基于深度學(xué)習(xí)的往復(fù)壓縮機故障檢測方法研究

李 強，王 杰，秦 政，王 堯，朱浩瑋，劉兆增

（中國石油大學(xué)（華東）新能源學(xué)院，山東青島 266580）

0 引言

往復(fù)壓縮機故障模式眾多［1-2］，因而一直是國內(nèi)外故障診斷學(xué)者研究的熱點。早期針對往復(fù)壓縮機的故障診斷主要是依靠專家的現(xiàn)場經(jīng)驗，這種方法的診斷結(jié)果具有較高的人為限定性。隨著傳感器與計算機技術(shù)的飛速發(fā)展，將往復(fù)壓縮機振動、壓力、電機電流等信號與機器學(xué)習(xí)算法相結(jié)合的故障診斷方法出現(xiàn)［3-4］，在實驗室研究中取得了不錯的診斷效果。Li等［5］通過測量活塞桿應(yīng)變提出了無損氣缸的示功圖繪制方法，并基于此提出用于氣閥故障診斷的示功圖關(guān)鍵特征點重構(gòu)算法。Wang 等［6］使用圖像處理方法獲取示功圖的7 個不變矩特征，并將該特征用于訓(xùn)練支持向量機的特征向量，實現(xiàn)了往復(fù)壓縮機氣閥的故障診斷。Pichler等［7-8］則將對數(shù)示功圖膨脹階段的斜率與壓力作為特征參數(shù)，用于訓(xùn)練分類器實現(xiàn)氣閥的故障診斷。唐友福等［9］基于示功圖的幾何性質(zhì)特征，利用BP神經(jīng)網(wǎng)絡(luò)作為分類器對壓縮機故障進行識別與分類。在工業(yè)應(yīng)用中，Hoerbiger、PROGNOST、Bently Nevada開發(fā)的在線監(jiān)測系統(tǒng)中主要是檢測示功圖的變化［10］。上述基于示功圖的故障診斷研究中，診斷效果主要依賴于特征提取方法的優(yōu)劣；故障診斷方法依賴于正常與故障狀態(tài)下的數(shù)據(jù)，在缺乏故障數(shù)據(jù)的情況下無法進行故障診斷。由于壓縮機故障模式多種多樣，而現(xiàn)場的故障數(shù)據(jù)較難獲取，很難收集到所有故障模式對應(yīng)的數(shù)據(jù)，使得基于給定特征與傳統(tǒng)機器學(xué)習(xí)算法相結(jié)合的壓縮機故障診斷方法具有較大的局限性。近年來，隨著深度學(xué)習(xí)在機器視覺領(lǐng)域的興起［11］，依靠強大的學(xué)習(xí)性能，深度學(xué)習(xí)模型可以從原始信號中直接提取特征，并通過訓(xùn)練實現(xiàn)數(shù)據(jù)分類。楊洪柏等［12］將氣閥正常與故障狀態(tài)下的原始振動信號作為輸入，利用卷積神經(jīng)網(wǎng)絡(luò)對信號特征進行提取，獲得了較高的故障識別率。但該種方法同樣依賴于故障數(shù)據(jù)集，這也是限制卷積神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于機械設(shè)備故障診斷的重要原因之一。

為了擺脫卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于故障診斷時過度依賴于故障數(shù)據(jù)集的問題，同時解決人為提取特征的冗余性與不足性，本文以往復(fù)壓縮機示功圖為研究對象，提出了基于AlexNet卷積神經(jīng)網(wǎng)絡(luò)的壓縮機運行工況分類模型，并通過對分類模型全連接層一維特征向量的處理，提出了故障檢測算法。以AlexNet 卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)架構(gòu)的故障檢測模型基于正常數(shù)據(jù)集進行訓(xùn)練，利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）對示功圖自動提取特征，通過實驗驗證并判斷是否存在異常。

1 故障檢測方法

本文以AlexNet 卷積神經(jīng)網(wǎng)絡(luò)為原型，以往復(fù)壓縮機示功圖為故障檢測對象，搭建基于AlexNet 卷積神經(jīng)網(wǎng)絡(luò)的故障檢測模型。

