李 強(qiáng)，王 杰，秦 政，王 堯，朱浩瑋，劉兆增

（中國(guó)石油大學(xué)（華東）新能源學(xué)院，山東青島 266580）

0 引言

往復(fù)壓縮機(jī)故障模式眾多［1-2］，因而一直是國(guó)內(nèi)外故障診斷學(xué)者研究的熱點(diǎn)。早期針對(duì)往復(fù)壓縮機(jī)的故障診斷主要是依靠專家的現(xiàn)場(chǎng)經(jīng)驗(yàn)，這種方法的診斷結(jié)果具有較高的人為限定性。隨著傳感器與計(jì)算機(jī)技術(shù)的飛速發(fā)展，將往復(fù)壓縮機(jī)振動(dòng)、壓力、電機(jī)電流等信號(hào)與機(jī)器學(xué)習(xí)算法相結(jié)合的故障診斷方法出現(xiàn)［3-4］，在實(shí)驗(yàn)室研究中取得了不錯(cuò)的診斷效果。Li等［5］通過(guò)測(cè)量活塞桿應(yīng)變提出了無(wú)損氣缸的示功圖繪制方法，并基于此提出用于氣閥故障診斷的示功圖關(guān)鍵特征點(diǎn)重構(gòu)算法。Wang 等［6］使用圖像處理方法獲取示功圖的7 個(gè)不變矩特征，并將該特征用于訓(xùn)練支持向量機(jī)的特征向量，實(shí)現(xiàn)了往復(fù)壓縮機(jī)氣閥的故障診斷。Pichler等［7-8］則將對(duì)數(shù)示功圖膨脹階段的斜率與壓力作為特征參數(shù)，用于訓(xùn)練分類器實(shí)現(xiàn)氣閥的故障診斷。唐友福等［9］基于示功圖的幾何性質(zhì)特征，利用BP神經(jīng)網(wǎng)絡(luò)作為分類器對(duì)壓縮機(jī)故障進(jìn)行識(shí)別與分類。在工業(yè)應(yīng)用中，Hoerbiger、PROGNOST、Bently Nevada開發(fā)的在線監(jiān)測(cè)系統(tǒng)中主要是檢測(cè)示功圖的變化［10］。上述基于示功圖的故障診斷研究中，診斷效果主要依賴于特征提取方法的優(yōu)劣；故障診斷方法依賴于正常與故障狀態(tài)下的數(shù)據(jù)，在缺乏故障數(shù)據(jù)的情況下無(wú)法進(jìn)行故障診斷。由于壓縮機(jī)故障模式多種多樣，而現(xiàn)場(chǎng)的故障數(shù)據(jù)較難獲取，很難收集到所有故障模式對(duì)應(yīng)的數(shù)據(jù)，使得基于給定特征與傳統(tǒng)機(jī)器學(xué)習(xí)算法相結(jié)合的壓縮機(jī)故障診斷方法具有較大的局限性。近年來(lái)，隨著深度學(xué)習(xí)在機(jī)器視覺領(lǐng)域的興起［11］，依靠強(qiáng)大的學(xué)習(xí)性能，深度學(xué)習(xí)模型可以從原始信號(hào)中直接提取特征，并通過(guò)訓(xùn)練實(shí)現(xiàn)數(shù)據(jù)分類。楊洪柏等［12］將氣閥正常與故障狀態(tài)下的原始振動(dòng)信號(hào)作為輸入，利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)信號(hào)特征進(jìn)行提取，獲得了較高的故障識(shí)別率。但該種方法同樣依賴于故障數(shù)據(jù)集，這也是限制卷積神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于機(jī)械設(shè)備故障診斷的重要原因之一。

