CN115270875A - 一种基于深度学习的隔膜泵运行状态监测方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的隔膜泵运行状态监测方法，包括以下步骤：步骤一、振动信号数据采集；步骤二、随机森林降维处理；步骤三、构建数据集和划分数据集；步骤四、设计2DCNN+LSTM模型；步骤五、训练2DCNN+LSTM模型；步骤六、测试已训练完成的模型的准确性：将预测的故障类型与步骤五中的隔膜泵实际的故障类型进行对比，若相同，则认为最终2DCNN+LSTM模型判断正确，反之，则认为最终2DCNN+LSTM模型判断错误。最终2DCNN+LSTM模型对于原始数据的特征表征能力，最终2DCNN+LSTM模型泛化能力提升，能够对在线采集的数据及时做出诊断。

Description

一种基于深度学习的隔膜泵运行状态监测方法

技术领域

本发明涉及矿浆隔膜泵故障诊断与预测的技术领域，具体涉及一种基于深度学习的隔膜泵运行状态监测方法。

背景技术

矿浆管道输送是一种由大型钢管、泵站和加压设备构成的运输方式，具有连续、安全、可靠、经济、环保等优势，尤其适用于道路交通不便、运料易抛洒或者易泄漏的情况，且朝着大口径、长距离、高压力、自动化方向发展。近年来管道输送发展迅速，但安全及稳定性是伴随的亟待解决的问题。

隔膜泵是矿浆管道输送的动力设备，是管道输送的核心加压设备，因而隔膜泵安全稳定运行是管道输送的核心问题。隔膜泵的安全运行能保障管道输送持续、平稳运行，能提高企业生产效率。隔膜泵一旦故障，矿浆管道可能带浆停泵且固体矿浆沉降造成管道堵塞及高压曝管，造成严重的生产事故及损失。因此，隔膜泵实时状态监测与故障诊断对冶金企业生产效率及安全有至关重要的作用。

然而，隔膜泵结构复杂、运动部件多、振动相互耦合且受噪声和工况影响，基于模型的机理建模尤为困难且不可靠，科研人员针对上述存在的问题与现象，开展了许多关于矿浆隔膜泵的研究，先后提出了多种检测方法。按照能否对隔膜泵进行直接检测，分为直接测量或间接测量的方法：例如，根据矿浆隔膜泵单项阀的表面图像分析磨损状态、单向阀表面粗糙度、摩擦深度等评价参数，间接判断矿浆隔膜泵的剩余寿命。但是，上述方法需要停机甚至拆机检测，增加了时间成本，并不能在实际生产中推广。

发明内容

针对现有技术存在的上述不足，本发明的目的在于提供一种能够监测隔膜泵的状态，以及诊断隔膜泵的故障的基于深度学习的隔膜泵运行状态监测方法。

解决上述技术问题，本发明采用如下技术方案：

一种基于深度学习的隔膜泵运行状态监测方法，包括以下步骤：

步骤一、振动信号数据采集：在隔膜泵的驱动端和非驱动端的端部各自设有三个振动传感器，位于驱动端的三个振动传感器分别为第一振动传感器、第二振动传感器和第三振动传感器，其中，第一振动传感器用于采集隔膜泵驱动端在X轴方向产生的振动信号数据，第二振动传感器用于采集隔膜泵驱动端在Y轴方向产生的振动信号数据，第三振动传感器用于采集隔膜泵驱动端在Z轴方向产生的振动信号数据；

位于非驱动端的三个振动传感器分别为第四振动传感器、第五振动传感器和第六振动传感器，其中，第四振动传感器用于采集隔膜泵非驱动端在X轴方向产生的振动信号数据，第五振动传感器用于采集隔膜泵非驱动端在Y轴方向产生的振动信号数据，第六振动传感器用于采集隔膜泵非驱动端在Z轴方向产生的振动信号数据；上述的所有振动信号数据进行混合得到六通道振动信号数据集；

步骤二、随机森林降维处理：将步骤一中六通道振动信号数据集利用随机森林降维方法进行处理，获得驱动端X轴方向的振动信号数据和非驱动端X轴方向的振动信号数据，形成两通道振动信号数据；

步骤三、构建数据集和划分数据集：根据连续小波变换原理，将步骤二中的两通道振动信号数据进行时频分析并绘制双通道时频图，双通道时频图包括振动信号特征；将步骤一中的六通道振动信号数据集按照划分为训练数据集、验证数据集和测试数据集；

