空调是日常生活和工业生产中必不可少的电器设备,人们对空调性能的要求日益严苛,使用中所暴露的由压缩机缺陷引起的故障问题也越来越受到消费者的关注。生产过程中压缩机缺陷是客观存在的,如何在生产时就将缺陷压缩机剔除,降低出厂压缩机的缺陷存在率,成为生产商迫切需要解决的难题。本文提出一种压缩机缺陷检测平台设计方案,能与已经高度自动化的压缩机生产线的生产节拍所兼容配合。压缩机缺陷检测平台可实现传感器的自动化布置、撤回,自动化采集和记录数据,根据判断结果输出报警等功能。本文介绍了缺陷检测平台的详细设计,包括机械系统、测控系统和采集程序。最后经过调试,缺陷检测平台能够实现预期的目标稳定运行于压缩机生产线上。本文详细介绍了深度前馈神经网络、卷积神经网络算法基本原理和参数优化算法,提出了一种基于卷积神经网络的应用于压缩机生产现场的缺陷检测模型。随后介绍缺陷检测模型的整体结构和基于TensorFlow深度学习开源架构下缺陷检测模型的实现。本课题最后通过压缩机缺陷检测平台采集到大量的压缩机振动数据。在经过生产厂商辅助标记后,利用压缩机振动数据对提出的基于卷积神经网络的压缩机缺陷检测模型进行训练、测试和调整。最终得到准确率为99.5%的缺陷检测模型,初步验证了本文提出的算法的有效性。