為了擺脫卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于故障診斷時(shí)過(guò)度依賴于故障數(shù)據(jù)集的問(wèn)題，同時(shí)解決人為提取特征的冗余性與不足性，本文以往復(fù)壓縮機(jī)示功圖為研究對(duì)象，提出了基于AlexNet卷積神經(jīng)網(wǎng)絡(luò)的壓縮機(jī)運(yùn)行工況分類模型，并通過(guò)對(duì)分類模型全連接層一維特征向量的處理，提出了故障檢測(cè)算法。以AlexNet 卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)架構(gòu)的故障檢測(cè)模型基于正常數(shù)據(jù)集進(jìn)行訓(xùn)練，利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）對(duì)示功圖自動(dòng)提取特征，通過(guò)實(shí)驗(yàn)驗(yàn)證并判斷是否存在異常。

1 故障檢測(cè)方法

本文以AlexNet 卷積神經(jīng)網(wǎng)絡(luò)為原型，以往復(fù)壓縮機(jī)示功圖為故障檢測(cè)對(duì)象，搭建基于AlexNet 卷積神經(jīng)網(wǎng)絡(luò)的故障檢測(cè)模型。

1.1 AlexNet卷積神經(jīng)網(wǎng)絡(luò)

AlexNet 是由Hinton 和Alex Kri-zhevsky 等［13］提出的卷積神經(jīng)網(wǎng)絡(luò)模型，它共有8 層帶權(quán)重的網(wǎng)絡(luò)層，包含5 層卷積層Ci（i＝1，2，…，5）（其中第1、2、5 層卷積層后各包含1 層最大池化層）和3 層全連接層FCi（i＝6，7，8）。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)方法相比，AlexNet采用ReLU激活函數(shù)改善了梯度消失及收斂波動(dòng)問(wèn)題，同時(shí)，通過(guò)引入DropOut方法控制過(guò)擬合［14］。基于上述特點(diǎn)與優(yōu)勢(shì)，本文選擇AlexNet 為基本分類模型通過(guò)修改模型結(jié)構(gòu)搭建故障檢測(cè)模型。同時(shí)，根據(jù)本文研究對(duì)象的復(fù)雜程度對(duì)原網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了部分精簡(jiǎn)，縮減了卷積核數(shù)目與全連接層的神經(jīng)元數(shù)目。本文使用精簡(jiǎn)后的網(wǎng)絡(luò)結(jié)構(gòu)與相關(guān)參數(shù)如圖1 所示。

圖1 AlexNet卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

1.2 卷積神經(jīng)網(wǎng)絡(luò)模型

本卷積神經(jīng)網(wǎng)絡(luò)模型由圖像輸入、卷積層與池化層、全連接層與輸出層以及優(yōu)化器與損失函數(shù)組成。

（1）圖像輸入。往復(fù)壓縮機(jī)的示功圖反映了壓縮機(jī)的運(yùn)行狀態(tài)以及工作特性，它對(duì)氣閥、活塞組件等常見故障較為敏感，故選擇示功圖作為故障檢測(cè)對(duì)象。通過(guò)鍵相傳感器識(shí)別壓縮機(jī)運(yùn)行過(guò)程、壓力傳感器測(cè)量氣缸動(dòng)態(tài)壓力的方法實(shí)測(cè)的示功圖如圖2 所示。

圖2 往復(fù)壓縮機(jī)示功圖

本文采用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取時(shí)，圖2 所示示功圖的橫縱坐標(biāo)刻度、標(biāo)簽與壓縮機(jī)運(yùn)行過(guò)程無(wú)關(guān)，為輔助說(shuō)明信息而非特征信息，在生成圖片數(shù)據(jù)集時(shí)去除該類信息，僅保留與壓縮機(jī)運(yùn)行過(guò)程有關(guān)的示功圖形狀信息。此外，對(duì)比圖2（a）與（b）可以發(fā)現(xiàn)，在具有不同排氣壓力的工況下采用相同的縱坐標(biāo)會(huì)導(dǎo)致排氣壓力較低工況的示功圖中出現(xiàn)大面積空洞，若不加處理，空洞特征也將作為主要特征被訓(xùn)練與學(xué)習(xí)，從而影響模型訓(xùn)練精度與使用效果。故在預(yù)處理時(shí)，將縱坐標(biāo)進(jìn)行歸一化處理，

