改進的坐標殘差網絡應用于17-4PH材料蝕后剩余壽命預測研究

摘要：為解決材料汽蝕損傷后剩余使用壽命預測困難的科學問題，提出了一種融合卷積神經網絡技術的壽命預測方法，具體采用殘差網絡（ResNet）模型，并嵌入坐標注意力機制（CA），通過對模型進行卷積、通道數及下采樣方式的優化，構建改進的坐標殘差網絡（CA-ResNet）模型，以實現對17-4PH材料汽蝕損傷后剩余使用壽命的精確預測。基于超聲波汽蝕試驗得到的汽蝕特性曲線，通過邏輯回歸（Logistic）方程對汽蝕階段進行定量劃分，并定義壽命系數ζ，同時借助超景深顯微鏡獲取材料損傷后不同時刻的顯微圖像數據庫，并與壽命系數ζ相對應。研究結果表明，改進的CA-ResNet網絡模型在CIFAR10公開數據集上驗證準確率可達92.2%，在收集的17-4PH材料的汽蝕損傷數據集上的驗證準確率可達93.2%，相比ResNet18網絡模型，準確率分別提高了1.5%和3.5%。通過學習率、批處理量等超參數優化后，該模型在汽蝕損傷數據集上準確率可達95.0%。采用端到端的數據驅動思想，可實現從汽蝕損傷形貌到汽蝕壽命的精確預測。

關鍵詞：殘差網絡；坐標注意力機制；汽蝕；壽命預測

中圖分類號：TK405"文獻標志碼：A

DOI：10.7652/xjtuxb202501019"文章編號：0253-987X（2025）01-0206-09

Improved CA-ResNet Network for Residual Life Prediction of 17-4PH

Material Damaged by Cavitation Erosion

DI Juan^{1，2，3，4}， WANG Chengbo¹， HE Lei¹， NIU Yalong¹， PENG Chaoyi²， WANG Jianfeng³

（1. School of Vehicle and Transportation Engineering， Taiyuan University of Science and Technology，

Taiyuan 030024， China; 2. Zhuzhou Times New Material Technology Co.， Ltd.， Zhuzhou， Hunan 412007， China;

3. College of Materials Science and Engineering， Hunan University， Changsha 410082， China;

4. Key Laboratory of Performance Evolution and Control for Engineering Structures of Ministry of

Education， Tongji University， Shanghai 200092， China）

Abstract：In order to address the scientific challenge of predicting the remaining useful life of materials damaged by cavitation erosion， a life prediction method that integrates convolutional neural network technology is introduced. Specifically， the residual network （ResNet） model is utilized and enhanced with a coordinate attention mechanism （CA）. Through optimization of the convolution， channel number and down-sampling method in the model， an improved coordinate residual network （CA-ResNet） model is developed to accurately predict the remaining useful life of 17-4PH material damaged by cavitation erosion. Initially， the cavitation characteristic curve is obtained from ultrasonic cavitation tests. Then， the cavitation stages are quantitatively segmented using a Logistic equation， defining the life coefficient ζ. Meanwhile， with the assistance of a super-depth-of-field microscope， microscopic images of the material at various post-damage time points are captured to establish a microscopic image database correlated with the life coefficient ζ. The results demonstrate that the improved CA-ResNet network model achieves a verification accuracy of 92.2% on the CIFAR10 public dataset and 93.2% on the collected cavitation damage dataset of 17-4PH material. This represents a 1.5% and 3.5% accuracy improvement over the ResNet18 network model， respectively. By fine-tuning hyperparameters like learning rate and batch size， the accuracy on the cavitation damage dataset is elevated to 95.0%. In this paper， an end-to-end data-driven approach is adopted to achieve accurate prediction from cavitation damage morphology to post-cavitation life.

