[发明专利]一种基于CEEMD-DRSN的离心泵空化状态识别方法

权利要求书

1.一种基于CEEMD-DRSN的离心泵空化状态识别方法，其特征在于，包括如下步骤：

基于CEEMD分解算法，分解离心泵进口液载噪声信号，并进行傅里叶变换，分解前8阶IMF频域特征，提取信号中所包含的空化噪声特征；

构建深度残差收缩网络，将分解后的前8阶IMF组合作为深度残差收缩网络的输入，针对输入信号中的噪声，通过深度学习的方法自适应调整阈值并训练模型，模型训练过程中采用Adam优化器，学习率设置为1×10^-5，每批输入64组数据，共训练1000个Epoch；

将需要识别空化状态的离心泵进口液载噪声信号，经CEEMD预处理后输入深度残差收缩网络得到识别结果。

2.根据权利要求1所述的基于CEEMD-DRSN的离心泵空化状态识别方法，其特征在于：深度残差收缩网络针对输入信号中存在的背景噪声，通过深度学习方法自适应调整阈值，使背景噪声信号特征收缩至0，以有效剔除输入信号中的噪声特征。

3.根据权利要求1所述的基于CEEMD-DRSN的离心泵空化状态识别方法，其特征在于：所示识别结果为严重空化阶段或空化发展阶段或未空化阶段。

4.根据权利要求3所述的基于CEEMD-DRSN的离心泵空化状态识别方法，其特征在于，将空化数降低至0.8时定义为未空化阶段，离心泵从未空化阶段运行至扬程下降3％时定义为空化发展阶段，将离心泵扬程下降3％之后的阶段定义为严重空化阶段。

5.根据权利要求1所述的基于CEEMD-DRSN的离心泵空化状态识别方法，其特征在于，基于CEEMD分解算法处理信号过程中，包括：向待分解信号中添加n对相反的白噪声信号，n设置为8，白噪声幅值的标准差与原始信号幅值标准差之比设置为0.5。

6.根据权利要求1所述的基于CEEMD-DRSN的离心泵空化状态识别方法，其特征在于，所述深度残差收缩网络包括12层，模型包含1个单独的卷积层，1个Dropout层，8个RSBU-CW残差块，1个GAP层及1个全连接层。

7.根据权利要求1所述的基于CEEMD-DRSN的离心泵空化状态识别方法，其特征在于，通过设置RSBU-CW模块实现软阈值化，首先对残差块最后一层的绝对值进行全局平均池化，获得输入信号一维特征，再通过一个两层的全连接神经网络得到阈值参数，最后通过Sigmoid函数将阈值参数限制在0-1之间。

8.根据权利要求7所述的基于CEEMD-DRSN的离心泵空化状态识别方法，其特征在于，输入信号一维特征与得到的阈值参数相乘即得到该样本每通道所对应的阈值，将阈值与输入信号相乘即得到经过软阈值化后的输出。