基于贝叶斯优化多尺度DenseNet的离心泵声信号故障诊断方法

摘要

由于一维特征向量不能保留时间特征信息，而神经网络对图像识别具有良好效果，因此尝试用离心泵故障声信号构建的图像数据集开展离心泵故障诊断，提出贝叶斯优化多尺度DenseNet的离心泵声信号故障诊断方法。将一维时间序列声信号经过格拉姆角场转化为二维图像，保留其时间信息及故障特征;然后采用多尺度密集块对图像进行特征提取，增强图像特征复用;通过dropout层和L₂正则化方法防止过拟合，采用贝叶斯优化算法确定神经网络超参数，最后利用离心泵声信号进行实验验证，与其他诊断方法进行对比。结果表明，贝叶斯优化多尺度DenseNet的诊断模型对测试集具有99.5%的故障识别率。

关键词

离心泵 / 故障诊断 / 格拉姆角场 / 贝叶斯优化 / 多尺度DenseNet