1.这么多年居然都用错了！5张图教你正确使用冰箱

有小伙伴迫切想要知道《冰箱的正确使用方法》，毕竟夏天续命，除了空调还有冰箱。

天气一热，冰箱的使用率就蹭蹭往上涨！

但是怎么用真的要注意，否则你的冰箱，很有可能会成为家里真正的“垃圾桶”，危害全家人的健康。

话不多说，这就献上我们整理出来的《冰箱使用指南》，学会后全年无忧，稳坐一家之主（打扫）的地位了~

1、这些食物可以放冰箱（但不要放太久）

2、这些食物不属于冰箱（放了坏更快）

3、冰箱建议这样摆（整齐好看又科学）

4、“扔”比除臭更重要（定期整理很必要）

5、冰箱值得拥有的好帮手

收纳-除臭-清理一条龙

冰箱不是保险箱，所有食物都有过期的时候，千万别让它成为伤害家人健康的“隐藏杀手”。

这份指南虽然看起来条条框框，其实都是随手就可以做到的小事，开始尝试接受，慢慢就会成为一种习惯。

今天就回家理一理自己的冰箱吧~

该吃吃，该扔扔，美好的夏天回忆，冰箱也算一份。

2.单词联想fridge fidget

fridge

英/frɪdʒ/美/frɪdʒ/

n. 冰箱

fidget

英/ˈfɪdʒɪt/美/ˈfɪdʒɪt/

vi. 烦躁；坐立不安；玩弄

n. 烦躁；坐立不安；烦躁不安的人

vt. 使不安；使烦乱

You could take this as a license to fidget.

你可以把这作为坐立不安的一个理由。

Moving around throughout the day can inhibit a tendency to fidget and chatter.

一天内四处走动可以抑制你的烦躁和喋喋不休的谈话。

fidgety

英/ˈfɪdʒɪti/美/ˈfɪdʒɪti/

adj. 不安的，烦躁的；难以取悦的

Mr Fukui is less fretful and fidgety.

福井俊彦没有那么躁动和不安。

forget

英/fəˈɡet/美/fərˈɡet/

v. 忘记，遗忘；忘做；忽略，不再关注；不再打算做，放弃；忘乎所以，举止不得体

Let's forget the whole thing.

咱们彻底忘掉这件事吧。

I forget how the next line goes.

我忘记下一行怎么说了。

3.对虾养殖中，DIV1是巨大的威胁！关于DIV1又有新发现！

前言：

一项最新研究表明，高温会影响十足目虹彩病毒1 (DIV1) 的生长和致病性，影响病毒在组织中的复制并影响白对虾的存活率。因此，高水温下养殖的虾病毒载量较高，更容易受到DIV1感染。

十足目虹彩病毒1（DIV1）属于虹彩病毒科，是虾类中的一种奇怪病毒，近年来对虾养殖业造成了巨大损害。虹彩病毒科可感染昆虫、两栖动物和鱼类，受感染的南美白对虾死亡率很高，15天内死亡率高达100%。虾被DIV1感染有以下迹象：虾体呈红色，壳软，沉入池底，大约两三天后，池塘里的虾就会全部被感染而死亡。

温度波动会影响虾的生理活动，如：生长速度、抗病力和代谢率。此外，研究表明温度会影响不同病毒的复制率（Kan et al., 2013）。

多项研究结果表明，高水温可降低感染WSSV病毒的虾的死亡率（Vidal et al.,2001），抑制WSSV复制（Moser et al.,2012）；Taura TSV综合征（Coté et al.,2010）和上皮和造血坏死病毒 IHHNV（Montgomery-Brock et al.,2007）的发病率。

一、研究设置

1、随机取样的南美白对虾（平均重量3.58±1g）并进行PCR检测，以确保没有感染IHHNV、WSSV和DIV1。自然感染DIV1的虾获自广东某的一个养殖场。水温根据实验温度调整（26±1℃和32±1℃）。DIV1病毒样品是从自然感染的南美白对虾的组织中提取的。

2、南美白对虾在不同温度（26±1°C和32±1°C）和相同盐度下养殖，然后注射DIV1（虾注射50μL DIV1提取物。含有1.0 x 104 cfu/μL）。对照组的虾保持在相同的温度下，注射50 µL PBS。该测试分为3组，每组每池30尾虾。

