用于液压轴向柱塞泵早期活塞缸磨损检测的改进残差网络架构

《Engineering Applications of Artificial Intelligence》：Modified residual network architecture for early-stage piston-cylinder wear detection in hydraulic axial piston pumps

　　

# 摘要

轴柱塞泵因其容积效率高、结构紧凑以及高压可变流量能力，被广泛应用于航空航天和建筑机械领域。然而，由于其精密配合部件易发生磨损，早期检测显得尤为关键。本文提出了一种基于人工智能的改进残差网络（ResNet18）模型，该模型集成了卷积块注意力模块（CBAM）和广义平均（GeM）池化，用于检测轴柱塞泵（APP）中活塞-缸筒结构在50 μm处的早期磨损。实验数据集包含一个间隙为10 μm的健康参考工况，以及五个机械诱导的活塞-缸筒磨损工况，分别为50、80、100、180和400 μm，从而构成一个六类磨损分类问题。对于每种磨损工况，以1 kHz的采样频率记录了25分钟的排压信号数据。其中5分钟用于模型训练，另设四组独立的5分钟数据，共计20分钟，作为未见测试数据。排压信号被转换为连续小波变换（CWT）、格拉姆角差场（GADF）和马尔可夫转移场（MTF）表示。每种表示通过一个专用的ResNet18-CBAM分支进行处理，提取的特征通过特征级融合进行组合，随后进行GeM池化和分类。在20分钟的独立未见数据集上，所提出的模型在五个独立种子上的平均准确率达到98.52%，最佳准确率为99.32%。结果表明，该模型在早期磨损检测方面表现出色且计算效率较高，展示了其在飞机液压系统等安全关键应用中进行实时智能磨损监测的潜力。

# 引言

液压系统用于高功率传输系统，其动力通过加压流体传递。液压系统具有高功率密度、控制平稳和性能可靠等特点。液压系统在建筑机械、移动设备和航空航天应用中不可或缺。液压系统基于帕斯卡原理工作。液压泵是液压系统的主要组成部分，它将机械能转化为液压能。在不同液压应用中使用着多种类型的液压泵，包括齿轮泵、叶片泵、轴柱塞泵和螺杆泵。在这些泵中，轴柱塞泵拥有最高的容积效率和优异的功率重量比之一。APP由多个柱塞组成，这些柱塞通过驱动轴平行连接在旋转缸体内的孔中。柱塞在缸体中的运动由斜盘驱动，斜盘以一定角度倾斜。APP能产生350 bar以上的高压，容积效率极高（90%至98%），使其设计非常紧凑。APP广泛应用于航空航天、建筑、采矿和农业等许多工程领域（Vickers Industrial Hydraulics Manual, 2021）。APP的性能会因磨损和泄漏而退化。APP故障主要有四个原因：油液污染、压力冲击导致的疲劳、泵入口堵塞和壳体排油过压。油液污染的主要原因是外来微粒、水分子以及来自零部件的磨损颗粒。由此导致柱塞、配流盘和轴承上出现划痕。使用压力管路过滤器有助于控制这些故障（Common Modes of Failure for, 2021）。压力冲击引起的疲劳会导致灾难性故障，由于排压突然变化，会造成柱塞和轴的损坏。泵入口堵塞或受限可能导致气蚀现象。由于气蚀，小气泡形成并在泵部件上溃灭，产生独特的"大理石声"，同时气泡侵蚀配流盘表面。压力传感器和加速度传感器可以检测气蚀问题。如果壳体排油压力升高，会导致斜盘和柱塞滑鞋磨损。在壳体排油管路中使用压力传感器可以检测该问题。如果排油量超过泵总容量的10%，则表明磨损严重（Common Modes of Failure for, 2021）。降低效率和影响APP寿命的主要问题包括磨损。磨损主要发生在活塞-缸筒组件、滑靴-斜盘界面和配流盘表面。这些部件在高压下持续滑动（Ivantysyn and Ivantysynova, 2001）。液压油中的细颗粒会刮擦和侵蚀这些表面。其结果是泄漏、容积效率下降和泵性能恶化。液压泵中的柱塞故障是系统退化的最佳指标之一。此类故障几乎完全由污染和疲劳引起。油液污染导致柱塞筒体和端面上出现垂直划痕，逐渐导致柱塞在缸筒内卡死。疲劳通常由压力突然升高引起，可能导致柱塞断裂，通常发生在颈部区域。对力士乐A10VO系列53泵的全面失效分析显示了这些问题。在一例中，柱塞头部因硬质颗粒污染阻碍了滑靴的运动而卡住。在另一案例中，一个柱塞头完全断裂，剩余部分因极端力而卡在缸体块中，但泵在故障后仍能继续运行（Insane Hydraulics, 2018; "Common Reasons of Failure for, 2021）。在某些情况下，高温运行和液压油长期使用会使其失去润滑性能。液压油润滑性能差会导致金属与金属直接接触，引发快速磨损和表面疲劳（SUPER HYDRAULIC, 2025）。研究人员通过仿真发现排压受不同类型泄漏的影响，这些发现通过在配备威格士PVB5泵的液压试验台上进行的实验得到验证。实验中，通过增加柱塞与缸筒之间的间隙来诱导柱塞泄漏。仿真分析与实验分析高度吻合。这些分析表征了泵在泄漏条件下的行为。利用实验数据，分析均值和标准差等统计特征，可以清楚地区分外部泄漏、柱塞泄漏和内部泄漏（Palazzolo et al., 2008）。第二种方法对排压进行时域和频域分析，这有助于区分正常柱塞和故障柱塞，从而估计故障的严重程度（Gupta et al., 2023）。机器学习也被用于通过单一传感器数据研究滑靴磨损。2018年，Casoli等人提出了一种循环平稳分析方法，用于检测变量位移APP中的故障。他们将加速度信号分解为一阶和二阶循环平稳分量。这帮助他们识别实验室条件下的滑靴磨损。该方法能清晰地区分信号的周期部分和随机部分。因此，故障特征变得更加容易检测（Casoli et al., 2018）。

