技术应用
深度学习在家用空调外机振动检测中的应用*
程炜为1刘芝庭2王宇华1
（1.佛山科学技术学院，广东佛山528000  2.广州赛宝腾睿信息科技有限公司，广东广州510610）摘要：利用堆叠自动编码器神经网络对家用空调外机的振动测量信号进行无监督特征值提取；采用梯度下降算法对神经网络进行有监督学习；结合Softmax分类器对测量信号进行分类；通过实验确定隐层的层数和节点数，并对神经网络的学习率、衰减因子、L2正则化、Dropout因子、批量样本个数等参数的影响进行实验分析，为家用空调外机的振动自动化诊断检测提供实验依据。
关键词：故障诊断；深度学习；自动编码器
中图分类号：TP216文献标识码：A文章编号：1674-2605(2021)03-0008-05
DOI：10.3969/j.issn.1674-2605.2021.03.008
0引言
振动和噪声是影响家电静音质量的重要指标，也
是家电工作状态是否正常的直接反映。随着家电生产
线自动化程度的提高，家电产品振动、噪声的检测和
原因分析也需同步自动化、智能化。家电产品的振动
检测和故障诊断一般利用振动检测传感器实时检测
其在各种运行工况下的振动数据，并根据振动数据分析振动源、振动因素以及是否存在故障和故障因素。
本文利用堆叠自动编码器（stacked auto encoder, SAE）[1]神经网络对家用空调外机振动测量信号进行特征量提取，结合Softmax[2]函数对家用空调外机在生产线上检测的6种工况进行诊断和分类识别。
1深度学习基本原理
1.1自动编码器
自动编码器（auto encoder,AE）神经网络由编码和解码2部分组成，分为输入层、隐层和输出层，模型如图1所示。其中，隐层是编码层，当编码层节点数小于输入节点数，编码网络利用激活函数将输入层
的高维度数据映射到低维度的隐层，实现数据特征提取。解码网络对隐层进行解码，复原输入层数据。利用梯度下降算法[3]调整网络的权值，直至损失函数达到最小值，以确保隐层特征值的可靠性。
图1AE模型
设输入层为{}
12
,,,
m m m
n
x x x
（n个维度为m的输入样本）；隐层为{}正则化网络
12
,,,
k k k
n
h h h
（n个维度为k 的特征向量）；输出层为{}
12
ˆˆˆ
,,,
m m m
n
x x x
（n个维度为m的重构样本），本文选用tanh激活函数。
隐层输出公式为
z
z
z
z
e
e
e
e
z f
-
-
+
-
=
)
((1)
1
11
()()
h f z f x b
θ
==+
w(2)
式中，h为隐层激活值；
1
θ为编码网络参数{}
11
,b
w；w1为权值矩阵；b1为偏置；x为输入样本。
输出层公式为
2
22
ˆ()()
x f z f x b
θ
==+
w(3)
式中，
2
θ为解码网络参数{}
22
,b
w；w2为权值矩阵；
输出层
输入层
隐层
b 2为偏置。
AE 神经网络寻最佳网络参数
*=θ{}*
***1
1
2
2
,,,b b w w ，使重构样本ˆx
与输入样本x 间的误差最小，即损失函数1122(,,,)L b b w w 最小化。损失函数表达式为
()()2
211221111
11ˆ(,,,)22n s m k i i l
ij i l i j L b b x x n λ=====-+∑∑∑∑w w w (4)
式中，第一项为输入层与输出层的误差总和；x i 为输
入的第i 个样本；ˆi x
为输出；n 为样本个数；第二项为正则化约束项，以防止过拟合。1.2
基于深度学习的特征提取
单个AE 构造函数的能力有限，为构造表达能力更强的函数，将多个AE 堆叠组成堆栈自动编码器（stacked auto encoder,SAE ）。将第1个AE 的隐层作为第2个AE 的输入层，第2个AE 的隐层作为第3个AE 的输入层，如此将多个AE 堆叠，即可实现深度神经网络（deep neural networks,DNN ）。3层SA
E 模型如图2所示。
图23层SAE 模型
1.3Softmax 分类器
Softmax 分类器针对多分类问题的Softmax 函数
为
1
()i
j
x i i k x j e y e
ς===
∑
x (5)
式中，i =1,2,3,…,k 为输出类别编号；x 为输入特征向量。
设训练样本为
1
1
ˆˆ,,,,n
n
x y
x y  ；x i
为维度m 的向量；类别标签y 可取k 个不同值；网络参数
{}*=,ij j w b θ。概率()|;i p y j θ==x 表示在输入
x i 和网络参数 的情况下，样本被判别为第i 类的概率。一个k 分类的Softmax 分类器将输出一个k 维的向量（向量的元素和为1）。Softmax 分类器在网络参数 和输入x 条件下的输出为
121
(1|;)exp(;)1()(2|;)exp(;)exp(;)(|;)exp(;)i i i i i i i k
i j j i i i j p y y p y p y k θθθθθθθθ=⎛⎫
⎛⎫
⎪ ⎪=
⎪ ⎪
⎪ ⎪===
⎪
⎪
⎪ ⎪
⎪ ⎪
=⎝⎭
⎝⎭
∑  x x x x x x x x (6)
式中，j θ为第j 类输出的模型参数；()i y θx 之和为1。Softmax 模型的代价函数为交叉熵函数：
1
1ˆˆ()ln (1)ln(1)n
