顶刊代码开源 || ABIGX：一个可扩展的故障检测和分类的统一框架（上）

本期聚焦轴向柱塞泵弱异常检测新突破：在电液设备长期服役与复杂工况下，泵体内部磨损、间隙增大等早期故障难以察觉，却往往是性能退化的起点。排压信号虽对内部故障敏感且易获取，但真实故障样本极度稀缺，导致传统数据驱动方法难以有效检测微弱异常。为此，本文提出一种融合仿真与实测压力信号信息的弱异常检测方法，全程无需故障训练样本。该方法直击基于相似性检测的两大核心难题：一是缺少标准健康参考，二是难以构建有效度量。首先，建立轴向柱塞泵的计算流体动力学（computational fluid dynamics，CFD）模型，用仿真排压信号作为标准参照；其次，通过构建参考信号与实测信号的加权图矩阵，计算其相似性，形成健康状态评估指标。对比实验表明，该方法在弱异常检测任务中实现了100%的准确率，且间隙值高达0.145，比现有最佳方法至少提升0.17。这一框架无需任何故障数据即可实现灵敏、可靠的异常检测，为液压泵状态监测从“依赖故障样本”转向仿真-实测融合提供了全新路径。论文基本信息论文题目：Weak anomaly detection of axial piston pumps by fusing information from simulated and measured pressure signals 论文期刊：Information Fusion论文日期：2026年论文链接:https://doi.org/10.1016/j.inffus.2026.104302作者：Zhongrui Wang (a,b), Qun Chao *(a,b), Wentao Wang (a,b), Zhiqiang Zhang (c), Chengliang Liu (a,b)机构：a. School of Mechanical Engineering, Shanghai Jiao Tong University, Shanghai 200240, China； b. State Key Laboratory of Mechanical System and Vibration, Shanghai Jiao Tong University, Shanghai 200240, China； c. School of Mechanical Engineering, Taiyuan University of Science and Technology, Taiyuan 030024, Shanxi, China通讯作者简介：潮群，上海交通大学机械与动力工程学院副教授，于浙江大学机械电子工程专业获工学博士学位。长期从事高端电液装备数字化与智能化研究，主要研究方向包括：液压 元件设计与电液驱控技术、数字试验与数字孪生、健康管理与智能运维，以及非道路移动机械无人驾驶。在学术兼 职与服务方面，潮群教授担任中国机械工程学会流控分会智能流控专业委员、中国机械工程学会高级会员、中国人工智能学会青年工作委员会委员，并被聘为制造业自动化国家工程研究中心技术专家。同时，他担任《工程科学与技术》《西南交通大学学报》《International Journal of Hydromechatronics》等期刊青年编委，以及IOP Trusted Reviewer。作为项目负责人，主持国家自然科学基金面上项目“高压高速微型柱塞泵服役性能退化机理与健康评估预测方法”。已在国内外高水平期刊发表多篇论文，在相关研究领域积累了深厚的学术影响力。（来源：https://me.sjtu.edu.cn/teacher_directory1/chaoqun.html）目录1 摘要2 引言3 方法论3.1 基于仿真的异常检测框架3.2 CFD 建模3.3 加权图矩阵3.4 相似性度量3.5 信号对齐4 实验与结果5 结论1 摘要在电液设备状态监测中，排压信号因其对内部故障的敏感性以及在实际液压系统中的易获取性，常用于评估泵的健康状态。