1.1 AlexNet卷積神經(jīng)網(wǎng)絡(luò)

AlexNet 是由Hinton 和Alex Kri-zhevsky 等［13］提出的卷積神經(jīng)網(wǎng)絡(luò)模型，它共有8 層帶權(quán)重的網(wǎng)絡(luò)層，包含5 層卷積層Ci（i＝1，2，…，5）（其中第1、2、5 層卷積層后各包含1 層最大池化層）和3 層全連接層FCi（i＝6，7，8）。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)方法相比，AlexNet采用ReLU激活函數(shù)改善了梯度消失及收斂波動問題，同時，通過引入DropOut方法控制過擬合［14］。基于上述特點與優(yōu)勢，本文選擇AlexNet 為基本分類模型通過修改模型結(jié)構(gòu)搭建故障檢測模型。同時，根據(jù)本文研究對象的復(fù)雜程度對原網(wǎng)絡(luò)結(jié)構(gòu)進行了部分精簡，縮減了卷積核數(shù)目與全連接層的神經(jīng)元數(shù)目。本文使用精簡后的網(wǎng)絡(luò)結(jié)構(gòu)與相關(guān)參數(shù)如圖1 所示。

圖1 AlexNet卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

1.2 卷積神經(jīng)網(wǎng)絡(luò)模型

本卷積神經(jīng)網(wǎng)絡(luò)模型由圖像輸入、卷積層與池化層、全連接層與輸出層以及優(yōu)化器與損失函數(shù)組成。

（1）圖像輸入。往復(fù)壓縮機的示功圖反映了壓縮機的運行狀態(tài)以及工作特性，它對氣閥、活塞組件等常見故障較為敏感，故選擇示功圖作為故障檢測對象。通過鍵相傳感器識別壓縮機運行過程、壓力傳感器測量氣缸動態(tài)壓力的方法實測的示功圖如圖2 所示。

圖2 往復(fù)壓縮機示功圖

本文采用卷積神經(jīng)網(wǎng)絡(luò)進行特征提取時，圖2 所示示功圖的橫縱坐標(biāo)刻度、標(biāo)簽與壓縮機運行過程無關(guān)，為輔助說明信息而非特征信息，在生成圖片數(shù)據(jù)集時去除該類信息，僅保留與壓縮機運行過程有關(guān)的示功圖形狀信息。此外，對比圖2（a）與（b）可以發(fā)現(xiàn)，在具有不同排氣壓力的工況下采用相同的縱坐標(biāo)會導(dǎo)致排氣壓力較低工況的示功圖中出現(xiàn)大面積空洞，若不加處理，空洞特征也將作為主要特征被訓(xùn)練與學(xué)習(xí)，從而影響模型訓(xùn)練精度與使用效果。故在預(yù)處理時，將縱坐標(biāo)進行歸一化處理，

此外，為了增加示功圖形狀與背景的對比度，將示功圖進行二值化處理。如圖3 所示為預(yù)處理后的示功圖。

圖3 預(yù)處理后的示功圖

（2）卷積層與池化層。卷積層的目的是將輸入圖片的主要特征進行提取，AlexNet 網(wǎng)絡(luò)具有5 層卷積層，卷積核大小與步長分別為：C1＝11 ×11，S1＝4；C2＝5 ×5，S2＝1；C3＝C4＝C5＝3 ×3，S3＝S4＝S5＝1。卷積運算式為

式中：y（i，j）為卷積運算結(jié)果矩陣中的元素；A為圖像經(jīng)數(shù)字采樣后獲得的數(shù)字矩陣；K為卷積核；k為卷積核大小；i，j分別為矩陣中行、列的索引。

卷積運算后的結(jié)果需要進入激活函數(shù)進行計算，AlexNet網(wǎng)絡(luò)采用ReLU函數(shù)作為激活函數(shù)

在池化層運算中，通過采用下采樣的方法降低特征圖維度，對圖片的特征進一步提取，并減少參數(shù)。不同于其它的網(wǎng)絡(luò)模型，AlexNet使用的池化（Pooling）是可重疊的，在池化過程中，每次移動的步長小于池化的窗口長度。池化的大小為3 ×3 的正方形，每次池化移動步長為2，與非重疊方案池化大小為2 ×2，步長為2相比，輸出的維度是相等的，但重疊池化能在一定程度上抑制過擬合，即：

