基于改进自编码器的多信息融合压缩机缺陷诊断方法技术

基于改进自编码器的多信息融合压缩机缺陷诊断方法，属于全封闭压缩机缺陷诊断技术领域。包括以下步骤：1、搭建数据采集系统进行数据采集；2、寻优变分模态参数，对原始振动信号进行解耦和降噪；3、固有模态与原始振动信号进行融合作为模型的输入，提供更多的时域和时频域特征；4、把数据集划分为：无标签训练数据集、标签训练数据集和测试数据集；5、构建改进自编码器模型学习无标签训练样本的特征分布；6、利用标签训练集微调分类器参数，实现多传感器特征的融合；7、利用测试数据集对模型进行评估。本发明专利技术可以提取和融合不同传感器的时域和时频域特征用于压缩机的缺陷检测在少量标注样本的情况下，从而提高压缩机缺陷的检测率。从而提高压缩机缺陷的检测率。从而提高压缩机缺陷的检测率。

【技术实现步骤摘要】
基于改进自编码器的多信息融合压缩机缺陷诊断方法


[0001]本专利技术属于全封闭压缩机缺陷诊断
，具体涉及基于改进自编码器的多信息融合压缩机缺陷诊断方法。

技术介绍

[0002]压缩机是制冷系统中最复杂、制造难度最大的核心部件，其故障会影响制冷系统的使用寿命和舒适性，甚至造成制冷系统的损坏。大部分运行过程中出现故障的压缩机在生产过程中已经存在表征不明显的隐性缺陷。因此，及时准确地对压缩机制造缺陷进行诊断是至关重要的在生产过程中。
[0003]压缩机内部制造缺陷无法直接检测由于装配完成的压缩机是全封闭结构，目前普遍采用壳体振动信号对其进行诊断。由于零部件众多且存在噪声干扰导致壳体的振动信号呈现出非稳定性和非线性，人工提取有效的特征来区分故障类型是困难的。随着深度学习理论和方法的发展，其可以自动提取与缺陷相关的特征用于压缩机缺陷的分类。监督学习需要大量的标注样本进行训练，但实际应用中，大量的标注样本收集需要大量的专业知识和人力。因此利用少量的标注样本训练诊断模型是必要的。

