《Applied Sciences》：Robust Fault Diagnosis of Hydraulic Pumps Under Variable Load: A Machine Learning Approach with Signal Conditioning
编辑推荐：
在数字化转型时代，液压能量转换系统的运行可靠性对于可持续综合能源基础设施的整体效率至关重要。本研究评估了基于机器学习的故障诊断对正位移泵（positive displacement pumps）的鲁棒性，这些泵是能源密集型工业应用中的关键部件。研究人员解决了一
在数字化转型时代，液压能量转换系统的运行可靠性对于可持续综合能源基础设施的整体效率至关重要。本研究评估了基于机器学习的故障诊断对正位移泵（positive displacement pumps）的鲁棒性，这些泵是能源密集型工业应用中的关键部件。研究人员解决了一个关键挑战：诊断特征在不同运行工况下的不稳定性。利用来自三个不同磨损程度单元的振动信号，研究人员评估了多种机器学习架构，包括支持向量机（SVM）、K近邻（KNN）和集成树（ensemble trees）。研究发现表明，当受到负载变化引起的域偏移（domain shift）影响时，传统数据驱动模型的性能下降超过21%。为了缓解这一问题，研究人员实现了一个频域信号调节层（frequency-domain signal conditioning layer），该层将提取的描述符与物理上有意义的磨损现象对齐。这种增强的特征表示将变载荷条件下的分类准确率提高到了93.5%。结果表明，提高诊断模型的鲁棒性对于现代工业能源基础设施中液压能量转换系统的可靠运行、维护规划和能源效率至关重要。
**论文解读：变载荷下液压泵鲁棒故障诊断的机器学习方法**
**研究背景与问题**
液压正位移泵在石油、航空、可再生能源等能源密集型工业中扮演关键角色，其运行可靠性直接影响可持续综合能源系统的能效与安全。然而，泵在运行中常面临高压、腐蚀环境和变载荷等极端条件，导致磨损、气蚀、内泄漏等复杂故障。传统基于振动信号的故障诊断方法在稳定工况下有效，但实际工业中负载变化会导致诊断特征的统计与谱特性漂移（即域偏移），使经典机器学习模型性能大幅下降。已有研究多为实验室稳定条件的验证，缺乏对变载荷下模型鲁棒性的系统评估。因此，本研究旨在定量评估机器学习方法在负载变化下的稳健性，并通过信号调节策略缓解域偏移，提升诊断可靠性。该成果发表在《Applied Sciences》。
**主要技术方法**
研究人员使用三台磨损程度不同的液压正位移泵（新泵100小时、中等磨损1100小时、严重磨损1525小时），在恒定转速2000rpm下分别采集无负载（No Load, NL）和带负载（With Load, WL）两种工况的三轴振动信号（采样频率20kHz）。信号被分割为对应一个旋转周期的600样本窗口。提取时域（如均方根RMS、峭度Kurtosis、峰值因子）和频域（如0–500 Hz、500–1000 Hz等频带能量、谱质心）共计150个特征。采用方差分析（ANOVA）和最小冗余最大相关性（mRMR）两种方法进行特征选择，选取30个最优特征。构建并训练多种分类器：决策树、Bagging集成、Boosting、子空间KNN、子空间判别、线性支持向量机（Linear SVM）、非线性支持向量机（RBF核）、KNN（K近邻）和朴素贝叶斯。为缓解负载导致的特征分布漂移，在特征提取前引入帧级信号调节管道：先进行Z-score标准化去除直流偏移并归一化幅值方差，再使用Symlets-4小波（sym4）进行5级软阈值去噪。
**研究结果**
**6.1 特征提取与选择**
通过ANOVA和mRMR对150个特征进行排序，发现F统计量和mRMR分数均未出现明显拐点，说明大量特征包含磨损相关信息。排名最高的特征包括RMS、峭度、峰值因子等能量与脉冲性指标，以及部分谱描述符。两种方法在前30个特征上一致性高，后续采用30特征集与全特征集进行对比。
**6.2 恒定工况下的分类**
在无负载（NL）条件下训练并测试，大多数分类器（Bagging、线性SVM、KNN等）测试准确率达近100%。但非线性SVM（RBF核）在全集特征时出现过拟合（训练准确率高但测试准确率低），子空间判别分类器准确率明显偏低。特征选择将训练时间削减超过70%，且未损失分类质量。混淆矩阵显示，子空间判别倾向于高估磨损，非线性SVM则低估磨损。
**6.3 变工况下的分类**
将模型在无负载（NL）数据上训练，在带负载（WL）数据上测试。几乎所有分类器测试准确率出现显著下降，跌幅超过21个百分点。非线性SVM（RBF核）准确率跌至33.3%（相当于三分类随机猜测），原因是负载导致特征空间发生极大的欧氏距离偏移，RBF核映射接近零。线性SVM因依赖线性核（x·x'），受距离偏移影响较小，维持约77.7%准确率。树集成与KNN方法也出现下降，但相对稳健。这一现象表明，模型在很大程度上学习了工况特征而非磨损本身。
**6.4 信号滤波与调节后分析**
引入Z-score标准化与小波去噪后，特征提取前先进行预处理。在WL测试中，树分类器准确率从86.7%提升至93.5%，Bagging集成从86.9%提升至92.7%，子空间判别从72.9%提升至86.4%（mRMR特征集）。线性SVM保持稳定（约77–78%），而非线性SVM仍劣化（33–39%），说明其敏感性源于数据空间几何结构而非幅值噪声。结果表明，信号调节有效稳定了特征空间，使分类器更依赖结构退化特征而非工况特性。
**讨论与结论**
研究表明，经典机器学习方法在变载荷下性能严重下滑（超过21%），但通过帧级Z-score标准化与Symlets-4小波去噪的标准化信号调节管道，能在不改变分类器架构前提下恢复大部分损失，树集成与判别集成方法准确率提升至91.8%–93.5%。特征选择（ANOVA、mRMR）仅能减少冗余，无法解决域偏移。本研究的贡献在于提供了变载荷下经典ML分类器退化程度的定量基准，并验证了物理驱动的信号预处理策略的有效性。
**研究结论**：本研究定量评估了变工况下液压正位移泵故障诊断的经典机器学习方法性能。在稳定工况下，多数分类器准确率近100%；但当模型从无负载训练数据迁移至带负载测试数据时，若干分类器性能下降超过21个百分点，非线性SVM（RBF核）测试准确率跌至33.3%（等效于随机分类）。这表明常用特征（RMS、峭度、谱能量）受负载引起的信号变化影响强烈，而非单纯反映物理磨损。ANOVA和mRMR特征选择将训练时间削减超过70%且不损失分类质量，但无法解决负载变异导致的域偏移。在特征提取前引入信号调节（帧级Z-score标准化与Symlets-4小波去噪）后，树集成与集成分类器在负载下测试准确率达91.8%–93.5%，相比未调节时的78.4%–86.9%显著提升；线性SVM保持稳定（约77–78%），非线性SVM仍劣化。本研究证明，稳健的信号调节管道是提升液压能量转换系统诊断鲁棒性的有效途径，对未来工业维护规划与能效优化具有重要指导意义。