然而，由于故障信号稀缺，利用压力信号对轴向柱塞泵进行异常检测面临挑战。为解决这一问题，本文提出了一种基于实测与仿真压力信号信息融合的弱异常检测方法，该方法无需故障训练样本。所提出的框架解决了基于相似性的异常检测中的两个关键难题：缺乏标准参考以及有效度量指标的构建。首先，建立轴向柱塞泵的计算流体动力学（CFD）模型，生成作为参考的仿真排压信号。其次，通过计算参考压力信号与实测压力信号的加权图（WG）矩阵之间的相似性，构建一个用于评估泵健康状态的度量指标。对比实验表明，在轴向柱塞泵弱异常检测任务中，所提方法是唯一达到100%准确率的方法。该方法的间隙值（clearance value）最高可达0.145，比现有方法至少高出0.17，验证了所构建相似性度量的敏感性。该方法无需故障数据即可为轴向柱塞泵的异常检测提供可靠手段。关键词：轴向柱塞泵，异常检测，排压，CFD仿真，加权图矩阵2 引言轴向柱塞泵作为液压系统的核心动力元件，已广泛应用于航空工业、军事装备、工程机械等诸多重要领域。由于在恶劣工况下长期运行，泵的摩擦副不可避免地发生磨损，导致效率下降。此外，磨损加剧引发的泵故障可能导致整个液压系统意外停机，进而造成严重的经济损失甚至灾难性后果。因此，检测轴向柱塞泵的异常对于保证其运行性能与安全性至关重要。轴向柱塞泵的异常检测方法可分为基于信号分析的方法和基于人工智能的方法。近年来，数据驱动的AI方法备受关注。有监督的机器学习方法是其中最常见的AI方法之一，具有可靠的性能。传统的机器学习方法以及深度学习方法（如卷积神经网络、深度残差网络、Transformer）均表现出较高的检测精度。此外，研究者还发展了无监督方法和小样本方法，以减少对大量标注数据的依赖。然而，故障数据的不足甚至缺失严重制约了数据驱动检测方法的实际应用。而且，基于AI的黑箱方法的可解释性和泛化能力有限。基于信号处理的方法相比数据驱动的AI方法具有更好的可解释性和泛化能力。它们主要通过统计分析或时频变换来检测异常。统计指标最初被用于异常检测。均方根值和峭度等时域指标因其简单、计算量低而广泛应用于状态监测。通过时频分析，故障频率已广泛应用于液压泵的故障诊断。在实际液压系统中，当信号受到强烈背景噪声污染时，统计指标和故障频率对微弱故障的灵敏度本质上较低。为解决这一问题，研究人员采用多种时频变换方法对原始信号进行降噪并突出故障频率。然而，仅依靠信号分析的方法在复杂工业场景中遇到局限性。例如，由于轴向柱塞泵动力学建模的复杂性，基于振动信号故障频率的异常检测可能具有挑战性。因此，一些研究将信号处理与机器学习技术相结合，以简化和增强监测方法。尽管这些方法通过构建敏感且具有物理意义的指标在健康状态监测中展现了有效性，但它们通常忽略了将先验知识融合到诊断过程中的潜在好处基于相似性的度量方法能够有效融合来自不同来源的信息，在状态监测的各个领域引起了广泛关注。在这些信息融合方法中，先验知识被用作标准参考，测量信号与参考信号之间的相似度作为健康指标。例如，标准正弦信号通常用作监测电流和电压信号的标准参考。监测电流矢量与参考电流矢量之间的相似度已用于诊断电力设备的开路故障，电压余弦相似度则用于识别储能系统的短路故障。此外，在旋转机械状态监测中也有一些应用。通过引入对每个主轴转角的图相似性评估，一种两阶段检测框架被应用于轴承状态监测。另一个例子是基于原始压力脉动信号与自编码器重构信号之间的误差进行轴向柱塞泵异常检测。与电力设备相比，基于相似性度量的旋转机械状态监测面临缺乏有效信息融合标准参考的挑战。为解决上述问题，本文提出一种仿真驱动的弱异常检测方法。