利用基于Koopman的特征提取和机器学习方法对工业泵系统中的流量进行分类

《IEEE Access》：Flow Rate Classification in Industrial Pump Systems Using Koopman-Based Feature Extraction and Machine Learning

　　

摘要：

在工业离心泵中，准确估计流量对于故障诊断、性能监控和工艺优化至关重要。然而，传统的频域技术（如MCSA）通常依赖于固定的频谱带并假设系统处于稳态，因此在变速运行和多相流条件下效果不佳。本文提出了一种基于Koopman理论的流量分类方法，该方法利用Hankel嵌入的高阶动态模态分解（HODMD）从多通道电流、电压和振动测量数据中提取具有物理意义的频谱动态特征。该系统计算Koopman特征值、模态能量、增长率、时间相干性和频谱熵，从而构建出泵机电行为的紧凑描述符。随后通过监督学习和无监督学习流程对这些描述符进行评估，这些流程结合了SMOTE平衡算法、非线性UMAP投影以及通过树结构Parzen估计器和分层K折交叉验证算法进行的广泛超参数优化。使用包含1304个信号的实验室数据集（这些信号涵盖了多种转速、不同流体成分和十一个不平衡流量范围类别），该系统实现了高达97.4%的交叉验证平衡准确率和91.7%的测试平衡准确率，并揭示了与物理流量状态相一致的流形结构。尽管重叠的运行状态和速度依赖的频谱偏移给分类带来了挑战，但结果表明，Koopman频谱特征比传统的傅里叶方法更有效地捕捉了泵的动态本质，凸显了其在工业泵系统监测和故障诊断中的潜在优势。