此外，為了增加示功圖形狀與背景的對(duì)比度，將示功圖進(jìn)行二值化處理。如圖3 所示為預(yù)處理后的示功圖。

圖3 預(yù)處理后的示功圖

（2）卷積層與池化層。卷積層的目的是將輸入圖片的主要特征進(jìn)行提取，AlexNet 網(wǎng)絡(luò)具有5 層卷積層，卷積核大小與步長(zhǎng)分別為：C1＝11 ×11，S1＝4；C2＝5 ×5，S2＝1；C3＝C4＝C5＝3 ×3，S3＝S4＝S5＝1。卷積運(yùn)算式為

式中：y（i，j）為卷積運(yùn)算結(jié)果矩陣中的元素；A為圖像經(jīng)數(shù)字采樣后獲得的數(shù)字矩陣；K為卷積核；k為卷積核大?。籭，j分別為矩陣中行、列的索引。

卷積運(yùn)算后的結(jié)果需要進(jìn)入激活函數(shù)進(jìn)行計(jì)算，AlexNet網(wǎng)絡(luò)采用ReLU函數(shù)作為激活函數(shù)

在池化層運(yùn)算中，通過(guò)采用下采樣的方法降低特征圖維度，對(duì)圖片的特征進(jìn)一步提取，并減少參數(shù)。不同于其它的網(wǎng)絡(luò)模型，AlexNet使用的池化（Pooling）是可重疊的，在池化過(guò)程中，每次移動(dòng)的步長(zhǎng)小于池化的窗口長(zhǎng)度。池化的大小為3 ×3 的正方形，每次池化移動(dòng)步長(zhǎng)為2，與非重疊方案池化大小為2 ×2，步長(zhǎng)為2相比，輸出的維度是相等的，但重疊池化能在一定程度上抑制過(guò)擬合，即：

式中：y為數(shù)字矩陣；i，j分別為矩陣y中行與列的索引；λ為池化移動(dòng)步長(zhǎng)；l為池化區(qū)域長(zhǎng)度；w為池化區(qū)域?qū)挾取?/p>

（3）全連接層和輸出層。AlexNet 網(wǎng)絡(luò)具有3 層全連接層FCi（i＝6，7，8），F(xiàn)C6與FC7神經(jīng)元數(shù)量均為2 048，本文設(shè)為1 024，Dropout 比例均為0.2，F(xiàn)C8為采用softmax 函數(shù)作為激活函數(shù)的全連接層，softmax分類器是logistic二類分類器的一個(gè)泛化，可實(shí)現(xiàn)多類別分類［15］。最終輸出多類樣本標(biāo)簽的概率分布。FC8全連接層的第i個(gè)神經(jīng)元的輸出

式中：N為FC8全連接層的神經(jīng)元數(shù)量，同時(shí)也是樣本類別數(shù)量；Vi和Vj為FC8全連接層中的第i個(gè)和第j個(gè)神經(jīng)元。

（4）優(yōu)化器與損失函數(shù)。優(yōu)化器將計(jì)算的損失函數(shù)的梯度應(yīng)用在模型訓(xùn)練計(jì)算的變量更新中，不斷對(duì)模型參數(shù)進(jìn)行迭代更新，直到循環(huán)次數(shù)達(dá)到預(yù)設(shè)值。本文采用學(xué)習(xí)率自適應(yīng)的Adam 進(jìn)行權(quán)值參數(shù)優(yōu)化，通過(guò)式（5）得到樣本m的第i個(gè)神經(jīng)元的softmax 值pm，i并與反映樣本m與類別i的從屬關(guān)系函數(shù)lm，i求取交叉熵，作為損失函數(shù)

