通过Boruta-Shap特征选择和增强降噪效果的自编码器，对离心泵的耦合故障进行诊断

《Engineering Applications of Artificial Intelligence》：Coupled fault diagnosis for centrifugal pumps through Boruta-Shap feature selection and rime-enhanced stacked denoised autoencoder

多条件气蚀与叶轮侵蚀复合故障的智能诊断方法研究。针对深海水下离心泵传统故障诊断方法存在的特征冗余和泛化能力不足问题，提出融合Boruta-Shap可解释特征选择与Rime算法优化的Stacked Denoising Auto-Encoder（SDAE）框架。通过多域特征提取与物理机理引导的特征交互量化，实现约70%的特征降维；基于冰晶生长动力学启发的Rime算法优化SDAE超参数，在0.8、1.0和1.2Qd工况下验证模型准确率达96%，显著降低跨条件误分类率，为复杂工况下泵系统预测性维护提供可解释的AI解决方案。

　　在深海环境下，离心泵作为输送矿石等资源的关键设备，其运行可靠性直接关系到能源安全和环境保护。然而，深海环境的复杂性，如高压、腐蚀性介质、磨损性颗粒等，使得这些泵面临严重的空化和叶轮侵蚀问题。这些问题已成为限制深海应用安全性和性能的关键瓶颈。因此，如何高效地进行非侵入式诊断，以保障深海资源开发的自主性、可持续性和环保性，成为当前研究的热点。

传统的诊断方法在面对多工况耦合故障时存在诸多不足。首先，这些方法通常依赖专家经验进行特征选择，虽然在某些情况下有效，但容易引入主观性偏差，并且随着数据复杂性的增加，效率逐渐下降。其次，现有的振动分析方法缺乏定量模型，无法准确关联流场演变与振动响应，这导致模型在复杂工况下的泛化能力受限。此外，单一故障识别模型对于耦合故障状态的敏感性不足，而深度学习方法虽然在模式识别方面表现出色，但其依赖经验性调参的方式影响了诊断精度。与此同时，多传感器数据融合在极端深海环境中面临部署成本高和可靠性差的问题，阻碍了实时监测的实现。

针对上述问题，本研究提出了一种融合人工智能技术的诊断框架，旨在解决多工况耦合故障诊断中的特征冗余和模型泛化能力不足的难题。该框架结合了Boruta-Shap可解释特征选择方法和基于Rime算法优化的堆叠去噪自编码器（SDAE）。Boruta-Shap方法通过Shapley值和影子特征假设检验，量化特征之间的相互作用，从而实现物理导向的特征筛选，减少特征维度约70%。SDAE作为一种无监督学习模型，具备较强的噪声鲁棒性，但其在多故障耦合情况下的应用仍处于探索阶段。本研究创新性地引入Rime算法，该算法受到冰晶生长动力学的启发，通过软冰晶探索和硬冰晶利用机制，实现SDAE超参数的全局优化。这种优化方法不仅提升了SDAE在噪声环境下的特征学习效率，还增强了模型在多工况下的适应能力。

为了确保诊断结果的准确性，本研究在江苏省大学的国家水泵研究中心搭建了一个闭环试验台进行实验数据采集。试验台包括一台IS65-50-160-00离心泵，由Y160M-2 B3电机驱动。所有数据采集设备均按照ISO 7919（GB/T 11348）标准布置，用于旋转机械测量点的采集。试验过程中，振动信号由四个测量点采集，分别位于泵的基座、径向、纵向和轴向位置，以获取多方向的振动信号。每个信号采集持续10秒，确保了数据的完整性和代表性。

本研究的实验验证覆盖了多种工况条件，包括0.8、1.0和1.2倍设计流量（Qd）下的运行情况。通过对比其他诊断模型，该框架在测试中达到了96%的准确率，有效减少了跨工况误分类现象。这一成果不仅证明了框架在复杂工况下的鲁棒性，也为深海离心泵的智能维护提供了关键技术支持。

在方法论方面，本研究首先通过多域特征提取对振动信号进行处理。随后，Boruta-Shap方法被用于筛选出具有物理意义的特征，以构建最相关的特征集。该方法不仅减少了特征冗余，还保留了对故障敏感的指标，为后续的故障识别奠定了基础。在模型训练阶段，SDAE被用于分类任务，其超参数通过Rime算法进行优化。Rime算法在优化过程中，通过混沌映射进行种群初始化，并采用混合Cauchy-Gaussian突变策略，增强了搜索多样性与局部逃逸能力，从而显著提升了SDAE在噪声环境下的特征学习效率。

此外，本研究还强调了人工智能与多物理诊断相结合的重要性。通过将可解释AI技术引入多物理诊断过程中，不仅提高了模型的透明度和可信度，还增强了其在工业环境中的适用性。这种融合方法使得诊断模型能够在复杂流体扰动下实现高精度的故障识别，为能源基础设施的预测性维护提供了可行的解决方案。

在实际应用中，该框架具备良好的可扩展性和适应性。通过统一的特征集，该方法能够同时识别空化、叶轮损伤和复合故障三种类型，并在不同严重程度下实现准确分类。这突破了传统单一故障识别模型的局限性，为多故障耦合状态的智能诊断提供了新的思路。同时，该框架在多工况条件下的验证结果表明，其具备较高的鲁棒性，能够在不同环境参数下稳定运行，为深海离心泵的长期维护和安全运行提供了保障。