Keywords：ResNet; coordinate attention mechanism; cavitation erosion; life prediction

汽蝕是一種常見的在液體動力環境中的材料損傷形式^［1-3］，常見于水泵、液壓系統和發動機缸套等一些過流部件中^［4-7］。在運行過程中，由于壓力變化導致空泡潰滅，這些設備以沖擊波和微射流的形式對周圍材料表面產生沖擊，導致表面形成大量蜂窩狀損傷^{［1，8-10］}，這種損傷不僅會造成部件破壞失效和強度受損，影響其正常工作效率，嚴重時還將危及部件的可靠性和設備的服役壽命。因此，如何防范汽蝕對關鍵部件的破壞、探究材料的剩余使用壽命（RUL）已成為目前過流部件設計中亟需解決的重要課題。

17-4PH（0Cr17Ni4Cu4Nb）馬氏體沉淀硬化不銹鋼具有良好的抗蝕性能及優異的力學性能，在火力發電、核能、海洋和航天等工業領域有廣泛應用^［11-12］。由于其長期服役于高溫、腐蝕、沖擊和摩擦的復雜環境中，汽蝕是造成其失效的關鍵因素，對設備的安全運行與服役壽命具有重要影響^［13］。

盡管汽蝕壽命預測是確保動力設備安全運行的關鍵環節，但是目前對于其RUL的預測研究^［14-16］仍相對有限，完整且成熟的預測方法尚未成形。以往研究大多采用間接測試手段測定材料汽蝕損傷后的剩余壽命，例如測量氣泡潰滅時的沖擊載荷^［17］，提取汽蝕發生時的振動信號^［18-19］或噪聲信號^［20］，通過安裝傳感器采集這些信號，從而完成對汽蝕損傷的測定，但汽蝕發展過程中，存在信號監測難度大、影響因素眾多、內部流體運動復雜等問題，僅憑借監測信號進行汽蝕損傷診斷的可靠性不強，且需要一定的專業知識才能進行汽蝕損傷分析。因此，未來需要進一步探索更為精確可靠的直接測試方法，以更準確地評估材料的汽蝕損傷程度并預測其RUL，為相關領域的工程應用提供更有力的支持。

隨著深度學習的迅猛發展，圖像識別技術在眾多領域都顯現出其優越性。He等^［21-22］作為殘差網絡（ResNet）網絡模型的主要開發者，提出的殘差網絡具有強大的遷移能力，成功應用于多種圖像識別任務。Zhang等^［23］將ResNet18網絡模型應用于表面損傷后的宏觀照片，從而成功預測了汽輪機末級葉片水蝕損傷后的剩余壽命。通過圖像識別技術，不僅能有效避免汽蝕過程中產生的各種振動和噪聲信號的干擾，且維修人員無需專業知識和豐富經驗便可對材料的汽蝕損傷程度進行準確判斷，顯著降低維修成本的同時，還能提高經濟效益。由于ResNet18網絡模型應用于微觀汽蝕損傷形貌圖的識別準確率不高，有必要根據特定數據集改進該模型，以進一步提高識別準確率。因此，本文提出了一種改進的坐標注意力機制殘差網格（CA-ResNet）網絡模型應用于汽蝕損傷微觀數據集，實現從17-4PH材料汽蝕損傷顯微形貌到汽蝕RUL端到端的精確預測。研究結果表明，與原始網絡相比，改進的CA-ResNet網絡模型在準確率和損失方面均體現出顯著的優勢，進一步驗證了其在汽蝕損傷預測領域的有效性。

1"改進的CA-ResNet網絡模型

1.1"基本網絡模型結構

ResNet網絡模型^［21-22］是深度學習中基于卷積運算的神經網絡，其提出的殘差函數解決了因神經網絡中增加深度帶來的梯度消失問題。

注意力機制^［24-25］在提升神經網絡模型性能方面發揮著顯著作用，其本質就是通過合理的方法將輸入或者輸出的信息按權重進行重新分配。假設有n₁個c維特征向量的每個分量z_c，i（i=1，2，…，n₁），將m個特征向量的特征信息通過合理的加權平均進行重新整合，得到每個維度下的新向量z^*_c，i，即

z^*_c，i=∑mi=1w_iz_c，i"（1）

式中：w_i是為注意力機制提供的合理權重。因此，添加合適的注意力機制可以更好地提取重要特征。

本文采用的CA注意力機制^［25］能將位置信息嵌入到通道信息中，形成坐標注意力，從而使其能在空間方向捕獲遠程依賴關系，并保留精確的位置信息，這有助于神經網絡更準確地定位感興趣的對象，從而提高網絡性能。

