王遠(yuǎn)濤 馮 濤 孫 恰 王 晶 王藝瀚

(北京工商大學(xué)人工智能學(xué)院，北京 100048)

冷藏是食品日常保鮮的主要手段，制冷壓縮機(jī)是冷藏設(shè)備的核心部件，也是最容易出現(xiàn)故障的部件。壓縮機(jī)殼體的振動(dòng)與其運(yùn)轉(zhuǎn)狀態(tài)密切相關(guān)，壓縮機(jī)的機(jī)械運(yùn)轉(zhuǎn)故障都會(huì)在殼體的振動(dòng)信號(hào)中有所反映，因此，可以通過(guò)測(cè)量殼體振動(dòng)信號(hào)，判斷壓縮機(jī)是否處于故障狀態(tài)。隨著人工智能的發(fā)展，作為其技術(shù)基礎(chǔ)的機(jī)器學(xué)習(xí)方法，也開始在壓縮機(jī)等機(jī)電設(shè)備運(yùn)轉(zhuǎn)異常檢測(cè)過(guò)程得到應(yīng)用，基于機(jī)器學(xué)習(xí)技術(shù)的分類模型開始得到應(yīng)用[1-2]。

裴悅琨等[3]和楊志銳等[4]采用光學(xué)信號(hào)，應(yīng)用機(jī)器學(xué)習(xí)方法，分別實(shí)現(xiàn)了櫻桃和紅棗的缺陷檢測(cè)。在機(jī)電設(shè)備檢測(cè)方面，程華利等[5]針對(duì)電機(jī)質(zhì)檢工序聲信號(hào)的統(tǒng)計(jì)特征及質(zhì)檢工藝的特點(diǎn)，提出了基于一分類學(xué)習(xí)的異響檢測(cè)方法。該方法以正常樣本為基礎(chǔ)建立質(zhì)檢判別函數(shù)，避免了其他分類算法要求訓(xùn)練樣本類別全面和覆蓋廣泛的條件。溫浩等[6]利用小波包時(shí)頻局部化特征和支持向量機(jī)，對(duì)電機(jī)聲信號(hào)進(jìn)行分析，驗(yàn)證了這種方法的有效性。張新等[7]采用機(jī)器學(xué)習(xí)的方法對(duì)汽車調(diào)光電機(jī)進(jìn)行異音識(shí)別研究，結(jié)果表明采用BP神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)法能夠有效地識(shí)別電機(jī)異音。常嘉樹[8]使用振動(dòng)臺(tái)及消聲箱與振動(dòng)測(cè)試系統(tǒng)，構(gòu)建了一個(gè)異音異響測(cè)試環(huán)境，對(duì)汽車零部件生產(chǎn)線異音異響測(cè)試問(wèn)題有一定的參考價(jià)值。針對(duì)洗衣機(jī)異音檢測(cè)，李春陽(yáng)等[9]提出了一種洗衣機(jī)異音識(shí)別模型，根據(jù)卷積神經(jīng)網(wǎng)絡(luò)顯著特征提取能力和平移不變性，學(xué)習(xí)洗衣機(jī)的異音特征，實(shí)現(xiàn)生產(chǎn)線洗衣機(jī)的異音自動(dòng)智能識(shí)別。在壓縮機(jī)方面，Yang等[10]提出了使用支持向量機(jī)(Support Vector Machine，SVM)和人工神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行壓縮機(jī)故障分類，提高了預(yù)測(cè)的可靠性和穩(wěn)定性。He等[11]基于深度學(xué)習(xí)思想，提出了一種通過(guò)局部均值分解(LMD)對(duì)振動(dòng)信號(hào)進(jìn)行分解，后根據(jù)互相關(guān)準(zhǔn)則構(gòu)造了虛擬噪聲通道的壓縮機(jī)故障診斷方法。Li等[12]提出了一種基于修正多尺度熵(MMSE)和全局距離評(píng)價(jià)(GDE)的往復(fù)式壓縮機(jī)氣門故障診斷方法，選擇最優(yōu)靈敏度尺度特征最后有效地識(shí)別往復(fù)壓縮機(jī)閥的故障。

