杜京義，楊寧，榮相

(1.西安科技大學(xué)電氣與控制工程學(xué)院，陜西西安 710054;2.天地(常州)自動化股份有限公司，江蘇常州 213015)

0 前言

異步電機在煤礦行業(yè)應(yīng)用廣泛，是起重機、掘進(jìn)機、采煤機、給水泵、空壓機、皮帶輸送機等旋轉(zhuǎn)機械的主要動力供應(yīng)設(shè)備，電機的正常工作是確保安全連續(xù)生產(chǎn)的前提。研究電機故障診斷在生產(chǎn)生活與學(xué)術(shù)研究方面都具有積極意義。

聲音是人類獲取信息的重要來源，機器設(shè)備聲學(xué)研究有重大意義。異步電機正常運行時發(fā)出的聲音具有一定規(guī)律性，當(dāng)出現(xiàn)故障時，其聲音特征也會隨之改變。因此，可以利用聲信號，將提取的音頻特征與某一類型的故障聯(lián)系起來，對異步電機進(jìn)行故障識別與診斷。文獻(xiàn)[7]利用支持向量機的方法檢測電機異常聲音，但前期聲音信號缺乏進(jìn)一步處理。文獻(xiàn)[8]利用音頻特征對電氣設(shè)備進(jìn)行監(jiān)測，驗證了方法的可行性，但是識別模型泛化能力較弱。文獻(xiàn)[9]利用BP算法對機車牽引電機進(jìn)行了故障診斷，取得了一定結(jié)果。文獻(xiàn)[10]采用小波包分析法提取微型電機聲音信號進(jìn)行故障診斷，提取信號中的沖擊成分，對故障電機進(jìn)行了判別。隨著人工智能的進(jìn)一步發(fā)展，以深度神經(jīng)網(wǎng)絡(luò)為代表的智能算法對聲音信號的分類已經(jīng)不斷地被引入設(shè)備故障監(jiān)測與維護。目前，對于電氣設(shè)備領(lǐng)域，深度學(xué)習(xí)在聲信號模式識別領(lǐng)域的研究多集中于變壓器，尚未見到將深度學(xué)習(xí)方法應(yīng)用于異步電機異常聲音檢測。

基于此，本文作者搭建3種狀態(tài)異步電機的檢測平臺并采集每一種狀態(tài)的聲音，分別提取每一個聲音片段的Log-Mel特征、MFCC特征、GFCC特征。建立卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)模型，通過對輸入的音頻特征進(jìn)行卷積、池化等操作處理，實現(xiàn)對異步電機的故障分類。

1 異步電機聲音信號特征提取

1.1 Log-Mel特征

針對異步電機聲音信號能量主要分布在低頻段的特點，預(yù)加重處理可以提升高頻分量，使信號頻譜變得平坦：

()=()-α(-1)

(1)

其中：0.9≤≤1.0是預(yù)加重系數(shù)；()為輸入的信號；()為預(yù)加重后的信號。

考慮到聲音信號的時變特性，需要對信號進(jìn)行短時分析。首先進(jìn)行預(yù)處理，它通常包含分幀與加窗2個步驟。分幀時確保幀長略大于幀間隔。文中取幀長為25 ms、幀間隔為10 ms，保證分幀后的信號不會缺失。

分幀后的信號在幀起點和幀終點處具有高度不連續(xù)性，直接進(jìn)行傅里葉變換，會導(dǎo)致頻譜出現(xiàn)局部峰值。因此，采用漢明窗(Hamming)對每個分幀后的信號進(jìn)行處理以減小失真現(xiàn)象。漢明窗公式如下：

(2)

式中：()為窗函數(shù)對應(yīng)的權(quán)重。

加窗后的信號()為

()=()×()

(3)

預(yù)處理后，利用離散傅里葉變換算法得到每一幀的頻譜，取模平方得信號的功率譜：

(4)

(5)

其中：()為幀信號的頻譜；()為幀信號的功率譜。

將()信號通過梅爾濾波器組，梅爾濾波器組由一組等高三角形濾波器組成，如圖1所示。濾波器組對得到的功率譜進(jìn)行濾波處理，放大中低頻分量，減小高頻分量，實現(xiàn)樣本數(shù)據(jù)的降維和準(zhǔn)確的特征提取。其函數(shù)()表示為

