泵理论与技术
赖周年, 雷凌康, 吴慰, 武鹏, 冯泽华, 李泽同
针对离心泵运行过程中泵体振动信号随流量变化的特点,提出一种基于注意力机制优化的CEEMD-CNN-BiGRU偏工况诊断模型,用于比较不同测点位置采集的振动信号对偏工况诊断准确率的影响.首先,通过互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)对离心泵在不同工况下的振动信号进行分解得到本征模态函数(intrinsic mode functions,IMF),并计算IMF能量矩作为特征指标.然后,将特征向量输入基于注意力机制优化的卷积神经网络(convolutional neural network,CNN)-双向门控循环单元(bidirectional gated recurrent unit,BiGRU)并行的混合网络结构(CNN-BiGRU)进行训练,同时捕捉振动数据集的多尺度空间特征与全局时序特征,并进行特征融合,从而实现高精度偏工况诊断.最后,引入其他算法模型进行对比分析,验证所提模型的诊断性能.研究结果表明:该模型在蜗壳径向测点的表现最佳,能够有效表征离心泵偏工况特征,测试准确率达99.4%;基于注意力机制优化的CEEMD-CNN-BiGRU模型诊断效果优于其他模型,其中互补集合经验模态分解在提取偏工况特征向量方面表现突出,引入注意力机制后模型性能提升显著.研究结果可为离心泵偏工况诊断提供一种新的有效解决方案.