钱素娟 ，赵浩，张伟

（1. 郑州财经学院信息工程学院，郑州 450000；2. 陕西镇安抽水蓄能有限公司，西安 710000；3. 河南理工大学机械与动力工程学院，郑州 450000）

离心泵属于一项重要的工业动力设备，被广泛应用于排水管道等领域中[1-2]。为降低离心泵故障发生概率，需深入分析转子退化状态与相关影响因素，从而提前检测出转子在早期阶段的故障问题，由此实现对转子进行及时维修的功能[3-5]。目前大部分研究人员在提取转子特征方面开展的研究内容基本都是相关特征参数提取，并且都是采用传统模式的信号处理方法，同时存在较多冗余特征，但并不能构建得到理想的特征空间[6-7]。SVM 是根据最小结构风险建立的统计学习方法，被广泛应用于评价机械设备疲劳寿命领域。由于SVM 模型参数通常是参照经验值进行设置，并不能获得理想的模型参数，因此会引起模型DI 曲线发生性能的明显改变[8-9]。

考虑到构建有效特征空间时面临难度过大的情况，需对特征提取方法进行优化处理[10-11]。其中，堆叠稀疏自编码器（SSAE）因具备优异特征提取性能，可以实现对原始数据的更高效表征，本研究选择该方法进行特征提取。对于不能建立最优模型参数以及无法对转子早期退化进行准确检测的情况，此时需构建新的优化算法来适应SVM 模型，从而实现对各项参数的自动优化分析，根据不同曲线的差异性来准确分辨转子的正常与故障状态，保证高效检测出转子初期故障。多目标与声搜索算法（MOHS）[12]能够有效避免出现局部最优的结果，并且具备很强的全局搜索性能。……