液压APP的故障诊断已从传统信号处理方法逐渐转向现代深度学习方法。Maradey Lázaro等人（2020）提出了一种离线状态维修（CBM）方法来检测配流盘磨损。他们将小波分析（WA）与人工神经网络（ANN）结合使用。振动信号来自在不同程度的磨损下运行的伊顿54泵，其容积效率从94.9%下降到64.9%。他们的方法实现了超过90%的分类准确率。这证明了基于小波的峰度特征对磨损极其敏感（Maradey Lázaro and Borrás Pinilla, 2020）。然而，该方法完全依赖于手动特征提取，不适用于实时或在线监测。为了解决这些问题，Tang等人（2021）开发了一种改进的CNN。他们的模型采用了自适应学习率策略，并融合了多种振动、压力和声音信号。这些信号的连续小波变换（CWT）被转换为时频图像，然后由CNN自动学习故障特征。该方法实现了超过95%的准确率，并通过自适应学习率控制确保了训练性能的良好稳定性（Tang et al., 2021a）。Jatin Prakash等人（2024）提出了一种时序支持向量机（TS-SVM），用于液压缸的高级故障诊断。这些作者还进一步提出了一种深度学习架构，在卷积层之后串联LSTM网络。目标是检测高压两级液压缸的内部泄漏。使用磨损的柱塞密封件来模拟不同的泄漏程度。通过压力信号分析进行泄漏状态诊断。TS-SVM模型仅利用64%的标记数据就实现了100%的分类准确率。这再次证明所采用的方法具有高度鲁棒性，可以适当地应用于工业领域。C-LSTM模型表现极为出色，准确率约为98%。该模型优于传统分类器，并捕捉了泄漏的主要特征，如较低的工作压力和较长的行程时间（Prakash et al., 2024a, 2024b; Ranawat et al., 2023a）。一些研究使用多种传感器对液压系统中单一类型的故障进行检测。例如，Gao等人（2018）开发了一种基于压力、振动和声学信号的多传感器方法。他们采用了基于Walsh变换的去噪技术，提高了噪声环境下弱故障的检测能力。他们在缸体坑缺陷方面的实验证明，多传感器融合可实现高达92%的准确率，高于单传感器方法（Ranawat et al., 2025a）。Lan等人（2018）使用名为极限学习机（ELM）的分类器研究了滑靴磨损故障。振动信号、流量数据以及包括小波包变换（WPT）、经验模态分解（EMD）和局部均值分解（LMD）在内的特征提取方法的组合，有助于快速准确地分类故障（Gao et al., 2018）。目前，大多数应用使用支持向量机（SVM），这是分类中应用最广泛的监督机器学习模型之一。然而，在他们的实验中，ELM分类器的表现优于传统SVM和BP神经网络。其泛化能力也更强，计算速度更快（Lan et al., 2018）。研究人员还提出了一种分层聚类算法，用于检测飞机液压柱塞泵中发生的多种故障。通常，由于这类泵在恶劣条件下运行，会遭受复杂故障。配流盘磨损、入口压力降低、滚子轴承磨损、斜盘偏心以及柱塞与滑靴间隙增大是这种算法可以识别的五种主要故障类型。该诊断分为三层。每一层的故障严重程度基于从泵信号中提取的特征。由于传统方法通常受渐进故障的影响，提出了一种新的统计ARPD算法来增强检测能力。实验验证表明，这种分层方法比传统FFT方法具有更高的准确率和可靠性（Du et al., 2013）。一些智能故障诊断方法被提出，用于在受控实验条件下从泵试验台采集的原始声学、振动或压力信号中，实现液压APP五种典型运行状态的自动高精度分类，包括正常状态、斜盘磨损、滑动滑靴磨损、滑靴松动故障和中心弹簧故障。这些信号本质上是非平稳的，因此被转换为二维（2D）时频表示，作为深度学习模型的合适输入。具体而言，使用连续小波变换（CWT）将一维时域信号转换为二维时频图像。这种变换保留了信号的时间特性和频谱特性，为后续利用各种卷积神经网络（CNN）进行分类和故障诊断提供了丰富的特征表示。一些方法包括具有可适应学习率的改进卷积网络、改进的LeNet-5架构与粒子群优化（PSO）相结合的超参数调优方法、结合声学传感器数据的贝叶斯优化（BO）算法与自适应CNN（CNN-BO）、深度自适应归一化CNN，以及用于分析振动、原始声学和压力信号数据的同步压缩小波变换。其他方法涉及使用粒子群优化来增强声学信号数据的CNN、将BO-LeNet-5模型整合用于压力信号数据，以及开发一种新的自适应归一化CNN模型。

