基于自编码器的制冷压缩机异常振动检测方法

王远涛 冯 涛 孙 恰 王 晶 王艺瀚

(北京工商大学人工智能学院，北京 100048)

冷藏是食品日常保鲜的主要手段，制冷压缩机是冷藏设备的核心部件，也是最容易出现故障的部件。压缩机壳体的振动与其运转状态密切相关，压缩机的机械运转故障都会在壳体的振动信号中有所反映，因此，可以通过测量壳体振动信号，判断压缩机是否处于故障状态。随着人工智能的发展，作为其技术基础的机器学习方法，也开始在压缩机等机电设备运转异常检测过程得到应用，基于机器学习技术的分类模型开始得到应用[1-2]。

裴悦琨等[3]和杨志锐等[4]采用光学信号，应用机器学习方法，分别实现了樱桃和红枣的缺陷检测。在机电设备检测方面，程华利等[5]针对电机质检工序声信号的统计特征及质检工艺的特点，提出了基于一分类学习的异响检测方法。该方法以正常样本为基础建立质检判别函数，避免了其他分类算法要求训练样本类别全面和覆盖广泛的条件。温浩等[6]利用小波包时频局部化特征和支持向量机，对电机声信号进行分析，验证了这种方法的有效性。张新等[7]采用机器学习的方法对汽车调光电机进行异音识别研究，结果表明采用BP神经网络的机器学习法能够有效地识别电机异音。常嘉树[8]使用振动台及消声箱与振动测试系统，构建了一个异音异响测试环境，对汽车零部件生产线异音异响测试问题有一定的参考价值。针对洗衣机异音检测，李春阳等[9]提出了一种洗衣机异音识别模型，根据卷积神经网络显著特征提取能力和平移不变性，学习洗衣机的异音特征，实现生产线洗衣机的异音自动智能识别。在压缩机方面，Yang等[10]提出了使用支持向量机(Support Vector Machine，SVM)和人工神经网络的方法进行压缩机故障分类，提高了预测的可靠性和稳定性。He等[11]基于深度学习思想，提出了一种通过局部均值分解(LMD)对振动信号进行分解，后根据互相关准则构造了虚拟噪声通道的压缩机故障诊断方法。Li等[12]提出了一种基于修正多尺度熵(MMSE)和全局距离评价(GDE)的往复式压缩机气门故障诊断方法，选择最优灵敏度尺度特征最后有效地识别往复压缩机阀的故障。

随着压缩机生产技术的进步，故障机在生产中出现的比例逐步降低，这就给分类模型的训练带来了很大困难，主要体现在两个方面：① 故障机样本个数相比于正常机样本少很多，出现了样本不均衡现象；② 故障机样本相比于正常机样本，在特征空间的离散度要大很多，这两个问题都会导致现有的分类模型在训练过程中出现偏差。文章拟对制冷压缩机异常振动检测方法进行研究，基于深度学习方法，应用自编码器神经网络模型，不考虑故障机样本，对单一的正常机样本数据进行特征提取，使用正常机特征重构实测样本信号，根据重构信号和原始信号的差异，实现压缩机异常振动的检测。

1 自编码器异常振动检测的原理和流程

自动编码器(Autoencoder，AE)是神经网络的一种，其基本思想就是直接使用一层或者多层的神经网络对输入数据x进行映射，得到输出向量h，h作为从输入数据提取出的特征。基本的自编码器模型是一个简单的3层神经网络结构，如图1所示，一个输入层、一个隐藏层和一个输出层，其中输出层和输入层具有相同的维数，自编码器的目标是使用稀疏的高阶特征h来重构自己。

自编码器由两部分组成，如图2所示，编码器(Encoder)将输入数据压缩成潜在空间的表征h，可以用编码函数表示，编码函数为：

h=f(x)。

(1)

图1 自编码器结构示意图

(2)

因此，有：

(3)