1.2"模型的改進

改進的CA-ResNet網絡模型以ResNet18網絡模型^［21］為主干，添加CA注意力機制^［25］，并對網絡中的卷積層和通道數進行優化改進，其具體殘差結構和網絡結構參數對比如圖1、表1所示。

改進的CA-ResNet網絡模型中添加的CA注意力機制模塊^［25］，可以自適應地重新調整特征的重要性，使模型更好地捕捉到輸入數據的關鍵特征，從而提高模型的特征表示能力；將網絡初始輸入的7×7大卷積核改成3×3小卷積核，可以顯著減少模型的參數量，降低模型復雜度，更適配小型數據集；同時，采用小的卷積核可以使模型更好地捕捉到圖像的細節信息，這有助于提高模型的識別準確率。

將殘差結構中第2個3×3卷積轉換為輕量化卷積神經網絡（MobileNet）模型^［26］所采用的深度可分離卷積，可以有效降低網絡的計算成本。原ResNet網絡模型中，統一采用1×1的卷積核進行下采樣，但當步長為2時，采用1×1卷積核進行卷積會造成信息損失。因此，本文將下采樣中步長為2的1×1卷積核替換為3×3卷積核，使ResNet網絡模型能夠接收更大范圍的輸入和更多的空間信息。最后，通過平均池化層、全連接層和分類層（Softmax）得出相應的預測結果。Softmax的計算式如下

Softmax（x_i）=e^x_i∑n₂j=1e^x_j"（2）

式中：x_i為第i個節點的輸出值；n₂為節點數。在多分類網絡中，Softmax函數常放在網絡的最后一層，其主要作用是將多分類的輸出值轉換成范圍為［0，1］、總和為1的概率分布。

為了能更好地比較幾種模型間的性能差異，使其在公開的CIFAR10^［27］小型數據集上進行模型訓練。本文遵循ResNet網絡模型^［21］中使用的數據增強方式，從圖像或其鏡像水平翻轉的圖像中隨機采樣224像素×224像素的部分，并使用標準顏色增強技術。

交叉熵損失函數（cross entropy loss）常用于衡量模型輸出與真實標簽之間的差異值，其值越小表示模型的預測效果越好，其計算式如下

Loss（x_j，x^*_j）=－∑n₃j=0x_jlg（x^*_j） （3）

式中：n₃為總的類別數；x_j為樣本的真實值（當為真時取值為1，為假時取值為0）；x^*_j為網絡模型的預測值，其取值范圍為［0，1］。

本文初選自適應矩估計（Adam）優化器，它的主要優點是能自適應地調整每個參數的學習率，從而提高模型的收斂速度和泛化能力。模型的具體訓練參數見表2。

圖2和表3的訓練結果表明，改進的CA-ResNet網絡模型在CIFAR10數據集上取得了很好的效果?？梢钥闯觯倪M的CA-ResNet網絡模型在收斂速度上相較其他網絡模型體現出一定的優勢，達到了最高識別準確率和最低損失，且浮點運算次數相較于ResNet18網絡模型下降了0.2×10⁹，從而初步證明該網絡具有更優異的性能。

2nbsp;實驗過程與方法

2.1"17-4PH材料的汽蝕實驗

本文借助超聲波汽蝕實驗平臺（XOQS-2500），針對經過拋光處理的17-4PH試樣開展汽蝕損傷特性實驗，試樣的幾何尺寸為22mm×22mm×10mm。本實驗在額定功率為2 500 W、頻率為20kHz、振幅為50μm、恒溫20℃的純凈水溶液中進行。

