《Frontiers in Signal Processing》:Application of VMD–CNN–LSTM in mechanical fault diagnosis of pump station units
编辑推荐:
针对泵站机组长期高负荷运行中机械故障频发、传统诊断方法在变分模态分解(VMD)参数自适应优化、模态混叠及时空特征表征不足等方面的挑战,本项研究提出了一种基于改进VMD–CNN–LSTM耦合模型的智能故障诊断新框架。通过结合鱼鹰优化机制和柯西变异算子的增强麻雀搜索算法(OCSSA)自适应优化VMD参数,并构建CNN–LSTM混合架构进行时空联合建模。实验表明,在5 dB低信噪比条件下,该模型对转子不对中、碰摩等典型故障的诊断准确率达80.95%,较基准CNN–LSTM模型提升12.72个百分点,显著降低了复杂耦合故障的误诊率,为泵站机组的智能运维提供了可靠且可部署的解决方案。
在水利工程中,泵站机组是跨流域调水工程的核心动力设备,其运行可靠性直接关系到整个系统的安全与效率。然而,这些机组常常处于高负荷、变工况状态下持续运行,机械故障(如转子不对中、轴承磨损、转子-定子碰摩等)频发。这类故障不仅发生频繁,还可能引发连锁性的设备损伤,带来巨大的安全风险和经济损失。因此,发展精准、智能的故障诊断技术,推动运维模式从“定期检修”向“预测性维护”转变,已成为行业的迫切需求。
实现精准诊断的主要挑战在于处理泵站机组复杂的非平稳振动信号。传统的信号处理方法各有局限:经验模态分解(EMD)易受模态混叠和端点效应影响;小波变换的诊-断效果很大程度上依赖于基函数的选择,缺乏自适应性;快速傅里叶变换(FFT)主要适用于平稳信号,难以表征故障冲击等非平稳特征。相比之下,变分模态分解(VMD)能够自适应地将信号分解为若干个具有限带宽的本征模态函数(IMF),从而有效抑制模态混叠现象,在分析水力机械故障时越来越受到青睐。
然而,VMD的分解性能高度依赖于其关键参数(模态数K和惩罚因子α)的设置。参数不当会导致分解不足、过分解或包含噪声模态,从而丢失关键故障信息。此外,在故障特征识别与分类层面,以深度学习为代表的数据驱动方法展现出显著优势。其中,卷积神经网络(CNN)凭借其强大的自动提取局部特征能力被广泛应用于机械故障诊断,但其本质上是空间特征提取器,难以有效建模故障发生发展过程中包含的时间依赖关系。与之互补,长短期记忆(LSTM)网络作为一种特殊的循环神经网络,其门控机制使其特别擅长捕捉时间序列中的长期依赖关系。因此,结合CNN和LSTM的混合模型成为当前研究的一个重要方向,旨在融合两者优势,实现故障特征的“空间-时间”联合建模。
现有研究或专注于优化VMD以提高前端特征质量,或集中于构建CNN–LSTM混合模型以提升分类性能,但将“优化后的VMD”作为一个强抗噪预处理模块,与“CNN–LSTM”时空特征提取网络深度耦合,构建一个面向噪声环境下复杂故障诊断的端到端框架的研究仍显不足。泵站机组的实际运行环境复杂(包含水力、机械、电磁等多种噪声源),直接将深度学习应用于原始含噪信号或仅经过简单分解的信号极易受到干扰。
为此,发表在《Frontiers in Signal Processing》上的这项研究,提出了一种深度集成的VMD–CNN–LSTM耦合诊断模型。该研究的主要贡献在于:1)设计了一种用于VMD参数自适应优化的新型混合智能优化算法(OCSSA),该算法结合了改进的全局搜索和局部扰动机制,旨在克服传统优化算法的不足,确保在强背景噪声环境下稳定、高效地分解出代表故障的关键IMF分量,为后续深度学习模型提供“纯净”输入。2)构建了一个“自适应信号净化→空间特征深度提取→时间演化规律建模”的端到端诊断框架。该框架并非技术的简单堆叠,而是通过包络熵准则作为桥梁,将优化后的VMD与CNN–LSTM整合。OCSSA–VMD负责噪声抑制与特征增强,CNN负责从筛选出的IMF中提取故障的局部空间模式(如冲击、摩擦),LSTM则负责捕捉这些模式随时间演化的规律,三者形成增益协同的闭环。3)通过系统的对比实验,验证了模型在低信噪比下的优异性能和泛化能力。实验结果表明,即使在5 dB的极低信噪比下,所提模型仍能保持较高的诊断准确率,显著优于现有主流方法,同时具有较高的训练和推理效率,为实际复杂噪声环境中泵站机组的可靠智能诊断提供了有效方案。