i i i L y y y y n θ==-+--∑(7)
式中，ˆy
为真实输出，通过最小化()L θ求解最佳参数 ∗。1.4
深度学习诊断网络
将SAE 和Softmax 分类器结合组成一个深度学习诊断网络，其模型如图3所示。
图3深度学习诊断网络模型
SAE 网络对信号进行识别分类分为2阶段：1）利用SAE 对原始数据进行逐层特征提取，此部分为非监督学习阶段，逐级对单独的AE 层进行训练，利用梯度下降算法对各AE 层网络参数进行调整，
保证编码网络能精确提取原始信号的特征；2）将最终隐层作为特征向量输入Softmax 分类器进行分类，此部分为监督学习阶段，利用梯度下降算法对全局网络权值和偏值进行微调。
2数据分析
2.1
实验数据检测
空调外机的主要振动源为压缩机、风扇和电机等。采用He-Na 激光测振仪LV-S01，NI USB-6212采集卡对空调外机的6种工况进行振动数据的检测采样，每种工况采样2000组，一共12000组数据，采样率为1000，采样时长为2s ，如表1所示。
表1空调外机6种工况振动数据采样标签状态
样本数
1正常2000
2缺少隔音棉20003扇叶裂纹20004扇叶不平衡20005缺少阻尼块20006
风扇支架松动
2000
为研究不同输入信号对深度学习诊断网络的影响，分别选取检测数据的时域、频域、时域+频域信号输入该网络。经过大量的网络处理对比实验发现：频域信号分类正确率最高，时域+频域信号次之，时域信号最差。空调外机6种工况信号频谱如图4所示。
图4空调外机6种工况信号频谱
2.2实验数据分析
信号输入网络做0,1归一化处理：
min
max min
ˆx x x
x x -=-(8)
实验分析显示，第一层隐层的层数和节点数对分类正确率的影响较大。为确定合适的层数和节点数，构建层数为N （N =1,2,3,4,5）的SAE 网络，并分别令节点数为400,300,200,100进行实验（学习率为0.5，衰减因子为1，L2范正则化系数为0，批量处理样本个数为800，Dropout 因子为0，预训练次数为100，微调次数为1000）。分类正确率与隐层的层数关系如图5所示。
图5分类正确率与隐层的层数关系
由图5可知：在不同隐层的层数和节点数下，分
类正确率呈凸函数变化。当层数为3、节点数为100时，分类正确率最高，故取深度学习诊断网络节点数为100，层数为3。
深度学习诊断网络在训练过程中学习率、衰减因子、L2范正则化、Dropout 因子和批量处理样本个数等参数对提高分类正确率也有一定影响，对以上参数进行单一变量分析。训练深度学习诊断网络时，学习率对正确率有较大影响，学习率过大导致网络无法收敛至最优解，学习率过小导致网络收敛速度缓慢。不同学习率的参数设置如表2所示。
表2不同学习率的参数设置参数指标组1组2学习率
0.90.1衰减因子11L2范正则化00批量次数800800Dropout 因子00正确率/%
33.33
92.58
隐层数
正确率/%
频率/Hz
20
406080100120140160200
180速度/(m m /s )
×10工况1
123×10工况2
1234×10工况30
2468×100
0.511.5工况4
×10工况50
123×10工况60246
程炜为刘芝庭王宇华：深度学习在家用空调外机振动检测中的应用
衰减因子可在每一轮迭代中更新学习率，使学习率动态变化，有无衰减因子的参数设置如表3所示。
表3有无衰减因子的参数设置
参数指标组1组2
学习率0.10.1
衰减因子10.99
L2范正则化00
批量次数800800
Dropout因子00
正确率/%92.5898.42
L2范正则化可对网络参数进行限制，防止过拟合。有无正则化的参数设置如表4所示。
表4有无L2范正则化的参数设置
参数指标组1组2
学习率0.10.1
衰减因子0.990.99
L2范正则化00.01
批量次数800800
Dropout因子00
正确率/%98.4295.42
Dropout因子在梯度下降算法中关闭部分网络参数的更新，以防止过拟合。有无Dropout因子的参数设置如表5所示。
表5有无Dropout因子的参数设置
参数指标组1组2
学习率0.10.1
衰减因子0.990.99
L2范正则化00
批量次数800800
Dropout因子00.05
正确率/%98.4299.25
在确定学习率为0.1，衰减因子为0.99，L2范正则化系数为0，Dropout因子为0.05，预训练次数为100，微调训练次数为1000的条件下，对批量处理样本个数进行分析，如表6所示。不同参数模型错误率如图6所示。
表6不同批量处理样本个数正确率
批量样本个数迭代次数正确率/%
800600098.42
600800099.50
3001600099.67
1004800099.75
509600099.92
2024000099.83
1048000099.83
596000099.83
图6不同参数模型错误率
由上述分析可知：分类正确率受学习率的影响最大；衰减因子和Dropout因子能略微提升分类正确率；L2范正则化不一定能提升分类正确率；批量训练样本个数并不是越小越好。
3结论