首先，我们建立了轴向柱塞泵的瞬态CFD模型，生成仿真的压力信号作为相似性评估的标准参考。然后，基于图论将仿真信号和实测信号转换为矩阵，并提出一种度量来评估它们的相似性。基于图的方法最初被引入用于旋转机械监测中的变点检测，在识别周期性信号的结构变化方面表现出优越性能。本文中，我们发展了一种基于两个WG矩阵相似性的信息融合方法，以增强输入数据的信息量。该方法在不使用故障样本进行模型训练的情况下实现了优异的微弱故障检测性能。本文的主要贡献总结如下：提出了一种基于多源数据融合相似性度量的异常检测新范式，并证明了其相较于其他度量的优越性。建立了高保真轴向柱塞泵CFD模型，用于模拟排压信号，该信号作为信号相似性评估的标准参考。提出了一种基于仿真与实测排压信号加权图矩阵之间相似性度量的轴向柱塞泵弱异常检测方法。3 方法论3.1 基于仿真的异常检测框架图1展示了所提方法的框架，该方法通过融合参考信号与实测信号并评估二者相似性，来判断轴向柱塞泵的健康状态。 图1 基于仿真与实测压力信号WG相似性度量的柱塞泵异常检测方法架构图 1 展示了所提方法的框架，该方法通过融合参考信号与实测信号并评估二者相似性，来判断轴向柱塞泵的健康状态。整体检测流程如下： 步骤 1 ：将健康实验信号与仿真参考信号输入相似性评估模块，计算二者的相似度值。 步骤 2 ：使用不同的健康实验样本重复步骤 1 ，以建立相似度值的范围并确定阈值 。 步骤 3 ：利用相似性评估模块计算实测信号与参考信号之间的相似度值，然后与该阈值进行比较，以检测异常。 具体地，建立泵的 CFD 模型以生成仿真的排压信号。随后对该信号进行截断，使其长度匹配一个完整周期，作为无噪声的参考信号。此外，采用健康轴向柱塞泵的实验压力信号来确定异常阈值 。相似性评估模块计算两个输入信号的相似度值。该模块包含三个关键部分：信号对齐、 WG 矩阵构建和相似度计算。首先，通过滑动窗口方法对实验信号进行对齐。其次，将两个信号从一维时间序列转换为信息更丰富的二维邻接矩阵，并引入权重矩阵构建 WG 矩阵。最后，计算仿真 WG 矩阵与实验 WG 矩阵之间的相似度，称为 WG 相似度，作为健康指标。利用大量实验样本确定相似度值的分布，并以 3 下限作为阈值。在实际检测中，通过相同的模块计算实测信号与仿真 WG 矩阵之间的相似度值。通过将该相似度值与预定义阈值进行比较，评估泵的健康状态。具体步骤的详细说明将在后续章节中给出。3.2 CFD建模 排压信号能够反映轴向柱塞泵的内在健康状态，并且在液压系统中易于获取。本研究采用PumpLinx®软件开发轴向柱塞泵的瞬态CFD模型，以生成高保真的仿真压力信号。3.2.1 控制方程轴向柱塞泵的CFD建模遵循质量、动量和能量守恒定律。通过有限体积法对计算流体域进行离散，以求解质量守恒方程和动量守恒方程，如下式所示： 其中， 为计算域的控制体积，其表面记为 ； 和 分别表示流体速度和表面运动速度； 为 的单位外法向量； 为局部平均流体密度； 为静压力； 为单位体积上的体积力； 表示切应力张量。张量 是流体速度及速度梯度的函数。对于牛顿流体，张量 的各元素如下式所示： 其中， 和 分别为动力黏度和湍流动力黏度； 表示 的一个分量； 为克罗内克函数（Kronecker delta）。本研究采用标准 模型以确保轴向柱塞泵流动湍流预测的收敛性与精度。所采用的全空化模型考虑了液体的可压缩性，从而实现了对压力脉动的准确预测。该全空化模型基于两相流理论，并考虑了气化与冷凝过程。采用平衡溶解气体模型来描述气泡生成、流动及溶解过程中非冷凝气体的动态特性，如下式所示，其中气体在液相中已达到其平衡质量分数。 其中， 为蒸汽质量分数的扩散系数， 为湍流施密特数。在该模型中，不同压力下的蒸汽生成率 与蒸汽凝结率 由下式计算： 其中， 为饱和蒸汽压； 和 分别为空化蒸发系数与凝结系数，本研究中均设为 ； 和 分别表示流体密度和蒸汽密度； 与 为相应的质量分数； 为表面张力。