式中：M為樣本的數(shù)量；lm，i為樣本m的實(shí)際類別函數(shù)，當(dāng)樣本m屬于類別i時(shí)取1，否則取0。

1.3 分類模型訓(xùn)練

本文的分類模型訓(xùn)練流程包括：數(shù)據(jù)集采集、前向傳播求誤差、反向傳播更新網(wǎng)絡(luò)參數(shù)以及模型測(cè)試。

（1）數(shù)據(jù)集采集。通過(guò)往復(fù)空氣壓縮機(jī)實(shí)驗(yàn)測(cè)試平臺(tái)采集正常工作狀態(tài)下各個(gè)工況的示功圖，并去除圖片中的輔助說(shuō)明信息，形成帶有各個(gè)工況標(biāo)簽的數(shù)據(jù)圖集I。

（2）前向傳播求誤差。將每個(gè)標(biāo)簽的樣本集按比例隨機(jī)分成訓(xùn)練集、驗(yàn)證集和測(cè)試集。為了加快參數(shù)更新速度，將數(shù)據(jù)圖集I隨機(jī)劃分為多個(gè)小批量樣本組，每個(gè)樣本組包含b個(gè)樣本，初始化網(wǎng)絡(luò)參數(shù)、學(xué)習(xí)率ε，Dropout 比率，每次從訓(xùn)練集中選擇小批量b個(gè)樣本進(jìn)行卷積、池化、全連接運(yùn)算，求取最終的softmax輸出值，并根據(jù)式（6）求取損失函數(shù)。

（3）反向傳播更新網(wǎng)絡(luò)參數(shù)?；谇跋騻鞑サ膿p失，利用Adam算法迭代更新網(wǎng)絡(luò)參數(shù)，直至一個(gè)批量樣本組循環(huán)結(jié)束。然后，在樣本集中再依次選擇b個(gè)不同樣本，重復(fù)上述小循環(huán)，直至循環(huán)完成所有樣本。在訓(xùn)練過(guò)程中，每輪循環(huán)結(jié)束時(shí)，使用驗(yàn)證集驗(yàn)證網(wǎng)絡(luò)的分類效果，若模型具有良好的分類性能，則將當(dāng)前的網(wǎng)絡(luò)參數(shù)保留，否則對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行調(diào)整。

（4）模型測(cè)試。使用預(yù)留的測(cè)試集樣本對(duì)網(wǎng)絡(luò)的泛化能力進(jìn)行測(cè)試，若模型分類性能達(dá)標(biāo)，則將此時(shí)的網(wǎng)絡(luò)參數(shù)作為后續(xù)故障診斷模型的結(jié)構(gòu)參數(shù)，反之，調(diào)整Dropout比率。

1.4 故障檢測(cè)算法實(shí)現(xiàn)

壓縮機(jī)正常工作情況下各個(gè)工況的示功圖特征被卷積神經(jīng)網(wǎng)絡(luò)識(shí)別與學(xué)習(xí)后得到壓縮機(jī)運(yùn)行工況分類模型，該模型可以很好地提取示功圖特征，并將不同運(yùn)行工況下的示功圖特征差異化，基于該特點(diǎn)，本文利用AlexNet分類模型作為主干特征提取網(wǎng)絡(luò)，通過(guò)共享網(wǎng)絡(luò)權(quán)值，對(duì)比同一特征提取網(wǎng)絡(luò)下全連接層的輸出，將壓縮機(jī)運(yùn)行工況識(shí)別的多分類模型轉(zhuǎn)化為故障檢測(cè)的二分類模型。

