关键词:
自组织映射
BP神经网络
电驱离心泵
健康状态识别
摘要:
【目的】离心泵预测性维护是提升设备可靠性与运行效率的核心技术之一,在该过程中,对离心泵设备的健康状态识别是关键环节。然而,传统的健康状态识别方法多依赖于机器学习技术,高度依赖足量标记数据,难以直观清晰地表征监测数据与健康状态之间的对应关系,使其在实际复杂工况中的应用效果受限,亟需开发更精准、高效且适应性更强的健康状态识别方法。【方法】提出一种基于自组织映射(Self-Organization Map, SOM)神经网络与BP(Back Propagation)神经网络级联的电驱离心泵健康状态识别方法。首先采用SOM神经网络方法对离心泵全生命周期振动数据进行预处理,提取时域、频域及时频域的多种统计特征与熵特征,从而全面表征设备的运行状态;其次,采用主成分分析法(Principal Component Analysis, PCA)对已提取的轴承振动信号特征进行降维与融合,有效减少冗余信息和计算复杂度,优化输入参数的模式,提升建模效率;最后,综合SOM神经网络与BP神经网络的优点,建立了基于SOM-BP级联神经网络的电驱离心泵健康状态识别模型。【结果】以某电驱离心泵的健康状态监测数据集为算例,对比了SOM-BP模型与常见的机器学习方法(随机森林模型、XG-boost模型)识别电驱离心泵健康状态的准确率,以R^(2)、MSE、RMSE为模型评价指标,结果表明:基于SOM-BP级联神经网络模型的R^(2)值、MSE值、RMSE值分别为0.901、0.8×10^(-6)m^(2)/s^(4)、9.12×10^(-4)m/s^(2),显著优于传统的机器学习方法,展现出良好的鲁棒性与适应性。【结论】基于SOM-BP级联神经网络计算方法不仅提升了离心泵健康状态识别的精度,还可为离心泵故障诊断与剩余寿命预测提供数据支撑,同时为其他旋转机械的健康状态管理与诊断提供了新思路。