柱塞泵因其稳定性高和高压高效率等优点,在工业和生产应用中扮演着重要的角色,其工作状态运行好坏对保障设备能否安全运行起着关键作用。然而柱塞泵因结构复杂、持续高速运转等工作特点,在实际工作过程中会出现零件磨损和松靴等故障,造成生产安全事故。因此对柱塞泵进行故障诊断是确保设备安全运行的重要手段,也是保证维修工作精准高效完成的关键一步。传统的柱塞泵故障诊断方法有一定的缺陷,其诊断流程复杂,整体故障诊断效率低,适应性能较差,过于依赖故障特征提取技术和诊断经验,因此其诊断方法准确度有待进一步提高。为了高效、准确地识别出柱塞泵工作状态,本文对机器学习方法在柱塞泵故障诊断中的应用进行了研究。以轴向柱塞泵作为研究对象,设计并搭建了故障试验平台,对各状态振动信号进行分析处理,结合机器学习方法对柱塞泵故障诊断进行了探索研究。研究内容和主要工作如下:(1)对柱塞泵开展其工作原理和结构组成以及常见故障类型机理分析研究,并对四种机器学习算法理论模型进行应用说明;设计柱塞泵故障试验系统;根据试验要求,完成元件选型,传感器安装,试验参数确定以及数据传输通道设置和故障零件制造等准备工作,搭建柱塞泵故障试验平台,完成不同工况的振动信号样本采集工作。(2)对试验采集的柱塞泵不同故障振动信号进行时域特性分析,并针对柱塞泵工作环境嘈杂导致振动信号信噪比较低的现象,选用余弦邻域系数去噪法进行预处理,通过对仿真信号及实测信号去噪前后时域特性的对比分析,验证其有效性。(3)针对柱塞泵故障特征难以提取、诊断准确度不高的问题,提出基于支持向量机(SVM)的典型故障诊断方法。首先通过将试验采集的五种振动信号利用余弦邻域系数去噪法进行预处理,然后经LMD分解后利用相关系数法进行信号重构,进一步去除无关信息,最后利用样本熵进行故障特征提取,构建特征数据集,结合机器学习方法SVM算法对柱塞泵典型故障类型进行分类,诊断准确度达到97.5%以上。通过与KNN算法及BP神经网络算法的分类结果进行对比,证明所提方法具有更高的诊断速度和准确度。通过将原始信号以及重构信号特征数据集输入SVM中进行训练与诊断的结果进行对比,证明重构信号特征提取的优势。(4)针对低负载工况下柱塞泵磨损故障状态诊断准确度不高、诊断流程复杂且适应性较差的问题,提出基于随机森林的磨损故障状态诊断方法。以试验中采集的正常和四种不同程度的滑靴磨损振动信号为诊断对象,首先对其用余弦邻域系数去噪法进行预处理。然后提取时域特征量组成八维特征向量,构建特征数据集。最后结合随机森林算法进行故障诊断,诊断准确度达到99.6%。通过与SVM,KNN以及BP神经网络的分类结果进行对比,证明该方法的高准确度和有效性。通过对不同程度的轴向柱塞泵松靴故障利用所提方法进行诊断,诊断准确度达99.4%以上,证明该方法良好的适应性。