鮑文霞，劉 楊，楊先軍，梁 棟

(1.安徽大學(xué) 計算智能與信號處理教育部重點實驗室，安徽 合肥 230601；2.中國科學(xué)院 合肥物質(zhì)科學(xué)研究院，安徽 合肥 230031)

機動車是人們出行不可或缺的交通工具，行駛里程達(dá)到一定數(shù)值后機動車發(fā)動機易出現(xiàn)故障.出行前對機動車發(fā)動機進(jìn)行健康診斷是保障安全出行重要的一環(huán)，經(jīng)驗豐富的維修工通過聆聽機動車發(fā)動機工作時的聲音就可大概判斷其健康狀況.但是，人工檢查人力成本高、檢測效率低，故需使用自動檢測.

機動車發(fā)動機故障自動檢測可分為以下3步：信號采集、特征提取及故障檢測.首先，根據(jù)所檢測的故障種類采集不同的數(shù)據(jù)，包括振動、聲學(xué)、電流、速度、溫度等，其中振動數(shù)據(jù)最為常見；然后，采用信號處理技術(shù)以及主成分分析 (principal component analysis, 簡稱PCA)等方法，從采集數(shù)據(jù)中提取特征；最后，使用支持向量機(support vector machine, 簡稱SVM)等方法檢測[1-4].傳統(tǒng)的特征提取方法有如下缺點：①找到恰當(dāng)特征需要精深的專業(yè)知識；②依靠已有評價標(biāo)準(zhǔn)，很難生成新的有用特征；③對于機械系統(tǒng)物理狀態(tài)變化非常敏感，部件及故障變化需要特征提取方法和評價標(biāo)準(zhǔn)隨之變化，故魯棒性差.

為了克服傳統(tǒng)特征提取方法的這些缺點，科研人員使用深度學(xué)習(xí)進(jìn)行故障檢測.文獻(xiàn)[5]基于深度置信網(wǎng)絡(luò)的非線性時間序列建模，通過威布爾分布檢測軸承的健康狀態(tài)并進(jìn)行分類.文獻(xiàn)[6]提取振動數(shù)據(jù)的時域和頻域特征，然后將其送入卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, 簡稱CNN)，最后對齒輪箱的故障進(jìn)行識別和分類.文獻(xiàn)[7]提出了一種新的軸承故障智能診斷方法，該方法將SDP(symmetrized dot pattern)與SE-CNN(squeeze-and-excitation-enabled convolutional neural network)結(jié)合，分類準(zhǔn)確率達(dá)99%.文獻(xiàn)[8]提出了基于威布爾分布和深度置信網(wǎng)絡(luò)的方法，對軸承狀態(tài)進(jìn)行分類，結(jié)果表明該方法具有良好的性能.文獻(xiàn)[9]提出了基于小波包能量圖像和深度卷積網(wǎng)絡(luò)能量波動多尺度特征的挖掘方法，對主軸軸承故障進(jìn)行診斷.文獻(xiàn)[10]提出了CNN與門控循環(huán)單元(gated recurrent unit,簡稱GRU)結(jié)合的方法，對齒輪點蝕故障進(jìn)行診斷，相對于CNN及GRU，所提方法的診斷準(zhǔn)確率更高.

傳統(tǒng)的故障檢測方法大多使用振動信號數(shù)據(jù)，利用聲信號數(shù)據(jù)的較少.相比于振動信號數(shù)據(jù)，聲信號數(shù)據(jù)更容易獲取且成本低廉，更適合大規(guī)模應(yīng)用[11].因此，該文擬提出基于聲信號的門控雙卷積神經(jīng)網(wǎng)絡(luò)機動車發(fā)動機故障檢測方法.

1 數(shù)據(jù)獲取與預(yù)處理

1.1 數(shù)據(jù)獲取

利用自行設(shè)計的聲信號采集終端，對101臺大型運輸車的發(fā)動機聲信號進(jìn)行采集.大部分車輛的行駛里程為1 000～50 000 km，為了進(jìn)行比較，也包含了少量新車數(shù)據(jù).考慮到車輛情況及外部噪聲對數(shù)據(jù)采集的干擾，將采集終端安裝于離發(fā)動機1 m處.采集的聲信號數(shù)據(jù)的詳細(xì)信息如表1所示.

