机床与液压

作者：杨景昆，张纯，强熠宇，戴吉勇，关栋，秦永法

单位：扬州大学机械工程学院；扬州大学机械工程学院；扬州大学机械工程学院；扬州大学机械工程学院；扬州大学机械工程学院；扬州大学机械工程学院

关键词：柱塞泵;信号处理;开普勒优化算法;深度学习

基金：国家自然科学基金青年科学基金项目（52005433）；江苏省（扬州大学）研究生科研与实践创新计划项目〖BF〗（SJCX23_1904）

在高速高压工况下，柱塞泵的气穴现象不可避免。针对传统气穴现象故障检测方法中存在效果差和迟滞性的缺点，提出一种结合实验研究和信号处理的新型气穴检测系统，并采用KOA-CNN-BiLSTM-Attention深度学习算法对采集的信号进行训练，实现对轴向柱塞泵气穴强度的检测。通过CNN提取数据中的高维空间特征，利用开普勒优化算法(KOA)与CNN相互配合来增强关键特征的表现能力，再通过BiLSTM提高信号的时序性，最后利用注意力机制进行优化。结果表明：该方法对轴向柱塞泵气穴故障状态识别精度达到98%，其效果明显优于其他方法，可以更加准确地识别轴向柱塞泵气穴故障状态。

来源：2025年第6期

《机床与液压》期刊编辑部

查看机床与液压杂志2025年第6期