论文部分内容阅读
我国红外遥感探测发展如火如荼，小型低温制冷机在该领域展现出广阔的发展空间以及应用前景，而红外探测器的工作温区在是在一个极低的温度范围。制冷机的正常稳定的工作是红外探测器发挥最佳性能的前提条件和保障。线性压缩机作为制冷机压力波发生器，一旦存在异常振动，直接影响探测器的成像性能，甚至造成探测器的损坏。因此对于线性压缩机的早期状态监测维护以及当出现故障时尽快并且准确的识别出故障类型并进行定位有着重要的意义。目前学术界以及工业界的状态监测研究工作主要集中在旋转机械上面，往复式设备的研究尚显不足，而线性压缩机作为典型的往复式机械，它的振动状态识别研究同样具有工况复杂、特征提取较为困难的特点。因此找到一种用于制冷机线性压缩机振动状态识别的方法是一项具有挑战的工作。近年来，红外探测任务对于制冷机可靠性提出了越来越高的要求，针对其异常振动问题的研究也越来越成为关注的焦点。线性压缩机作为小型低温制冷机的运动部件，主要的振动源大多集中在线性压缩机上面，包括活塞和气缸的碰摩异常振动模式、动子质量不对称异常振动模式。板弹簧扭曲、磁隙不均等等异常振动模式。本文旨在研究最常见的几种线性压缩机异常振动状态，希望能够在完成线性压缩机装配后立即对其进行振动检测，识别出异常振动的模式，准确定位引起异常振动的原因和位置并进行维修，从而避免更加重大的经济损失及其他后果。大多数学者主要研究旋转机械，从开始的经验分析法、时域信号分析、频谱分析、时频分析再到后来的结合人工智能技术的状态识别方法。但是这些方法是否适合于线性压缩机的振动状态识别需要打上一个问号。本文的主要研究内容从传统的特征提取到当前流行的深度学习算法均作了一定的探索。结合信号处理以及最新的人工智能算法设计了一套适合线性压缩机的振动状态识别方法，能够仅仅通过加速度传感器采集线性压缩机的振动信号并进行相应的信号处理以及分类算法等工作实现线性压缩机离线状态识别，帮助负责生产的部门提高制冷机的异常振动诊断效率。本文旨在针对线性压缩机几种常见异常振动机理及其识别方法进行深入探讨:
1.研究了针对线性压缩机碰摩引起的异常振动状态的小波包分解信号特征提取方法。针对碰摩导致的高次谐波分量，小波包变换以其能够在低频部分进行划分，同时又能在高频段进一步划分的优点，取代小波分解方法。从而提取出由于碰摩产生的高频振动信息。该方法的诊断流程是:首先对不同振动状态信号进行三层小波包分解，提取出八个频段内的特征，然后选择六个无量纲时域特征参数，再对采集到的线性压缩机振动信号提取这六个无量纲时域特征;接着利用这六个时域无量纲参数提取八个频段内的时域统计特征，一共得到54个特征值。然后利用距离评估技术筛选出对于碰摩振动最敏感的8个特征值，将其作为输入训练支持向量机分类器。与此同时，针对支持向量机部分关键参数对诊断精度的影响，通过遗传算法优化若干关键参数，得到最优值，从而可以识别出异常振动信号所属振动状态类别。本研究所使用的实验数据来自于中科院上海技术物理研究所第四研究室搭建的小型低温制冷机振动监测实验台，每种状态采集80组数据，60组作为训练集数据，其余20组作为验证集数据。最终的结果为线性压缩机每种状态的识别准确率。最终结果也表明该方法对于线性压缩机的碰摩引起的异常振动有着良好的识别效果。
2.研究了传统信号处理方法和当前最流行的深度学习方法相结合的智能状态监测方法。本研究的主要步骤:首先通过短时傅里叶变换(STFT)、连续小波变换(DWT)等常用的几种时频分析方法，将采集到的加速度信号数据由时域转换成二维时频图像数据。进一部压缩转换成灰度图像。紧接着根据线性压缩机的异常振动特性和数据特点建立适用于线性压缩机的卷积神经网络模型，该模型是将时频变换得到的图像信息作为输入，并通过一系列卷积、池化等操作自动提取图像信息中的振动特征。本研究探讨了在训练建立的卷积神经网络模型中各种参数（网络层数，卷积核尺寸等）对于线性压缩机异常振动识别率的影响。每类状态采集1000张图片，并经过压缩、转换成灰度图等前处理操作，得到最终的大小为32×32的像素信息，作为卷积神经网络模型输入。经过一系列的训练后得到最优的卷积神经网络模型，在此基础上，分别将短时傅里叶变换和连续小波变换得到的时频图像作为模型的输入，比较两种不同时频变换方法对于网络模型准确率的影响。结果证明，连续小波变换在针对线性压缩机振动状态识别问题上效果优于短时傅里叶变换。