为实现可靠的空化预测，引入混合密度。由蒸汽、非冷凝气体及纯液体组成的混合物的密度可通过下式计算： 其中， 表示气相的密度。液压油中自由非冷凝气体的质量分数并非恒定不变，可通过添加气体输运方程来评估，如下式所示： 其中， 为溶解气平衡质量分数所对应的参考压力， 和 分别为压力 和 下的溶解气质量分数。3.2.2 CFD建模流程采用斜盘式轴向柱塞泵对所提方法进行验证。图2展示了从泵的三维装配模型中提取的流体域。泵的关键尺寸参数及所提取流体域的具体参数详见表1。为模拟泵内部泄漏，考虑了四个关键摩擦副中的油膜，包括滑靴/斜盘副、滑靴/柱塞副、配流盘/缸体副以及柱塞/缸体副。由于PumpLinx®软件无法处理非均匀油膜厚度，每个油膜的厚度均设为10 μm，以匹配参考泵的理论泄漏流量。采用PumpLinx®内置的网格划分工具对流体域进行离散化，网格模型包含571,200个单元、2,208,338个面和972,203个节点。选用46号液压油作为工作介质，其具体流体特性如图2所示。油温保持恒定为50℃，因此CFD仿真中不考虑传热。 图2 轴向柱塞泵CFD建模流程表1 所研究泵的流体域尺寸参数 3.3 WG矩阵 为了增强多源数据之间的信息融合，所提方法将一维压力信号转换为二维加权图相似性矩阵，用于相似性评估。首先将排压压力信号的时间序列重采样至每周期360个数据点，然后将其分割为包含360个数据点的样本，如图3(a)所示。基于这些数据点构建WG矩阵。图结构记为 ，由节点集 和边集 组成，其中每个节点对应一个数据点，每条边连接一对节点。连接节点 与 的边的值 定义为： 其中， 和 分别为节点 与 的值（本文中具体指压力值）。图 可以用一个对称的邻接矩阵 表示，其中 表示第 个节点与第 个节点之间的距离，主对角线上的元素 设为 。为了增强对微弱畸变的检测灵敏度，引入一个权重矩阵 （与 形状相同）为其元素分配不同的权重。矩阵 的元素表示如下： 权重矩阵 的有效性将在第下节中讨论。如图 3(c) 所示，WG 矩阵 定义为权重矩阵 与邻接矩阵 的哈达玛积。 图3 (a) 单周期压力信号；(b)节点邻接矩阵；(c)加权图矩阵；(d)图结构 其中 表示哈达玛积。图 3(d) 展示了矩阵 的图结构。分别用 和 表示由仿真参考样本和实验样本构建的 WG 矩阵，其对应的图分别为 和 。3.4 相似性度量得到 WG 矩阵 与 后，需要敏感且有效的相似性度量来评估两个矩阵之间的相似程度。本研究采用边权值差异和（SDEWV）相似性与模态相似性（MS）作为相似性度量。此外，本文提到的所有度量均满足表2中的基本性质，包括归一性、同一性和对称性。 表2 所选相似度指标基本特性3.4.1 SDEWV 相似性SDEWV 是一种广泛认可的度量，用于衡量具有相同边集的图之间的相似性。利用图 与 之间的边值差异，即 与 中对应元素的差值，来确定它们的相似程度。 与 之间的 SDEWV 相似性度量公式如下： 其中 与 分别为矩阵 与 中的元素， 为归一化因子。3.4.2. 模态相似性根据 Perron-Frobenius 定理，对于非负矩阵 ，其 Perron 根（即主特征值 ）是非负的，且所有其他特征值的绝对值严格小于 。对应的 Perron 向量 是满足 的唯一特征向量，其中 的所有元素均为非负。鉴于 中元素的非负性，两个矩阵 Perron 向量之间的差异是衡量它们相似性的一个极好度量。在本研究中，MS 定义如下： 其中 与 分别表示对应 WG 矩阵 与 的 Perron 向量， 表示向量的 2-范数， 为归一化因子。3.5. 信号对齐在实际监测系统中，角位移信号并非总是可获取的，因此分割后的实测样本可能与仿真参考信号存在相位差异。