圖1 梅爾濾波器組

(6)

其中:為濾波器組編號；()為三角濾波器的中心頻率。

(7)

式中：為信號的總幀數(shù)。

對式(6)中的()進(jìn)行對數(shù)運算，得到對數(shù)功率譜′()作為Log-Mel特征：

′()=log()

(8)

1.2 MFCC特征

該方法與Log-Mel特征方法大致相同，在Log-Mel特征參數(shù)的基礎(chǔ)上進(jìn)行離散余弦變換(DCT)得到MFCC特征參數(shù)：

(9)

式中：為MFCC的階數(shù)；為濾波器的個數(shù)。

所得到的MFCC特征僅反映聲音信號靜態(tài)特性，需要求其1階差分系數(shù)和2階差分系數(shù)描述聲音信號的動態(tài)特性：

(10)

(11)

將MFCC參數(shù)、1階差分系數(shù)()和2階差分系數(shù)′()組合成特征向量，提高系統(tǒng)識別的準(zhǔn)確性。

MFCC特征提取的主要流程如圖2所示。

圖2 MFCC特征提取流程

1.3 GFCC特征

輸入信號需要執(zhí)行相同的預(yù)加重和分幀加窗操作，使用離散傅里葉變換后信號()。因異步電機聲音信號采集環(huán)境存在背景噪聲，選用非線性Gammatone濾波器組代替梅爾濾波器組。Gammatone濾波系數(shù)計算公式為

()=-1exp(-2π)cos(2π+)()

(12)

式中：為濾波器衰減因子；為中心頻率；為濾波器相位；()為階躍函數(shù)。

如圖3所示，Gammatone濾波器組的優(yōu)點是能夠模擬人耳的頻譜分析，具有很強的抗噪性，在有背景干擾的情況下同樣表現(xiàn)良好。

圖3 Gammatone濾波器組

結(jié)合公式(12)，用冪函數(shù)=代替log函數(shù)校正信號，之后利用DCT，得到GFCC特征參數(shù)：

()=

(13)

得到GFCC特征參數(shù)，并按公式(10)(11)求其1階差分和2階差分系數(shù)，組成GFCC特征向量。

GFCC特征提取的主要流程如圖4所示。

圖4 GFCC特征提取流程

2 異步電機聲音信號樣本采集

基于3-100L2-4三相異步電機，通過改造正常異步電機轉(zhuǎn)子與外殼口徑，使它出現(xiàn)轉(zhuǎn)子斷條與氣隙偏心2種故障類型。根據(jù)GB3806-81的標(biāo)準(zhǔn)和要求對電機進(jìn)行聲學(xué)測量，測試模型如圖5所示。聲傳感器距離電機最外側(cè)30 cm，垂直指向電機的軸向，采樣頻率為48 000 Hz，采樣位數(shù)為24位，傳感器頻率響應(yīng)范圍為20～20 000 Hz。數(shù)據(jù)采集實物如圖6所示。

圖5 測試模型

圖6 數(shù)據(jù)采集實物

采集后的聲音首先劃分成1 s的長度并保存為音頻文件(.wav)，后續(xù)作為輸入數(shù)據(jù)進(jìn)行特征處理。樣本包含3種狀態(tài)異步電機：正常、轉(zhuǎn)子斷條和氣隙偏心，每種狀態(tài)異步電機各有2臺，樣本數(shù)如表1所示。

表1 異步電機聲音信號信息

圖7所示為采集到的音頻信號的時域波形圖和頻譜圖。可見：3種狀態(tài)異步電機的頻率成分主要分布在2 000 Hz以內(nèi)，不同狀態(tài)的頻譜差別較明顯。正常異步電機頻譜分布集中在0～500 Hz;轉(zhuǎn)子斷條異步電機頻譜分布在0～1 000 Hz，且有突出的800、900 Hz分量;氣隙偏心異步電機頻譜集中，突出800 Hz的分量。上述分析表明，聲音信號能夠作為區(qū)分異步電機類型的特征量。