3、感染后6、12和24小时 (hpi)，在每个温度下随机取样3尾虾。收集鳃、肝胰腺、腹腿、肠和肌肉并放入-80°C的冰箱中（Fouzi et al.,2010）。6小时后计算每组的存活率。

二、研究成果

1、 存活率

试验期间，南美白对虾的成活率不断下降。同时，在相同水温下，实验组（感染组）和对照组（未感染组）之间存在较大差异。实验组96 hpi的存活率明显低于未感染对照组。在26±1℃的温度下，感染组的存活率为4.44%，而对照组的存活率为78.89%。另一方面，32±1℃下感染组的存活率最低，为2.22%，对照组为86.67%。26±1℃和32±1℃感染组的存活率无显着差异，均低于5%。32±1℃比26±1℃虾死亡要提前，可能与虾对高水温的易感性增加，使其更容易受到疾病、更多的DIV1感染有关。

2、不同水温下DIV1增殖情况

qPCR分析显示，在DIV1感染早期，32±1℃组大多数组织中的病毒拷贝数显着高于26±1℃组。这项研究与Cheng等人2005年的研究中温度与病原体的相关性非常相似，表明南美白对虾在从27-28°C变为32-34°C后的最初24小时内对溶藻弧菌更敏感（Cheng W et al.005）。在26±1°C的温度下，每个感染组织中的DIV1拷贝数在6和24hpi时存在显着差异。DIV1在肠道中复制速度最快，检测到的数量最多（图2）。在32±1°C下取样的组织在6hpi和24hpi时也存在显着差异。在这些组织中，肌肉组织的病毒载量最高（图3）。

DIV1在两种不同的水温下以不同的速率复制。除肠道外，6hpi 时，32 ± 1°C下的样本组织中DIV1拷贝数高于26±1°C下的DIV1拷贝数，尤其是鳃、腹足和肌肉中的DIV1拷贝数差异显着。12 hpi时，与26±1°C相比，32±1°C下肠道和肌肉中的拷贝数显着更高，特别是32±1°C下肌肉中的DIV1拷贝数远高于26±1°C下的拷贝数。然而，在24hpi时，26±1℃时鳃、肝胰腺、腿和肠中的DIV1拷贝数远高于32±1℃时，而32℃时肌肉中的DIV1拷贝数远高于26±1°C。

三、得出结论

在测试的两种水温下，DIV1感染组和对照组之间的存活率和病毒载量存在显着差异。在这两个测试温度下，感染DIV1的虾的存活率在30 hpi时下降至 5%。这项研究表明，将南美白对虾转移到较高的水温中对DIV1感染造成的损害没有有益的影响。感染DIV1的南美白对虾在26±1℃下48小时内存活率下降至4.44%，在32±1℃下30小时内下降至2.22%。高水温养殖的南美白对虾病毒载量高，更容易感染DIV1。在32±1°C时，几乎所有组织都在第一感染阶段达到病毒载量阈值。

4.「本期期刊封面文章推介」基于自编码器的冰箱压缩机振动信号特征提取及故障检测

刘恒1 冯涛1 王晶1 杨伟成2

1. 北京工商大学

2. 中国家用电器研究院

摘要

Abstract

异音检测是压缩机质量控制的重要环节，针对压缩机故障样本信号稀少的特点，提出了一种利用自编码器提取冰箱压缩机正常信号样本共性特征进而实现故障检测的方法。在大量正常信号样本的基础上提取出共性特征，由于正常和故障样本的重构误差不同，可确定最优阈值作为故障分类标准。研究结果表明：在故障信号样本稀少的条件下，应用冰箱压缩机正常信号样本的共性特征对其故障信号样本进行检测，判断准确率可达97.4%。

关键词

Keywords

自编码器；声信号；共性特征；故障稀少

DOI:10.19784/j.cnki.issn1672-0172.2022.04.006

0 引言

异音检测是压缩机产线质量检测的重要工序环节，许多专家学者在压缩机检测方向进行了深入研究并取得了优质的成果[1-4]。近年来，随着机器学习的快速发展，深度学习被引入到机械故障检测中，并取得了成果。通常，故障检测包括特征提取和分类两个步骤。从原始信号中提取故障特征，然后通过人工经验判断或模态识别技术进行分类[5-7]。尽管这些方法取得了一定成果，但其良好的性能需要大量标记数据。对于实际使用的压缩机，很难收集到足够的标记数据。杨斌等人[8]提出了一种基于特征的迁移神经网络（FTNN），利用实验室机器的诊断知识来识别实际机器的健康状态以解决样本数据少的问题。李春阳等[9]利用数据增强的方式开发出一种基于卷积生成对抗网络模型用以解决训练样本稀少的问题。在实际中，压缩机大多在正常状态下运行，呈现正常信号样本丰富，故障信号样本稀少的特点。为解决冰箱压缩机故障信号样本稀少的难题，本文应用自编码器模型，以大量正常信号样本为基础，研究冰箱压缩机正常信号样本共性特征的提取方法，进而实现压缩机的异音检测。

