王远涛 冯 涛 孙 恰 王 晶 王艺瀚

(北京工商大学人工智能学院，北京 100048)

冷藏是食品日常保鲜的主要手段，制冷压缩机是冷藏设备的核心部件，也是最容易出现故障的部件。压缩机壳体的振动与其运转状态密切相关，压缩机的机械运转故障都会在壳体的振动信号中有所反映，因此，可以通过测量壳体振动信号，判断压缩机是否处于故障状态。随着人工智能的发展，作为其技术基础的机器学习方法，也开始在压缩机等机电设备运转异常检测过程得到应用，基于机器学习技术的分类模型开始得到应用[1-2]。

裴悦琨等[3]和杨志锐等[4]采用光学信号，应用机器学习方法，分别实现了樱桃和红枣的缺陷检测。在机电设备检测方面，程华利等[5]针对电机质检工序声信号的统计特征及质检工艺的特点，提出了基于一分类学习的异响检测方法。该方法以正常样本为基础建立质检判别函数，避免了其他分类算法要求训练样本类别全面和覆盖广泛的条件。温浩等[6]利用小波包时频局部化特征和支持向量机，对电机声信号进行分析，验证了这种方法的有效性。张新等[7]采用机器学习的方法对汽车调光电机进行异音识别研究，结果表明采用BP神经网络的机器学习法能够有效地识别电机异音。常嘉树[8]使用振动台及消声箱与振动测试系统，构建了一个异音异响测试环境，对汽车零部件生产线异音异响测试问题有一定的参考价值。针对洗衣机异音检测，李春阳等[9]提出了一种洗衣机异音识别模型，根据卷积神经网络显著特征提取能力和平移不变性，学习洗衣机的异音特征，实现生产线洗衣机的异音自动智能识别。……