结合物理引导的融合图像学习与增强挤压激励用于多级离心泵故障分析

为何更智能的泵监测很重要

工厂、电厂和供水系统背后常有多级离心泵在默默输送液体。当这些泵内部出现隐性损伤时，企业可能为维修损失数千工时，并因停机与事故损失数百万美元。本研究展示了如何将物理知识与现代基于图像的人工智能相结合，即使在信号嘈杂和工况变化时，也能早期发现泵内的微弱问题。

工业泵的隐秘“病史”

多级离心泵通过数个串联旋转叶轮来增压并将流体推动通过管路。在实际工况中，这类泵的故障曾导致成千上万小时的维护工作和数千万美元的损失。最难察觉的问题通常起于“软”故障：机械密封上的微小孔洞或划痕，以及叶轮的早期腐蚀。这些缺陷不会立刻使泵停机，但会逐步侵蚀性能与安全。由于泵在不同压力下运行，且周围有其它振动设备，故障的早期信号往往埋藏在复杂且嘈杂的振动数据中。

将振动转为有信息量的图像

作者搭建了基于工业泵的试验台，并有意引入三类真实的软故障：密封上的钻孔、密封上的划痕，以及某一叶轮的材料缺失，并同时保留正常工况。振动传感器安装在泵壳、靠近密封处和靠近叶轮处。研究团队并未将整段振动记录视为同等有用，而是先将每个信号分解为许多短时间窗，然后用三种具有物理意义的度量对这些时间窗进行评分：总体能量、冲击性以及能量在已知对故障敏感的频段中的占比。只有得分最高、最可能包含有用故障信息的时间窗被保留下来用于后续分析。

融合同一信号的三种视图

对于每个被选中的时间窗，研究者构建了一种特殊的“融合”图像以捕捉泵行为的不同面向。一个通道是物理引导的梅尔谱图版本，用于突出振动能量在时间与频率上的分布，并对故障通常出现的频率范围给予额外强调。第二个通道称为格拉米安角差场（Gramian Angular Difference Field），它将时间信号转换为展现信号点随时间相互关系的图案图像，使不规则冲击和非线性变化更显著。第三个通道——交互映射（Cross Interaction Map）则强化两个视图一致的区域，削弱可能由噪声引起的部分。将这三通道堆叠起来产生一张紧凑的图像，同时编码时间、频率与时序结构。

用物理指导人工智能

这些融合图像随后被输入到一个紧凑的卷积神经网络中，网络学习识别与特定泵工况相关的模式。一项关键创新是“增强挤压激励”（enhanced squeeze excitation）注意力机制。简单来说，网络不仅查看其所学到的图像特征，还接收一个由物理导出的经典振动指标的小型侧向向量，如均方根值、冲击性、峰度因子以及故障敏感频段的能量占比。注意力模块利用这些侧信息决定应强调或弱化哪些内部特征通道，促使网络关注与真实机械行为相符的模式，而非数据中的虚假相关。

该方法效果如何？

该框架在试验台的真实振动数据上进行了测试，试验在三个代表工业应用的压力下运行：3 bar、3.5 bar 和 4 bar。对于每一压力，模型必须区分正常工况与三种故障类型。在所有压力下，分类准确率均超过99%，宏 F1 分数（精确率与召回率的综合）也超过0.99，并且在最高压力下达到了完美得分。作者将其方法与几种先进替代方案进行了比较，包括来自标准图像网络的迁移学习、基于熵的特征提取以及其他受物理启发的深度模型。无论何种情况下，物理引导的融合图像加注意力框架都能与这些竞争方法匹敌或优于它们，尤其在工况变化时表现更为稳健。

这对现实世界维护意味着什么

对工程师和运行人员而言，这项工作展示了一种实用的方法，将他们对泵物理的理解与深度学习的模式发现能力结合起来。通过谨慎选择振动信号中最有信息量的部分、将其转换为丰富但紧凑的图像，并用简单的物理指标引导网络，该方法可以可靠地在灾难性故障发生前很久就标记出密封和叶轮的早期损伤。长期来看，这类具物理感知的 AI 工具有望将泵的维护从事后被动修复，转变为基于可信早期预警的计划性干预。

引用: Ullah, S., Umar, M. & Kim, JM. Physics guided fused image learning with enhanced squeeze excitation for failure analysis of multistage centrifugal pumps. Sci Rep 16, 16179 (2026). https://doi.org/10.1038/s41598-026-47809-8

关键词: 离心泵故障, 振动监测, 物理引导深度学习, 基于状态的维护, 工业诊断