當(dāng)示功圖樣本m輸入至已訓(xùn)練好的N分類模型后，經(jīng)卷積、池化與全連接，示功圖特征被提取與高度壓縮，最終在全連接層中輸出一維特征向量F＝［f1，f2，…，fi，…，fN］，對(duì)于同一類樣本經(jīng)相同的特征提取網(wǎng)絡(luò)處理后獲得的一維特征向量F的分量大小、分布相近，而不同類樣本間或異常樣本與正常樣本間差異較大。本文基于該特征向量的特點(diǎn)構(gòu)建異常檢測(cè)算法：①將2 個(gè)一維特征向量作差并取絕對(duì)值，獲得；②提取ΔF的最大分量Δfi，并將上述最大分量輸入sigmod 函數(shù)中，將其映射至（0，1）之間，并將其定義為差異度ΔS（如式7）；③將差異度與給定的閾值ρ 作比較，判斷樣本是否存在異常。即當(dāng)sigmod（Δfi）小于ρ 時(shí)判斷樣本為正常，否則為異常：

上述故障檢測(cè)算法是基于樣本間的特征向量的差異展開，涉及實(shí)際樣本與參照樣本之間的比較，對(duì)于同一類樣本，其間一維特征向量差異較小，但考慮總體特征表現(xiàn)，將每一類訓(xùn)練集中的所有正常樣本的特征向量進(jìn)行平均處理，獲得每一類平均化后的特征向量。由于不同類樣本間特征向量差異較大，引起的差異度較大，可能會(huì)產(chǎn)生超過(guò)閾值引起誤判的現(xiàn)象，故本文采用計(jì)算兩特征向量L1 范數(shù)（如式8）的方法先進(jìn)行類別匹配，再計(jì)算差異度。

式中，fa，i與fd，i分別為平均化后的參照樣本工況a與實(shí)際待檢樣本工況d的一維特征向量的第i個(gè)分量。

L1 范數(shù)相當(dāng)于求取了2 個(gè)一維向量的距離，實(shí)際待檢樣本特征向量與各類樣本平均化后的特征向量的L1 范數(shù)越小則歸屬關(guān)系越強(qiáng)烈，即使是故障樣本也是在某1 工況下發(fā)生的，雖然特征向量與正常工況差異較大，但特征向量分布仍與故障前工況相近，其與故障前正常工況的L1 范數(shù)最小，也可實(shí)現(xiàn)類別匹配。匹配完成后，計(jì)算實(shí)際待檢樣本與該類別的差異度并與閾值ρ作比較進(jìn)行異常樣本檢測(cè)。具體異常檢測(cè)算法流程如圖4 所示。

圖4 異常檢測(cè)算法流程

2 實(shí)驗(yàn)與分析

2.1 實(shí)驗(yàn)裝置

本文基于往復(fù)壓縮機(jī)性能測(cè)試實(shí)驗(yàn)的示功測(cè)試原理，通過(guò)改裝單級(jí)無(wú)油潤(rùn)滑往復(fù)空氣壓縮機(jī)搭建了實(shí)驗(yàn)測(cè)試裝置。實(shí)驗(yàn)裝置由往復(fù)壓縮機(jī)、低壓直流電源、壓力傳感器、鍵相傳感器、數(shù)據(jù)采集卡等硬件與數(shù)據(jù)采集軟件2 部分組成，硬件主要參數(shù)：往復(fù)壓縮機(jī)的排氣壓力范圍為0～0.8 MPa，轉(zhuǎn)速為1 440 r／min；低壓直流電源為雙通道輸出，電壓輸出范圍為0～36 V；壓力傳感器量程為0～1 MPa，0～10 V 信號(hào)輸出，精度為±0.5%FS；鍵相傳感器為旋轉(zhuǎn)編碼器，5 V 脈沖信號(hào)輸出，分辨率為360 P／R；數(shù)據(jù)采集卡采用NI 數(shù)據(jù)采集卡，單端32 通道，ADC 分辨率16 Bit。實(shí)驗(yàn)裝置如圖5 所示。