本文17-4PH材料的微觀汽蝕損傷形貌圖，都是在超景深顯微鏡下統一放大300倍收集而來。

2.2"數據收集與汽蝕階段劃分

本文采用質量損失法對材料的抗汽蝕性能進行研究。在超聲波汽蝕實驗平臺上，每隔一段時間取出試樣，隨后將試樣洗凈、烘干，多次稱取試樣質量的平均值并記錄，得到累積質量損失離散點。對于這些離散數據，采用邏輯回歸（Logistic）方程進行擬合，具體的擬合方法如圖3所示。前期的研究結果^{［23， 28］}表明，該方程對應的曲線趨勢與表現良好的累積侵蝕曲線相似，即S型曲線。因此，針對實驗方法的差異導致的結果對比分析較困難，提出了一種標準化實驗流程及定量化數據分析方法，即采用邏輯回歸方程對材料汽蝕累積質量損失離散點進行擬合，之后通過提取潛伏期時長、最大侵蝕率等材料的汽蝕特性參數，便可對不同材料的抗汽蝕性能進行定量化對比分析。分別畫出最大斜率處的切線l₁和曲線末端的切線l₂，然后取l₁與x軸的交點t₁，l₁與l₂的交點t₂，這樣就能定量劃分汽蝕過程的不同階段，其中［0，t₁］，（t₁，t₂］和（t₂，+∞）分別代表汽蝕潛伏期、汽蝕加速期和汽蝕衰減期。其中t₂為加速期與衰減期的轉捩點。邏輯回歸方程如下式

y=A₁－A₂1+（x/x₀）^p+A₂"（4）

式中：A₁為初值；A₂為終值；x為需擬合的離散點；x₀為x的中心；p為冪次數。

記錄好質量損失后，將試樣放置于超景深顯微鏡載物臺上，并在300倍放大倍數下對試樣進行觀測，拍攝汽蝕最嚴重區域的顯微形貌圖像，隨后，對所拍攝的圖像統一進行干擾圖片剔除，以減少訓練誤差；最后以8∶2的比例將所有圖像隨機劃分為訓練集和驗證集。

2.3"汽蝕壽命系數與數據處理

根據文獻［23］研究結果可知，當材料處于衰減期時，可以認為材料已經遭受了嚴重的損傷，這種情況下就需要對其進行修復或更換。據此，本文提出汽蝕壽命系數ζ^［23］應用于汽蝕損傷分析，具體定義如下

ζ=t/t₂，t∈0，t₂

1，t∈（t₂，+∞） （5）

式中：t為實驗過程中的累積汽蝕時間，由此得到的汽蝕壽命系數變化范圍為［0，1］。當ζ=1時，則認為材料損壞嚴重，需要對其進行修復或更換；當ζlt;1時，則可根據下式計算其RUL

tr=t₀（1－ζ）/ζ （6）

式中：t₀為17-4PH材料在實際運行過程中的使用時間；t_r為該材料的RUL。本文通過改進的CA-ResNet網絡模型識別材料表面的微觀汽蝕損傷，預測其汽蝕壽命系數ζ。

由于在超景深顯微鏡下拍攝的圖片為1600像素×1200像素，為了匹配網絡的輸入尺寸，需對其進行隨機裁剪，以達到擴充數據集、提高模型泛化性的目的。

3"結果與討論

3.1"訓練過程與結果預測

根據式（5），可計算出t時刻材料的壽命系數ζ，并以壽命系數ζ對各圖像數據集進行命名。

模型的訓練參數見表4，其中學習率每隔10輪降低10倍。通過設置可變學習率，能實現更好的擬合效果，減少曲線的波動。在訓練過程中，與公開數據集CIFAR10不同的是，取消了對圖片的隨機鏡像水平翻轉，且對汽蝕損傷數據集添加了高斯模糊處理，并將其隨機旋轉15°以內，以此來模擬真實環境下采集的汽蝕圖片。

高斯模糊是通過設置高斯核大小和標準差對輸入圖像進行卷積，以達到模糊圖片的效果。高斯模糊可以使圖像變得更加平滑，減少噪聲和細節，從而使得圖像更加清晰和易于處理。由于圖像是二維的，其二維高斯模糊的高斯分布函數計算公式為

