基于MOPSO-CNN模型的压缩机气阀故障诊断技术

摘要

针对传统方法难以提取有效的气阀故障信号，无法建立气阀状态与信号间复杂映射关系的问题，将气阀振动信号转为频域信号输入卷积神经网络(CNN)进行气阀状态诊断，采用多目标粒子群算法(MOPSO)对CNN的超参数进行优化，构建自适应CNN模型，并针对分类结果进行可视化分析，探讨了不同训练测试比对分类准确率的影响。结果表明：MOPSO-CNN模型可完成数据降噪、特征提取和故障分类的一贯式处理，实现端到端的故障诊断，其分类准确率和训练时间均优于传统方法；通过t-分布随机邻域嵌入(t-distributed stochastic neighbor embedding, t-SNE)可视化分析，证明了CNN模型在逐层特征提取和特征分离上的优越性；所建立模型在不同训练测试比的条件下表现良好，对训练数据的需求量不大。研究结果可为往复式压缩机气阀故障诊断提供实际参考。

关键词

多目标粒子群算法(MOPSO) / 卷积神经网络(CNN) / 压缩机 / 气阀 / 故障诊断