洪晓翠， 段礼祥*， 杨晓光， 黄 谦

(1.中国石油大学(北京) 安全与海洋工程学院，北京 102249；2.中国石油集团工程技术研究院有限公司，北京 102206； 3.中海油田服务股份有限公司，河北 三河 065201)

随着科技的不断进步，石油石化、煤矿、航空等各个领域的机械设备逐渐呈现出智能化、整体化、精密化的特点，这意味着某一重要设备发生故障可能导致整个生产系统的崩溃。因此，开展机械设备的故障诊断对保障设备的安全运行、减少或避免灾难性事故的发生具有重要意义。目前，机械故障诊断主要包括基于特征工程的诊断方法和基于深度学习的智能诊断方法。基于特征工程的诊断方法采用“信号采集+特征提取+模式识别”的框架，即提取故障特征并进行特征优选，然后输入分类器进行分类。分类器多采用支持向量机(Support Vector Machine,SVM)等。利用优化算法对故障特征进行筛选以获取信息丰富、辨别能力强的特征，同时优化分类器参数以提高其性能对故障诊断具有重要意义。基于深度学习的智能诊断方法即构建深度神经网络自动提取故障特征并进行分类，网络的结构和参数直接影响故障诊断的效果。例如，对于卷积神经网络(Convolution Neural Network,CNN)，其性能主要取决于网络层数、卷积核尺寸、网络的连接权值和偏置等。换言之，寻找诊断模型的最优参数可极大地提高故障诊断的准确率。

智能优化算法是人们从生物进化的机理和一些物理现象中受到启发而提出的用于解决复杂优化问题的新方法，因其强大的优化性能而受到各领域学者的广泛关注，已在路径规划、图像识别、任务调度等多个领域得到了应用。……