基于MOPSO-CNN模型的压缩机气阀故障诊断技术

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。