一种面向泵站主设备的智能故障诊断方法

　　本发明涉及一种基于变分模态分解（VMD）和多粒度级联森林（gcForest）的面向泵站主设备的智能故障诊断方法。本方法针对目前现有的泵站系统工况复杂，运行中含大量非线性、非平稳振动信号，且相互干扰，导致故障诊断特征提取困难的问题，采用一种变分模态分解的方法对原始振动信号进行自适应分解，有效减少无效分量和模态混叠，各模态携带着泵站主设备原始振动信号的不同频率的故障特征信息，为后续故障特征提取和分类提供有效的多尺度分量。本方法又针对现有基于神经网络的深度学习的诊断模型理论分析及调参过程过于复杂的问题，采用一种多粒度级联森林的深度学习方法，对变分模态分解之后的个模态函数实现特征提取及故障分类任务，具有很强的可理解性和泛化能力，并且达到更高的分类精度。本发明能够提高泵站主设备故障诊断的准确性和有效性，为解决泵站主设备故障诊断问题提供一种新的有效途径。

　　本发明利用多粒度级联森林诊断模型，采用了基于随机森林的诊断模型，区别于传统的基于人工神经网络的深度模型，避免了深度神经网络应用于故障诊断领域中的复杂的理论分析、繁琐的调参过程，以及对小样本低分类准确度的缺陷，并且本发明能自适应决定训练层数，对参数变化不敏感，即使参数不变也能获得很高的诊断准确率，在跨流域梯级泵站群调水工程中应用前景广阔。