步骤四、设计2DCNN+LSTM模型：基于卷积循环神经网络搭建二维卷积神经网络，通过二维卷积神经网络提取步骤三中双通道时频图中振动信号特征，将振动信号特征作为输入，输入至长短时神经网络内，长短时神经网络对振动信号特征进行链路网络式分类，分类后与隔膜泵不同故障类型相对应，得到2DCNN+LSTM模型；

步骤五、训练2DCNN+LSTM模型：将步骤三中的训练数据集作为输入，输入至步骤四中的2DCNN+LSTM模型内，得到训练结果对应的隔膜泵运行状态；再将步骤三中的验证数据集作为输入，输入至步骤四中的2DCNN+LSTM模型内，得到验证结果对应的隔膜泵运行状态；将验证结果对应的隔膜泵运行状态和训练结果对应的隔膜泵运行状态进行对比，若相同，则认为2DCNN+LSTM模型参数正确，经2DCNN+LSTM模型获得隔膜泵实际的故障类型，反之，则认为2DCNN+LSTM模型参数错误，返回步骤四对2DCNN+LSTM模型参数进行调整，最后得到最终2DCNN+LSTM模型；

步骤六、测试已训练完成的模型的准确性：将步骤三中的测试数据集作为输入，输入至步骤五中的最终2DCNN+LSTM模型，进行预测评估得到预测数据，预测数据为隔膜泵预测的故障类型，将预测的故障类型与步骤五中的隔膜泵实际的故障类型进行对比，若相同，则认为最终2DCNN+LSTM模型判断正确，反之，则认为最终2DCNN+LSTM模型判断错误；

步骤七、隔膜泵运行监测：在隔膜泵运行时，通过步骤一采集隔膜泵的振动信号数据，振动信号数据包括隔膜泵驱动端在X轴、Y轴和Y轴方向产生的振动信号数据，以及隔膜泵非驱动端在X轴、Y轴和Y轴方向产生的振动信号数据，将上述振动信号数据作为输入，输入至最终2DCNN+LSTM模型，通过最终2DCNN+LSTM模型获得隔膜泵实时运行状态结果。

进一步，在步骤三中，所述连续小波变换原理采用以下公式：

其中，a为频率参数，b是平移参数，t为时间参数，

为连续小波变换后的幅值，

为连续小波变换前的幅值。

进一步，在步骤四中，二维卷积神经网络主要包括输入层、卷积层1、最大池化层、卷积层2、自适应最大池化层和Dropout层，其中，所述输入层对绘制的双通道时频图的RGB信息进行相应的读取，减少无效数据与干扰数据的输入量，所述卷积层1与最大池化层对输入的验证数据集和训练数据集做降噪处理，所述卷积层2与自适应最大池化层用于提取验证数据集和训练数据集的主要特征以及简化网络计算的复杂度，所述Dropout层用于舍弃证数据集和训练数据集一部分主要特征，舍去的主要特征的输出都被设置为零，减少2DCNN+LSTM模型出现过拟合化的情况。

进一步，在步骤四中，长短时神经网络采用多层相同网络结构的神经网络，每一层神经网络将信息传递给下一层神经网络。

本方案中的长短时神经网络是一种特殊的递归神经网络，所谓递归神经网络就是网络中具有循环结构，并可以通过网络解决时间序列问题的预测，而本发明方法采用的长短时神经网络从某种程度来说和传统的神经网络并非完全不同，本发明中长短时神经网络可以将递归神经网络采用多层相同网络结构的神经网络，每一层将信息传递给下一层，对于连续的时频图信息长短时神经网络拥有对长时时间序列问题很好的解决能力，比通常采用的普通全连接层分类方法所用时间更少，效果更好。

进一步，在步骤四中，将隔膜泵的故障类型分为四个类别，分别为正常磨损Ⅰ、粗颗粒磨损Ⅱ、磨损击穿Ⅲ和单向阀卡阀Ⅳ，并将正常磨损Ⅰ与预测标签代码[0]相对应，粗颗粒磨损Ⅱ与预测标签代码[1]相对应，磨损击穿Ⅲ与预测标签代码[2]相对应，单向阀卡阀Ⅳ与预测标签代码[3]相对应，再将预测标签代码与进行链路网络式分类后的振动信号特征相对应。