圖5 實(shí)驗(yàn)裝置

為測(cè)量氣缸動(dòng)態(tài)壓力：①在氣缸壓板上開孔將氣缸內(nèi)氣體壓力引出并與壓力變送器連接獲得與壓力成正比的電壓信號(hào)；②為了將氣缸動(dòng)態(tài)壓力與壓縮機(jī)工作過(guò)程相對(duì)應(yīng)，以曲柄轉(zhuǎn)角為中間變量，將360 P／R的三相增量型旋轉(zhuǎn)編碼器作為鍵相傳感器，將Z相起點(diǎn)與活塞上止點(diǎn)對(duì)應(yīng)，作為每周期壓力信號(hào)采樣起點(diǎn)，利用A相等角度發(fā)射脈沖信號(hào)的特性觸發(fā)壓力信號(hào)采樣；③通過(guò)調(diào)節(jié)壓縮機(jī)排氣閥調(diào)節(jié)排氣壓力，以改變壓縮機(jī)工況。本實(shí)驗(yàn)選擇4 個(gè)排氣壓力分別為0.3、0.4、0.5、0.6 MPa 工況下的示功圖作為訓(xùn)練數(shù)據(jù)集，設(shè)置數(shù)據(jù)采集卡采樣頻率為8 640 Hz，每次采集1 個(gè)工況下壓縮機(jī)單個(gè)工作周期的360 個(gè)氣缸動(dòng)態(tài)壓力數(shù)據(jù)點(diǎn)，連續(xù)采集230個(gè)周期，共計(jì)920 個(gè)樣本，組成樣本集，每個(gè)工況數(shù)據(jù)中取170 個(gè)樣本按照14：3 的比例隨機(jī)分為訓(xùn)練集和驗(yàn)證集，剩余的60個(gè)樣本用于測(cè)試。

2.2 故障模擬

本文在往復(fù)式壓縮機(jī)故障模擬試驗(yàn)裝置上對(duì)故障檢測(cè)模型的準(zhǔn)確性進(jìn)行了驗(yàn)證，按上述預(yù)定的4 個(gè)工況排氣壓力的吸、排氣閥泄漏故障進(jìn)行模擬，獲取故障數(shù)據(jù)集作為測(cè)試集。實(shí)驗(yàn)使用的壓縮機(jī)氣閥為舌簧閥，本文通過(guò)在舌簧閥片上開直徑為1 mm 的圓孔作為泄漏孔實(shí)現(xiàn)故障的模擬，如圖6 所示。調(diào)節(jié)壓縮機(jī)排氣閥，使壓縮機(jī)分別在上述4 個(gè)工況下穩(wěn)定工作，按設(shè)定的采樣率，在每個(gè)工況下采集壓縮機(jī)單個(gè)工作周期的氣缸動(dòng)態(tài)壓力數(shù)據(jù)點(diǎn)，每個(gè)工況采集60 個(gè)周期。最終獲得的數(shù)據(jù)集數(shù)量：①正常情況運(yùn)轉(zhuǎn)時(shí)，測(cè)試4個(gè)工況，訓(xùn)練樣本數(shù)分別各為140 個(gè)、驗(yàn)證樣本數(shù)量分別各為30 個(gè)、測(cè)試樣本數(shù)量分別各為60 個(gè)；②模擬故障運(yùn)轉(zhuǎn)時(shí)，測(cè)試4 個(gè)工況，測(cè)試樣本數(shù)量分別各為60 個(gè)。

圖6 舌簧閥泄漏故障模擬

2.3 模型訓(xùn)練參數(shù)尋優(yōu)

在模型訓(xùn)練中影響訓(xùn)練速度與準(zhǔn)確率的參數(shù)有Adma的學(xué)習(xí)率（ε）、批尺寸大小（batch_size）。為尋找最佳參數(shù)，遵循單一變量原則對(duì)各個(gè)參數(shù)取不同值，研究其訓(xùn)練精度的變化趨勢(shì)，變化曲線如圖7 所示。