G（x，y）=12πσ²e^{－（x2+y2）/2σ2}"（7）

其中：σ是標準差；x、y是模糊點相對于坐標中心的坐標。

本文將改進的CA-ResNet網絡模型應用于汽蝕損傷數據集上，取得了較好的效果。圖4展示了訓練集和驗證集準確率和損失值的訓練結果。從圖4中可知，訓練15輪后，準確率和損失曲線趨于穩定，即模型已收斂。根據模型訓練結果可知，在本文收集的汽蝕損傷數據集上完成訓練后，網絡模型已學習到數據集的主要特征，其訓練集準確率達到98.3%，訓練集損失為0.059；驗證集準確率可達93.2%，驗證集損失為0.302，其結果可為17-4PH材料汽蝕損失后的RUL預測提供參考。

將汽蝕損傷圖片輸入訓練好的CA-ResNet網絡模型后，可得到該汽蝕損傷圖片的壽命系數ζ，根據式（6）計算其RUL。

圖5給出了測試集部分圖片的預測結果，可以看出，改進的CA-ResNet網絡模型可以有效預測汽蝕壽命系數，其得到的預測壽命系數與實際壽命系數較接近，可用于工程實際應用。

3.2"模型對比

基于本文收集的汽蝕損傷數據集，按照與表4相同的訓練參數，將改進的CA-ResNet網絡模型與其他模型在預測精度和損失值兩方面做綜合對比，其訓練結果如表5與圖6所示。

從圖6可以看出，本文所提出的改進的CA-ResNet網絡模型的精度更高、損失更低、擬合程度更好，可用于預測17-4PH材料汽蝕損傷后的RUL。通過CIFAR10公開數據集和本文收集的汽蝕損傷數據集的驗證，證明了本文提出的改進的CA-ResNet網絡模型具有更好的預測性能，更適合承擔微觀汽蝕損傷的識別任務，能為工程實際應用提供一定的參考。

3.3"模型的超參數優化

為了將深度學習模型應用于實際問題，需調整其超參數以適應特定的數據集^［29］。一般來說，通過優化網絡模型超參數，模型通常能獲得更好的性能。

本文提出的改進的CA-ResNet網絡模型應用于汽蝕損傷數據集時，通過正交試驗法得到的最優參數組合如下：批處理量為16，初始學習率為0.0001，優化器選擇RMSprop。具體訓練結果見表6。

從表6中可以看出，學習率的降低有助于網絡精度的提升。但若設置的學習率過低，不僅導致計算效率下降，且容易陷入局部最優解，降低了網絡的整體性能；在本文的研究條件下，隨機梯度下降（SGD）優化器在汽蝕損傷數據集上無法實現收斂；而RMSprop優化器性能優于Adam。在本文收集的汽蝕數據集上，批處理量為16時模型表現最好，精度最高；而批處理量為4時，訓練過程不穩定，精度和損失出現較大幅度的振蕩，其結果不具有參考性；如果批處理量過大，例如當批處理量為64時，網絡陷入局部最小值，識別精度降低。

4"結"論

本文圍繞解決材料汽蝕損傷后剩余使用壽命預測困難的問題展開，提出了一種基于改進的CA-ResNet網絡模型對17-4PH材料汽蝕損傷后RUL的預測方法。該方法采用了端到端的數據驅動思想，通過采集顯微汽蝕損傷形貌圖像數據、劃分不同汽蝕階段及計算相應汽蝕壽命系數ζ，實現了從汽蝕損傷微觀形貌到剩余使用壽命的直接預測，具體結論如下。

（1）建立了17-4PH材料表面微觀汽蝕損傷形貌與汽蝕壽命系數ζ的內在映射關系，實現了17-4PH拋光樣汽蝕損傷RUL的精準預測。加速實驗結果表明，17-4PH拋光樣在經歷了12.41 h的潛伏期后進入加速期，這一階段持續至52.62 h，此后試樣進入衰減期，材料已出現嚴重汽蝕損傷，需進行修復或更換處理。

