深度学习在机械设备诊断中的应用

贾彦杰，温 皓，王 靖，张 彬，周代军，王 磊

（中国石油西南管道公司，成都610036）

振动传感器所采集的机械设备运行过程中加速度信号可以在某种程度上反映设备运行状态信息。传统的做法是从振动信号中提取有效值、峰值和峰峰值等特征值，然后以这些特征值构建高维的特征空间，在特征空间中训练SVM、BP 网络等分类器，将不同状态的特征空间分到不同的子空间中，以此实现故障诊断。但是在实际工作中采集的机泵振动信号会受到噪声的影响，从带噪信号中提取的特征值就不能准确反映设备的运行状态，可能会导致漏报、误报的情况。因此对于机泵振动信号，时频分析如小波变换[1]、维格纳分布[2]及自适应分解EEMD[3]等方法被用来提取特征，神经网络[1]、支持向量机[4]、决策树[5]、模糊逻辑[1,6]等方法被用于对机泵的运行状态进行分类，但由于特征值是根据专家经验进行提取的，对于不同的设备需要不同的专家经验，这在一定程度上也制约了专家经验的泛化能力。

深度学习已经在计算机视觉和自然语言处理等方面大放异彩，深度学习最主要的特点在于其可以自适应提取蕴含于数据中的模式。近年来，常见较为被认可的深度学习模型框架包括：卷积神经网络(CNN)、递归神经网络(RNN)、深度置信网络(DBN)、堆叠自动编码机(SAE)[7-8]。其中CNN更适于对图像进行数据处理，应用CNN可自适应提取特征并进行分类识别[7-8]、处理并学习海量数据。应用CNN算法，进行故障诊断的文献主要可分为两类：一是将CNN 作为分类器[9-10]；……