圖7 訓(xùn)練精度的變化趨勢(shì)圖

圖7（a）為批尺寸batch_size ＝32 的訓(xùn)練精度隨學(xué)習(xí)率變化曲線，由圖可以看出，當(dāng)學(xué)習(xí)率為0.000 1時(shí)，訓(xùn)練精度最先穩(wěn)定并達(dá)到最大值。當(dāng)學(xué)習(xí)率減小時(shí)，訓(xùn)練精度收斂速度變慢；當(dāng)學(xué)習(xí)率增大時(shí)，訓(xùn)練精度產(chǎn)生波動(dòng)，并逐漸降低。圖7（b）為學(xué)習(xí)率ε ＝0.000 1 的訓(xùn)練精度隨批尺寸大小變化曲線，由圖可以看出，達(dá)到最優(yōu)訓(xùn)練精度所需的迭代批數(shù)隨著批尺寸的增大而增加，但由于批尺寸的不同，每個(gè)迭代批數(shù)中的迭代次數(shù)不同，批尺寸大小分別為30、60、90、120時(shí)，達(dá)到穩(wěn)定的最大訓(xùn)練精度所需的迭代次數(shù)分別為252、81、66、60，故當(dāng)批尺寸大小為120 時(shí)，可以以最少的迭代次數(shù)達(dá)到最優(yōu)的訓(xùn)練精度，該批尺寸大小也是驗(yàn)證集所能達(dá)到的最大值。因此，為了獲得較高的訓(xùn)練精度，將優(yōu)化器的學(xué)習(xí)率設(shè)置為0.000 1，批尺寸設(shè)置為120。

3 模型性能試驗(yàn)

為了對(duì)本文提出的故障檢測(cè)模型進(jìn)行測(cè)試，隨機(jī)選擇了未用于模型訓(xùn)練的正常測(cè)試數(shù)據(jù)集與故障測(cè)試數(shù)據(jù)集樣本各40 個(gè)，建立混淆矩陣，計(jì)算準(zhǔn)確率、精確率、召回率與F1 值，評(píng)價(jià)模型性能。

3.1 故障示功圖對(duì)比

將吸、排氣閥泄漏故障下的歸一化示功圖與正常狀態(tài)下的歸一化示功圖進(jìn)行對(duì)比，對(duì)比情況如圖8所示。

由圖8 可知，壓縮機(jī)的運(yùn)行狀態(tài)發(fā)生變化時(shí)，在示功圖上主要體現(xiàn)在壓縮線和膨脹線的斜率變化，以及進(jìn)、排氣線的長(zhǎng)短變化：①當(dāng)壓縮機(jī)吸氣閥發(fā)生泄漏時(shí)，由圖8（a）可知，壓縮氣體從吸氣閥泄漏，壓縮線變得平緩，斜率的絕對(duì)值下降，排氣過(guò)程線縮短，同時(shí)，氣體在氣閥未開啟時(shí)便可進(jìn)入氣缸，導(dǎo)致膨脹過(guò)程被加快，進(jìn)氣過(guò)程延長(zhǎng)；②當(dāng)排氣閥泄漏時(shí)，由圖8（b）可知，高壓的氣體進(jìn)入氣缸，壓縮線變得陡峭，斜率的絕對(duì)值變大，排氣閥提前打開，排氣過(guò)程延遲，同時(shí)，高壓氣體不斷進(jìn)入氣缸，導(dǎo)致膨脹過(guò)程延長(zhǎng)，進(jìn)氣過(guò)程縮短。由上面的圖譜也可以發(fā)現(xiàn)，壓縮機(jī)發(fā)生輕微故障時(shí)，雖然圖譜曲線形狀會(huì)發(fā)生變化，但變化并不大，依賴人工進(jìn)行故障檢測(cè)，具有一定難度，而采用卷積神經(jīng)網(wǎng)絡(luò)則可以很好地捕捉圖像變化。