（2）本文提出的改進的CA-ResNet網絡模型，在公開數據集CIFAR10和本文收集的汽蝕損傷數據集上都取得了較好的預測效果，其預測精度分別為92.2%和93.2%，相比ResNet18網絡模型分別提高了1.5%和3.5%，降低了計算成本，證明了其有效性，可用于工程實際應用。

（3）得到了改進的CA-ResNet網絡模型的最優超參數組合，并探明了超參數對于本文收集的汽蝕損傷數據集的影響規律。優化模型超參數后，汽蝕損傷預測精度達到95.0%，損失降低到0.204。

參考文獻：

［1］李大勇， 郭維民， 唐洪巖. 離心泵的汽蝕問題與防止措施 ［J］. 南方農機， 2020， 51（14）： 43-44.

LI Dayong， GUO Weimin， TANG Hongyan. Cavitation problem and prevention measures of centrifugal pumps ［J］. China Southern Agricultural Machinery， 2020， 51（14）： 43-44.

［2］王勇， 劉厚林， 談明高. 泵汽蝕研究現狀及展望 ［J］. 水泵技術， 2008（1）： 1-4.

WANG Yong， LIU Houlin， TAN Minggao. Current status and prospects of pump cavitation research ［J］. Pump Technology， 2008（1）： 1-4.

［3］DULAR M， STOFFEL B， IROK B. Development of a cavitation erosion model ［J］. Wear， 2006， 261（5/6）： 642-655.

［4］LAGUNA-CAMACHO J R， LEWIS R， VITE-TORRES M， et al. A study of cavitation erosion on engineering materials ［J］. Wear， 2013， 301（1/2）： 467-476.

［5］FERRARI A. Fluid dynamics of acoustic and hydrodynamic cavitation in hydraulic power systems ［J］. Proceedings of the Royal Society： A"Mathematical， Physical and Engineering Sciences， 2017， 473（2199）： 20160345.

［6］ADAMKOWSKI A， HENKE A， LEWANDOWSKI M. Resonance of torsional vibrations of centrifugal pump shafts due to cavitation erosion of pump impellers ［J］. Engineering Failure Analysis， 2016， 70： 56-72.

［7］FONTANESI S， GIACOPINI M， CICALESE G， et al. Numerical investigation of the cavitation damage in the wet cylinder liner of a high performance motorbike engine ［J］. Engineering Failure Analysis， 2014， 44： 408-423.

［8］廖乃堅， 謝代標. 關于LJ465Q系列發動機水泵氣蝕的探討 ［J］. 裝備制造技術， 2010（2）： 177-179.

LIAO Naijian， XIE Daibiao. Discussion on the pump cavitation in LJ465Q Series Engine ［J］. Equipment Manufacturing Technology， 2010（2）： 177-179.

［9］王瑞杰. 內燃機的冷卻水泵的汽蝕工況分析和提高汽蝕性能設計方法的探討 ［J］. 淮海工學院學報（自然科學版）， 1996， 5（1）： 19-25.

WANG Ruijie. Discussion on the working condition of cavitation and improvement of design of the cooling water pump in internal combustion engine ［J］. Journal of Huaihai Institute of Technology（Natural Sciences Edition）， 1996， 5（1）： 19-25.

［10］彭健， 何世權. 高壓調節閥結構改進與汽蝕仿真 ［J］. 液壓與氣動， 2019（3）： 120-125.

PENG Jian， HE Shiquan. Structural improvement and cavitation simulation of high pressure regulating valve ［J］. Chinese Hydraulics amp; Pneumatics， 2019（3）： 120-125.

［11］邸娟， 王順森， 蔣希航， 等. 透平末級葉片材料抗水蝕特性的數值研究 ［J］. 西安交通大學學報， 2021， 55（2）： 38-46.

DI Juan， WANG Shunsen， JIANG Xihang， et al. Numerical research on water erosion resistance characteristics of the substrate material of last stage blades in steam turbine ［J］. Journal of Xi’an Jiaotong University， 2021， 55（2）： 38-46.

［12］劉春燕， 李敬民. 17-4PH沉淀硬化不銹鋼力學性能穩定性研究 ［J］. 熱加工工藝， 2018， 47（20）： 178-181.