因此，在计算相似度之前需要消除两个信号之间的相位差。为了实现信号对齐，引入滑动窗口方法来确定每个实测样本的起始点，如图4(a)所示。 图4 (a) 通过滑动窗口对齐仿真信号与实验信号；(b) 不同偏移量下的相似度对齐过程详述如下：步骤1： 随机设定窗口的起始点，使用长度为 个数据点（对应 ）的窗口截取一个样本。 步骤2： 构建实测样本与仿真参考波形的 WG 矩阵，并计算两个矩阵之间的相似度。 步骤3： 窗口滑动，建立相似度与偏移量之间的关系。滑动窗口的步长设为 ，最大偏移量为 。 步骤4： 产生最高相似度的偏移量对应于最小相位差。因此，对齐相位 由下式确定： 其中 表示滑动窗口的截断函数。步骤5： 选择窗口中具有对齐相位 的片段作为对齐后的样本。由于一个转动周期内的九个仿真压力脉动具有相同的波形，步骤3中的最大偏移量 足以确保两个信号之间的适当对齐。该信号对齐方法的性能取决于仿真模型的准确性，不准确的仿真信号可能导致相位失配。因此，高保真 CFD 模型对于信号对齐至关重要。如图4(b)所示，对齐后的两个信号之间的相似度远高于未对齐的信号，这既证实了信号对齐的重要性，也验证了 CFD 模型的高保真度。3.6. 评估指标 本研究采用准确率、 分数和 作为评估指标。准确率的计算公式为： 其中，异常样本视为正类，健康样本视为负类。 分数的计算公式为： 其中，精确率（precision）与召回率（recall）分别由以下公式计算： 是一个基于相邻类别范围之间重叠或分离程度的范围重叠指标。设 为 个样本的结果集 合，则 的分布范围 定义为： 其中 和 分别为分布的下阈值与上阈值。为增强所提方法的鲁棒性，我们将下阈值设为 ，上阈值设为 。相应地， 定义为： 其中 为间隙值（clearance value）， 、 、 、 分别表示健康样本与异常样本的下阈值和上阈值。假设健康实测信号与仿真参考信号之间的 WG 相似度更高。显然，公式中的分子表示健康样本与异常样本之间的间隙范围，而分母表示包含两类的整体范围。若健康类与异常类之间存在重叠，则分子可能为负值。图5以轴向柱塞泵异常检测为例展示了 的概念，其中采用标准差作为度量指标。如图5(a)所示， 值为正值表示两个类别之间存在间隙范围，这是实现灵敏异常检测的基础。 值越高，意味着设置检测阈值时的容错能力越大，并与更高的灵敏度和鲁棒性相关。相反，如图5(b)所示的负 值表明两个类别存在重叠区域，从而导致检测精度较差。总之，获得更高的正值 代表着更好的异常检测能力。 图5 改进的范围重叠方法：(a) 存在间隙区域的分布；(b) 存在重叠范围的分布4 实验实验装置及其对应的液压回路如图6所示。 图6 (a) 轴向柱塞泵试验平台；(b)液压回路；(c)滑靴故障植入已知排压信号的波形高度依赖于泵的运行工况。转速、排压、斜盘倾角及油液温度等关键参数对信号波形有显著影响。为确保有效比较，实验与仿真的运行条件列于表3。除非另有明确说明，本文后续所有分析均基于该表条件。表3 CFD仿真与实验的运行条件 在实际液压系统中，液压油中的金属颗粒很可能对泵内摩擦副造成划伤。因此，与其他故障模式相比，划伤往往出现在失效的早期阶段。随着划伤数量与严重程度的增加，由此产生的内部泄漏会导致泵性能退化。特别地，滑靴/斜盘副的磨损由于内部泄漏量小，难以检测，尤其是在磨损初期，其可检测性低于其他摩擦副。因此，本文聚焦于滑靴磨损检测以验证所提方法。在本研究中，通过在一个滑靴的底面上引入三条平行划痕来模拟滑靴/斜盘副的磨损，如图6(c)所示。需注意，每条划痕的截面尺寸设为 ，其余八个滑靴未添加任何划痕，以使测试泵保持相对较低的内部泄漏流量。这旨在避免排压波形出现明显畸变，从而模拟测试泵中的微弱故障。5 结果与讨论该检测框架无需故障样本即可实现异常识别，相应也对仿真模型的保真度提出了更高要求。