该方法结合了经典 LeNet 和 AlexNet 模型的优势，用于分析振动信号、原始声学信号和压力信号（Zhu et al., 2021, 2022, 2023; Tang et al., 2021b, 2022a, 2022b, 2024, 2025; Liang et al., 2025）。因此，准确、及时地检测泄漏严重程度对于液压设备的预测性维护和可持续运行至关重要。传统上，液压泵的故障诊断依赖于时域统计指标（如均方根值 RMS、偏度、峭度）和频域频谱分析（如基于快速傅里叶变换 FFT 的能量带）。尽管早期方法在检测严重故障方面效果良好，但它们难以捕捉早期泄漏期间发生的小幅而复杂的变化。为解决这一问题，研究人员最近采用了基于熵的特征和时频方法，如小波包变换（WPT）和递归图（RPs）。这些技术有助于提高早期故障检测能力。然而，它们仍然依赖于人工设计的特征，这些特征需要耗费大量精力来设计，并且在不同工况下往往泛化能力不佳。深度学习改变了这一局面。CNN 可以从原始或处理后的信号中自动提取重要特征，使其非常适合故障诊断。近期研究探索了更深层的 CNN 模型用于液压泵健康监测。例如，Kumar D. 等人（2025）使用基于 Inception-V3 的模型来识别泵故障。他们的结果表明，多尺度特征提取有助于模型学习有用模式而无需人工特征工程。这使得诊断准确率优于传统信号处理方法（Kumar et al., 2025）。同时，基于图像的时序列信号表示方法在时间序列研究中变得越来越流行。格拉姆角场（GAFs）和马尔可夫转移场（MTFs）是两种此类方法。特别是 GAFs 已成功用于心电图分类、人体活动识别和生物医学波形分析。它们之所以有效，是因为它们将时间关系转换为神经网络容易理解的二维图像格式（Yoon and Joo, 2025）。同样，MTFs 已被用于机械故障诊断、金融状态转移建模和传感器分析，其中概率状态演化提供了系统退化的有意义指标（Yan et al., 2022）。

