针对柱塞泵故障样本少、在噪声干扰下故障信号微弱及传统深度学习依赖大量训练样本的问题,提出了一种基于模型不可知元学习(MAML)的少样本柱塞泵故障诊断方法。首先,利用改进的带自适应噪声的完全集成经验模态分解(ICEEMDAN)方法来分解采集到的一维振动信号,得到本征模态函数的IMF分量,并筛选故障信息丰富的敏感分量以增强振动信号中的特征信息。其次,建立了多通道一维卷积模型,该模型构建了一个具有高效通道注意力机制的通道交互特征编码器,旨在关注不同通道间的交互故障信息,进而有效地提取多个诊断元任务的通用诊断知识。最后,将一维卷积模型作为基模型,并通过MAML方法训练获得了最优的模型初始化参数;最优的初始化模型能够快速适应新工况下的少量柱塞泵故障样本,从而实现了少样本下的柱塞泵故障诊断。利用柱塞泵实验数据验证了...

由于液压系统结构复杂程度的增加，以及实际使用工况的恶化，所以增加了多种故障模式同时发生的可能性。但是，工程实际中可用的故障样本数量却非常有限。如何通过有限的数据进行多故障模式的准确识别成为一个亟待解决的问题。为此，首先研究了液压系统中液压缸、换向阀以及液压泵等元件的泄漏故障机理，进行了多元件泄漏故障模拟试验；然后对故障样本数据进行故障特征提取，采用粗糙集理论进行故障特征的约简；最后，在少样本的条件下，分别采用SVM和RBF神经网络进行液压系多故障模式的识别，并对分析结果进行了对比。结果表明通过建立多分类支持向量机在少样本情况下进行多故障模式识别方法的有效性。