本文借助实测出口压力信号，完成轴向柱塞泵计算流体力学模型的验证。为保证对比有效性，仿真模型采用与试验泵一致的尺寸参数及运行工况。图7展示正常工况下仿真与实测出口压力波形的吻合情况。二者幅值存在小幅偏差，原因在于流体仿真过程做了工况简化处理。该误差处于可接受范围，相似度评估环节可有效抵消此类偏差。 图7 正常工况下仿真与实测出口压力信号对比：(a) 转速 1000 rpm，压力10Mpa；(b) 转速1000 rpm，压力15Mpa图8呈现两种工况下的出口压力波形。显而易见，滑靴故障会使10兆帕工况下压力出现周期性跌落，与正常波形区分明显。但如图8(b)所示，15兆帕工况下泵体内部泄漏加剧，正常泵波形也会出现类似压力下降现象。本文提出的仿真驱动加权图相似度指标对波形细微畸变敏感度高，具备早期微弱故障检测潜力。 图8 正常与故障状态出口压力信号：(a、b) 正常信号；(c、d) 故障信号基准参考信号的选取是该检测方法的核心基础。计算流体力学仿真信号无噪声干扰，可作为基准信号保障诊断精度。为验证仿真基准的实用性，选取50组正常样本与50组故障样本，分别计算其相对基准信号的加权图相似度。由图9(a)可知，以实测信号为基准时相似度绝对值更高，因基准与检测样本受同类噪声干扰。但噪声会放大正常、故障样本的相似度波动，降低变异系数。反之，无噪声仿真基准能够得到稳定的加权图相似度数值，印证了仿真信号作为参考基准的必要性。 图9 不同参考信号下加权图相似度对比：(a) 以实测信号为参考；(b) 以仿真信号为参考权重矩阵与相似度指标是决定异常检测效果的两大关键因素。在正常与故障波形特征差异显著的工况下（如转速1000转/分钟、压力10兆帕），无权重图相似度也可取得良好检测效果。为提升多工况适配性，引入权重矩阵，增强对压力波形微弱畸变的识别能力。图10为压力信号无权重与加权邻接矩阵热力图。观察无权重差值矩阵可见，远离主对角线的矩阵元素数值显著偏高。图8(b)中的压力波动会大幅放大这类元素数值，极易掩盖微弱故障特征。因此需提高主对角线邻近区域元素权重，精准捕捉细微波形畸变。 图10 无权重邻接矩阵：(a) 正常仿真信号、(b) 正常实测信号、(c) 仿真与实测信号差值矩阵；加权图矩阵：(d) 正常仿真信号、(e) 正常实测信号及 (f) 二者差值矩阵（工况：转速1000 rpm，压力15 Mpa）研究对比四类权重矩阵，矩阵元素计算公式如表4所示。与邻接矩阵设置规则一致，权重矩阵主对角线元素取值为零，四类矩阵权重分布热力图见图11。第一类权重依据元素到对角线距离取倒数赋值；第二类权重纳入360个采样点周期特性；第三类采用倒数指数形式；第四类引入阶跃函数。采用第一类权重的加权图矩阵热力图显示，主对角线周边元素对计算结果贡献占比更高。表4 不同权重矩阵的异常检测结果 图11为不同权重矩阵下加权图相似度的检测结果，检测指标选用标准差加权特征向量相似度。第三、四类权重计算时，系数k₁、k₂分别设定为0.01和10。四类权重矩阵的变异系数均优于无权重模型，其中距离倒数权重的检测效果最佳。 图11 各类权重矩阵热力图及检测结果：(a、b) 无权重；(c、d) 权重一；(e、f) 权重二；(g、h) 权重三；(i、j) 权重四第二类权重会增大同类样本相似度离散度，致使变异系数下降，根源在于连续周期内出口压力波形稳定性不足。第三类权重在系数取0.01时变异系数达到峰值，整体性能仍不及第一类。第四类权重的变异系数随系数k₂减小逐步升高，系数为1时等效于第一类权重。综上，加权图相似度指标选用距离倒数型权重构建权重矩阵。精准异常检测还需适配的相似度评价准则。本文选取四种算法对比实测信号矩阵与仿真基准矩阵的相似度，分别为标准差加权特征向量相似度、矩阵谱相似度、余弦相似度与结构相似度。