现有技术相比，本发明具有如下有益效果：

1、本发明针对隔膜泵进行运行状态监测，采用随机森林降维与连续小波变换原理相结合，对隔膜泵采集的振动信号数据进行降噪处理，消除多余的振动信号数据，留下关键的振动信号数据，同时，随机森林降维与连续小波变换原理相结合还可以提升对原始数据的表征能力，其中，经连续小波变换原理进行绘制关键振动信号数据的时频图；以绘制的时频图作为输入，结合二维卷积神经网络与长短时神经网络，将振动信号数据绘制的时频图与隔膜泵故障类型相对应，对应的隔膜泵故障类型给输入2DCNN+LSTM模型模型的振动信号数据“打标签”，让2DCNN+LSTM模型知道输入振动数据对应的实际隔膜泵故障类型。

2、本发明中的二维卷积神经网络主要目的是对数据做特征提取处理，简化输入数据的复杂程度和筛选数据的特殊之处；其中，二维卷积神经网络主要包括：输入层、卷积层、最大池化层以及Dropout层，卷积层包括卷积层1和卷积层2，最大池化层还包括自适应最大池化层，输入层是对绘制的时频图的RGB信息进行相应的读取，减少无效数据与干扰数据的输入量；卷积层1与最大池化层是为了对输入数据做降噪处理，消除冗余数据和不重要的特征，保留主要特征的同时减少参数和计算量，防止过拟合，将环境等干扰因素降到最低；卷积层2与自适应最大池化层主要是起到提取主要特征、简化网络计算的复杂度等作用；最后使用Dropout层来解决训练样本少、模型容易过拟合化等问题。

3、本发明能够保证有效数据量的同时大幅提升故障诊断的准确性和平稳性，提升2DCNN+LSTM模型对于原始数据的特征表征能力，2DCNN+LSTM模型泛化能力提升，能够对在线采集的数据及时做出诊断。

附图说明

图1为本发明一种基于深度学习的隔膜泵运行状态监测方法的流程图。

图2为二维卷积神经网络的结构示意图。

具体实施方式

下面将结合附图及实施例对本发明作进一步说明。

本实施例：参见图1，一种基于深度学习的隔膜泵运行状态监测方法的原理是：首先通过随机森林降维方法对原始振动信号数据进行降维，然后利用连续小波变换绘制频谱图，最后利用经过二维卷积神经网络方法训练得到的2DCNN+LSTM模型对隔膜泵运行状态在线监测和预测，实现采集到振动原始信号后输入到已训练2DCNN+LSTM模型中直接得到矿浆隔膜泵运行状态的“端对端”间接检测方法。

其中，一种基于深度学习的隔膜泵运行状态监测方法具体包括以下步骤：

步骤一、振动信号数据采集：在隔膜泵的驱动端和非驱动端的端部各自设有三个振动传感器，位于驱动端的三个振动传感器分别为第一振动传感器、第二振动传感器和第三振动传感器，其中，第一振动传感器用于采集隔膜泵驱动端在X轴方向产生的振动信号数据，第二振动传感器用于采集隔膜泵驱动端在Y轴方向产生的振动信号数据，第三振动传感器用于采集隔膜泵驱动端在Z轴方向产生的振动信号数据；

位于非驱动端的三个振动传感器分别为第四振动传感器、第五振动传感器和第六振动传感器，其中，第四振动传感器用于采集隔膜泵非驱动端在X轴方向产生的振动信号数据，第五振动传感器用于采集隔膜泵非驱动端在Y轴方向产生的振动信号数据，第六振动传感器用于采集隔膜泵非驱动端在Z轴方向产生的振动信号数据；上述的所有振动信号数据进行混合得到六通道振动信号数据集；

步骤二、随机森林降维处理：将步骤一中六通道振动信号数据集利用随机森林降维方法进行处理，获得驱动端X轴方向的振动信号数据和非驱动端X轴方向的振动信号数据，形成两通道振动信号数据；

步骤三、构建数据集和划分数据集：根据连续小波变换原理，将步骤二中的两通道振动信号数据进行时频分析并绘制双通道时频图，双通道时频图包括振动信号特征；将步骤一中的六通道振动信号数据集按照划分为训练数据集、验证数据集和测试数据集；

其中，训练数据集占总数据的60％，验证数据集占总数据的20％，测试数据集占总数据的20％。

步骤四、设计2DCNN+LSTM模型：基于卷积循环神经网络搭建二维卷积神经网络，通过二维卷积神经网络提取步骤三中双通道时频图中振动信号特征，将振动信号特征作为输入，输入至长短时神经网络内，长短时神经网络对振动信号特征进行链路网络式分类，分类后与隔膜泵不同故障类型相对应，得到2DCNN+LSTM模型；

