深度學(xué)習(xí)在家用空調(diào)外機振動檢測中的應(yīng)用*

程煒為 劉芝庭 王宇華

技術(shù)應(yīng)用

深度學(xué)習(xí)在家用空調(diào)外機振動檢測中的應(yīng)用*

程煒為1劉芝庭2王宇華1

（1.佛山科學(xué)技術(shù)學(xué)院，廣東 佛山 528000 2.廣州賽寶騰睿信息科技有限公司，廣東 廣州 510610）

利用堆疊自動編碼器神經(jīng)網(wǎng)絡(luò)對家用空調(diào)外機的振動測量信號進行無監(jiān)督特征值提?。徊捎锰荻认陆邓惴▽ι窠?jīng)網(wǎng)絡(luò)進行有監(jiān)督學(xué)習(xí)；結(jié)合Softmax分類器對測量信號進行分類；通過實驗確定隱層的層數(shù)和節(jié)點數(shù)，并對神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率、衰減因子、L2正則化、Dropout因子、批量樣本個數(shù)等參數(shù)的影響進行實驗分析，為家用空調(diào)外機的振動自動化診斷檢測提供實驗依據(jù)。

故障診斷；深度學(xué)習(xí)；自動編碼器

0 引言

振動和噪聲是影響家電靜音質(zhì)量的重要指標，也是家電工作狀態(tài)是否正常的直接反映。隨著家電生產(chǎn)線自動化程度的提高，家電產(chǎn)品振動、噪聲的檢測和原因分析也需同步自動化、智能化。家電產(chǎn)品的振動檢測和故障診斷一般利用振動檢測傳感器實時檢測其在各種運行工況下的振動數(shù)據(jù)，并根據(jù)振動數(shù)據(jù)分析振動源、振動因素以及是否存在故障和故障因素。

本文利用堆疊自動編碼器（stacked auto encoder, SAE）[1]神經(jīng)網(wǎng)絡(luò)對家用空調(diào)外機振動測量信號進行特征量提取，結(jié)合Softmax[2]函數(shù)對家用空調(diào)外機在生產(chǎn)線上檢測的6種工況進行診斷和分類識別。

1 深度學(xué)習(xí)基本原理

1.1 自動編碼器

自動編碼器（auto encoder, AE）神經(jīng)網(wǎng)絡(luò)由編碼和解碼2部分組成，分為輸入層、隱層和輸出層，模型如圖1所示。其中，隱層是編碼層，當編碼層節(jié)點數(shù)小于輸入節(jié)點數(shù)，編碼網(wǎng)絡(luò)利用激活函數(shù)將輸入層的高維度數(shù)據(jù)映射到低維度的隱層，實現(xiàn)數(shù)據(jù)特征提取。解碼網(wǎng)絡(luò)對隱層進行解碼，復(fù)原輸入層數(shù)據(jù)。利用梯度下降算法[3]調(diào)整網(wǎng)絡(luò)的權(quán)值，直至損失函數(shù)達到最小值，以確保隱層特征值的可靠性。

圖1 AE模型

隱層輸出公式為

輸出層公式為

1.2 基于深度學(xué)習(xí)的特征提取

單個AE構(gòu)造函數(shù)的能力有限，為構(gòu)造表達能力更強的函數(shù)，將多個AE堆疊組成堆棧自動編碼器（stacked auto encoder, SAE）。將第1個AE的隱層作為第2個AE的輸入層，第2個AE的隱層作為第3個AE的輸入層，如此將多個AE堆疊，即可實現(xiàn)深度神經(jīng)網(wǎng)絡(luò)（deep neural networks, DNN）。3層SAE模型如圖2所示。

圖2 3層SAE模型

1.3 Softmax分類器

Softmax分類器針對多分類問題的Softmax函數(shù)為

式中，= 1,2,3,…,為輸出類別編號；為輸入特征向量。

1.4 深度學(xué)習(xí)診斷網(wǎng)絡(luò)