1 自编码器模型

自编码器由编码器和解码器两部分构成，编码环节通过输入原始数据对数据进行压缩，得到低维数据空间中的特征向量，该特征包括原始特征的本质信息。而解码环节通过前向传播对自编码器的参数进行优化调整，最终学习到原始数据的特征。如图1所示。

自编码器编码、解码过程可表示为[10]：

编码过程：

其中，σα为激活函数，在编码阶段采用的为Relu激活函数，W为输入数据的权重，b为偏置。

解码过程：

其中，σβ为激活函数，在编码阶段采用的为Relu和Sigmoid激活函数相结合的方式，W'为输出数据的权重，取W' = WT，b'为偏置。通过不断更新各层的调节权重和偏置参数，使重构误差达到最小，达到最优网络。

Adam算法（Adaptive Moment Estimation Algorithm, Adam）广泛用于深度学习优化的学习，不仅可以采用动量法作为参数的更新方向，还可以通过矩估计法调节每个参数的学习率。由于Adam算法对超参数具有很强的鲁棒性，因而在深度学习领域被广泛应用。Adam算法参数的更新差值为[11]：

其中，Δθt为需要更新的参数；

为对一阶梯度的校正，可以提供增大学习率的参数，加速训练能力；

为对二阶梯度的校正，提供减少学习率的能力；

为常数；α为学习率。

2 自编码器特征提取方法

自编码器声信号共性特征提取流程如图2所示，步骤如下：

（1）采集原始振动信号。

（2）对采集的信号进行预处理，图3 a)、图4 a)分别为采集到的正常样本信号通过不同预处理后的频谱图。

（3）划分为训练集和测试集。

（4）把训练集的样本作为自编码器的输入、将解码后的输出当作重构目标，损失函数为：

（5）将正常样本输入到编码器中得到的输出即为正常信号的共性特征信息，提取到的隐藏层共性特征如图3 b)、图4 b)所示。

（6）将测试集中的振动信号输入网络通过重构误差对比进行故障检测分类。

由于故障样本较难收集，考虑到测试集数据正负样本差距较大，需对故障样本进行重叠采样以建立一个平衡的数据集，本文对原始样本进行一定重叠比例分割的方法。采用重叠分割的方法对数据进行扩充，样本扩充示意图如图5所示，这样做既可以保证数据信息不会损失，同时还能提高样本数量。在选择样本长度的问题上，过短的信号样本会导致信息量不足，过长的样本又会使整体模型学习时间过长，所以选择一个适合的样本长度也是至关重要的。

样本扩充公式如下：

其中，N为以重叠率η分割后的样本数量，L为一段声信号样本的长度，len为预先设置分割后的样本长度。

3 检测结果与讨论

以某型冰箱压缩机为研究对象，在生产线上采集其壳体振动信号，振动信号采集过程中所使用的设备主要包括带有Pulse系统的计算机、采集卡及加速度传感器。采集过程如图6所示，将加速度传感器贴在处于工作状态中的压缩机外表面，并用Pulse系统将压缩机的振动信号录制下来。采集到的振动信号由专业人员进行分类，包括正常和异常两种压缩机振动信号。涉及的故障类型主要包括无油、内排气管焊堵、阀减震弹簧与内排气管间隙大、吸油管脱落、内排气管碰壳。采集到正常数据893个，故障数据52个，采用预处理后得到正常信号样本4937个，故障信号样本为532个。其中训练集只包括正常样本，数量为2000个；测试集包括正常和故障样本两类，分别取500个，训练集与测试集的样本并不重叠。

自编码器模型使用正常数据训练得到，正常数据的重构结果与正常原始数据相差较小；但是将故障数据代入该自编码器模型中，所得到的重构结果就会与故障原始数据有较大的误差，可以对重构误差设置相应的阈值以实现故障机的识别，通过均方差计算可确定最优阈值作为故障分类标准。图7为采用频域FFT对数谱的数据处理方式得到的正常、故障样本均方差图，从图中可以看出正常样本与故障样本的均方差分布以6100左右为界限，最后可进行细化测试，找到最佳阈值的位置。