隨著壓縮機(jī)生產(chǎn)技術(shù)的進(jìn)步，故障機(jī)在生產(chǎn)中出現(xiàn)的比例逐步降低，這就給分類模型的訓(xùn)練帶來(lái)了很大困難，主要體現(xiàn)在兩個(gè)方面：① 故障機(jī)樣本個(gè)數(shù)相比于正常機(jī)樣本少很多，出現(xiàn)了樣本不均衡現(xiàn)象；② 故障機(jī)樣本相比于正常機(jī)樣本，在特征空間的離散度要大很多，這兩個(gè)問(wèn)題都會(huì)導(dǎo)致現(xiàn)有的分類模型在訓(xùn)練過(guò)程中出現(xiàn)偏差。文章擬對(duì)制冷壓縮機(jī)異常振動(dòng)檢測(cè)方法進(jìn)行研究，基于深度學(xué)習(xí)方法，應(yīng)用自編碼器神經(jīng)網(wǎng)絡(luò)模型，不考慮故障機(jī)樣本，對(duì)單一的正常機(jī)樣本數(shù)據(jù)進(jìn)行特征提取，使用正常機(jī)特征重構(gòu)實(shí)測(cè)樣本信號(hào)，根據(jù)重構(gòu)信號(hào)和原始信號(hào)的差異，實(shí)現(xiàn)壓縮機(jī)異常振動(dòng)的檢測(cè)。

1 自編碼器異常振動(dòng)檢測(cè)的原理和流程

自動(dòng)編碼器(Autoencoder，AE)是神經(jīng)網(wǎng)絡(luò)的一種，其基本思想就是直接使用一層或者多層的神經(jīng)網(wǎng)絡(luò)對(duì)輸入數(shù)據(jù)x進(jìn)行映射，得到輸出向量h，h作為從輸入數(shù)據(jù)提取出的特征。基本的自編碼器模型是一個(gè)簡(jiǎn)單的3層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如圖1所示，一個(gè)輸入層、一個(gè)隱藏層和一個(gè)輸出層，其中輸出層和輸入層具有相同的維數(shù)，自編碼器的目標(biāo)是使用稀疏的高階特征h來(lái)重構(gòu)自己。

自編碼器由兩部分組成，如圖2所示，編碼器(Encoder)將輸入數(shù)據(jù)壓縮成潛在空間的表征h，可以用編碼函數(shù)表示，編碼函數(shù)為：

h=f(x)。

(1)

圖1 自編碼器結(jié)構(gòu)示意圖

(2)

因此，有：

(3)

2 壓縮機(jī)振動(dòng)信號(hào)樣本的獲取

如圖4所示，壓縮機(jī)放置在托盤上，托盤隨生產(chǎn)線移動(dòng)，到達(dá)檢測(cè)工位后，下氣缸頂起托盤，使其脫離生產(chǎn)線，減小生產(chǎn)線傳送鏈振動(dòng)對(duì)測(cè)量的影響，上氣缸壓下，使加速度計(jì)緊貼壓縮機(jī)殼體表面，在上氣缸和加速度計(jì)之間通過(guò)彈性阻尼環(huán)相連，保證加速度計(jì)與壓縮機(jī)殼體可靠接觸。在生產(chǎn)線上使用加速度計(jì)采集壓縮機(jī)殼體振動(dòng)信號(hào)，使用NI9234采集卡完成振動(dòng)信號(hào)的數(shù)字采集。通過(guò)人工方式挑選出正常樣本信號(hào)，提取其譜特征作為自編碼器的訓(xùn)練數(shù)據(jù)集。圖5～圖8分別為正常機(jī)和故障機(jī)信號(hào)樣本的時(shí)域波形和功率譜，因?yàn)楫惓Ｕ駝?dòng)檢測(cè)過(guò)程中只關(guān)注壓縮機(jī)殼體振動(dòng)信號(hào)的波形特征，所以文中以信號(hào)的輸出電壓為單位。從圖5～圖8可以看出，故障機(jī)與正常機(jī)在時(shí)域波形圖和頻譜圖上均無(wú)顯著差異，無(wú)法直接通過(guò)時(shí)域波形或頻譜判斷樣機(jī)是否正常。

圖2 自編碼器組成示意圖

實(shí)線框部分為自編碼器的學(xué)習(xí)訓(xùn)練流程，虛線框部分為自編碼器的檢測(cè)流程

3 檢測(cè)結(jié)果與討論

在壓縮機(jī)生產(chǎn)線上采集壓縮機(jī)振動(dòng)信號(hào)，通過(guò)數(shù)據(jù)預(yù)處理，得到2 964個(gè)振動(dòng)信號(hào)樣本，樣本標(biāo)簽在采集過(guò)程中由人工判定方式給出，其中正常樣本數(shù)為2 857，故障樣本數(shù)為107。樣本分為訓(xùn)練和測(cè)試兩大類，相互之間沒(méi)有重疊，訓(xùn)練樣本只包含正常機(jī)，數(shù)量為953；測(cè)試樣本中正常樣本數(shù)量為1 904，故障樣本數(shù)量為107。

