分子泵采集的原始信号中存在着环境噪声，对分子泵的状态识别会造成影响，对此本文设计了一种有效的噪声剔除方法，有针对性地识别和处理含有噪声的模态分量。该降噪方法首先采用集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)方法来自适应分解分子泵的原始信号，根据自相关函数对原始信号进行计算，并分解出多阶不同频率分布的内涵模态信号分量(Intrinsic Mode Functions, IMF)，根据各组IMF的成分，筛选出包含噪声的IMF分量，在保证原始信号组成成分的同时，使用小波包阈值方法对分解后的模态信号进行去噪处理，最后重构IMF分量，完成信号的降噪工作。这种方法在整个信号中应用了阈值降噪处理，相比于传统的小波方式，具有更高的细致度。图1展示了该降噪方法的流程图。

集合经验模态分解既能够保持原有经验模态分解(Empirical Mode Decomposition，EMD)方法的优点，又能够解决信号分解过程中可能出现的模态混叠问题^[13]。并且在信号处理的过程中添加相关的辅助信号，减弱模态混合的影响，提高信号的可用性。

随机噪声对集合经验模态分解在低阶模态分量中影响较大^[14]。在处理过程中，存在一种临界模态分量，以此为界，信号模态分为信号主导和噪声主导。通过自相关方法对信号进行分析以有效筛选出含噪模态的分量，噪声信号的自相关系数曲线如图2所示。

从图中可以看出，噪声信号在零时间点处的自相关强度取得峰值，其他位置的自相关强度相比零时间点处衰减迅速，这证明在其他时间节点的关联性较差。对每个模态分量进行自相关运算，对衰减特性进行识别处理，保留不具备该特性的分量，剔除包含噪声模态的分量，实现对信号的筛选。

小波包技术在小波变换的基础上，能够在信号时频局部化处理的过程中，实现进一步的细化处理，保证信号均匀分解于各个频段，从而使信号分析能力得到了显著的提升^[15]。通过小波包技术对分子泵的原始信号进行降噪处理，以获取原信号的小波包特征系数，并以此设置信号设置阈值，使噪声部分得到有效消除。

在处理降噪后的数据时，本文选取了五个无量纲的参数来构建时域特征向量，分别波形指标、峰值指标、脉冲指标、裕度指标和峭度指标。此外，通过小波包归一化能量值构建信号特征向量，从而达到评价分子泵状况的目的。

本文针对分子泵状态诊断识别的过程如图3所示。为了实现分子泵多种故障状态的诊断和识别，需要合理设置神经网络的参数，例如训练层数、层节点数和训练传递函数等主要参数，以提高神经网络的检测性能。

BP 神经网络在构建时需要根据需求对神经网络的层数进行设置，以平衡网络处理能力和训练时长^[16]。本文的神经网络结构包含输入层、中间层以及输出层，如图4所示。其中，左侧 x=[x₁, x₂, ··· x_n]表示输入，右侧y=[y₁, y₂, ··· y_n]表示输出，Q₁和Q₂代表节点加权值。

在构建BP神经网络时，通过特征向量的维度决定输入层节点的数量。对分子泵不同状态时域信号进行分析后，选择时域信号的波形指标、峰值指标、脉冲指标、裕度指标和峭度指标这五项无量纲参数作为输入特征向量，因此本文构建的BP神经网络输入层节点数设置为5。通过小波包的方法将信号进行分解，共提取8频段的信号特征，因此BP神经网络的输入层节点数设置为8。本文研究正常运行、过载故障、轻微磨损、中度磨损和严重磨损五种分子泵运行工况的状态类型，为了便于描述，分别将上述5种状态命名为状态1、状态2、状态3、状态4和状态5，因此输出层节点数为5。输出层5个节点的状态编码采用二进制编码形式进行输出。其中，状态1编码为10000，状态2编码为01000，状态3编码为00100，状态4编码为00010，状态5编码为00001。

隐含层节点通常通过经验公式的方法估计节点数的范围，这一过程包括对隐含层节点数的精细调整，通过对不同节点数处的均方误差结果进行计算和分析，对 BP 神经网络模型的性能进行评估，从而分析得到最优节点数，通过计算可以确定隐含层节点数落在4到14 。为测试隐含层节点数对输出误差的影响，对不同节点数隐含层的神经网络分别进行训练，并分别对训练集和测试集进行误差统计，最后统计其均方根误差，结果如图5所示。