步骤五、训练2DCNN+LSTM模型：将步骤三中的训练数据集作为输入，输入至步骤四中的2DCNN+LSTM模型内，得到训练结果对应的隔膜泵运行状态；再将步骤三中的验证数据集作为输入，输入至步骤四中的2DCNN+LSTM模型内，得到验证结果对应的隔膜泵运行状态；将验证结果对应的隔膜泵运行状态和训练结果对应的隔膜泵运行状态进行对比，若相同，则认为2DCNN+LSTM模型参数正确，经2DCNN+LSTM模型获得隔膜泵实际的故障类型，反之，则认为2DCNN+LSTM模型参数错误，返回步骤四对2DCNN+LSTM模型参数进行调整，最后得到最终2DCNN+LSTM模型；

步骤六、测试已训练完成的模型的准确性：将步骤三中的测试数据集作为输入，输入至步骤五中的最终2DCNN+LSTM模型，进行预测评估得到预测数据，预测数据为隔膜泵预测的故障类型，将预测的故障类型与步骤五中的隔膜泵实际的故障类型进行对比，若相同，则认为最终2DCNN+LSTM模型判断正确，反之，则认为最终2DCNN+LSTM模型判断错误；

步骤七、隔膜泵运行监测：在隔膜泵运行时，通过步骤一采集隔膜泵的振动信号数据，振动信号数据包括隔膜泵驱动端在X轴、Y轴和Y轴方向产生的振动信号数据，以及隔膜泵非驱动端在X轴、Y轴和Y轴方向产生的振动信号数据，将上述振动信号数据作为输入，输入至最终2DCNN+LSTM模型，通过最终2DCNN+LSTM模型获得隔膜泵实时运行状态结果。

以测试数据集作为输入，用以预测评估2DCNN+LSTM模型的泛化能力，检验其能否准确的判断出隔膜泵的故障类型，对隔膜泵运行状态的在线监测。

测试数据集作为输入，反馈隔膜泵实时运行状态结果给隔膜泵现场操作人员，当隔膜泵实时运行状态处于类别粗颗粒磨损Ⅱ时，提醒工人对隔膜泵单向阀进行相应的维修工作，最终实现隔膜泵运行状态，故障监测方法的运用。

随机森林降维方法：

(1)将六通道振动信号数据集通过随机方式抽样获得N个样本，得到的抽样结果生成决策树的训练集；

(2)在训练集的每个节点随机选择m个特定的变量，运用m个变量来确定最佳的分裂点；

(3)每棵决策树都最大可能地进行生长而不进行剪枝；

(4)通过对所有的决策树进行加总来预测新的数据，在分类时采用多数投票，在回归时采用平均。

其中，随机森林就是用随机的方式建立一个森林，在森林里有很多决策树组成，并且每一棵决策树之间是没有关联的。当有一个新样本的时候，我们让森林的每一棵决策树分别进行判断，看看这个样本属于哪一类，然后用投票的方式，哪一类被选择的多，作为最终的分类结果。在回归问题中，随机森林输出所有决策树输出的平均值。

本方案采用利用随机森林降维方法进行处理，获得驱动端X轴方向的振动信号数据和非驱动端X轴方向的振动信号数据，采用随机森林降维方法相比在步骤一种直接获取驱动端X轴方向的振动信号数据和非驱动端X轴方向的振动信号数据，具有以下优点，一是在隔膜泵运行过程中，获得的高维数据，通过随机森林降维方法对高维数据处理能力强，可以处理成千上万的输入变量，能够输出特征的重要程度，有效的处理缺省值。

作为优选，在步骤三中，所述连续小波变换原理采用以下公式：

其中，a为频率参数，b是平移参数，t为时间参数，

为连续小波变换后的幅值，

为连续小波变换前的幅值。

参见图2所示，在步骤四中，二维卷积神经网络主要包括输入层、卷积层1、最大池化层、卷积层2、自适应最大池化层和Dropout层，其中，所述输入层对绘制的双通道时频图的RGB信息进行相应的读取，减少无效数据与干扰数据的输入量，所述卷积层1与最大池化层对输入的验证数据集和训练数据集做降噪处理，所述卷积层2与自适应最大池化层用于提取验证数据集和训练数据集的主要特征以及简化网络计算的复杂度，所述Dropout层用于舍弃证数据集和训练数据集一部分主要特征，舍去的主要特征的输出都被设置为零，减少2DCNN+LSTM模型出现过拟合化的情况。