本文利用SEA深度神经网络对家用空调外机进行振动检测诊断，对检测信号的类型、网络参数的选取和确定进行实验分析。在6种不同工况下的SEA 检测诊断正确率达99.92%，可初步满足产品出厂的检验要求，为家用空调外机振动检测诊断提供了新途径。SEA检测诊断方法的进一步实用化，还需用先验的方法收集涵盖各种可能的质量故障工况的特征信号和优化检测诊断网络的参数，以进一步提高检测诊断网络的应用范围和检测正确率。
（下转第49页）
错
误
率/
%
唐成方：基于ARM微控制器的旋转电极电刺激仪-Particular requirements for the safety of nerve and muscle stimulators[S].北京：中国标准出版社,2007.
Rotating Electrode Electrical Stimulator Based on ARM Microcontroller
Tang Chengfang
(Shenzhen Elmmedicare Medical Electronic Instrument Co.Ltd,Shenzhen518055,China) Abstract:Neuromuscular electrical stimulator is based on the principle of acupuncture and moxibustion in traditional Chinese medicine.It is the combination of meridian theory of traditional Chinese medicine and modern electronic technology.The effect of electrical stimulation signal produced by electrical stimulator is similar to that of acupuncture and massage in traditional Chinese medicine.It acts on the surface nerves and muscles of patients and can promote the rehabilitation of patients.An electrical stimulator based on ARM microcontroller is designed.The rotating electrode is used and the photoelect
ric MOS solid-state relay is used to drive the electrode to realize the rotating function.Experimental results show that the treatment effect of rotating electrode electrical stimulator is better than that of fixed electrode electrical stimulator.
Key words:electrode;ARM microcontroller;photoelectric MOS solid state relay;electrical stimulation
作者简介：
唐成方，男，1963年5月生，硕士，工程师，主要研究方向：嵌入式系统应用。E-mail:*************
（上接第43页）
参考文献
[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，杜京义，汪梅.神经网络[M].西安：西安电子科技大学
出版社,2007.
[3]姜万录，王振威，朱勇，等.基于VMD消噪处理的滚动轴承早
期故障识别[J].液压与气动,2017(5):13-20.
Application of Deep Learning in Diagnosis and Detection of Low Noise
Household Appliances
Cheng Weiwei1Liu Zhiting2Wang Yuhua1
（1.Foshan University,Foshan528000,China  2.Guangzhou Ceprei Tengrui Information Technology Co.Ltd，
Guangzhou510610,China）
Abstract: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,L2regularization,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.
Key words:fault diagnosis;deep learning;auto-encoder
作者简介：
程炜为，男，1987年生，博士研究生，讲师，主要研究方向：测绘测试及信号分析处理。E-mail:****************刘芝庭（通信作者），男，1994年生，硕士研究生，主要研究方向：故障检测。E-mail:****************
王宇华，女，1960年生，博士研究生，教授，主要研究方向：测试计量技术及仪器。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。