基于改进金豺狼算法优化堆叠降噪自编码器的离心泵故障诊断方法

张毛焕; 张伟杰; 徐树山

doi:10.3969/j.issn.1000-1158.2025.05.16

PDF(1314 KB)

计量学报 ›› 2025, Vol. 46 ›› Issue (5) : 730-737. DOI: 10.3969/j.issn.1000-1158.2025.05.16

力学计量

基于改进金豺狼算法优化堆叠降噪自编码器的离心泵故障诊断方法

作者信息 +

Centrifugal Pump Diagnosis Using Stacked Denoising Auto Encoders Optimized by Imporved Golden Jackal Optimization

Author information +

文章历史 +

摘要

为解决堆叠降噪自动编码器（SDAE）超参数设置不合理而降低离心泵故障诊断精度的问题，选择了金豺狼优化算法（GJO）来优化SDAE超参数。考虑到GJO算法的性能受猎物逃脱能量影响较大的实际，设计了一种自适应逃脱能量策略，得到了自适应金豺狼优化算法（AGJO）。利用AGJO对SDAE超参数进行优化选取，提出了基于AGJO-SDAE的离心泵故障诊断方法。离心泵典型故障诊断实例结果表明，相比于其它方法，AGJO-SDAE在平均诊断精度最少提高了1.03%，在标准差上最少降低了0.007，在耗时上最少减少了4.87 s；在2 dB、8 dB和14 dB噪声强度下，诊断精度相对衰减率最少分别降低了0.21%、1.01%和0.94%。

Abstract

In order to solve the problem that the stacked denoise auto encoders （SDAE） with unreasonable superparameters reduces the fault diagnosis accuracy of centrifugal pump， a golden jackal optimization algorithm （GJO） was selected to optimized SDAE superparameters. Considering the fact that the performance of GJO algorithm is greatly affected by the prey escape energy， an adaptive escape energy strategy was designed and the adaptive golden jackal optimization algorithm （AGJO） was obtained. Use AGJO optimize SDAE superparameters， a centrifugal pump fault diagnosis method based on AGJO-SDAE was proposed. Typical examples of centrifugal pump fault diagnosis showed that compared with other methods， the average diagnostic accuracy was at least 1.03% higher， the standard deviation was at least 0.007 lower， and the time spent was at least 4.87 s lower. Meanwhile， under the noise intensity of 2 dB， 8 dB and 14 dB， the relative attenuation rates of diagnostic accuracy when compared with other methods were reduced by 0.21%， 1.01% and 0.94%， respectively.

导出引用

张毛焕, 张伟杰, 徐树山. 基于改进金豺狼算法优化堆叠降噪自编码器的离心泵故障诊断方法[J]. 计量学报. 2025, 46(5): 730-737 https://doi.org/10.3969/j.issn.1000-1158.2025.05.16

ZHANG Maohuan, ZHANG Weijie, XU Shushan. Centrifugal Pump Diagnosis Using Stacked Denoising Auto Encoders Optimized by Imporved Golden Jackal Optimization[J]. Acta Metrologica Sinica. 2025, 46(5): 730-737 https://doi.org/10.3969/j.issn.1000-1158.2025.05.16

中图分类号： TB936 TB973

参考文献

列表( 原文顺序 | 文献年度倒序 | 文中引用次数倒序 ) 可视化分析

1	TONG Z M， XIN J G， TONG S G， et al. Internal Flow Structure， Fault Detection， and Performance Optimization of Centrifugal Pumps［J］. Journal of Zhejiang University-Science A（Applied Physics & Engineering）， 2020， 21（2）： 85-117. 本文引用 [1]

2	时培明，焦阳，陈卓，等. 采用分数阶域MFL-Net的机械智能故障诊断方法研究［J］. 动力工程学报， 2023， 43 （10）： 1326-1334. SHI P M， JIAO Y， CHEN Z， et al. Study on Intelligent Fault Diagnosis of Machinery Using MFL-Net in Fractional Domain Method［J］. Journal of Chinese Society of Power Engineering， 2023， 43 （10）： 1326-1334. 本文引用 [1]

3	黄海鸣，刘妍，吴登昊，等. 基于图像识别的离心泵空化故障诊断［J］. 计量学报， 2024， 45 （5）： 706-713. HUANG H M， LIU Yn， WU D H， et al. Cavitation Fault Diagnosis of Centrifugal Pump Based onImage Ｒecognition［J］. Acta Metrologica Sinica， 2024， 45 （5）： 706-713.