式中：y為數(shù)字矩陣；i，j分別為矩陣y中行與列的索引；λ為池化移動步長；l為池化區(qū)域長度；w為池化區(qū)域?qū)挾取?/p>

（3）全連接層和輸出層。AlexNet 網(wǎng)絡(luò)具有3 層全連接層FCi（i＝6，7，8），F(xiàn)C6與FC7神經(jīng)元數(shù)量均為2 048，本文設(shè)為1 024，Dropout 比例均為0.2，F(xiàn)C8為采用softmax 函數(shù)作為激活函數(shù)的全連接層，softmax分類器是logistic二類分類器的一個泛化，可實現(xiàn)多類別分類［15］。最終輸出多類樣本標(biāo)簽的概率分布。FC8全連接層的第i個神經(jīng)元的輸出

式中：N為FC8全連接層的神經(jīng)元數(shù)量，同時也是樣本類別數(shù)量；Vi和Vj為FC8全連接層中的第i個和第j個神經(jīng)元。

（4）優(yōu)化器與損失函數(shù)。優(yōu)化器將計算的損失函數(shù)的梯度應(yīng)用在模型訓(xùn)練計算的變量更新中，不斷對模型參數(shù)進行迭代更新，直到循環(huán)次數(shù)達到預(yù)設(shè)值。本文采用學(xué)習(xí)率自適應(yīng)的Adam 進行權(quán)值參數(shù)優(yōu)化，通過式（5）得到樣本m的第i個神經(jīng)元的softmax 值pm，i并與反映樣本m與類別i的從屬關(guān)系函數(shù)lm，i求取交叉熵，作為損失函數(shù)

式中：M為樣本的數(shù)量；lm，i為樣本m的實際類別函數(shù)，當(dāng)樣本m屬于類別i時取1，否則取0。

1.3 分類模型訓(xùn)練

本文的分類模型訓(xùn)練流程包括：數(shù)據(jù)集采集、前向傳播求誤差、反向傳播更新網(wǎng)絡(luò)參數(shù)以及模型測試。

（1）數(shù)據(jù)集采集。通過往復(fù)空氣壓縮機實驗測試平臺采集正常工作狀態(tài)下各個工況的示功圖，并去除圖片中的輔助說明信息，形成帶有各個工況標(biāo)簽的數(shù)據(jù)圖集I。

（2）前向傳播求誤差。將每個標(biāo)簽的樣本集按比例隨機分成訓(xùn)練集、驗證集和測試集。為了加快參數(shù)更新速度，將數(shù)據(jù)圖集I隨機劃分為多個小批量樣本組，每個樣本組包含b個樣本，初始化網(wǎng)絡(luò)參數(shù)、學(xué)習(xí)率ε，Dropout 比率，每次從訓(xùn)練集中選擇小批量b個樣本進行卷積、池化、全連接運算，求取最終的softmax輸出值，并根據(jù)式（6）求取損失函數(shù)。

（3）反向傳播更新網(wǎng)絡(luò)參數(shù)。基于前向傳播的損失，利用Adam算法迭代更新網(wǎng)絡(luò)參數(shù)，直至一個批量樣本組循環(huán)結(jié)束。然后，在樣本集中再依次選擇b個不同樣本，重復(fù)上述小循環(huán)，直至循環(huán)完成所有樣本。在訓(xùn)練過程中，每輪循環(huán)結(jié)束時，使用驗證集驗證網(wǎng)絡(luò)的分類效果，若模型具有良好的分類性能，則將當(dāng)前的網(wǎng)絡(luò)參數(shù)保留，否則對網(wǎng)絡(luò)參數(shù)進行調(diào)整。

（4）模型測試。使用預(yù)留的測試集樣本對網(wǎng)絡(luò)的泛化能力進行測試，若模型分類性能達標(biāo)，則將此時的網(wǎng)絡(luò)參數(shù)作為后續(xù)故障診斷模型的結(jié)構(gòu)參數(shù)，反之，調(diào)整Dropout比率。

1.4 故障檢測算法實現(xiàn)

壓縮機正常工作情況下各個工況的示功圖特征被卷積神經(jīng)網(wǎng)絡(luò)識別與學(xué)習(xí)后得到壓縮機運行工況分類模型，該模型可以很好地提取示功圖特征，并將不同運行工況下的示功圖特征差異化，基于該特點，本文利用AlexNet分類模型作為主干特征提取網(wǎng)絡(luò)，通過共享網(wǎng)絡(luò)權(quán)值，對比同一特征提取網(wǎng)絡(luò)下全連接層的輸出，將壓縮機運行工況識別的多分類模型轉(zhuǎn)化為故障檢測的二分類模型。

