本文的研究是在西安航天动力研究所委托项目（20210128）和中广核工程有限公司委托项目（20200513）的资助下开展的。离心泵内空化会导致剧烈的振动和噪声,产生的空泡不仅影响水力机械性能,并且空泡溃灭时产生的冲击还会对叶轮壁面结构造成破坏,严重影响设备运行安全。为避免离心泵内空化的产生及发展,实现对离心泵的预测性维护,有必要开展离心泵空化状态监测与识别研究。目前,基于机器学习的空化识别技术已得到了广泛应用,而这些技术通常依赖大量标记数据。离心泵运行环境多样、结构形式差异大、故障数据稀缺,导致精确模型难以建立。针对上述问题,本文通过理论与试验相结合的方法,对离心泵内空化的发展变化规律进行研究,采用深度学习方法,探究适用于离心泵的空化状态识别方法,并借助迁移学习,为不同设备个性化模型的建立提供支持。本文主要工作与研究成果如下:1.对非平稳信号处理、深度学习与迁移学习的发展趋势和研究进展进行了总结,并对离心泵空化状态识别及空化状态监测系统的研究现状进行了归纳分析。2.为了更加准确地捕捉离心泵内空化发展状态,探究空化对离心泵不同测点、不同类型信号的影响规律,以一台比转速ns=53的离心泵为研究对象。基于多个振动测点、泵进出口压力脉动及液载噪声,探究不同空化状态下各测点敏感性及空化频域特征分布规律。结果表明,泵内空化发生时,振动测点在4000-6000Hz频段出现明显变化,泵进口压力脉动与液载噪声0-500Hz频段的变化更加显著,并且液载噪声能够捕捉到4000-6000Hz及更高频段的空化噪声特征,对泵内空化具有更高的敏感性,更适合用于离心泵空化状态识别。3.为解决传统机器学习方法对泵内空化特征提取能力不足,识别准确率低的问题,提出一种结合CEEMD与DRSN的离心泵空化状态识别方法。通过搭建一个12层的DRSN深度残差收缩网络,采用CEEMD对泵液载噪声进行分解,并将分解结果作为样本进行训练。结果表明,CEEMD方法能有效分离液载噪声中的不同成分、捕捉空化噪声特征,且DRSN对含噪信号同样具有较好的特征提取能力。所提出方法对离心泵不同空化状态的识别准确率达94.61%,高于VGG16与Res Net18网络所建立模型的识别精度。4.针对现有空化状态识别方法难以涵盖不同设备,泛化能力差的问题,将前文试验作为源域,并以一台比转速ns=25的离心泵作为目标域,结合迁移学习方法,建立了一种适用于各类型设备的迁移DRSN方法。借助已训练好的DRSN模型,冻结浅层网络,通过预训练-微调方法在目标域中对深层网络进行训练,并与在目标域训练新模型进行对比。结果表明,迁移DRSN在目标域训练至第3步时已达到90%以上的准确率,最终对不同空化状态的识别准确率达95.06%,比在目标域中训练得到的新模型高3.73%,且平均训练耗时降低63.64%。通过迁移学习方法可有效提高空化状态识别精度,实现对不同离心泵的适配。5.基于所提出离心泵空化状态识别方法,设计并开发了一套离心泵空化状态识别系统及远程监测终端。通过Lab VIEW开发上位机软件,通过Python节点对CEEMD算法与DRSN模型对进行调用,实现了离心泵的实时监测、空化试验、数据分析及空化状态识别等功能。为提高数据存储效率,通过批量插入方式实现Lab VIEW向My SQL的高速写入,与常规方法相比,平均耗时降低32.8倍。采用Phal API接口框架实现云端数据传输,并采用VUE+UNIAPP框架实现离心泵远程监测界面。通过进行离心泵空化试验,对系统有效性进行了分析。结果表明,本系统实现了离心泵实时运行状态的多端同步监测,有效提高了离心泵监测与空化识别效率,具有较高的可靠性与实用性。