基于复合指数优化HHO-VMD和SDP的泵单元故障信号特征融合方法

《Water》:A Feature Fusion Method for Pump Unit Fault Signals Based on Composite Index-Optimized HHO-VMD and SDP

【字体: 大 中 小 】 时间:2026年06月13日 来源:Water 3

编辑推荐:

  背景:泵单元振动信号通常具有非平稳性和非线性特征,这使得从原始一维信号中直接提取故障相关信息变得困难,尤其是在小样本条件下。方法:为解决这一问题,研究人员提出了一种基于Harris Hawks优化变分模态分解(HHO-VMD)、复合指数选择、对称点模式(SDP

  
背景:泵单元振动信号通常具有非平稳性和非线性特征,这使得从原始一维信号中直接提取故障相关信息变得困难,尤其是在小样本条件下。方法:为解决这一问题,研究人员提出了一种基于Harris Hawks优化变分模态分解(HHO-VMD)、复合指数选择、对称点模式(SDP)表示和深度融合分类的故障诊断方法。首先,以最小包络熵作为适应度函数,采用HHO优化VMD参数以实现更优分解。然后,构建复合指数(CI)对代表性模态进行排序和选择以用于重构。重构后的模态信号通过SDP映射为二维图像,并利用结构相似性指数(SSIM)优化表示参数以增强不同故障状态之间的结构差异。结果:在轴承数据集和泵单元故障数据集上的实验结果表明,所提方法优于格拉姆角差场(GADF)、格拉姆角和场(GASF)以及原始SDP方法,分别达到92.69%和88.94%的诊断准确率。结论:这些结果表明,所提出的框架能够有效提高泵单元小样本故障诊断中故障特征的清晰度、稳定性和可分离性。
**论文解读:基于复合指数优化HHO-VMD和SDP的泵单元故障信号特征融合方法**

**研究背景与问题**
泵单元在电力系统中稳定运行至关重要,但其长期处于复杂工况下,易发生机械故障,威胁生产安全。振动信号作为运行状态的重要载体,蕴含丰富故障信息,但由于水力脉动、流体激振等因素,泵单元振动信号通常呈现显著的非平稳性和强噪声特性,传统基于时频分析或信号分解的方法(如短时傅里叶变换、小波变换、经验模态分解)在复杂信号下难以精确提取和分离故障特征,影响诊断可靠性。变分模态分解(VMD)虽能自适应分解信号并抑制模态混叠,但其分解性能高度依赖模态数K和惩罚因子α的预设,不恰当设置会导致欠分解或过分解。近年来,元启发式算法(如麻雀搜索算法、鲸鱼优化算法等)被用于优化VMD参数,但多数方法依赖单一适应度函数,缺乏对后续图像变换阶段的系统优化策略,且通常选取单一本征模态函数(IMF)进行重构或使用固定参数将单信号转换为SDP图像,限制了多频带互补故障信息的融合。为此,研究人员开展本项研究,提出一种融合HHO优化VMD与参数优化SDP的故障特征融合框架,旨在提升小样本条件下故障特征的清晰性、稳定性和可分性。该论文发表在《Water》。

**主要技术方法**
本研究采用的关键技术包括:(1) **Harris Hawks优化(HHO)算法**,以最小包络熵为适应度函数,自适应搜索VMD的最优模态数K和惩罚因子α;(2) **复合指数(CI)**,综合峭度因子和皮尔逊相关系数对VMD分解后的IMF进行排序,选择代表性模态进行重构;(3) **对称点模式(SDP)**,将重构后的IMF信号映射为二维雪花状图像,并通过**结构相似性指数(SSIM)**优化SDP的转角参数θ和弯曲参数ζ,以最大化不同故障类别图像间的差异;(4) **多IMF图像融合**,将多个代表性IMF的SDP图叠加。分类阶段采用ResNet18网络。样本队列来源:轴承数据集来自华中科技大学实验室(HUST-bearing-dataset),泵故障数据来自感应电机驱动的离心泵系统,使用5个Wilcoxon 786B-10单轴加速度计采集。

**研究结果**

**1. HUST轴承数据集分析**
- **参数优化与IMF选择**:以65 Hz工况下滚动体中度故障样本b为例,HHO-VMD在第5次迭代达到最优适应度值7.4196,对应[K=8, α=2585]。计算各IMF的CI值,选出排名前三的IMF2、IMF3、IMF5作为后续SDP输入。
- **SDP参数优化与融合**:通过SSIM计算不同(θ, ζ)组合下的平均相似度,确定最优参数为[θ=10, ζ=35]。与随机参数及原始SDP相比,优化后的融合SDP图像特征更清晰,类别间差异更显著。
- **算法对比**:在ResNet18上,所提IMF-SDP方法准确率达92.69%,高于GADF(84.21%)、GASF(83.47%)、VMD-SDP(85.04%)和原始SDP(79.83%),且精确率、召回率和F1值均最优。

**2. 泵故障振动信号分析**
- **参数自适应优化**:针对螺栓松动、不平衡、定子短路和叶轮损坏四种故障,HHO-VMD搜索得到不同最优(K, α)组合,表明固定经验参数难以适应多故障类型,而HHO驱动的自适应优化能更针对性地进行模态划分。
- **IMF选择与图像融合**:对故障b,最优参数分解后得7个IMF,CI值最高的IMF3、IMF4、IMF5被选为SDP输入。在最优SDP参数下,融合图像呈现不同故障的独特雪花状结构。
- **算法对比与噪声鲁棒性**:IMF-SDP方法准确率88.94%,显著优于GASF(84.02%)、GADF(80.90%)、VMD-SDP(82.43%)和原始SDP(78.04%)。在信噪比从-6 dB到6 dB的强噪声条件下,IMF-SDP始终维持最高准确率,即使在-6 dB时仍达约79%,而原始SDP降至约50%,证明其优越的抗噪能力。

**总结讨论与结论翻译**
研究结论部分指出:(1) 以最小包络熵为适应度函数,利用HHO自适应优化VMD参数,有效消除了主观人工参数调整,显著提高了分解质量和故障特征提取效果。(2) 提出的复合指数(CI)结合峭度因子和皮尔逊相关系数,为选择代表性本征模态函数(IMF)提供了更全面的准则,保留故障敏感模式的同时抑制冗余或噪声主导成分,增强了后续特征表示的可靠性。(3) 通过将所选IMF转换为二维SDP图像,并利用结构相似性指数(SSIM)优化SDP参数以最小化不同故障类别间的平均SSIM,所提方法生成了结构区分性显著增强的雪花状图像;此外,融合多个代表性IMF的图像使得不同频带上的互补故障信息得以联合表达。在ResNet18网络上的实验表明,该融合方法在两个数据集上均取得最高准确率(92.69%和88.94%),证明该方法能有效提取和表达固有信号特征,为小样本数据增强提供更具区分性的输入样本,显著提升生成数据质量和模型泛化能力。讨论部分指出,离线优化过程耗时约1小时(i5-1135G7处理器),但每个故障类型仅需一次;在线执行时间约12.2秒/样本,对周期性状态监测可接受。未来工作将关注计算效率优化(如简化优化策略、并行/GPU加速),引入轻量神经网络(如MobileNet),评估少样本学习下的稳定性,并研究变工况下参数的自适应性及泵-管道耦合系统的影响。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号