选择合适的数据处理方式在学习模型中起到了一个关键的作用，考虑样本为一维时域信号，通常信号数据处理方式有时域处理、FFT频域处理等处理方式，这里选用FFT频域处理和FFT频域对数处理两种方式进行不同学习率对学习模型的影响，为了消除随机误差的影响对每组分别进行5次测试，并以测试集最终的平均准确率为结果。表1为不同数据处理方式和学习率实验结果。

使用频域FFT及频域FFT对数谱的数据处理分别在不同学习率下的故障分类准确率如表1所示。由表1的结果可以看出，利用频域FFT及频域FFT对数谱进行数据处理时，最优的准确率出现在学习率为1e-4和频域对数谱的数据处理方式上。随着学习率的增加，识别准确率出现了不同程度的下降。从图8的PR曲线来看，频域FFT对数谱和频域FFT均具有较好的学习性能，但使用频域FFT对数谱要更胜一筹。分析其原因，使用频域FFT数据处理时，不仅可以避免信号的多样性及不确定性，还可以提高频率的分辨率。而使用频率FFT对数谱的数据处理方式，对数谱数值小的部分差异的敏感程度要比数值大的部分的差异敏感程度更高，且信号更接近于人耳实际听取的声音，所以更有利于增加其分辨能力。

4 结论

为了在少量故障压缩机样本的条件下进行故障检测，本文提出了一种共性特征提取及检测的自编码器系统。学习模型由全连接层的自编码器网络堆叠而成，并用两种数据处理方式进行对比分析，利用非标记数据样本来发掘数据中的内部结构，根据测试结果可以得出：使用频域FFT对数谱的数据处理方式且在学习率为1e-4的条件下，具有较好的分类结果，准确率达到97.4%。

综上所述，在选定合适的自编码器参数和频域FFT对数谱的条件下，自编码器可以用于压缩机的异常振动监测。本文所有的样本数据虽然采集于往复式冰箱压缩机，但是本文所用到的自编码器模型并不限于适用往复式冰箱压缩机，也适用于其他类型压缩机。

参考文献

[1] 王晶, 冯涛, 杨伟成, 等. 家电异音在线自动检测的技术途径和系统架构研究[J]. 家电科技, 2018(06): 37-39.

[2] Ossama, Abdel-Hamid, Abdel-Rahman, et al. Convolutional neural networks for speech recognition[J]. IEEE/ACM Transactions on Audio, Speech and Language Processing (TASLP), 2014, 22(10): 1533-1545.

[3] Tao Y, Ren M, Zhang H, et al. Recent progress in acoustic materials and noise control strategies – A review[J]. Applied Materials Today, 2021, 24(238): 101141.

[4] 杨光, 郦磊, 王帝. 基于改进主元分析方法的往复式压缩机故障检测[J]. 机械设计, 2019, 36(zk): 56-58.

[5] Potocnik P, Govekar E. Semi-supervised vibration-based classification and condition monitoring of compressors[J]. Mechanical Systems and Signal Processing, 2017, 93(09): 51-65.

[6] Qi G, Zhu Z, Erqinhu K, et al. Fault-diagnosis for reciprocating compressors using big data and machine learning[J]. Simulation Modelling Practice and Theory, 2018, 80: 104-127.

[7] Zhipeng, Feng, And, et al. Recent advances in time–frequency analysis methods for machinery fault diagnosis: A review with application examples[J]. Mechanical Systems & Signal Processing, 2013, 38(01): 165-205.

[8] Yang B, Lei Y, Jia F, et al. An intelligent fault diagnosis approach based on transfer learning from laboratory bearings to locomotive bearings[J]. Mechanical Systems and Signal Processing, 2019, 122: 692-706.

[9] 李春阳, 李楠, 冯涛, 等. 基于深度学习的洗衣机异常音检测[J]. 山东大学学报(工学版), 2020, 50(02): 108-117.

[10] Rifai S, Vincent P, Muller X, et al. Contractive Auto-Encoders: Explicit Invariance During Feature Extraction[C]. ICML, 2011.

[11] Kingma D, Ba J. Adam: A Method for Stochastic Optimization[J]. Computer Science, 2014.

（责任编辑：张晏榕）

欢迎广大读者/作者撰文时根据议题内容

引用《家电科技》所刊文章！