當(dāng)示功圖樣本m輸入至已訓(xùn)練好的N分類模型后，經(jīng)卷積、池化與全連接，示功圖特征被提取與高度壓縮，最終在全連接層中輸出一維特征向量F＝［f1，f2，…，fi，…，fN］，對于同一類樣本經(jīng)相同的特征提取網(wǎng)絡(luò)處理后獲得的一維特征向量F的分量大小、分布相近，而不同類樣本間或異常樣本與正常樣本間差異較大。本文基于該特征向量的特點構(gòu)建異常檢測算法：①將2 個一維特征向量作差并取絕對值，獲得；②提取ΔF的最大分量Δfi，并將上述最大分量輸入sigmod 函數(shù)中，將其映射至（0，1）之間，并將其定義為差異度ΔS（如式7）；③將差異度與給定的閾值ρ 作比較，判斷樣本是否存在異常。即當(dāng)sigmod（Δfi）小于ρ 時判斷樣本為正常，否則為異常：

上述故障檢測算法是基于樣本間的特征向量的差異展開，涉及實際樣本與參照樣本之間的比較，對于同一類樣本，其間一維特征向量差異較小，但考慮總體特征表現(xiàn)，將每一類訓(xùn)練集中的所有正常樣本的特征向量進行平均處理，獲得每一類平均化后的特征向量。由于不同類樣本間特征向量差異較大，引起的差異度較大，可能會產(chǎn)生超過閾值引起誤判的現(xiàn)象，故本文采用計算兩特征向量L1 范數(shù)（如式8）的方法先進行類別匹配，再計算差異度。

式中，fa，i與fd，i分別為平均化后的參照樣本工況a與實際待檢樣本工況d的一維特征向量的第i個分量。

L1 范數(shù)相當(dāng)于求取了2 個一維向量的距離，實際待檢樣本特征向量與各類樣本平均化后的特征向量的L1 范數(shù)越小則歸屬關(guān)系越強烈，即使是故障樣本也是在某1 工況下發(fā)生的，雖然特征向量與正常工況差異較大，但特征向量分布仍與故障前工況相近，其與故障前正常工況的L1 范數(shù)最小，也可實現(xiàn)類別匹配。匹配完成后，計算實際待檢樣本與該類別的差異度并與閾值ρ作比較進行異常樣本檢測。具體異常檢測算法流程如圖4 所示。

圖4 異常檢測算法流程

2 實驗與分析

2.1 實驗裝置

本文基于往復(fù)壓縮機性能測試實驗的示功測試原理，通過改裝單級無油潤滑往復(fù)空氣壓縮機搭建了實驗測試裝置。實驗裝置由往復(fù)壓縮機、低壓直流電源、壓力傳感器、鍵相傳感器、數(shù)據(jù)采集卡等硬件與數(shù)據(jù)采集軟件2 部分組成，硬件主要參數(shù)：往復(fù)壓縮機的排氣壓力范圍為0～0.8 MPa，轉(zhuǎn)速為1 440 r／min；低壓直流電源為雙通道輸出，電壓輸出范圍為0～36 V；壓力傳感器量程為0～1 MPa，0～10 V 信號輸出，精度為±0.5%FS；鍵相傳感器為旋轉(zhuǎn)編碼器，5 V 脈沖信號輸出，分辨率為360 P／R；數(shù)據(jù)采集卡采用NI 數(shù)據(jù)采集卡，單端32 通道，ADC 分辨率16 Bit。實驗裝置如圖5 所示。

