小样本情况下的屏蔽泵复合故障诊断方法研究.pdf

摘要

屏蔽泵是流体输送设备的核心部件，其发生故障时，可能会造成整个设备运行

效率下降，严重时甚至是停机和事故。比如切尔诺贝利核事故，在一定程度上是由

于屏蔽主泵的原因造成的，直接导致了数以万计的人死亡。因此，对屏蔽泵进行故

障诊断研究很有必要。目前，对于故障诊断方面的研究应用大部分从深度学习的角

度开展，且取得了很多优秀的成果，但是大多针对单一故障展开研究；其次，现有

的深度神经网络对于大量完整数据集有很高的依赖性，缺乏足够的故障样本导致

深度学习过程不够完善。这种情况往往会导致训练精确度不高和诊断准确性降低。

面对上述小样本以及复合故障诊断的难题，本文以屏蔽泵为对象，进行探讨研究。

以下概述了本研究的主要内容和创新之处：

(1)针对屏蔽泵合复合故障诊断中故障数据样本不平衡可能影响诊断结果准

确性的问题，本文提出了一种改进的生成对抗网络(ImprovedDeepConvolutional

GenerationAdversarialNetwork,IDCGAN)，并通过对比验证，表明IDCGAN产生

的样本具有更高的质量。再将生成的均衡样本输入分类器进行分类，结果表明：

IDCGAN能够通过生成样本均衡原始数据集，有效提高故障诊断的精度，同时证

实了其在模拟原始数据分布和特征学习方面的有效性。

(2)针对屏蔽泵复合故障诊断时遇到的样本不足问题，本研究采用了多标签分

类的方法，开发了一种改进孪生神经网络(Multi-LabelSiameseNeuralNetwork,

MLSNN)。该模型的子网络融合了卷积神经网络和长短时记忆模块，增强了对一维

时间序列数据的特征提取效果。通过计算样本对的余弦相似度来评估它们的相似

MLSNN

性，并依此进行分类。与其他诊断技术的比较结果显示，在处理小样本数

据集时展现了优异的性能。

(3)为解决屏蔽泵复合故障诊断时遇到的数据稀缺问题，采用格拉姆角场

(GramianAngularField,GAF)方法将一维时序信号转换为二维图像，并结合迁移学

习策略，使用GoogLeNet模型开发了基于多标签迁移学习的诊断模型。将所提模

型与其他模型进行对比，验证了所提方法的优越性。

关键词：多标签，生成对抗网络，孪生神经网络，迁移学习，复合故障诊断

ABSTRACT

Theshieldpumpisthecorepartofthefluidconveyingequipment,andwhenitfails,

itmaycausetheoperationefficiencyofthewholeequipmenttodecline,andevenshut

downandaccidentsinseriouscases.Forexample,theChernobylnuclearaccident,caused

inpartbytheblockingofthemainpump,directlyresultedintensofthousandsofdeaths.

Therefore,itisnecessarytostudythefaultdiagnosisofshieldpump.Atpresent,there-

searchandapplicationoffaultdiagnosisaremostlycarriedoutfromtheperspectiveof

deeplearning,andalotofexcellentresultshavebeenachieved,butmostoftheresearch

iscarriedoutonasinglefault.Secondly,theexistingdeepneuralnetworkshaveahigh

dependenceonalargenumberofcompletedatasets,andthe