矩阵谱相似度计算佩龙向量时，残差阈值设为1×10⁻⁶，最大迭代次数定为1000；结构相似度正则化参数C₁、C₂均取值1×10⁻⁸。图12为异常检测结果，四项指标均可有效区分正常与故障信号，变异系数均为正值。 图12 不同评价指标下加权图矩阵相似度数值：(a) 标准差加权特征向量相似度；(b) 矩阵谱相似度；(c) 余弦相似度；(d) 结构相似度标准差加权特征向量相似度与矩阵谱相似度的变异系数远高于其余两类算法，其中矩阵谱相似度变异系数最高，且正常样本数值波动小，便于设定判定阈值、减少误判。标准差加权特征向量相似度变异系数略低，但运算效率更高，不存在矩阵谱相似度易发散的问题，同样具备可靠检测价值。综上，合理搭配权重矩阵与相似度指标可保障高检测灵敏度；采用倒数权重结合矩阵谱相似度时，本文算法整体检测性能最优。为凸显该算法对柱塞泵压力微弱异常的识别优势，将其与五种常用检测方法开展对比，包括均方根误差、一维余弦相似度、支持向量数据描述、密度加权支持向量数据描述以及扩展卡尔曼滤波，各算法公式如表5所示。表5 对比算法计算公式 均方根误差与余弦相似度常用于两组信号差异分析，计算前对仿真、实测信号做零均值归一化，消除均值偏差影响。对比实验同时纳入两种无监督数据驱动算法。支持向量数据描述是主流单分类异常检测算法，原理为所有正常数据分布于超球体内部，球体边界外数据判定为异常。密度加权支持向量数据描述在此基础上引入密度权重，贴合实际数据分布特征。实验选取峭度、标准差作为输入特征，采用50组正常实测样本确定两类算法的超球体半径，该样本量可兼顾检测效果与运算成本。以样本到球心的距离作为设备健康判定依据；密度加权算法中，近邻数参数设为15，平衡检测精度与过拟合问题。扩展卡尔曼滤波作为模型类对比算法，广泛应用于柱塞泵流体动力学等非线性系统，多用于内部泄漏故障排查。本次依据参考泵结构参数与运行工况搭建出口压力预测滤波模型，通过实测压力与预估压力的残差判定故障，以正常样本3倍标准差上限作为故障判定阈值。对比实验结果如表6与图13所示。除均方根误差外，其余对比指标均具备良好的异常检测效果，但所有对比方法均无法同时实现变异系数为正、准确率与F1分数双百分百。这证实本文所提仿真驱动加权图相似度指标，具备更优异的异常检测灵敏度与稳定性。表6 对比实验结果 图13 对比实验结果一维余弦相似度与本文方法的对比，印证了加权图矩阵的应用价值。相较于一维信号，二维矩阵能够挖掘更丰富的故障特征，可将变异系数提升0.173。数据驱动类的支持向量数据描述算法、模型驱动类的扩展卡尔曼滤波算法检测准确率尚可，但变异系数偏低。扩展卡尔曼滤波理论上对泄漏故障敏感度较高，而本次试验中滑靴磨损引发的内部泄漏量较小，导致该算法难以精准识别微弱故障，最终变异系数表现不佳。6 结论故障样本匮乏始终是异常检测领域的一大难题。本文提出一种仿真驱动的异常检测方法，无需故障训练样本，即可识别轴向柱塞泵的微弱故障。该方法通过比对实测出口压力信号与参考信号的相似度实现异常判定，参考信号取自计算流体力学仿真数据，无噪声干扰，有效性得到验证。分别基于实测与仿真信号构建加权图矩阵，据此计算加权图相似度，将其作为泵体健康状态评判指标。相较于一维信号，该融合方式提升了微弱故障识别灵敏度。在加权图矩阵构建中引入倒数权重矩阵后，异常检测区分度从 - 0.067 提升至 0.098。同时证实矩阵谱相似度为最优检测指标，诊断准确率达 100%，变异系数提升至 0.145。相较于其他检测算法，该实测与仿真信息融合框架，在柱塞泵微弱故障检测中具备更优异的灵敏度与稳定性。编辑：Jin校核：李正平、陈凯歌、赵栓栓、曹希铭、赵学功、白亮、任超、海洋、Tina、陈宇航、Kira、肖鑫鑫、赵诚、张优该文资料搜集自网络，仅用作学术分享，不做商业用途，若侵权，后台联系小编进行删除来源：故障诊断与python学习