本发明中的二维卷积神经网络主要目的是对数据做特征提取处理，简化输入数据的复杂程度和筛选数据的特殊之处；其中，二维卷积神经网络主要包括：输入层、卷积层、最大池化层以及Dropout层，卷积层包括卷积层1和卷积层2，最大池化层还包括自适应最大池化层，输入层是对绘制的时频图的RGB信息进行相应的读取，减少无效数据与干扰数据的输入量；卷积层1与最大池化层是为了对输入数据做降噪处理，消除冗余数据和不重要的特征，保留主要特征的同时减少参数和计算量，防止过拟合，将环境等干扰因素降到最低；卷积层2与自适应最大池化层主要是起到提取主要特征、简化网络计算的复杂度等作用；最后使用Dropout层来解决训练样本少、模型容易过拟合化等问题。

作为优选，在步骤四中，长短时神经网络采用多层相同网络结构的神经网络，每一层神经网络将信息传递给下一层神经网络。

本方案中的长短时神经网络是一种特殊的递归神经网络，所谓递归神经网络就是网络中具有循环结构，并可以通过网络解决时间序列问题的预测，而本发明方法采用的长短时神经网络从某种程度来说和传统的神经网络并非完全不同，本发明中长短时神经网络可以将递归神经网络采用多层相同网络结构的神经网络，每一层将信息传递给下一层，对于连续的时频图信息长短时神经网络拥有对长时时间序列问题很好的解决能力，比通常采用的普通全连接层分类方法所用时间更少，效果更好。

作为优选，在步骤三中，2DCNN+LSTM模型用以隔膜泵运行状态的实际结构与振动信号数据实际对应的隔膜泵运行状态的预测结构进行对比，调节2DCNN+LSTM模型预测结果与实际结果的偏差。

作为优选，在步骤四中，将隔膜泵的故障类型分为四个类别，分别为正常磨损Ⅰ、粗颗粒磨损Ⅱ、磨损击穿Ⅲ和单向阀卡阀Ⅳ，并将正常磨损Ⅰ与预测标签代码[0]相对应，粗颗粒磨损Ⅱ与预测标签代码[1]相对应，磨损击穿Ⅲ与预测标签代码[2]相对应，单向阀卡阀Ⅳ与预测标签代码[3]相对应，再将预测标签代码与进行链路网络式分类后的振动信号特征相对应。

1、本发明针对隔膜泵进行运行状态监测，采用随机森林降维与连续小波变换原理相结合，对隔膜泵采集的振动信号数据进行降噪处理，消除多余的振动信号数据，留下关键的振动信号数据，同时，随机森林降维与连续小波变换原理相结合还可以提升对原始数据的表征能力，其中，经连续小波变换原理进行绘制关键振动信号数据的时频图；以绘制的时频图作为输入，结合二维卷积神经网络与LSTM神经网络，将振动信号数据绘制的时频图与隔膜泵故障类型相对应，对应的隔膜泵故障类型给输入2DCNN+LSTM模型模型的振动信号数据“打标签”，让2DCNN+LSTM模型知道输入振动数据对应的实际隔膜泵故障类型。

2、本发明能够保证有效数据量的同时大幅提升故障诊断的准确性和平稳性，提升2DCNN+LSTM模型对于原始数据的特征表征能力，2DCNN+LSTM模型泛化能力提升，能够对在线采集的数据及时做出诊断。

最后需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制技术方案，本领域的普通技术人员应当理解，那些对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种基于深度学习的隔膜泵运行状态监测方法，包括以下步骤：

步骤一、振动信号数据采集：在隔膜泵的驱动端和非驱动端的端部各自设有三个振动传感器，位于驱动端的三个振动传感器分别为第一振动传感器、第二振动传感器和第三振动传感器，其中，第一振动传感器用于采集隔膜泵驱动端在X轴方向产生的振动信号数据，第二振动传感器用于采集隔膜泵驱动端在Y轴方向产生的振动信号数据，第三振动传感器用于采集隔膜泵驱动端在Z轴方向产生的振动信号数据；

位于非驱动端的三个振动传感器分别为第四振动传感器、第五振动传感器和第六振动传感器，其中，第四振动传感器用于采集隔膜泵非驱动端在X轴方向产生的振动信号数据，第五振动传感器用于采集隔膜泵非驱动端在Y轴方向产生的振动信号数据，第六振动传感器用于采集隔膜泵非驱动端在Z轴方向产生的振动信号数据；上述的所有振动信号数据进行混合得到六通道振动信号数据集；