圖5 實驗裝置

為測量氣缸動態(tài)壓力：①在氣缸壓板上開孔將氣缸內(nèi)氣體壓力引出并與壓力變送器連接獲得與壓力成正比的電壓信號；②為了將氣缸動態(tài)壓力與壓縮機工作過程相對應(yīng)，以曲柄轉(zhuǎn)角為中間變量，將360 P／R的三相增量型旋轉(zhuǎn)編碼器作為鍵相傳感器，將Z相起點與活塞上止點對應(yīng)，作為每周期壓力信號采樣起點，利用A相等角度發(fā)射脈沖信號的特性觸發(fā)壓力信號采樣；③通過調(diào)節(jié)壓縮機排氣閥調(diào)節(jié)排氣壓力，以改變壓縮機工況。本實驗選擇4 個排氣壓力分別為0.3、0.4、0.5、0.6 MPa 工況下的示功圖作為訓(xùn)練數(shù)據(jù)集，設(shè)置數(shù)據(jù)采集卡采樣頻率為8 640 Hz，每次采集1 個工況下壓縮機單個工作周期的360 個氣缸動態(tài)壓力數(shù)據(jù)點，連續(xù)采集230個周期，共計920 個樣本，組成樣本集，每個工況數(shù)據(jù)中取170 個樣本按照14：3 的比例隨機分為訓(xùn)練集和驗證集，剩余的60個樣本用于測試。

2.2 故障模擬

本文在往復(fù)式壓縮機故障模擬試驗裝置上對故障檢測模型的準確性進行了驗證，按上述預(yù)定的4 個工況排氣壓力的吸、排氣閥泄漏故障進行模擬，獲取故障數(shù)據(jù)集作為測試集。實驗使用的壓縮機氣閥為舌簧閥，本文通過在舌簧閥片上開直徑為1 mm 的圓孔作為泄漏孔實現(xiàn)故障的模擬，如圖6 所示。調(diào)節(jié)壓縮機排氣閥，使壓縮機分別在上述4 個工況下穩(wěn)定工作，按設(shè)定的采樣率，在每個工況下采集壓縮機單個工作周期的氣缸動態(tài)壓力數(shù)據(jù)點，每個工況采集60 個周期。最終獲得的數(shù)據(jù)集數(shù)量：①正常情況運轉(zhuǎn)時，測試4個工況，訓(xùn)練樣本數(shù)分別各為140 個、驗證樣本數(shù)量分別各為30 個、測試樣本數(shù)量分別各為60 個；②模擬故障運轉(zhuǎn)時，測試4 個工況，測試樣本數(shù)量分別各為60 個。

圖6 舌簧閥泄漏故障模擬

2.3 模型訓(xùn)練參數(shù)尋優(yōu)

在模型訓(xùn)練中影響訓(xùn)練速度與準確率的參數(shù)有Adma的學(xué)習(xí)率（ε）、批尺寸大小（batch_size）。為尋找最佳參數(shù)，遵循單一變量原則對各個參數(shù)取不同值，研究其訓(xùn)練精度的變化趨勢，變化曲線如圖7 所示。

圖7 訓(xùn)練精度的變化趨勢圖

圖7（a）為批尺寸batch_size ＝32 的訓(xùn)練精度隨學(xué)習(xí)率變化曲線，由圖可以看出，當(dāng)學(xué)習(xí)率為0.000 1時，訓(xùn)練精度最先穩(wěn)定并達到最大值。當(dāng)學(xué)習(xí)率減小時，訓(xùn)練精度收斂速度變慢；當(dāng)學(xué)習(xí)率增大時，訓(xùn)練精度產(chǎn)生波動，并逐漸降低。圖7（b）為學(xué)習(xí)率ε ＝0.000 1 的訓(xùn)練精度隨批尺寸大小變化曲線，由圖可以看出，達到最優(yōu)訓(xùn)練精度所需的迭代批數(shù)隨著批尺寸的增大而增加，但由于批尺寸的不同，每個迭代批數(shù)中的迭代次數(shù)不同，批尺寸大小分別為30、60、90、120時，達到穩(wěn)定的最大訓(xùn)練精度所需的迭代次數(shù)分別為252、81、66、60，故當(dāng)批尺寸大小為120 時，可以以最少的迭代次數(shù)達到最優(yōu)的訓(xùn)練精度，該批尺寸大小也是驗證集所能達到的最大值。因此，為了獲得較高的訓(xùn)練精度，將優(yōu)化器的學(xué)習(xí)率設(shè)置為0.000 1，批尺寸設(shè)置為120。

3 模型性能試驗

為了對本文提出的故障檢測模型進行測試，隨機選擇了未用于模型訓(xùn)練的正常測試數(shù)據(jù)集與故障測試數(shù)據(jù)集樣本各40 個，建立混淆矩陣，計算準確率、精確率、召回率與F1 值，評價模型性能。

