行业新闻
小样本柱塞泵故障诊断新框架精度达95%
针对小样本工况下柱塞泵智能诊断模型分类精度低、特征空间过拟合的问题，一项研究构建了基于模糊聚类理论的故障特征诊断框架。该方法提取壳体振动信号的时域、频域与熵值特征，建立多域融合的多维特征模式向量矩阵，经测试集多次验证，分类精度可达95%，优…
字号
在柱塞泵的运行监测中，故障样本获取往往受限，小样本工况下智能诊断模型的分类精度容易下降，特征空间也易出现过拟合。围绕这一难题，一项研究提出了以小样本为基础的模糊聚类故障特征诊断框架，相关成果发表于《液压气动与密封》。
多域特征融合的构建思路
研究针对柱塞泵在不同故障模式下采集的壳体振动信号，分别提取时域、频域以及熵值特征信号，并据此建立多域特征融合的多维特征模式向量矩阵。这一做法将原本分散在多个维度的信息集中表达，为后续的故障划分提供更完整的数据基础。
模糊聚类实现非线性映射
在特征矩阵基础上，研究采用模糊聚类算法完成故障特征空间的非线性映射与模糊划分，最终输出诊断结果。模糊聚类不依赖硬性边界，能够在小样本条件下对特征分布进行更贴合实际的描述，从而缓解过拟合带来的影响。
测试验证与对比结果
经测试集多次验证，该模型的分类精度可达95%。研究同时将结果与传统支持向量机（Support Vector Machine，SVM）、反向传播神经网络（Back-Propagation Neural Network，BPNN）等方法进行比较，所提框架在分类表现上更具优势。对于机械与液压行业的设备状态监测而言，这一思路为小样本场景下的柱塞泵故障识别提供了可参考的技术路径。