3.2 異常檢測(cè)結(jié)果

將上述正常與故障狀態(tài)下的示功圖樣本輸入異常檢測(cè)模型，模型將返回每個(gè)樣本與相似類別的正常樣本間的差異度，當(dāng)差異度大于等于閾值時(shí)則判斷為異常，反之，正常。設(shè)定不同的閾值，建立如表2 所示的混淆矩陣（其中，TP（True Position）為真陽(yáng)性、FP（False Position）為假陽(yáng)性、FN（False Negative）為假陰性、TN（True Negative）為真陰性），從而計(jì)算出指標(biāo)：準(zhǔn)確率Acc ＝（TP+TN）／（TP+TN+FP+FN）、精確率Precision ＝（TP）／（TP+FP）、召回率Recall ＝（TP）／（TP+FN）、F1 值F1 ＝（精確率×召回率×2）／（精確率+召回率），作為模型可靠性評(píng)價(jià)標(biāo)準(zhǔn)。

圖9 為評(píng)價(jià)指標(biāo)隨閾值的變化曲線，由圖可知，隨著閾值的提高，模型容錯(cuò)能力下降，精確率下降，準(zhǔn)確率、召回率與F1 值均有所提高。當(dāng)閾值為80%時(shí)，在正常數(shù)據(jù)與故障數(shù)據(jù)各40 條的情況下：預(yù)測(cè)正確的正常樣本為36 個(gè)，預(yù)測(cè)錯(cuò)誤的正常樣本為4 個(gè)；預(yù)測(cè)正確的異常樣本為39 個(gè)，預(yù)測(cè)錯(cuò)誤的異常樣本為1 個(gè)。模型的準(zhǔn)確率為93.75%，精確率為97.30%，召回率為90%，F(xiàn)1 值為93.51%，模型取得了很好的預(yù)測(cè)效果。同時(shí)，通過(guò)圖9 也可以發(fā)現(xiàn)，閾值在80%～90%之間時(shí)，模型的準(zhǔn)確率均在90%以上，這說(shuō)明模型可以在閾值波動(dòng)較大的情況下仍保持較好的效果。而在實(shí)際運(yùn)用時(shí)，閾值可以根據(jù)正常測(cè)試樣本的差異度平均值，并考慮一定的容錯(cuò)裕度進(jìn)行設(shè)定，并且在使用過(guò)程中不斷修正，使得模型的使用效果達(dá)到最優(yōu)。

圖9 評(píng)價(jià)指標(biāo)隨閾值的變化曲線

4 結(jié)論

本文提出的基于卷積神經(jīng)網(wǎng)絡(luò)的往復(fù)壓縮機(jī)故障檢測(cè)模型，以往復(fù)壓縮機(jī)示功圖為診斷對(duì)象，利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行特征提取，通過(guò)對(duì)比樣本特征之間的差異進(jìn)行故障檢測(cè)。同時(shí)，通過(guò)搭建的往復(fù)空氣壓縮機(jī)實(shí)驗(yàn)測(cè)試裝置，對(duì)進(jìn)、排氣閥泄漏故障進(jìn)行模擬測(cè)試，結(jié)果表明：在僅有壓縮機(jī)正常運(yùn)行數(shù)據(jù)的情況下，可以很好地完成往復(fù)壓縮機(jī)熱力性能故障的檢測(cè)，當(dāng)故障評(píng)判閾值為80%～90%之間時(shí)，模型的故障識(shí)別準(zhǔn)確率可達(dá)90%以上，可進(jìn)一步對(duì)故障氣缸進(jìn)行定位，為故障早期快速報(bào)警奠定了基礎(chǔ)。同時(shí)，該壓縮機(jī)故障模擬實(shí)驗(yàn)也可用于過(guò)程流體機(jī)械課程的教學(xué)實(shí)驗(yàn)或本科生的自主開放實(shí)驗(yàn)。