3.1 故障示功圖對比

將吸、排氣閥泄漏故障下的歸一化示功圖與正常狀態(tài)下的歸一化示功圖進行對比，對比情況如圖8所示。

由圖8 可知，壓縮機的運行狀態(tài)發(fā)生變化時，在示功圖上主要體現(xiàn)在壓縮線和膨脹線的斜率變化，以及進、排氣線的長短變化：①當(dāng)壓縮機吸氣閥發(fā)生泄漏時，由圖8（a）可知，壓縮氣體從吸氣閥泄漏，壓縮線變得平緩，斜率的絕對值下降，排氣過程線縮短，同時，氣體在氣閥未開啟時便可進入氣缸，導(dǎo)致膨脹過程被加快，進氣過程延長；②當(dāng)排氣閥泄漏時，由圖8（b）可知，高壓的氣體進入氣缸，壓縮線變得陡峭，斜率的絕對值變大，排氣閥提前打開，排氣過程延遲，同時，高壓氣體不斷進入氣缸，導(dǎo)致膨脹過程延長，進氣過程縮短。由上面的圖譜也可以發(fā)現(xiàn)，壓縮機發(fā)生輕微故障時，雖然圖譜曲線形狀會發(fā)生變化，但變化并不大，依賴人工進行故障檢測，具有一定難度，而采用卷積神經(jīng)網(wǎng)絡(luò)則可以很好地捕捉圖像變化。

3.2 異常檢測結(jié)果

將上述正常與故障狀態(tài)下的示功圖樣本輸入異常檢測模型，模型將返回每個樣本與相似類別的正常樣本間的差異度，當(dāng)差異度大于等于閾值時則判斷為異常，反之，正常。設(shè)定不同的閾值，建立如表2 所示的混淆矩陣（其中，TP（True Position）為真陽性、FP（False Position）為假陽性、FN（False Negative）為假陰性、TN（True Negative）為真陰性），從而計算出指標(biāo)：準確率Acc ＝（TP+TN）／（TP+TN+FP+FN）、精確率Precision ＝（TP）／（TP+FP）、召回率Recall ＝（TP）／（TP+FN）、F1 值F1 ＝（精確率×召回率×2）／（精確率+召回率），作為模型可靠性評價標(biāo)準。

圖9 為評價指標(biāo)隨閾值的變化曲線，由圖可知，隨著閾值的提高，模型容錯能力下降，精確率下降，準確率、召回率與F1 值均有所提高。當(dāng)閾值為80%時，在正常數(shù)據(jù)與故障數(shù)據(jù)各40 條的情況下：預(yù)測正確的正常樣本為36 個，預(yù)測錯誤的正常樣本為4 個；預(yù)測正確的異常樣本為39 個，預(yù)測錯誤的異常樣本為1 個。模型的準確率為93.75%，精確率為97.30%，召回率為90%，F(xiàn)1 值為93.51%，模型取得了很好的預(yù)測效果。同時，通過圖9 也可以發(fā)現(xiàn)，閾值在80%～90%之間時，模型的準確率均在90%以上，這說明模型可以在閾值波動較大的情況下仍保持較好的效果。而在實際運用時，閾值可以根據(jù)正常測試樣本的差異度平均值，并考慮一定的容錯裕度進行設(shè)定，并且在使用過程中不斷修正，使得模型的使用效果達到最優(yōu)。

圖9 評價指標(biāo)隨閾值的變化曲線

4 結(jié)論

本文提出的基于卷積神經(jīng)網(wǎng)絡(luò)的往復(fù)壓縮機故障檢測模型，以往復(fù)壓縮機示功圖為診斷對象，利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）進行特征提取，通過對比樣本特征之間的差異進行故障檢測。同時，通過搭建的往復(fù)空氣壓縮機實驗測試裝置，對進、排氣閥泄漏故障進行模擬測試，結(jié)果表明：在僅有壓縮機正常運行數(shù)據(jù)的情況下，可以很好地完成往復(fù)壓縮機熱力性能故障的檢測，當(dāng)故障評判閾值為80%～90%之間時，模型的故障識別準確率可達90%以上，可進一步對故障氣缸進行定位，為故障早期快速報警奠定了基礎(chǔ)。同時，該壓縮機故障模擬實驗也可用于過程流體機械課程的教學(xué)實驗或本科生的自主開放實驗。