2 压缩机振动信号样本的获取

如图4所示，压缩机放置在托盘上，托盘随生产线移动，到达检测工位后，下气缸顶起托盘，使其脱离生产线，减小生产线传送链振动对测量的影响，上气缸压下，使加速度计紧贴压缩机壳体表面，在上气缸和加速度计之间通过弹性阻尼环相连，保证加速度计与压缩机壳体可靠接触。在生产线上使用加速度计采集压缩机壳体振动信号，使用NI9234采集卡完成振动信号的数字采集。通过人工方式挑选出正常样本信号，提取其谱特征作为自编码器的训练数据集。图5～图8分别为正常机和故障机信号样本的时域波形和功率谱，因为异常振动检测过程中只关注压缩机壳体振动信号的波形特征，所以文中以信号的输出电压为单位。从图5～图8可以看出，故障机与正常机在时域波形图和频谱图上均无显著差异，无法直接通过时域波形或频谱判断样机是否正常。

图2 自编码器组成示意图

实线框部分为自编码器的学习训练流程，虚线框部分为自编码器的检测流程

3 检测结果与讨论

在压缩机生产线上采集压缩机振动信号，通过数据预处理，得到2 964个振动信号样本，样本标签在采集过程中由人工判定方式给出，其中正常样本数为2 857，故障样本数为107。样本分为训练和测试两大类，相互之间没有重叠，训练样本只包含正常机，数量为953；测试样本中正常样本数量为1 904，故障样本数量为107。

1. 生产线 2. 压缩机 3. 弹簧阻尼 4. 上气缸 5. 加速度计 6. 下气缸 7. 托盘

图5 正常机时域波形

图6 正常机频谱

从图9可以看出，从正常机的分布图来看，其绝大部分数量分布在小于6的范围内，从故障机的分布图来看，故障机的绝大部分数量分布在大于6的范围，所以可以通过特定的均方差值实现正常机和故障机的划分。

使用准确率检测自编码器的判定效果，准确率的定义如下：

(4)

式中：

A——准确率，%；

TP——正常样本中被判定为正常的数量；

FP——故障样本中被判定为正常的数量；

TN——故障样本中被判定为故障的数量；

FN——正常样本中被判定为故障的数量。

下文从自编码器参数和训练样本数量两个方面，研究自编码异常检测的效果。自编码器参数包括循环迭代次数和隐藏层数。图10～图12分别为自编码器的循环迭代次数和隐藏层数以及训练样本的数量与其判定准确率的关系。由图10～图12可以看出，各种参数条件下，自编码器的判定准确率都在96%以上。

设定训练正常机的数目为191，隐藏层数为100，改变迭代次数，研究自编码器的计算迭代次数与判别准确率的关系，结果如图10所示。由图10可知，随着迭代次数的增大，准确率总体上会有少许改善，但特定情况下，迭代次数增加也不会导致判定准确率提高。比如迭代次数为1 000时，判定准确率从98.0%降低到了96.7%。

图7 故障机时域波形

图8 故障机功率谱

图9 均方差值与样本数量分布

图10 自编码器计算迭代次数与准确率的关系

图11 自编码器隐藏层数与准确率的关系

图12 训练样本数量与准确率的关系

设定训练正常机的数目为191，迭代次数为1 000，改变隐藏层数，研究自编码器的隐藏层数与判别准确率的关系，结果如图11所示。由图11可知，准确率并不随隐藏层数的增加而提高，而是呈一种起伏关系，隐藏层数由50层增加到200层，准确率会在96.3%至98.6%之间变动。

设定迭代次数为1 000，隐藏层数为100，改变训练用正常机的数量，研究训练样本数量与判别准确率的关系，结果如图12所示。由图12可知，准确率随训练样本数量的增加而提高，最高已超过99%。样本数量较少时，准确率随样本数量增加有明显提高，样本数量较多时，准确率随样本数量增加而提高的程度放缓，呈一定的饱和特性。

4 结论

迭代次数和隐藏层数对判定准确性有影响，但规律性不强；样本数量对判定准确率影响显著，会随训练样本数量增加而提高，样本数量较少时，准确率随样本数量增加有明显提高，样本数量较多时，准确率随样本数量增加而提高的程度放缓，呈一定的饱和特性。因此，提高训练样本数量是提高自编码器判定效率的有效方法。综上所述，在选定合适自编码器参数和较多训练样本数量的条件下，自编码器可以用于制冷压缩机的异常振动检测。