基于小波相干性的多分支深度集成方法在离心泵故障识别中的应用

《Scientific Reports》：Wavelet coherence-aware multi-branch deep ensemble for fault identification in centrifugal pumps

　　

摘要

由于振动信号的非平稳性、早期故障特征较弱以及不同机械缺陷之间存在相似特征，对离心泵进行可靠的故障诊断是一项挑战。本研究提出了一种基于小波相干性的多分支深度集成框架，该框架将具有物理意义的时频耦合与互补的深度特征学习相结合。多通道振动信号被转换为二维小波相干图，从而突出由机械过程引起的局部化、传感器间相位一致的结构。同时训练三种结构不同且计算量较小的卷积神经网络，分别用于提取细粒度、全局性和紧凑型结构特征。通过概率软投票策略整合这些网络的输出，以提高系统的鲁棒性和决策稳定性。该框架在PMT-4008离心泵测试台上采集的振动数据集上进行了验证，测试压力分别为3.0、3.5和4.0巴。实验结果表明，在所有测试条件下都能实现稳定可靠的故障识别，接收者操作特征分析及特征空间可视化也证实了各类别之间的良好可分性。这些结果证明了所提出的框架在所研究的实验环境和工况下适用于离心泵的故障诊断。