4	王浩，李林伟，牟成琪，等. 导叶式离心泵瞬态空化流动及压力脉动分析［J］. 计量学报， 2023， 44 （6）： 931-938. WANG H， LI L W， MOU C Q， et al. Analysis of Transient Caviation Flow and Pressure Pulsation of Guide Vane Centrifugal Pump［J］. Acta Metrologica Sinica， 2023， 44 （6）： 931-938. 本文引用 [1]

5	马飞，邵礼光，徐君，等. 基于小波包分解与随机森林的离心泵故障诊断［J］. 工程设计学报， 2024，31（6）：741-749. MA F， SHAO L G， XU J， et al. A Centrifugal Pump Fault Diagnosis Based on Wavelet Pack Decomposition and Random Forest［J］. Chinese Journal of Engineering Design， 2024，31（6）：741-749. 本文引用 [1]

6	梁超，周云龙，杨宁.基于小波多尺度混沌特征参数的离心泵汽蚀故障诊断［J］.振动与冲击，2021，40（21）：106-112+134. LIANG C， ZHOU Y L， YANG L. Cavitation Fault Diagnosis of Centrifugal Pump Based on Wavelet Multi-scale Chaotic Characteristic Parameters［J］. Journal of Vibration and Shock，2021，40（21）：106-112+134. 本文引用 [1]

7	陈剑，许畅，徐庭亮. 基于位错叠加法和改进概率神经网络的离心泵故障诊断方法［J］. 中国机械工程， 2023， 34 （23）： 2854-2861. CHEN J， XU C， XU T L. Centrifugal Pump Fault Diagnosis Methods Based on Dislocation Superposition Methods and Improved Probabilistic Neural Networks［J］. China Mechanical Engineering， 2023， 34 （23）： 2854-2861. 本文引用 [1]

8	孙原理，宋志浩.基于多物理场信号相关分析与支持向量机的离心泵故障诊断方法［J］.振动与冲击，2022，41（6）：206-212. SUN Y L， SONG Z H. Centrifugal Pump Fault Diagnosis Based on The Multi-physical Fieldsignals Correlation Analysis and Support Vector Machine［J］. Journal of Vibration and Shock， 2022，41（6）：206-212. 本文引用 [1]

9	柯耀，王琪，苗育茁，等.基于PARAFAC分析和SVM离心泵故障诊断方法［J］.噪声与振动控制，2022，42（1）：106-111. YANG Y， WANG Q， MIAO Y Z， et al. Fault Diagnosis Method for Centrifugal Pumps Based on PARAFAC Analysis and SVM［J］. Noise and Vibration Control， 2022，42（1）：106-111. 本文引用 [1]

10	杨波，黄倩，付强，等.基于CEEMD和优化KNN的离心泵故障诊断方法［J］.机电工程，2022，39（11）：1502-1509. YANG B， HUANG Q， FU Q， et al. Fault Diagnosis Method of Horizontal Centrifugal Pump Based on CEEMD and Optimized KNN［J］. Journal of Mechanical & Electrical Engineering， 2022，39（11）：1502-1509. 本文引用 [1]

焦瀚晖，胡明辉，江志农，等.基于补偿距离评估和一维卷积神经网络的离心泵故障快速智能识别方法［J］.振动与冲击，2021，40（10）：41-49.

JIAO

H H

， HU

M H

， JIANG

Z N

， et al. Fast and Intelligent Identification Method for Faults of a Centrifugal Pump Based on The Compensation Distance Evaluation and One-dimensional Convolution Neural Network［J］. Journal of Vibration and Shock， 2021，40（10）：41-49.

本文引用 [1]

12	王前江. 基于深度学习的离心泵故障诊断方法研究［D］.郑州：郑州大学，2021.

13	张建义. 高速离心泵压力脉动与振动特性及基于无监督学习的在线故障诊断研究［D］.杭州：浙江理工大学，2022. 本文引用 [2]

14	王浙超，曾九孙，谢磊，等.基于去噪自编码器的故障隔离与识别方法［J］.信息与控制， 2021，50（6）：641-650. WANG Z C， ZENG J S. XIE L，et al. Fault Isolation and Identification Method Based on Denoising Autoencoder［J］. Information and Control， 2021，50（6）：641-650. 本文引用 [2]

15	YANG G Y， CEHNG Y， XI C B， et al. Combine Harvester Bearing Fault-Diagnosis Method Based on SDAE-RCmvMSE［J］. Entropy， 2022， 24（8）： 1-16. 本文引用 [3]

李兵，梁舒奇，单万宁，等.基于改进正余弦算法优化堆叠降噪自动编码器的电机轴承故障诊断［J］.电工技术学报，2022，37（16）：4084-4093.

， LIANG

S Q

， SHAN

W N

， et al. Motor Bearing Fault Diagnosis Based on Improved Sine and Cosine Algorithm for Stacked Denoising Autoencoders［J］. Transactions of China Electrotechnical Society， 2022，37（16）：4084-4093.

本文引用 [1]

17	DU X J， JIA L L， IZAZ U H. Fault Diagnosis Based on SPBO-SDAE and Transformer Neural Network for Rotating Machinery［J］. Measurement， 2022， 188： 1-18. 本文引用 [1]

18	CHOPRA N， ANSARI M M. Golden Jackal Optimization： A Novel Nature-inspired Optimizer for Engineering Applications［J］. Expert Systems With Applications， 2022，198： 1-15. 本文引用 [1]

19	ZHANG J Z， ZHANG G， KONG M， et al. Adaptive infinite impulse response system identification using an enhanced golden jackal optimization［J］. The Journal of Supercomputing， 2023，79（10）： 10823-10848.

20	YUAN P L， ZHANG T H， YAO L G， et al. A Hybrid Golden Jackal Optimization and Golden Sine Algorithm with Dynamic Lens-Imaging Learning for Global Optimization Problems［J］. Applied Sciences， 2022， 12（19）： 9709. 本文引用 [1]