谢旭阳，余 刃，王天舒，彭 俏，陈玉昇

(海军工程大学，武汉 430033)

1 引言

在能源、动力、化工等流体工业系统中安装有大量电动泵，及时发现并排除其故障隐患，使其保持良好的技术状态，对确保系统的安全运行有着重要意义。

电动泵各部件的振动、电流、温度等信号能够反映电动泵的技术状态[1]，目前的研究热点是从这些信号中提取出能够反映电动泵故障模式并且对噪声不敏感的特征，从而对其故障进行诊断。Ming等[2]提出了一种基于频谱自相关分析(SACA)的故障特征频率提取方法，能够显著增强故障特征频率及谐波的幅值。Feng等[3]将排列熵(PE)算法运用于滚动轴承的故障诊断，实验结果表明，PE对振动信号中突变的敏感度优于均方根值，可用于滚动轴承的早期故障诊断。上述方法存在几点不足：第一，提取故障特征需要大量先验知识；第二，难以提取出对噪声不敏感的故障特征；第三，将故障特征提取与模式识别分成两个独立的步骤，容易造成信息的丢失。

卷积神经网络CNN(convolutional neural network)是一种重要的深度学习数据处理模型[4]。利用CNN分析电动泵振动信号的波形数据，能够自动从中提取故障特征，不需要大量的故障特征先验知识。吴春志等[5]提出了一种基于一维卷积神经网络的齿轮箱故障诊断方法，对单一和复合故障诊断的准确率均高于传统诊断方法。He等[6]利用深度学习和短时傅里叶变换实现轴承的精确故障诊断。虽然诊断准确性上有一定提高，但直接训练一个卷积神经网络模型需要大量标记样本数据，在实际应用中难以获得。……