1. 生產(chǎn)線 2. 壓縮機(jī) 3. 彈簧阻尼 4. 上氣缸 5. 加速度計(jì) 6. 下氣缸 7. 托盤

圖5 正常機(jī)時(shí)域波形

圖6 正常機(jī)頻譜

從圖9可以看出，從正常機(jī)的分布圖來(lái)看，其絕大部分?jǐn)?shù)量分布在小于6的范圍內(nèi)，從故障機(jī)的分布圖來(lái)看，故障機(jī)的絕大部分?jǐn)?shù)量分布在大于6的范圍，所以可以通過(guò)特定的均方差值實(shí)現(xiàn)正常機(jī)和故障機(jī)的劃分。

使用準(zhǔn)確率檢測(cè)自編碼器的判定效果，準(zhǔn)確率的定義如下：

(4)

式中：

A——準(zhǔn)確率，%；

TP——正常樣本中被判定為正常的數(shù)量；

FP——故障樣本中被判定為正常的數(shù)量；

TN——故障樣本中被判定為故障的數(shù)量；

FN——正常樣本中被判定為故障的數(shù)量。

下文從自編碼器參數(shù)和訓(xùn)練樣本數(shù)量?jī)蓚€(gè)方面，研究自編碼異常檢測(cè)的效果。自編碼器參數(shù)包括循環(huán)迭代次數(shù)和隱藏層數(shù)。圖10～圖12分別為自編碼器的循環(huán)迭代次數(shù)和隱藏層數(shù)以及訓(xùn)練樣本的數(shù)量與其判定準(zhǔn)確率的關(guān)系。由圖10～圖12可以看出，各種參數(shù)條件下，自編碼器的判定準(zhǔn)確率都在96%以上。

設(shè)定訓(xùn)練正常機(jī)的數(shù)目為191，隱藏層數(shù)為100，改變迭代次數(shù)，研究自編碼器的計(jì)算迭代次數(shù)與判別準(zhǔn)確率的關(guān)系，結(jié)果如圖10所示。由圖10可知，隨著迭代次數(shù)的增大，準(zhǔn)確率總體上會(huì)有少許改善，但特定情況下，迭代次數(shù)增加也不會(huì)導(dǎo)致判定準(zhǔn)確率提高。比如迭代次數(shù)為1 000時(shí)，判定準(zhǔn)確率從98.0%降低到了96.7%。

圖7 故障機(jī)時(shí)域波形

圖8 故障機(jī)功率譜

圖9 均方差值與樣本數(shù)量分布

圖10 自編碼器計(jì)算迭代次數(shù)與準(zhǔn)確率的關(guān)系

圖11 自編碼器隱藏層數(shù)與準(zhǔn)確率的關(guān)系

圖12 訓(xùn)練樣本數(shù)量與準(zhǔn)確率的關(guān)系

設(shè)定訓(xùn)練正常機(jī)的數(shù)目為191，迭代次數(shù)為1 000，改變隱藏層數(shù)，研究自編碼器的隱藏層數(shù)與判別準(zhǔn)確率的關(guān)系，結(jié)果如圖11所示。由圖11可知，準(zhǔn)確率并不隨隱藏層數(shù)的增加而提高，而是呈一種起伏關(guān)系，隱藏層數(shù)由50層增加到200層，準(zhǔn)確率會(huì)在96.3%至98.6%之間變動(dòng)。

設(shè)定迭代次數(shù)為1 000，隱藏層數(shù)為100，改變訓(xùn)練用正常機(jī)的數(shù)量，研究訓(xùn)練樣本數(shù)量與判別準(zhǔn)確率的關(guān)系，結(jié)果如圖12所示。由圖12可知，準(zhǔn)確率隨訓(xùn)練樣本數(shù)量的增加而提高，最高已超過(guò)99%。樣本數(shù)量較少時(shí)，準(zhǔn)確率隨樣本數(shù)量增加有明顯提高，樣本數(shù)量較多時(shí)，準(zhǔn)確率隨樣本數(shù)量增加而提高的程度放緩，呈一定的飽和特性。

4 結(jié)論

迭代次數(shù)和隱藏層數(shù)對(duì)判定準(zhǔn)確性有影響，但規(guī)律性不強(qiáng)；樣本數(shù)量對(duì)判定準(zhǔn)確率影響顯著，會(huì)隨訓(xùn)練樣本數(shù)量增加而提高，樣本數(shù)量較少時(shí)，準(zhǔn)確率隨樣本數(shù)量增加有明顯提高，樣本數(shù)量較多時(shí)，準(zhǔn)確率隨樣本數(shù)量增加而提高的程度放緩，呈一定的飽和特性。因此，提高訓(xùn)練樣本數(shù)量是提高自編碼器判定效率的有效方法。綜上所述，在選定合適自編碼器參數(shù)和較多訓(xùn)練樣本數(shù)量的條件下，自編碼器可以用于制冷壓縮機(jī)的異常振動(dòng)檢測(cè)。