將SAE和Softmax分類器結(jié)合組成一個深度學(xué)習(xí)診斷網(wǎng)絡(luò)，其模型如圖3所示。

圖3 深度學(xué)習(xí)診斷網(wǎng)絡(luò)模型

SAE網(wǎng)絡(luò)對信號進行識別分類分為2階段：1）利用SAE對原始數(shù)據(jù)進行逐層特征提取，此部分為非監(jiān)督學(xué)習(xí)階段，逐級對單獨的AE層進行訓(xùn)練，利用梯度下降算法對各AE層網(wǎng)絡(luò)參數(shù)進行調(diào)整，保證編碼網(wǎng)絡(luò)能精確提取原始信號的特征；2）將最終隱層作為特征向量輸入Softmax分類器進行分類，此部分為監(jiān)督學(xué)習(xí)階段，利用梯度下降算法對全局網(wǎng)絡(luò)權(quán)值和偏值進行微調(diào)。

2 數(shù)據(jù)分析

2.1 實驗數(shù)據(jù)檢測

空調(diào)外機的主要振動源為壓縮機、風(fēng)扇和電機等。采用He-Na激光測振儀LV-S01，NI USB-6212采集卡對空調(diào)外機的6種工況進行振動數(shù)據(jù)的檢測采樣，每種工況采樣2000組，一共12000組數(shù)據(jù)，采樣率為1000，采樣時長為2 s，如表1所示。

表1 空調(diào)外機6種工況振動數(shù)據(jù)采樣

為研究不同輸入信號對深度學(xué)習(xí)診斷網(wǎng)絡(luò)的影響，分別選取檢測數(shù)據(jù)的時域、頻域、時域+頻域信號輸入該網(wǎng)絡(luò)。經(jīng)過大量的網(wǎng)絡(luò)處理對比實驗發(fā)現(xiàn)：頻域信號分類正確率最高，時域+頻域信號次之，時域信號最差?？照{(diào)外機6種工況信號頻譜如圖4所示。

圖4 空調(diào)外機6種工況信號頻譜

2.2 實驗數(shù)據(jù)分析

信號輸入網(wǎng)絡(luò)做0,1歸一化處理：

實驗分析顯示，第一層隱層的層數(shù)和節(jié)點數(shù)對分類正確率的影響較大。為確定合適的層數(shù)和節(jié)點數(shù)，構(gòu)建層數(shù)為N（N=1,2,3,4,5）的SAE網(wǎng)絡(luò)，并分別令節(jié)點數(shù)為400, 300, 200, 100進行實驗（學(xué)習(xí)率為0.5，衰減因子為1，L2范正則化系數(shù)為0，批量處理樣本個數(shù)為800，Dropout因子為0，預(yù)訓(xùn)練次數(shù)為100，微調(diào)次數(shù)為1000）。分類正確率與隱層的層數(shù)關(guān)系如圖5所示。

由圖5可知：在不同隱層的層數(shù)和節(jié)點數(shù)下，分類正確率呈凸函數(shù)變化。當層數(shù)為3、節(jié)點數(shù)為100時，分類正確率最高，故取深度學(xué)習(xí)診斷網(wǎng)絡(luò)節(jié)點數(shù)為100，層數(shù)為3。

深度學(xué)習(xí)診斷網(wǎng)絡(luò)在訓(xùn)練過程中學(xué)習(xí)率、衰減因子、L2范正則化、Dropout因子和批量處理樣本個數(shù)等參數(shù)對提高分類正確率也有一定影響，對以上參數(shù)進行單一變量分析。訓(xùn)練深度學(xué)習(xí)診斷網(wǎng)絡(luò)時，學(xué)習(xí)率對正確率有較大影響，學(xué)習(xí)率過大導(dǎo)致網(wǎng)絡(luò)無法收斂至最優(yōu)解，學(xué)習(xí)率過小導(dǎo)致網(wǎng)絡(luò)收斂速度緩慢。不同學(xué)習(xí)率的參數(shù)設(shè)置如表2所示。