本研究的创新点主要体现在以下几个方面。首先，通过物理导向的特征选择，构建了最相关的特征集，从而提高了模型的解释性和准确性。其次，通过Rime算法优化SDAE模型的超参数，实现了对多故障耦合状态的高精度识别。第三，该框架能够在复杂工况下实现跨工况误分类的减少，为实际应用提供了更可靠的诊断支持。最后，通过多方向振动信号的采集和分析，该方法能够全面反映离心泵在不同工况下的动态响应，为故障识别提供了更丰富的数据来源。

在实验数据的采集和处理过程中，本研究采用了多种先进的技术手段。首先，振动信号的采集严格按照ISO 7919（GB/T 11348）标准进行，确保了数据的准确性和一致性。其次，信号的处理采用了多域特征提取方法，包括时域、频域和时频域分析，以全面捕捉离心泵的运行特征。此外，本研究还引入了混沌映射和混合突变策略，以提高数据处理的效率和鲁棒性。这些技术手段的结合，使得本研究在实际应用中能够实现高精度的故障识别。

在故障识别方面，本研究不仅关注单一故障的识别，还特别强调了多故障耦合状态的诊断。通过统一的特征集，该方法能够在不同工况下实现对多种故障的同步识别，从而提高了诊断的全面性和准确性。此外，该框架还能够适应不同严重程度的故障，使得诊断结果更加精确和可靠。这些特点使得本研究在实际应用中能够更好地满足深海离心泵的维护需求。

本研究的成果不仅在理论上具有重要意义，也在实际应用中展现出广阔前景。通过将人工智能技术与多物理诊断相结合，该框架为深海离心泵的智能维护提供了新的解决方案。这一研究为能源基础设施的预测性维护提供了技术支持，同时也为工业系统在复杂流体扰动下的维护提供了参考。未来，随着人工智能技术的不断发展和成熟，该框架有望在更多工业设备的故障诊断中得到应用，为智能化维护提供更强大的工具和方法。

在技术实现方面，本研究的框架结构包括多个关键模块。首先，特征提取模块通过多域分析方法对振动信号进行处理，提取出具有物理意义的特征。其次，特征选择模块采用Boruta-Shap方法，通过量化特征之间的相互作用，筛选出最相关的特征集。第三，模型训练模块采用SDAE进行分类任务，其超参数通过Rime算法进行优化，以提高模型的性能和鲁棒性。最后，模型评估模块通过实验验证，确保了框架在不同工况下的适应性和准确性。

在实际应用中，该框架的部署成本较低，且具备良好的可扩展性。通过多方向振动信号的采集和处理，该方法能够适应不同的测量环境和设备配置，为实际应用提供了更大的灵活性。此外，该框架还能够通过数据驱动的方式，自动适应不同的故障模式和工况条件，从而提高了诊断的效率和准确性。这些特点使得该框架在深海离心泵的维护中具有较高的实用价值。

在实验验证过程中，本研究采用了多种测试条件，包括0.8、1.0和1.2倍设计流量（Qd）下的运行情况。通过对比其他诊断模型，该框架在测试中达到了96%的准确率，显著优于其他方法。同时，该框架在跨工况误分类方面的表现也优于传统方法，为实际应用提供了更可靠的诊断支持。这些实验结果不仅证明了框架的有效性，也为未来的研究提供了方向。

在数据处理和模型优化方面，本研究采用了多种先进的技术手段。首先，通过混沌映射进行种群初始化，提高了搜索的多样性。其次，通过混合Cauchy-Gaussian突变策略，增强了模型的局部逃逸能力，从而避免了陷入局部最优解。这些优化策略使得SDAE模型在噪声环境下能够实现更高效的特征学习，提高了诊断的准确性。此外，通过Rime算法的引入，该框架在多工况条件下的适应性得到了显著提升，为实际应用提供了更可靠的诊断支持。

在故障识别过程中，本研究采用了多种方法进行验证。首先，通过时域、频域和时频域分析，全面捕捉了离心泵的运行特征。其次，通过Boruta-Shap方法，筛选出最相关的特征集，提高了模型的解释性和准确性。最后，通过SDAE模型进行分类任务，其超参数通过Rime算法进行优化，从而实现了对多故障耦合状态的高精度识别。这些方法的结合，使得本研究在实际应用中能够实现更全面和精确的故障诊断。

在技术应用方面，本研究的框架不仅适用于深海离心泵的故障诊断，还可以推广到其他工业设备的维护中。通过将可解释AI技术与多物理诊断相结合，该框架为工业系统的智能维护提供了新的思路。这一研究为能源基础设施的预测性维护提供了技术支持，同时也为工业系统在复杂流体扰动下的维护提供了参考。未来，随着人工智能技术的不断发展和成熟，该框架有望在更多工业设备的故障诊断中得到应用，为智能化维护提供更强大的工具和方法。

本研究的成果表明，人工智能技术在工业设备的故障诊断中具有重要的应用价值。通过融合可解释AI和多物理诊断，该框架不仅提高了诊断的准确性，还增强了模型的透明度和可信度。这一研究为深海离心泵的智能维护提供了关键技术支持，同时也为其他工业设备的维护提供了参考。未来，随着人工智能技术的不断发展和成熟，该框架有望在更多工业设备的故障诊断中得到应用，为智能化维护提供更强大的工具和方法。