步骤二、随机森林降维处理：将步骤一中六通道振动信号数据集利用随机森林降维方法进行处理，获得驱动端X轴方向的振动信号数据和非驱动端X轴方向的振动信号数据，形成两通道振动信号数据；

步骤三、构建数据集和划分数据集：根据连续小波变换原理，将步骤二中的两通道振动信号数据进行时频分析并绘制双通道时频图，双通道时频图包括振动信号特征；将步骤一中的六通道振动信号数据集按照划分为训练数据集、验证数据集和测试数据集；

步骤四、设计2DCNN+LSTM模型：基于卷积循环神经网络搭建二维卷积神经网络，通过二维卷积神经网络提取步骤三中双通道时频图中振动信号特征，将振动信号特征作为输入，输入至长短时神经网络内，长短时神经网络对振动信号特征进行链路网络式分类，分类后与隔膜泵不同故障类型相对应，得到2DCNN+LSTM模型；

步骤五、训练2DCNN+LSTM模型：将步骤三中的训练数据集作为输入，输入至步骤四中的2DCNN+LSTM模型内，得到训练结果对应的隔膜泵运行状态；再将步骤三中的验证数据集作为输入，输入至步骤四中的2DCNN+LSTM模型内，得到验证结果对应的隔膜泵运行状态；将验证结果对应的隔膜泵运行状态和训练结果对应的隔膜泵运行状态进行对比，若相同，则认为2DCNN+LSTM模型参数正确，经2DCNN+LSTM模型获得隔膜泵实际的故障类型，反之，则认为2DCNN+LSTM模型参数错误，返回步骤四对2DCNN+LSTM模型参数进行调整，最后得到最终2DCNN+LSTM模型；

步骤六、测试已训练完成的模型的准确性：将步骤三中的测试数据集作为输入，输入至步骤五中的最终2DCNN+LSTM模型，进行预测评估得到预测数据，预测数据为隔膜泵预测的故障类型，将预测的故障类型与步骤五中的隔膜泵实际的故障类型进行对比，若相同，则认为最终2DCNN+LSTM模型判断正确，反之，则认为最终2DCNN+LSTM模型判断错误；

步骤七、隔膜泵运行监测：在隔膜泵运行时，通过步骤一采集隔膜泵的振动信号数据，振动信号数据包括隔膜泵驱动端在X轴、Y轴和Y轴方向产生的振动信号数据，以及隔膜泵非驱动端在X轴、Y轴和Y轴方向产生的振动信号数据，将上述振动信号数据作为输入，输入至最终2DCNN+LSTM模型，通过最终2DCNN+LSTM模型获得隔膜泵实时运行状态结果。

2.根据权利要求1所述一种基于深度学习的隔膜泵运行状态监测方法，其特征在于，在步骤三中，所述连续小波变换原理采用以下公式：

其中，权为频率参数，b是平移参数，t为时间参数，

为连续小波变换后的幅值，

为连续小波变换前的幅值。

3.根据权利要求1所述的一种基于深度学习的隔膜泵运行状态监测方法，其特征在于，在步骤四中，二维卷积神经网络主要包括输入层、卷积层1、最大池化层、卷积层2、自适应最大池化层和Dropout层，其中，所述输入层对绘制的双通道时频图的RGB信息进行相应的读取，减少无效数据与干扰数据的输入量，所述卷积层1与最大池化层对输入的验证数据集和训练数据集做降噪处理，所述卷积层2与自适应最大池化层用于提取验证数据集和训练数据集的主要特征以及简化网络计算的复杂度，所述Dropout层用于舍弃证数据集和训练数据集一部分主要特征。

4.根据权利要求1所述的一种基于深度学习的隔膜泵运行状态监测方法，其特征在于，在步骤四中，长短时神经网络采用多层相同网络结构的神经网络，每一层神经网络将信息传递给下一层神经网络。

5.根据权利要求1所述的一种基于深度学习的隔膜泵运行状态监测方法，其特征在于，在步骤四中，将隔膜泵的故障类型分为四个类别，分别为正常磨损Ⅰ、粗颗粒磨损Ⅱ、磨损击穿Ⅲ和单向阀卡阀Ⅳ，并将正常磨损Ⅰ与预测标签代码[0]相对应，粗颗粒磨损Ⅱ与预测标签代码[1]相对应，磨损击穿Ⅲ与预测标签代码[2]相对应，单向阀卡阀Ⅳ与预测标签代码[3]相对应，再将预测标签代码与进行链路网络式分类后的振动信号特征相对应。

Images