根据均方根误差分布情况得知，隐含层节点数设置对神经网络模型训练结果有着较大影响，时域无量纲特征向量和小波包能量特征向量的输入分别在10节点数及12节点数处取得最小均方误差。因此在后续实验过程中，两组模型分别采用上述节点数进行训练。

为了保证神经网络模型训练的效率，需要选择符合要求的训练函数，不同训练函数适用于不同的应用场景且收敛速度各异。本文选择具有训练快且较为稳定的trainlm训练函数。

针对本文构建的三层神经网络结构，需要对中间层和输出层选择响应的传递函数。通常，传递函数有三种，分别是tangsig、logsig和purelin函数，根据中间层和输出层的需求，分别选用tansig和purelin函数作为传递函数。最后，设置BP神经网络的学习速率为0.1，最大学习迭代次数为1000次，训练误差为0.01。

信号采集系统包括硬件部分和软件部分，其中硬件部分包括分子泵、声发射传感器、前置放大器和数据采集设备。软件部分由上位机采集软件组成，如图6所示。

其中，声发射传感器的选择需要根据信号的频域特征进行分析并进行筛选，首先选用PAC公司生产的R3α 传感器对分子泵正常工作时的振动信号进行采集，信号的频域特征如图7所示。

从图中可以看出，信号的频域组成主要集中于50 kHz以下的区域，信号整体呈较低频状态，因此，需要选择中心频率较低的传感器组成测量系统。在传感器选型的过程中，有三组传感器可供选择，分别是美国PAC公司生产的Nano-30传感器，中心频率为140 kHz；R3α 传感器，中心频率为29 kHz；北京软岛时代公司的RS-2A传感器，中心频率为150 kHz。从图7的频谱信息可以得知，R3α 传感器的中心频率与信号频率相匹配，具有良好的响应。R3α 传感器和其频响曲线如图8所示。

信号放大器采用的是北京软岛时代公司生产的可调增益放大器，实验时调整增益为40 dB，信号采集设备为NI公司生产的USB-6366型号采集卡，可实现8通道同步采集，采样率最高可达2 MHz。PC端通过LabView软件编写软件采集界面，可实现信号的采集及分析。被测分子泵为中科科仪公司生产的某型号分子泵，该种型号分子泵使用量大，多数处于服役状态，采集的信号具有较好的普适性。分子泵连接的是空间模拟环境的试验舱容器，用于模拟真空环境，因此分子泵的测试环境贴合模拟太空环境的要求。

为了有效采集分子泵在不同工况下的信号，本次实验将信号采集点布置在泵机底部，该位置靠近关键部件且表面平坦，便于传感器的放置。为传感器的具体分布位置如图9(a)所示。在分子泵采集信号的过程中，为了确保数据的稳定性与可靠性，防止位于底部采集区域的传感器于底部脱离而失效，需要采用磁性吸座对传感器进行固定。此外，为了更加有效地采集不同工况下的信号，优化传感器和待采表面的耦合效果，需要在传感器的表面均匀地涂抹真空硅脂。分子泵信号采集实验现场图如图为9(b)所示。

实验时，首先进行采集系统的安装与调试。将声发射传感器贴合在分子泵合适位置，依次连接前置放大器、数据采集设备以及上位机，完成系统搭建，在上位机运行采集程序，通过断铅实验验证设备是否正常。控制分子泵开始工作，通过试验系统采集分子泵振动信号。完成采集后，关闭硬件系统，结束实验。在分子泵的实际应用中，由于服役时间的差异，其内部磨损状态呈现出多样性。分子泵的磨损程度通常随着其使用时间的增加而逐渐加剧，根据磨损程度的不同，内部的磨损故障可以分为三个等级：轻度、中度和重度。因此，分子泵的抽真空性能越差，其内部磨损就越严重。分子泵在使用过程中也可能出现典型故障，例如过载故障。因此，本文实验对几种常见运行工况的信号进行采集。