技术实现思路

[0004]针对现有技术中存在的上述问题，本专利技术的目的在于提供一种基于改进自编码器的多信息融合压缩机缺陷诊断方法，能够提取和融合不同传感器的时域和时频域特征用于压缩机的缺陷检测在少量标注样本的情况下，从而提高压缩机缺陷的检测率。
[0005]本专利技术提供如下技术方案：
[0006]基于改进自编码器的多信息融合压缩机缺陷诊断方法，其特征在于：通过使用优化变分模态分解方法对振动信号进行分解和解耦，利用无标签数据集训练改进自编码器，通过标签数据集微调分类器，实现压缩机缺陷诊断，具体Z包括以下步骤：
[0007]S1：搭建振动数据采集系统，对不同缺陷类型压缩机的壳体振动信号进行采集和保存。
[0008]S2：利用峭度因子总和最大作为适度值来寻找每个传感器最优的分解个数K，利用变分模态分解对每个样本进行分解得到K个不同频率尺度的本征模态分量IMF。
[0009]具体的，压缩机运行时有多个振动源，经过不同的传递路径可以把振动信号传递到壳体上，同时受到生产环境噪声影响，使得壳体的振动信号呈现非线性非稳态性。由于不同方向的振动源个数不同，得到不同个数的不同频率尺度的子序列，提取更多互补的时频域特征来减少噪声和信号混叠对测试结果的影响。
[0010]S3：K个不同频率尺度的本征模态分量IMF表示不同频率的振动源表征在壳体的振动信号，每个子序列表征的特征是不同的，因此将不同频率尺度的子序列与原始振动信号拼接作为模型的输入，提取互补的时域和时频域特征。
[0011]S4：为了充分利用采集的数据样本用于训练和验证提出的模型，将输入数据划分
为无标签训练集、标签训练集和测试集。
[0012]S5：构建三个并行的改进自编码器模型来对三个方向的输入数据的特征进行提取和扩充，利用无监督学习方法得到改进自编码器模型的最优参数。
[0013]S6：冻结改进自编码器中编码器的最优参数，利用监督学习方法来训练分类器，得到最优分类器参数下的模型用于压缩机缺陷的诊断。
[0014]具体的，三个并行的改进编码器对输入数据进行融合在数据集，其可以分别提取三个方向互补的时域和时频域特征并进行压缩，三个并行的解码器对提取的特征进行扩充；改进自编码器中的卷积和池化层可以实现局部特征的捕捉和减少冗余的特征；Transformer不仅实现时序信号的长距离关系和不同频率尺度的子序列关系进行建模而且可以对每个特征的权重进行赋值。
[0015]S7：对模型的诊断性能和鲁棒性进行评估和验证。
[0016]进一步的，所述步骤S2的具体过程如下：
[0017]S21：设置K的取值范围[k
min
,k
max
]，将不同方向的振动信号进行遍历分别得到K个IMFs；
[0018]S22：计算不同方向K个IMFs的峭度因子并进行相加，得到[KI
kmin
,...,KI
kmax
]；
[0019]S23：得到最大的峭度因子之和对应的K值，作为该方向振动信号的分解个数。
[0020]进一步的，所述步骤S5的具体过程如下：
[0021]S50：构建卷积Transformer自编码器模型学习无标注数据样本的数据的分布；
[0022]S51：将无标注训练集中的三个方向的数据分别输入到三个并行的编码器中，对输入数据的时域和时频域特征进行提取和压缩；
[0023]S52：将三个并行的编码器提取的时域和时频域特征作为三个并行解码器的输入，解码器对特征维数进行扩充；
[0024]S53：对改进自编码器进行训练，采用解码器的输出与原始振动信号的均方差作为损失函数，使得得到最优的参数使损失函数最小。
[0025]进一步的，所述步骤S6中，利用标注训练集对分类器进行监督训练，得到最优的分类器参数，对多传感器的时域和时频域特征进行融合与提取；具体过程如下：
[0026]S61：在模型的特征集对三个并行编码器的输出特征进行融合作为分类器的输入，实现多传感器信息的融合；
[0027]S62：利用随机梯度下降算法对模型进行训练，训练迭代次数为20，分类器的输出与标签的均方差作为损失函数，对模型参数进行优化。
[0028]进一步的，所述步骤S7中，在测试集中添加不同程度的信噪比对模型的诊断性能和鲁棒性进行评估和验证。
[0029]通过采用上述技术，与现有技术相比，本专利技术的有益效果如下：
[0030]1)本专利技术中，通过变分模态分解对振动信号进行分解，得到不同频率尺度的子序列；互补特征的子序列与原始振动信号拼接为模型提供更多互补的时域和时频域特征；改进自编码器利用卷积和Transformer提取有效特征用于分类，其中卷积和池化层具有提取局部特征和去除冗余特征的能力，Transformer可以实现时序长距离的关系联系，实现了局部和全局特征的捕捉与识别；分类器可以提取并融合不同传感器的时域和时频域特征，从而提高压缩机缺陷的检测率，满足生产线快速准确的实际需求；
[0031]2)本专利技术中，采用了半监督学习方法对压缩机的缺陷进行诊断在少量的标注样本的情况下，提高了压缩机缺陷的检测率；
[0032]3)本专利技术中，利用优化变分模态对原始振动进行分解和解耦，减少了实际生产环境中的噪声对有效特征提取带来的影响；
[0033]4)本专利技术中，在数据集将固有模态与原始振动信号进行融合作为模型的输入，可以提取更多与缺陷相关的时域和时频域特征。
[0034]5)本专利技术中，在数据集和特征集分别对时频域特征和不同传感器特征进行融合，采用了卷积池化和Transformer的提取和融合不同方向的时域和时频域特征的局部特征和全局特征，并实现特征的权重进行自动的分配，增加了时域和时频域特征表达能力。
附图说明
[0035]图1为本专利技术压缩机缺陷诊断的方法流程图；...

【技术保护点】

【技术特征摘要】
1.基于改进自编码器的多信息融合压缩机缺陷诊断方法，其特征在于：通过使用优化变分模态分解方法对振动信号进行分解和解耦，利用无标签数据集训练改进自编码器，通过标签数据集调整分类器，实现压缩机缺陷诊断，具体Z包括以下步骤：S1：搭建振动数据采集系统，对不同缺陷类型压缩机的壳体振动信号进行采集和保存；S2：利用峭度因子总和最大作为适度值来寻找每个传感器最优的分解个数K，利用变分模态分解对每个样本进行分解得到K个不同频率尺度的本征模态分量IMF；S3：把每个样本的固有模态与原始振动信号拼接作为输入数据；S4：将输入数据划分为无标签训练集、标签训练集和测试集；S5：构建三个并行的改进自编码器模型来对三个方向的输入数据的特征进行提取和扩充，利用无监督学习方法得到改进自编码器模型的最优参数；S6：冻结改进自编码器中编码器的最优参数，利用监督学习方法来训练分类器，得到最优分类器参数下的模型用于压缩机缺陷的诊断；S7：对模型的诊断性能和鲁棒性进行评估和验证。2.根据权利要求1所述的基于改进自编码器的多信息融合压缩机缺陷诊断方法，其特征在于所述步骤S2的具体过程如下：S21：设置K的取值范围[k
min
,k
max
]，将不同方向的振动信号进行遍历分别得到K个IMFs；S22：计算不同方向K个IMFs的峭度因子并进行相加，得到S23：得到最大...

【专利技术属性】
技术研发人员：沈希，李康，孙哲，金华强，黄跃进，顾江萍，石凌，谢敏杰，姚琪威，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：