3.研究了一种基于端到端的智能状态监测方法。大多数方法均是手工提取状态特征，这样的话，不仅诊断程序非常的复杂，同时对个人的专业知识要求极高，并且识别准确率直接受手工提取状态特征的影响。基于上述种种缺点，本部分研究的核心思想是直接将采集到的线性压缩机加速度信号直接作为神经网络输入，也就是排除了人为主观因素的干扰，利用卷积神经网络自动提取特征值的特点，从而达到简化诊断程序，提高识别精度的目的。对于线性压缩机而言，采样频率为1024Hz，选择一段长为512个点的时域加速度信号作为卷积神经网络输入，卷积核此时就变成了n×1大小。针对线性压缩机振动信号周期性的特征，选择相应的卷积核大小以及卷积步长，调节网络参数，得到最优网络模型。即从输入原始振动信号到通过softmax分类器得到识别的异常振动状态类别，从而为在线实时振动状态监测研究工作奠定基础。
1.研究了针对线性压缩机碰摩引起的异常振动状态的小波包分解信号特征提取方法。针对碰摩导致的高次谐波分量，小波包变换以其能够在低频部分进行划分，同时又能在高频段进一步划分的优点，取代小波分解方法。从而提取出由于碰摩产生的高频振动信息。该方法的诊断流程是:首先对不同振动状态信号进行三层小波包分解，提取出八个频段内的特征，然后选择六个无量纲时域特征参数，再对采集到的线性压缩机振动信号提取这六个无量纲时域特征;接着利用这六个时域无量纲参数提取八个频段内的时域统计特征，一共得到54个特征值。然后利用距离评估技术筛选出对于碰摩振动最敏感的8个特征值，将其作为输入训练支持向量机分类器。与此同时，针对支持向量机部分关键参数对诊断精度的影响，通过遗传算法优化若干关键参数，得到最优值，从而可以识别出异常振动信号所属振动状态类别。本研究所使用的实验数据来自于中科院上海技术物理研究所第四研究室搭建的小型低温制冷机振动监测实验台，每种状态采集80组数据，60组作为训练集数据，其余20组作为验证集数据。最终的结果为线性压缩机每种状态的识别准确率。最终结果也表明该方法对于线性压缩机的碰摩引起的异常振动有着良好的识别效果。
2.研究了传统信号处理方法和当前最流行的深度学习方法相结合的智能状态监测方法。本研究的主要步骤:首先通过短时傅里叶变换(STFT)、连续小波变换(DWT)等常用的几种时频分析方法，将采集到的加速度信号数据由时域转换成二维时频图像数据。进一部压缩转换成灰度图像。紧接着根据线性压缩机的异常振动特性和数据特点建立适用于线性压缩机的卷积神经网络模型，该模型是将时频变换得到的图像信息作为输入，并通过一系列卷积、池化等操作自动提取图像信息中的振动特征。本研究探讨了在训练建立的卷积神经网络模型中各种参数（网络层数，卷积核尺寸等）对于线性压缩机异常振动识别率的影响。每类状态采集1000张图片，并经过压缩、转换成灰度图等前处理操作，得到最终的大小为32×32的像素信息，作为卷积神经网络模型输入。经过一系列的训练后得到最优的卷积神经网络模型，在此基础上，分别将短时傅里叶变换和连续小波变换得到的时频图像作为模型的输入，比较两种不同时频变换方法对于网络模型准确率的影响。结果证明，连续小波变换在针对线性压缩机振动状态识别问题上效果优于短时傅里叶变换。
3.研究了一种基于端到端的智能状态监测方法。大多数方法均是手工提取状态特征，这样的话，不仅诊断程序非常的复杂，同时对个人的专业知识要求极高，并且识别准确率直接受手工提取状态特征的影响。基于上述种种缺点，本部分研究的核心思想是直接将采集到的线性压缩机加速度信号直接作为神经网络输入，也就是排除了人为主观因素的干扰，利用卷积神经网络自动提取特征值的特点，从而达到简化诊断程序，提高识别精度的目的。对于线性压缩机而言，采样频率为1024Hz，选择一段长为512个点的时域加速度信号作为卷积神经网络输入，卷积核此时就变成了n×1大小。针对线性压缩机振动信号周期性的特征，选择相应的卷积核大小以及卷积步长，调节网络参数，得到最优网络模型。即从输入原始振动信号到通过softmax分类器得到识别的异常振动状态类别，从而为在线实时振动状态监测研究工作奠定基础。