根据对分子泵在不同工况下的具体分析，本实验将采样频率设为500 kHz。在实验过程中，采集每种工况情况下分子泵信号各150组，其中每组数据的采样时间设置为0.2 s，每两组数据间的采集间隔设为30 s。为了验证实验数据的可靠性与重复性，在每采集30组数据后，分子泵都进行一次启停操作，并在其重新运行平稳运行后再次采集相关数据。

以分子泵状态3时采集的时域信号为例，通过实验系统对时域信号进行采集，分子泵状态3的原始信号如图10所示。从图中可以看出，原始的时域信号中包含较多的噪声信息，并且信噪比较低，噪声使得原始信号难以直接用于状态识别，因此需要对噪声进行滤除。

为了实现分子泵的健康状态评估，采用上述三种方法来降低原始信号的噪声，滤除效果如图11所示。信号通过第一章所述方法进行去噪处理后，虽部分信号间隙仍然存在混叠的情况，但是从整体情况来看，该方法可以有效提取分子泵的状态信号。

信号采集系统按照实验计划，在分子泵处于 5 种不同工作状态的情况下采集了 150 组的声发射信号数据。根据两种方法原理依次计算相关的参数，根据第一章方法，提取信号的特征向量，并将其作为模型的输入数据，分别建立BP神经网络。根据训练和测试需求，从5种状态各取100组数据用于训练，训练误差曲线如图12所示。

各状态剩余50组作为测试集，用于训练完成的模型中，对分子泵的健康状态进行故障诊断，部分测试集输出层状态编码数值情况如图13所示。

神经网络模型的输出数值结果通常会聚集在0或者1附近，为了实现对分子泵状态的分辨，神将网络模型通过5位的二进制编码进行输出，并且将不同的状态赋予不同的编码，识别结果编码数值输出按 BP 神经网络输出层状态，表1 为其输出结果。

在处理的过程中，为了实现对编码值的分辨，本文对输出数值进行阈值判定处理，输出0的阈值为0.2，输出1的阈值为0.8，输出如果不在上述范围，该组信号作废处理。通过上述方法对分子泵的结构健康状况进行识别。最后根据目标结果的情况与测试集的输出结果进行对比，评估 BP 神经网络在分子泵结构健康状况检测方面的表现。首先将未剔除噪声的信号作为BP神经网络的输入，输出的识别结果显示，识别准确率不足50%，因此未剔除噪声的原始信号不适用于分子泵状态的识别。BP神经网络分别在小波包能量特征向量方法及时域无量纲特征向量方法这两种类型的输入特征向量下的识别准确率情况如图14所示。

从图14中的数据中可以看出，当通过小波包阈值方法将信号的特征作为神将网络的输入时，不同状态的识别精确度均大于80%，各种状体平均准确率可以达到90%，检测效果良好。使用时域特征时，分子泵状态识别效果相比前者鲁棒性较差，优势不足，效果较差。并且根据图12可知，前者模型训练时达到目标误差的训练步数远远短于后者，训练消耗算力较少。综上所述，基于小波包分解后的频带归一化能量分布具有更好的信号表达特征，更适合作为BP神经网络的输入训练集，具有良好的识别效果和鲁棒性。

此外，实验研究显示，基于BP 神经网络的识别方法也存在着一些不足。例如，网络模型构建时，选择参数时并无明确选择依据，因此需要根据输出结果情况在实际操作过程中进行最优化的调整，后续将添加遗传算法对BP神经网络的参数进行优化处理；如果训练集的数据量较少，将会严重影响神经网络的分类和识别能力，神经网络的训练数据集的规模直接影响到输出识别的准确性。后续可通过数据增强的方式，对原始信号和滤除噪声后信号进行扩充，增加模型训练数据量，完善模型训练，以提高分子泵结构健康状态评估的准确性。

本文针对分子泵设备的故障状态检测问题，提出了基于模态分析和神经网络的分子泵故障检测方法。本文从整体设计和分析了分子泵的声学振动信号采集系统，对采集到的分子泵声学信号进行基于模态分析与小波包处理的噪声剔除；设计了一套神经网络模型，进一步利用信号的时域和时频域特征构建特征向量，并用于神经网络模型的输入，最终实现故障状态的分类检测，最优的识别准确率平均可达 90.0%。