程炜为 刘芝庭 王宇华

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）

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。

故障诊断；深度学习；自动编码器

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。……