作为液压系统的核心动力部件，轴向柱塞泵广泛应用于航空工业、军事装备、建筑机械等多个领域[1,2]。由于在恶劣条件下长时间运行，泵的摩擦副不可避免地会磨损，从而导致效率下降[3]。此外，磨损加剧引发的泵故障可能会引发整个液压系统的意外故障，可能导致严重的经济损失甚至人员伤亡[4]。因此，检测轴向柱塞泵的异常对于确保其运行性能和安全性至关重要。
轴向柱塞泵的异常检测方法可以分为基于信号分析的方法和基于人工智能（AI）的方法。近年来，数据驱动的AI方法受到了广泛关注。监督机器学习方法是常见的AI方法之一，表现出可靠的性能。传统的机器学习方法（如支持向量机[5]、极限学习机[6]和K-最近邻[7]）以及深度学习方法（如卷积神经网络[8]、深度残差网络[9]和变压器[10]）都展示了相对较高的检测准确率。此外，研究人员还开发了无监督方法[11,12]和小样本方法[13,14]，以减少对大量标记数据的依赖。然而，故障数据的不足或缺失严重限制了数据驱动检测方法的实际应用。此外，基于黑盒的AI方法的可解释性和泛化能力有限。
基于信号处理的方法比数据驱动的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。最初使用统计指标进行异常检测。时域指标（如均方根[15]和峰度[16]）因其简单性和低计算成本而在状态监测中得到广泛应用。通过时频分析，故障频率被广泛用于液压泵的故障诊断[17]。在实际液压系统中，当信号受到严重背景噪声污染时，统计指标和故障频率对微弱故障的检测灵敏度较低。为了解决这个问题，已经使用了多种时频变换方法来去除原始信号中的噪声并突出故障频率[18,19]。
然而，仅依赖信号分析的方法在复杂的工业场景中存在局限性。例如，由于轴向柱塞泵的动态建模复杂性，基于振动信号的故障频率进行异常检测可能具有挑战性[20]。因此，一些研究将信号处理与机器学习技术相结合，以简化并增强监测方法[12,18]。尽管这些方法在构建敏感且物理意义明确的指标方面表现出有效性，但它们通常忽略了将先验知识融合到诊断过程中的潜在优势。
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，在各种状态监测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性作为健康指标。例如，标准正弦信号通常用于监测电流和电压信号。监测电流向量与参考电流向量之间的相似性被用于诊断电气设备中的开路故障[21]，电压余弦相似性被用于识别储能系统中的短路故障[22]。此外，还有一些应用于旋转机械的状态监测。通过引入每次轴旋转的图相似性评估，构建了两阶段检测框架用于轴承的状态监测[23]。另一个例子是通过原始压力纹波信号与自编码器重构信号之间的差异来检测轴向柱塞泵的异常[24]。与电气设备相比，基于相似性指标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。
为了解决这个问题，本研究提出了一种基于仿真的弱异常检测方法。首先，我们开发了一个轴向柱塞泵的瞬态CFD模型，以生成用于相似性评估的模拟压力信号；然后，将模拟信号和测量信号转换为基于图论的矩阵，并提出了一种评估它们相似性的度量方法。基于图的方法最初被引入用于旋转机械的变点检测[25]，并在识别周期性信号的结构变化方面表现出优越性能。该方法最近已被扩展到早期异常检测[26]、故障诊断[27]和相似性评估[28]。在这项工作中，我们开发了一种基于两个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卓越的弱故障检测性能。本研究的贡献可总结如下：
1)提出了一种基于相似性度量融合多源数据的新异常检测范式，并证明了其优于其他度量的优势。
2)建立了一个高保真的轴向柱塞泵CFD模型，用于模拟排放压力信号，作为信号相似性评估的标准参考。
3)提出了一种基于模拟和测量排放压力信号对应的WG矩阵相似性的轴向柱塞泵弱异常检测方法。
本文的其余部分安排如下：第2节详细阐述了所提出方法的方法论；第3节描述了实验研究；第4节展示了结果并进行了讨论；最后，第5节总结了本文。