LIU Chunyan， LI Jingmin. Research on mechanical properties stability of 17-4PH precipitated hardened stainless steel ［J］. Hot Working Technology， 2018， 47（20）： 178-181.

［13］薛承感， 潘慧斌， 丁銀萍， 等. 17-4PH汽輪機葉片激光固溶強化抗汽蝕性能研究 ［J］. 動力工程學報， 2020， 40（1）： 82-88.

XUE Chenggan， PAN Huibin， DING Yinping， et al. Cavitation erosion behavior of 17-4PH steam turbine blades treated by laser solid solution ［J］. Journal of Chinese Society of Power Engineering， 2020， 40（1）： 82-88.

［14］DULAR M， COUTIER-DELGOSHA O. Numerical modelling of cavitation erosion ［J］. International Journal for Numerical Methods in Fluids， 2009， 61（12）： 1388-1410.

［15］OSTERMAN A， BACHERT B， SIROK B， et al. Time dependent measurements of cavitation damage ［J］. Wear， 2009， 266（9/10）： 945-951.

［16］SOYAMA H， FUTAKAWA M. Estimation of incubation time of cavitation erosion for various cavitating conditions ［J］. Tribology Letters， 2004， 17（1）： 27-30.

［17］HATTORI S， HIROSE T， SUGIYAMA K. Prediction method for cavitation erosion based on measurement of bubble collapse impact loads ［J］. Wear， 2010， 269（7/8）： 507-514.

［18］AL-OBAIDI A R. Detection of cavitation phenomenon within a centrifugal pump based on vibration analysis technique in both time and frequency domains ［J］. Experimental Techniques， 2020， 44（3）： 329-347.

［19］CAO Ruijia， YUAN Jianping， DENG Fanjie， et al. Numerical method to predict vibration characteristics induced by cavitation in centrifugal pumps ［J］. Measurement Science and Technology， 2021， 32（11）： 115109.

［20］CDINA M. Detection of cavitation phenomenon in a centrifugal pump using audible sound ［J］. Mechanical Systems and Signal Processing， 2003， 17（6）： 1335-1347.

［21］HE Kaiming， ZHANG Xiangyu， REN Shaoqing， et al. Deep residual learning for image recognition ［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway， NJ， USA： IEEE， 2016： 770-778.

［22］HE Kaiming， ZHANG Xiangyu， REN Shaoqing， et al. Identity mappings in deep residual networks ［C］//Computer Vision-ECCV 2016. Cham， Switzerland： Springer International Publishing， 2016： 630-645.

［23］ZHANG Zheyuan， LIU Tianyuan， ZHANG Di， et al. Water droplet erosion life prediction method for steam turbine blade materials based on image recognition and machine learning ［J］. Journal of Engineering for Gas Turbines and Power， 2021， 143（3）： 031009.

［24］HU Jie， SHEN Li， SUN Gang. Squeeze-and-excitation networks ［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway， NJ， USA： IEEE， 2018： 7132-7141.

［25］HOU Qibin， ZHOU Daquan， FENG Jiashi. Coordinate attention for efficient mobile network design ［C］//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway， NJ， USA： IEEE， 2021： 13708-13717.

［26］HOWARD A G， ZHU Menglong， CHEN Bo， et al. MobileNets： efficient convolutional neural networks for mobile vision applications ［EB/OL］. （2017-04-17）［2024-04-19］. https：//arxiv.org/abs/1704.04861.

［27］KRIZHEVSKY A. Learning multiple layers of features from tiny images ［EB/OL］. （2009-04-08）［2024-04-13］. http：//www.cs.toronto.edu/～kriz/learning-features-2009-TR.pdf.

［28］DI Juan， WANG Shunsen， YAN Xiaojiang， et al. Experimental investigation on effect of surface strengthening process and roughness on water droplet erosion behavior in turbomachinery ［J］. Tribology International， 2021， 153： 106647.

［29］YANG Li， SHAMI A. On hyperparameter optimization of machine learning algorithms： theory and practice ［J］. Neurocomputing， 2020， 415： 295-316.

（編輯"武紅江）