表1 采集的聲信號數(shù)據(jù)的詳細(xì)信息

1.2 數(shù)據(jù)預(yù)處理

使用深度卷積網(wǎng)絡(luò)對聲信號數(shù)據(jù)進(jìn)行檢測時有兩種方法：一種是直接對輸入信號進(jìn)行處理，另一種是先提取音頻特征后處理.最常用的特征是梅爾頻率倒譜系數(shù)(Mel-scale frequency cepstral coefficients，簡稱MFCC)[12]，因其具有優(yōu)異的抗噪性，在故障檢測方面有廣泛應(yīng)用[13].MFCC特征提取的流程如圖1所示.

圖1 MFCC特征提取的流程圖

圖2為兩類聲信號數(shù)據(jù)預(yù)處理前的時域圖和預(yù)處理后的梅爾頻譜圖.由圖2可以看出，使用預(yù)處理后的梅爾頻譜圖更易區(qū)分正常音頻與故障音頻.

圖2 正常音頻的時域圖(a)和梅爾頻譜圖(b)；故障音頻的時域圖(c)和梅爾頻譜圖(d)

2 門控雙卷積神經(jīng)網(wǎng)絡(luò)

2.1 門控卷積神經(jīng)網(wǎng)絡(luò)

CNN是一種常用的權(quán)重共享深度學(xué)習(xí)算法，已廣泛應(yīng)用于圖像處理、語音識別、故障檢測等領(lǐng)域[14].在故障檢測方面，與傳統(tǒng)機器學(xué)習(xí)方法比較，CNN有強大的特征提取能力，因而有較好的檢測效果[15-16].

門控卷積神經(jīng)網(wǎng)絡(luò)(gated convolutional neural networks, 簡稱Gated CNN)是在CNN的基礎(chǔ)上做了部分改進(jìn)得到的網(wǎng)絡(luò).Gated CNN由輸入層、卷積層、門控開關(guān)、池化層、全連接層以及輸出層組成，其部分結(jié)構(gòu)如圖3所示.

圖3 Gated CNN的部分結(jié)構(gòu)

2.2 門控雙卷積神經(jīng)網(wǎng)絡(luò)

不同于語音識別，發(fā)動機聲信號不能分割為單個詞向量，應(yīng)用Gated CNN不能提取故障聲信號的關(guān)鍵特征，從而影響檢測的準(zhǔn)確率，因此該文對Gated CNN的結(jié)構(gòu)進(jìn)行了改進(jìn)，提出了門控雙卷積神經(jīng)網(wǎng)絡(luò)(gated double convolutional neural networks, 簡稱Gated DCNN).門控雙卷積神經(jīng)網(wǎng)絡(luò)同樣包括輸入層、卷積層、門控開關(guān)、池化層、全連接層以及輸出層，只是在Gated CNN輸入層后新增了1個卷積層及1個池化層.為了研究不同的門控數(shù)量和位置對于網(wǎng)絡(luò)性能的影響，設(shè)計了兩種門控雙卷積神經(jīng)網(wǎng)絡(luò).第1種門控雙卷積神經(jīng)網(wǎng)絡(luò)Gated DCNN 1的結(jié)構(gòu)如圖4所示.

圖4 Gated DCNN 1的結(jié)構(gòu)

第2種門控雙卷積神經(jīng)網(wǎng)絡(luò)Gated DCNN 2的結(jié)構(gòu)如圖5所示.對比圖4,5可知， Gated DCNN 1只在第2層卷積后設(shè)置了門控，而Gated DCNN 2在兩層的卷積后均設(shè)置了門控.

圖5 Gated DCNN 2 的結(jié)構(gòu)

3 機動車發(fā)動機故障檢測流程

對采集到的聲信號數(shù)據(jù)進(jìn)行MFCC特征提取后，使用門控雙卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到故障檢測模型，用檢測模型進(jìn)行檢測，得到檢測結(jié)果.圖6為機動車發(fā)動機故障檢測流程圖.

圖6 機動車發(fā)動機故障檢測流程圖

4 實驗結(jié)果及分析

硬件配置為：GeForce RTX 2070、內(nèi)存8 GB.運行環(huán)境為Ubuntu 16.04，使用的語言為Python 3.6，深度學(xué)習(xí)框架為TensorFlow 1.14.采用準(zhǔn)確率評價故障檢測的效果，其表達(dá)式為

該文使用的CNN網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如表2所示.

表2 CNN網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)

4.1 正常及故障發(fā)動機聲信號檢測

表3為不同時長下不同方法對正常及故障發(fā)動機聲信號檢測的準(zhǔn)確率.由表2可知：SVM的檢測準(zhǔn)確率最低；該文方法除了10 s時長的準(zhǔn)確率比雙層CNN稍低外，其他的均較高；Gated DCNN 1的10，15 s時長的準(zhǔn)確率均比Gated DCNN 2對應(yīng)的高.

