基于CEEMDAN-PCA-AC-CNN模型的离心泵故障识别技术

来源：核动力工程杂志2025年第1期北京时间：

作者：李曈希, 刘志龙, 罗骞, 曾真, 王钦超, 聂常华

单位：1.中国核动力研究设计院，成都，610213；2.电子科技大学，成都，611731；

摘要：为确保离心泵的长期健康稳定运行，对其进行在线监测与故障识别显得尤为重要。本文提出了一种基于自适应噪声的集合经验模态分解（CEEMDAN）-主成分分析（PCA）-自相关（AC）-卷积神经网络（CNN）的设备故障识别模型。首先将采集到的振动信号进行CEEMDAN，对得到的内涵模态函数（IMF）分量进行判别，剔除噪声分量，重构第一轮去噪信号。再通过PCA对一轮去噪的信号进行二次降噪处理。然后将经历2次降噪处理后的信号进行AC处理，送入CNN作为输入数据，对模型进行训练。通过对某离心泵故障进行实验验证，结果表明：本文提出的方法相较于传统双层降噪结合CNN的算法、CEEMD-小波降噪-AC-CNN等算法具有更好的抗干扰性能与更快的模型收敛速度，具有更高的识别准确率与更好的鲁棒性，在同等量级下，识别准确率高达97.9%。

关键词：自适应噪声的集合经验模态分解（CEEMDAN）, 主成分分析（PCA）, 信号降噪, 卷积神经网络（CNN）, 故障识别

基金资助：四川省重点研发计划（2023YFG0185）