问题背景

往复式压缩机的智能故障诊断包括两个步骤：特征提取和模式识别。主要在时域、频域和时频域中提取特征。特征提取的有效性直接影响到后续的诊断结果。由于往复式压缩机包含许多旋转和运动部件，因此会产生许多振动源，所测量的振动信号通常包括瞬态振动和噪声。结果，信号的频率带宽具有复杂的形状以及呈现非线性特性。因此，传统的智能故障诊断方法往往不适用于往复式压缩机，影响故障模式识别的准确性。

往复式压缩机

解决方案

为了提高复杂系统的故障诊断精度，本文不采用传统的故障诊断方法，而是应用深度卷积神经网络（CNNs）来处理这种非线性、非平稳的故障信号。

• 建立一维 CNN 模型，使用单个测量点的原始振动信号（仅使用一个传感器收集单通道信号）来训练网络。接下来，建立原始振动信号到故障类型的非线性映射。CNN 用于提取原始信号的特征，实现往复式压缩机气阀的故障诊断。实验在单测点条件下进行。

• 使用多个测量点（四个振动传感器、四个压力传感器、一个关键相位传感器）的八通道信号应用于一维 CNN 模型和一个二维 CNN 模型，用于往复式压缩机阀门故障诊断。

一维 CNN 多测量点的往复式压缩机阀门故障诊断模型

2-D CNN 多测量点的往复式压缩机阀门故障诊断模型

总结说明

本文提出了一种基于 CNN 的基于单测点振动信号或多测点信号（包括振动、压力和关键相位信号）的往复式压缩机故障诊断方法。在单点振动信号中，使用深度学习方法中的一维 CNN 模型进行诊断，并与三种典型方法进行比较。一维 CNN 的识别准确率为 100%，高于其他三种典型模型的比较。结果证明了 1-D CNN 模型的有效性。接下来，为了比较单点模型和多点模型的准确性，基于 1-D CNN 的实验进行了验证。实验结果表明，在 5 个信噪比下，一维 CNN 单点模型的准确率高于一维 CNN 多点模型。当信噪比为 10dB 时，差异最大，一维 CNN 多点模型的准确率仅为 55.59%。然而，一维 CNN 单点模型的准确率是 85.58%。然后，建立二维 CNN 多点诊断模型，并与前两种模型进行比较。

不同噪声强度下测试集样本的一维 CNN 多点模型的密集层 1 输出的 PCA

不同噪声强度下 2-D CNN 多测点模型的密集层 1 中测试集样本输出的 PCA