基于实验多传感器数据的潜水泵空化检测轻量级机器学习框架

《Sensors》：Lightweight Machine Learning Framework for Cavitation Detection in Submersible Pumps Using Experimental Multi-Sensor Data

　　

空化（Cavitation）是降低农业灌溉系统中深井潜水泵（Submersible Pump）性能、效率和使用寿命的主要因素之一。因此，空化的早期检测对于提高泵的可靠性和降低维护成本至关重要。本研究提出了一种基于机器学习（Machine Learning, ML）的框架，利用从深井泵测试装置收集的实验数据来检测和分类空化状态。在不同的运行条件下测量了水力参数和运行参数，而测得的噪声水平仅用于数据集准备阶段分配空化标签。根据测得的噪声水平，运行条件被分为三类：正常（Normal）、初生空化（Incipient Cavitation）和严重空化（Severe Cavitation）。使用分层交叉验证（Stratified Cross-Validation）和独立测试数据集评估了几种机器学习算法。模型性能通过准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1-score进行评估。结果表明，额外树分类器（Extra Tree classifier）取得了最佳性能，准确率为82.4%。特征重要性分析表明，功耗和淹没深度是空化检测中最有影响力的参数。与许多依赖计算密集型模型的现有研究不同，所提出的框架采用简单且轻量级的机器学习方法，同时保持可靠的预测性能。其低计算复杂度使其成为未来在资源受限的边缘设备（Edge Device）上实现的潜在候选方案，可实现农业泵送系统中的实时空化监测。

空化（Cavitation）是影响深井潜水泵（Submersible Pump）性能、效率和使用寿命的关键水力现象，尤其在农业灌溉系统中危害显著。传统定期维护策略无法针对实时状态进行干预，而现有机器学习故障检测方法往往依赖振动信号或深度神经网络，计算开销大，不适合资源受限的农业场景。为此，研究人员在土耳其塞尔丘克大学（Sel?uk University）农业学院深井泵实验装置上采集了多传感器数据，提出了一种轻量级机器学习框架，用于检测和分类潜水泵的正常、初生空化和严重空化状态。该框架仅使用流量（Q）、淹没深度（S）、降深（Δ）、功耗（N）和出口压力（Pb）五个水力与运行参数作为输入特征，噪声水平（G）仅用于离线数据标注，不参与模型推理。研究人员系统比较了11种机器学习算法，采用分层五折交叉验证与独立测试集评估，结果表明额外树分类器（Extra Tree classifier）性能最佳，测试准确率达82.4%，精确率为85.0%，召回率为82.4%，F1-score为82.2%。特征重要性分析显示，功耗和淹没深度是最具判别力的参数，这与空化形成的物理机制一致。该框架平均训练时间仅0.052秒，计算复杂度低，适合未来部署在边缘计算设备上，实现农业泵送系统的实时空化监测。研究成果发表于《Sensors》。

### 4. 实验结果

相关性分析表明，流量与功耗呈强正相关（r=0.80），淹没深度与降深呈近乎完全负相关（r=-1.00）。噪声水平与出口压力负相关（r=-0.62），与淹没深度负相关（r=-0.35），说明压力和水位相关参数对空化形成具有重要影响。特征空间可视化显示，单一特征无法完全区分三类空化状态，联合多个水力参数能够提高类别可分离性，从而支持使用多变量机器学习模型。

模型性能比较中，树类算法整体优于距离类、概率类、线性和提升类算法。额外树分类器取得最高交叉验证准确率（84.8%）和测试准确率（82.4%），随机森林次之（交叉验证准确率81.8%）。支持向量机（SVM with RBF kernel）测试准确率为76.3%，多层感知机（MLP）仅为47.6%，表明神经网络在较小数据集上效果不佳。

输入配置对比实验显示，排除降深参数后，交叉验证准确率从84.8%降至81.7%，独立测试准确率从82.4%降至74.0%，说明降深提供了补充判别信息；但即便不使用该参数，模型仍能维持合理性能，这为减少传感器配置提供了可能。

类别性能评估中，额外树分类器对正常和严重空化类别识别良好，而初生空化的精确率（77%）、召回率（73%）和F1-score（75%）相对较低，原因在于初生空化与相邻状态在特征上存在重叠。

训练时间对比表明，所有模型平均训练时间仅为0.052秒，其中额外树和决策树等单树方法最快，显示出极低的计算负担。

降维分析中，主成分分析（PCA）和线性判别分析（LDA）均未提升分类性能，LDA直接分类准确率约70.7%，低于原始特征下的82.4%，因此最终保留原始物理特征。

特征重要性分析显示，功耗（N）贡献约27%，淹没深度（S）约24%，出口压力（Pb）约18%，降深（Δ）约16%，流量（Q）约15%。该排序符合空化产生的物理机制：空化导致泵水力效率下降，引起功耗变化；淹没深度不足直接降低有效汽蚀余量（NPSH），诱发空化。

### 5. 所提出框架的物理验证

研究人员利用独立测试集中的17个未参与训练的实验工况进行物理验证。混淆矩阵显示，14个工况被正确分类，总准确率82.4%。全部5个正常工况均被正确识别；9个初生空化工况中7个正确，2个被误判为正常；3个严重空化工况中2个正确，1个被误判为初生。值得注意的是，没有发生正常与严重空化之间的直接混淆，表明该框架能够可靠区分健康运行状态与严重空化状态。误判主要发生在相邻的初生与严重类别之间，这与空化渐进发展的物理特征一致。

### 6. 结论与讨论

讨论部分指出，物理验证结果与空化渐进发展的特性相符，相邻阶段存在特征交叉导致少量误判，但正常与严重状态的可分性保证了实际应用价值。研究人员总结认为，所提出的机器学习框架能够利用常用水力参数实现空化检测，无需在运行中持续采集声学信号。功率消耗和淹没深度是最关键的特征，且模型训练时间极短，计算开销低，适合部署于资源受限的边缘设备。研究局限性包括：数据来自单一实验装置，样本量有限，泛化能力需进一步验证；空化分类阈值依赖特定实验条件；初生与严重空化的区分仍有提升空间。未来工作将考虑采用不同泵型、更多运行条件，引入振动信号和压力脉动等多物理量，并在嵌入式平台（如Raspberry Pi）上进行实际部署验证。总体而言，该研究为农业泵送系统提供了一种轻量、有效且可实际部署的空化监测解决方案。