冯泽仲， 熊 新， 王晓东

(1. 昆明理工大学 信息工程与自动化学院，昆明 650500；2. 云南省矿物管道输送工程技术研究中心，昆明 650500；3. 昆明理工大学 云南省人工智能重点实验室，昆明 650500)

矿浆管道是一种新型物料运输方式，有效解决了矿源地输送困难的问题，具有节能、环保、廉价等优点。作为矿浆管道输送的核心动力设备，隔膜泵能够在高压、高温及高腐蚀等工况下较好的输送浆体介质[1]。其中，由于单向阀受较高的工作频率及复杂机理的影响，致使其成为隔膜泵中最易发生故障的部件，因此，开展单向阀故障诊断技术的研究对保障系统安全可靠运行，避免重大事故的发生具有非常重要的意义[2]。

目前，随着信号分析、数据挖掘及人工智能等相关技术的迅猛发展，基于数据驱动的智能故障诊断方法逐渐成为该领域的重点研究方向[3]。众所周知，该诊断过程通常包括两个主要步骤：通过信号处理技术实现特征的提取；使用分类算法完成故障的识别。传统的分类技术，如人工神经网络(artificial neural network, ANN)、支持向量机(support vector machine, SVM)[4]和k-NN[5]等，由于其实现速度快、分类性能好而被广泛采用[6]。然而，受限于浅层的体系结构，它们很难从原始的高维输入中有效地学习差异性特征[7]。

近年来，深度学习凭借其强大的非线性建模以及特征表征能力，在机械设备故障诊断方面表现出了极大的潜力[8]。其中，深度卷积神经网络(deep convolutional neural networks, DCNN)以其优秀的局部特征提取能力和灵活的结构得到了广泛的应用[9]。高佳豪等[10]利用自参考自适应消噪技术对信号进行周期和随机预处理，将分离出的信号送入一维卷积神经网络中进行特征学习，提出了一种新的齿轮箱故障诊断方法。……