本文的组织结构如下：第 2 节讨论实验试验台和数据采集。实验装置解释了所使用的工作原理和操作程序，而数据采集涵盖了数据记录过程。第 3 节详细说明了磨损分类的方法。子节 3.1 讨论了信号处理和图像变换，包括连续小波变换（CWTs）、格拉姆角场（GAFs）和马尔可夫转移场（MTFs），这些方法在将非平稳时间序列数据转换为视觉模式方面效果显著。子节 3.2 描述了数据集，包括 CWT、GAFs 和 MTF 图的频率和样本量。下一子节 3.3 介绍了一个利用这些表示方法的简单四层卷积神经网络（CNN-4）；CNN 可以有效地利用层次化的空间特征来准确区分磨损等级。子节 3.4 和 3.5 展示了基于残差学习框架的 ResNet18 架构，并讨论了带有 CBAM 和 GeM 池化的改进 ResNet18，证明了基于注意力的迁移学习模型在故障诊断中优于原始 ResNet18。第 4 节展示结果和讨论。各子节涵盖了使用 ResNet18 对轴向柱塞泵 APP 的活塞磨损进行分类、使用改进 ResNet18 进行磨损分类，以及与其他技术对 APP 活塞磨损分类的比较分析。第 5 节总结全文，概括了整体发现并探讨了未来研究方向。

为了解决轴向柱塞泵精确故障诊断的挑战，本文提出了一种集成诊断框架，具有以下关键贡献：
1. 提出了一种基于改进 ResNet18 的深度学习模型，该模型利用三种互补的图像输入，能够从不同数据表示中提取更全面的特征。
2. 用卷积块注意力模块（CBAM）和广义均值（GeM）池化的组合替换了传统的全球平均池化（GAP）层，以增强网络关注故障相关特征的能力，同时保留判别信息以提高分类性能。
3. 所提出的模型专门设计用于早期故障检测，能够识别活塞磨损间隙从 50 μm 到 400 μm 的范围，从而在泵严重退化之前实现及时的故障诊断。

节选摘要

实验装置与数据采集
APP 试验台专为在各种泄漏条件下进行性能分析而开发，包括活塞-缸体泄漏、滑靴-斜盘泄漏和配流盘-缸体泄漏。该试验台由各种对系统平稳运行至关重要的组件组成，包括电动机、压力传感器、流量计、热电偶、压力管路过滤器、止回阀/NRV、方向控制阀（DCV）、直动式溢流阀、比例压力溢流阀。

信号处理与图像变换
对 APP 中活塞-缸体泄漏的准确估计需要排放压力信号的鲁棒表示，这些信号本质上是非线性且非平稳的，并且在磨损进展过程中往往受到噪声污染（Antoni, 2006; Randall and Antoni, 2011）。传统的一维（1D）方法，如时域统计特征和频域频谱分析（基于 FFT 的指标），已被广泛应用于液压故障诊断（Wang et al., 2012）。

结果与讨论
本文对预训练的 ResNet18 模型进行了重新训练，用于对轴向柱塞泵 APP 的活塞-缸体结构中的活塞磨损进行分类。最初，将 ResNet18 与基准模型（标准 CNN 4 层架构、EfficientNetB0 和 DenseNet121）进行比较，如前文所述。随后，对 ResNet18 的架构进行了修改以增强模型性能，如图 9 所示，整体方法论如图 7 所示。

分类

结论与未来展望
本研究介绍了一种改进的 ResNet18 框架，用于监测轴向柱塞泵的状态并检测不同磨损等级。该框架的增强包括添加用于通道注意力和空间注意力的 CBAM 模块，以及 GeM 池化以增强特征聚合。该框架能够可靠地区分六个等级的分类，包括健康状态和各种活塞-缸体磨损条件，基于单个……

CRediT 作者贡献声明
Neeraj Sonkar：写作——审阅与编辑，写作——初稿撰写，验证，方法论，形式化分析，概念化，数据整理，调查研究，软件，可视化。Kaustuv Devmishra：写作——审阅与编辑，写作——初稿撰写，可视化，验证，软件，方法论，形式化分析，数据整理，概念化，调查研究。Nagendra Singh Ranawat：写作——审阅与编辑，写作——初稿撰写，可视化，验证，软件……

研究局限性
需要注意的是，本研究的实验仅限于单个泵和液压油，并且在 100 bar 负载和 1470 rpm 转速的固定工况下进行，油温在 28 至 66°C 之间变化，因此未在不同工况下进行系统验证。为此，未来的研究可以测试所提出框架在不同转速、压力水平、温度、泵设计等方面的表现。

利益冲突声明
作者声明不存在已知的利益冲突财务关系或个人关系可能影响本文所报告的工作。

致谢
作者感谢印度政府科学与工程研究委员会（SERB）通过核心研究基金（CRG）项目 CRG/2022/007409 提供的财政支持来开展本研究。

Neeraj Sonkar | Kaustuv Devmishra | Nagendra Singh Ranawat | Ankur Miglani | P.K. Kankar
微流控与液滴动力学实验室，印度理工学院印多尔分校机械工程系，中央邦，453552，印度