本研究采用的核心关键技术方法包括:1)变分模态分解(VMD):用于对非平稳振动信号进行自适应分解,得到多个本征模态函数(IMF)。2)改进的麻雀搜索算法(OCSSA):通过引入鱼鹰优化算法(OA)启发的探索机制和柯西变异算子,对VMD的关键参数(模态数K和惩罚因子α)进行自适应优化。3)卷积神经网络-长短期记忆网络耦合模型(CNN–LSTM):构建混合神经网络架构,其中CNN提取故障信号的局部空间特征,LSTM建模故障特征的时间依赖关系,实现时空特征的联合学习与分类。4)包络熵准则:用于从VMD分解得到的多个IMF分量中筛选出最具代表性的分量,作为后续深度学习的输入。
模型介绍与架构
研究的核心在于VMD与CNN–LSTM混合神经网络的深度耦合。为自适应优化VMD参数,引入了增强的麻雀搜索算法(OCSSA),它融合了鱼鹰启发的探索机制和柯西变异算子。总体技术路线遵循“自适应信号分解与净化→时空特征深度联合提取→故障类型智能分类”的逻辑。
- •
VMD算法及其参数优化:VMD通过构建和求解约束变分问题,将原始信号f(t)分解为K个具有限带宽的IMF分量uk(t)。其性能严重依赖于预设参数K和α。本研究提出的OCSSA算法,在原始SSA基础上,引入了模拟鱼鹰“俯冲捕猎”行为的动态搜索机制来更新发现者位置,增强了全局探索能力;同时引入柯西变异算子,对适应度值较低的个体进行扰动,帮助算法跳出局部最优,增加种群多样性。OCSSA以最小化最佳IMF分量的包络熵为优化目标,自适应地搜寻VMD的最优[K, α]参数组合。
- •
CNN–LSTM耦合模型:该模型并非简单的串联,而是基于泵站故障信号兼具局部冲击模式和宏观演化规律的特点进行的有目的结构设计。CNN部分采用一维卷积核,核心是卷积层,通过卷积运算从输入数据中提取局部特征,随后经过池化层降维,最终通过全连接层和softmax函数完成分类。LSTM部分以其记忆单元为核心,通过遗忘门、输入门和输出门三个门控机制,调控信息流,擅长捕捉序列数据中的长期依赖关系。在本研究中,构建了一个由单层CNN(10个3×1卷积核)和两层LSTM(每层128个单元,层间dropout率为0.2)组成的混合网络。该结构通过网格搜索和交叉验证确定,在验证集上取得了诊断性能与泛化能力的最佳平衡。所有实验均基于此统一配置,确保了方法比较的公平性和结果的可复现性。
- •
OCSSA–VMD–CNN–LSTM耦合工作流程:完整的诊断框架是一个协同增益的闭环。首先,利用OCSSA为待诊断的振动信号自适应确定VMD的最优参数。接着,用优化后的VMD对信号进行分解,得到一系列IMF分量。然后,依据包络熵最小准则,筛选出最能代表故障特征的IMF分量。随后,将筛选出的最优IMF分量输入到预先构建好的CNN–LSTM混合模型中进行特征学习与分类。CNN层负责从IMF序列中提取故障的局部空间特征(如冲击波形),LSTM层则对这些特征的时序演变规律进行建模。最后,通过全连接层和softmax激活函数输出故障类型的概率分布,完成智能诊断。
研究结论与讨论
本研究针对泵站机组在强噪声环境下的机械故障智能诊断需求,提出并验证了一种创新的OCSSA–VMD–CNN–LSTM深度耦合诊断模型。该模型系统地解决了VMD参数自适应优化、故障特征时空联合提取以及低信噪比鲁棒性等关键问题。
实验结果表明,所提模型在不同信噪比条件下均表现出卓越的诊断性能。特别是在5 dB的极低信噪比模拟环境中,模型对转子不对中、碰摩等典型故障的诊断准确率达到了80.95%,相较于未使用优化VMD预处理的基准CNN–LSTM模型,准确率提升了12.72个百分点。而在20 dB的信噪比下,诊断准确率进一步提升至97.50%。这些结果显著优于VMD–LSTM、CNN–LSTM等现有主流方法,证明OCSSA对VMD参数的优化有效提取了更具判别力的故障特征,CNN–LSTM架构充分发挥了时空联合建模的优势。此外,该模型对于复杂耦合故障的误诊率也显著降低,展现了优异的鲁棒性。
除了高精度,模型在训练和推理效率上也保持了竞争力,满足了泵站机组现场在线或近实时监测的工程实用性要求。通过将先进的信号处理技术(优化VMD)与前沿的深度学习架构(CNN–LSTM)深度整合,本研究构建的端到端诊断框架,为从嘈杂的原始振动信号中直接、自动、准确地识别故障类型提供了一条高效途径。
综上所述,这项研究不仅为泵站机组的智能故障诊断提供了一种可靠、高效的解决方案,其提出的OCSSA优化策略和VMD–CNN–LSTM深度耦合框架,也对处理其他旋转机械在复杂噪声环境下的故障诊断问题具有重要的借鉴意义和推广价值,推动了故障预测与健康管理(PHM)领域向更精准、更自适应、更工程实用的方向发展。