表3 不同時長下不同方法對正常及故障發(fā)動機聲信號檢測的準(zhǔn)確率 %

4.2 發(fā)動機工作狀態(tài)及故障類型檢測

為檢測發(fā)動機故障的不同類型，同時也為分辨發(fā)動機的不同工作狀態(tài)，將原始數(shù)據(jù)分為以下4類：正常狀態(tài)下的怠速和加速、故障狀態(tài)下的1個缸不工作和2個缸不工作.表4為不同時長下不同方法對發(fā)動機工作狀態(tài)及故障類型檢測的準(zhǔn)確率.

表4 不同時長下不同方法對發(fā)動機工作狀態(tài)及故障類型檢測的準(zhǔn)確率 %

由表4可知，SVM的檢測準(zhǔn)確率最低，該文方法準(zhǔn)確率最高，其中Gated DCNN 1的10，15 s時長的準(zhǔn)確率均比Gated DCNN 2對應(yīng)的高.

4.3 加噪和調(diào)音后的檢測準(zhǔn)確率

為了驗證方法的魯棒性，通過加噪和調(diào)音對音頻數(shù)據(jù)進(jìn)行調(diào)整.加噪系數(shù)分別為0.01，0.03，0.05，調(diào)音系數(shù)分別為0.5，1.5，2.0.數(shù)據(jù)集的劃分及發(fā)動機故障類型不變，只將劃分后數(shù)據(jù)的一半替換為調(diào)整數(shù)據(jù).圖7為加噪后的檢測準(zhǔn)確率.由圖7可知：隨著加噪系數(shù)的增大，檢測準(zhǔn)確率隨之下降；該文方法在加噪系數(shù)較小時有較高的檢測準(zhǔn)確率，但加噪系數(shù)較大時，檢測準(zhǔn)確率有明顯的下降；雙層CNN及單層CNN+門控方法在加噪系數(shù)較小時檢測準(zhǔn)確率均有明顯的下降，故其魯棒性不如該文方法；對比2種門控雙卷積神經(jīng)網(wǎng)絡(luò)方法的準(zhǔn)確率，Gated DCNN 1略優(yōu)于Gated DCNN 2.

圖7 不同方法加噪后的檢測準(zhǔn)確率

表5為不同方法調(diào)音后的檢測準(zhǔn)確率.由表5可知：與加噪相比，調(diào)音對于檢測準(zhǔn)確率的影響較?。辉撐姆椒ㄔ谡{(diào)音時檢測準(zhǔn)確率不受影響，表明該文方法有好的魯棒性；雙層CNN及單層CNN+門控方法的檢測準(zhǔn)確率均略有下降，故其魯棒性相對較差.

表5 不同方法調(diào)音后的檢測準(zhǔn)確率 %

4.4 不同訓(xùn)練數(shù)據(jù)量的檢測準(zhǔn)確率

圖10為2種門控雙卷積神經(jīng)網(wǎng)絡(luò)方法不同訓(xùn)練數(shù)據(jù)量的檢測準(zhǔn)確率.由圖8可知：隨著訓(xùn)練數(shù)據(jù)量的增大，2種門控雙卷積神經(jīng)網(wǎng)絡(luò)方法檢測準(zhǔn)確率均單調(diào)遞增；當(dāng)訓(xùn)練數(shù)據(jù)量達(dá)到一定值后，檢測準(zhǔn)確率的上升變平緩；達(dá)到閾值后，Gated DCNN 1的準(zhǔn)確率比Gated DCNN 2的準(zhǔn)確率高.

圖8 不同訓(xùn)練數(shù)據(jù)量的檢測準(zhǔn)確率

5 結(jié)束語

該文采集并構(gòu)建了一個包含正常和故障機動車發(fā)動機的聲信號數(shù)據(jù)集，提出了基于門控雙卷積神經(jīng)網(wǎng)絡(luò)的機動車發(fā)動機故障檢測方法，研究了門控數(shù)量和位置對網(wǎng)絡(luò)性能的影響.對比不同方法的實驗結(jié)果可知：SVM的檢測準(zhǔn)確率最低，該文方法的檢測準(zhǔn)確率最高；對聲信號進(jìn)行加噪和調(diào)音時，該文方法表現(xiàn)出好的魯棒性.該研究結(jié)果可為基于聲信號的故障檢測提供理論依據(jù)和技術(shù)支撐.