表2 不同學(xué)習(xí)率的參數(shù)設(shè)置

衰減因子可在每一輪迭代中更新學(xué)習(xí)率，使學(xué)習(xí)率動態(tài)變化，有無衰減因子的參數(shù)設(shè)置如表3所示。

表3 有無衰減因子的參數(shù)設(shè)置

L2范正則化可對網(wǎng)絡(luò)參數(shù)進行限制，防止過擬合。有無正則化的參數(shù)設(shè)置如表4所示。

表4 有無L2范正則化的參數(shù)設(shè)置

Dropout因子在梯度下降算法中關(guān)閉部分網(wǎng)絡(luò)參數(shù)的更新，以防止過擬合。有無Dropout因子的參數(shù)設(shè)置如表5所示。

表5 有無Dropout因子的參數(shù)設(shè)置

在確定學(xué)習(xí)率為0.1，衰減因子為0.99，L2范正則化系數(shù)為0，Dropout因子為0.05，預(yù)訓(xùn)練次數(shù)為100，微調(diào)訓(xùn)練次數(shù)為1000的條件下，對批量處理樣本個數(shù)進行分析，如表6所示。不同參數(shù)模型錯誤率如圖6所示。

表6 不同批量處理樣本個數(shù)正確率

圖6 不同參數(shù)模型錯誤率

由上述分析可知：分類正確率受學(xué)習(xí)率的影響最大；衰減因子和Dropout因子能略微提升分類正確率；L2范正則化不一定能提升分類正確率；批量訓(xùn)練樣本個數(shù)并不是越小越好。

3 結(jié)論

本文利用SEA深度神經(jīng)網(wǎng)絡(luò)對家用空調(diào)外機進行振動檢測診斷，對檢測信號的類型、網(wǎng)絡(luò)參數(shù)的選取和確定進行實驗分析。在6種不同工況下的SEA檢測診斷正確率達99.92%，可初步滿足產(chǎn)品出廠的檢驗要求，為家用空調(diào)外機振動檢測診斷提供了新途徑。SEA檢測診斷方法的進一步實用化，還需用先驗的方法收集涵蓋各種可能的質(zhì)量故障工況的特征信號和優(yōu)化檢測診斷網(wǎng)絡(luò)的參數(shù)，以進一步提高檢測診斷網(wǎng)絡(luò)的應(yīng)用范圍和檢測正確率。

[1]BENGIO Y. Learning deep architectures for AI [J]. Foundations and Trends? in Machine Learning(now publishers Inc), 2009, 2(1):1-127.

[2] 候媛彬,杜京義,汪梅.神經(jīng)網(wǎng)絡(luò)[M].西安：西安電子科技大學(xué)出版社,2007.

[3] 姜萬錄,王振威,朱勇,等.基于VMD消噪處理的滾動軸承早期故障識別[J].液壓與氣動,2017(5):13-20.

Application of Deep Learning in Diagnosis and Detection of Low Noise Household Appliances

Cheng Weiwei1Liu Zhiting2Wang Yuhua1

（1.Foshan University, Foshan 528000, China 2.Guangzhou Ceprei Tengrui Information Technology Co. Ltd，Guangzhou 510610, China）

The unsupervised eigenvalue extraction of vibration measurement signal of external unit of household air conditioner is carried out by using stacked automatic encoder neural network; The gradient descent algorithm is used for supervised learning of neural network; The measurement signal is classified by Softmax classifier; The number of layers and nodes of the hidden layer are determined by experiments, and the influence of the learning rate, attenuation factor, L2 regularization, Dropout factor and the number of batch samples of the neural network is analyzed experimentally, which provides experimental basis for the automatic vibration diagnosis and detection of the external unit of household air conditioner.

fault diagnosis; deep learning; auto-encoder

廣東省區(qū)域聯(lián)合基金資助（2019A1515110418）；廣東省公益研究與能力建設(shè)專項資金資助（2015B010101014）。

程煒為，男，1987年生，博士研究生，講師，主要研究方向：測繪測試及信號分析處理。E-mail: 794661261@qq.com

劉芝庭（通信作者），男，1994年生，碩士研究生，主要研究方向：故障檢測。E-mail: 810560852@qq.com

王宇華，女，1960年生，博士研究生，教授，主要研究方向：測試計量技術(shù)及儀器。

TP216

A

1674-2605(2021)03-0008-05

10.3969/j.issn.1674-2605.2021.03.008