系列54变量轴向柱塞泵，转速1200 rpm。加载歧管由两个交叉溢流阀构成，加载工况标称700 psi。仪器包括出口压力传感器、预充压力传感器、泄漏流量计和四个壳体加速度计测点。磨损状态通过深研磨和车削加工阀板和轴承板诱导产生，目标容积效率分为五个区间：C1 95–90%，C2 90–85%，C3 85–80%，C4 80–75%，C5 75–65%。数据采集在2016年2月22–25日单次活动中完成，每种磨损状态对应一次泵安装。每个记录分割为约0.16秒的非重叠窗口，每个窗口提取21个统计特征（时域11个，频域10个）。分类采用多分类SVM（一对一纠错输出码）、随机森林和浅层神经网络，超参数通过嵌套交叉验证选择。
研究主要结论如下。磨损的物理特征方面，随着容积效率从94.9%降至69.5%，出口压力从717 psi降至484 psi，预充压力从252 psi降至101 psi，泄漏流量从3.9 gpm升至4.5 gpm。C1–C3之间压力变化很小，而C4处急剧下降，预充压力丧失是关键的物理阈值。振动频谱方面，轴承板测点振动能量集中在12–13 kHz共振带，C4和C5的共振峰明显高于C1–C3，形成轻度/重度两组。特征空间投影显示，五种磨损状态在PCA前两个主成分上形成两个相距很宽的组群，而非五个均匀间隔的簇；第一主成分承载61%方差，基本编码了轻度/重度划分。最具判别力的特征是振动总体水平、频谱质心、总功率和频谱扩展度。
同批次严重度分类方面，记录级重复交叉验证下，所有分类器和特征组达到94–100%的平均准确率。压力通道在700 psi下线性SVM达99.6%，空载下达100%；每个单加速度计在700 psi下达98.4–99.8%。四个加速度计合并为一个特征集会降低线性SVM准确率至94.1%，只有非线性模型能处理混合传感器特征分布。逐类指标显示残差错误集中在C1/C2与C4/C5这两对液压特征最接近的状态。时间顺序分割（每状态的70%训练/30%测试）给出92.4%–100%准确率，但该测试仅覆盖几分钟内的记录，无法揭示跨会话差异。
留一工况泛化方面，当训练集中缺少某一磨损状态时，压力通道在两个工况下均能以99.7%和100%准确率判断“显著退化”（效率低于80%）；700 psi下测点1、2、3的振动同样100%正确，而测点4（预充泵处）对C3误判率很高，空载下所有振动测点均不能泛化。阈值位置敏感：将退化阈值移至87%、72%或92%时，边界邻近的留出状态几乎完全误分类，只有C3/C4之间的边界能泛化。连续容积效率估计方面，同批次留出记录的SVR平均绝对误差（MAE）为0.8–1.3个百分点；LOCO下升至4.9–5.4个百分点（振动测点3.6–7.0），且无法对C1–C3内部排序，对C5外推高估6.5–10.1个百分点。工况点敏感性方面，模型强烈依赖训练工况点：五分类振动分类器从加载迁移至空载准确率跌至19.9%（随机水平20%），二分类退化判断为59.7%；压力模型的二分类迁移稍好（76.1%和94.9%），但五分类不可靠。以健康状态C1为参考进行归一化仅部分改善。
讨论中，研究人员指出预充电路需要约250 psi才能克服伺服活塞力使斜盘达到全行程。C1–C3密封尚好，预充接近设定值，斜盘近全行程，三个状态仅细微差别；C3到C4之间泄漏超过临界点，预充丧失，斜盘欠行程，出口压力和振动特征急剧变化。因此分类器学到的是大而稳定的物理边界（轻度vs显著退化），而非轻度组内的细微区分。LOCO结果与此完全一致。数据支持的范围有限：同批次内五个磨损等级几乎完美可分，但该数字是弱证据，因为每种状态只记录一次、一次安装、一个板组合。LOCO为粗粒度退化检测提供了更强证据，但该证据仍限于同一采集活动。多传感器解读表明，压力通道最稳健，是唯一在两个工况下其退化判断都能泛化的特征组；三个测点（活塞缸体、轴承/阀板上方）性能相当，预充泵处测点泛化较差；合并四个加速度计无帮助。PCA主要用于可视化解释，作为分类前降维手段会损害细粒度分级和某些泛化性能，除非保留几乎全部方差；监督投影LDA能保持全特征集准确率。特征选择方面，8–12个最佳特征即可达到全特征集精度，三个最佳压力特征足以在LOCO下100%检测显著退化。研究人员还讨论了工况点依赖的可能解决策略：在训练数据中包含密集载荷扫描、使用工况归一化特征、迁移学习与域适应。诱导磨损与自然磨损的差异被强调：机械加工的磨损状态可能依赖特定泄漏模式或板座合特征，尚未在自然磨损部件上验证。潜在混杂因素包括油温变化（记录中未存储）、安装顺序不按磨损顺序、板复用与传感器放置差异等。与文献比较，同试验台的Maradey Lázaro和Borrás Pinilla研究在分层70/30分割下报告83.3–95.8%准确率，与本研究同批次结果相当；但本研究额外量化了留一工况泛化。Konieczny等在自然磨损和全新数据上验证分类器，准确率从94.5%降至90%，本研究无法提供类似新数据测试。研究主要限制为：单次活动单次安装、仅两个工况点、间接近似标签、诱导磨损、未记录的协变量、单一故障模式、离线处理、压力与振动记录分离无法观测级融合。
研究结论可总结为：五种诱导磨损状态在同批次记录级交叉验证下可从压力或任意单加速度计以94–100%准确率分离，但该数据仅支持同批次可分性；LOCO验证表明仅粗粒度决策（效率低于约80%时预充压力丧失）能泛化至未见磨损状态，可由两个工况的压力通道和加载工况下三个振动测点检测；细粒度排序和连续效率估计不能泛化；模型强烈依赖训练工况点；PCA有助于解释数据的两组结构但降维会损害细粒度分级；在此范围内，显著阀板磨损相关的预充压力丧失可从压力传感器或泵体加速度计（加载工况）识别。是否在其他安装、会话、工况点、自然磨损部件和同型泵上成立，尚未证明，需开展多会话多工况点自然磨损实验，方可支撑CBM实际应用。