圖7 不同異步電機的時域圖和頻譜圖

3 異步電機聲音信號故障類型識別

文中對采集的聲音數(shù)據(jù)分別提取3種特征：Log-Mel特征、MFCC特征、GFCC特征，特征參數(shù)的可視化結(jié)果按8∶2的比例分為訓(xùn)練集和測試集，訓(xùn)練集輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，測試集用來驗證訓(xùn)練結(jié)果是否過擬合。

3.1 數(shù)據(jù)集

按照第1節(jié)的方法對采集的數(shù)據(jù)進(jìn)行特征提取，特征提取結(jié)果尺寸為[39×99]，前者代表特征參數(shù)的個數(shù)，MFCC特征提取和GFCC特征提取過程中分別選取13個特征參數(shù)，與其1階差分系數(shù)和2階差分系數(shù)共同組成39個特征參數(shù)，為保持維度一致，提取Log-Mel特征時選擇39個特征參數(shù)；后者代表幀信號劃分后的個數(shù)，由輸入信號決定。3種特征提取方法都有明顯的數(shù)據(jù)降維效果，解決了聲音數(shù)據(jù)量大且復(fù)雜的問題。將特征提取的參數(shù)可視化作為CNN網(wǎng)絡(luò)的數(shù)據(jù)集，特征提取部分結(jié)果如圖8所示。

圖8 特征提取可視化結(jié)果

3.2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是一類包含卷積計算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，在圖像識別領(lǐng)域具有獨特的優(yōu)勢。一個完整的卷積神經(jīng)網(wǎng)絡(luò)(CNN)一般包含輸入層、卷積層、激勵層、池化層、全連接層等結(jié)構(gòu)。

輸入層的主要作用是對原始數(shù)據(jù)進(jìn)行預(yù)處理，包括：取平均和歸一化。卷積層的作用是對數(shù)據(jù)進(jìn)行卷積，提取輸入圖像的特征。池化層的作用是降低由卷積操作得到的特征圖的維數(shù)，常見的操作有最大值池化和平均值池化。激活函數(shù)是多層神經(jīng)網(wǎng)絡(luò)中上層節(jié)點的輸出與下層節(jié)點的輸入之間的函數(shù)關(guān)系。常用的激活函數(shù)有sigmoid、tanh和ReLU函數(shù)。全連接層的功能是將網(wǎng)絡(luò)學(xué)習(xí)到的特征映射到樣本的標(biāo)簽空間，將卷積輸出的二維特征映射轉(zhuǎn)化為一維向量，并輸出分類結(jié)果。

根據(jù)輸入數(shù)據(jù)的特點，提出一種三層卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如表2所示。網(wǎng)絡(luò)由13層組成，共有11個隱藏層，包括3個卷積層、3個rule層、3個池化層和2個全連接層。卷積層使用的卷積核大小[3×3]，卷積后進(jìn)行批規(guī)范化。池化層采用最大池化模式，步長為[2×2]。Dropout函數(shù)被添加到全連接層，并根據(jù)設(shè)置的概率丟棄，以防止過度擬合。輸出層由3個神經(jīng)元組成，代表3種狀態(tài)的異步電機輸入。

表2 異步電機故障識別網(wǎng)絡(luò)結(jié)構(gòu)

3.3 實驗過程與結(jié)果

網(wǎng)絡(luò)迭代100次，每次迭代所有數(shù)據(jù)被模型學(xué)習(xí)1次。其中，模型的學(xué)習(xí)率設(shè)定為0.000 1，Dropout為0.5，批尺寸設(shè)定為32，選用ADAM優(yōu)化器與多分類交叉熵?fù)p失函數(shù)。該模型在Pytorch上建立，在配有GTX 1660 GPU的計算機上運行，網(wǎng)絡(luò)訓(xùn)練結(jié)果如圖9所示。

圖9 網(wǎng)絡(luò)訓(xùn)練準(zhǔn)確率結(jié)果

當(dāng)訓(xùn)練完成后，保存訓(xùn)練好的模型,計算測試集分類精度，結(jié)果如表3所示。其中，Log-Mel-CNN、MFCC-CNN、GFCC-CNN分別表示采用Log-Mel特征、MFCC特征以及GFCC特征的基于CNN的識別系統(tǒng)。

表3 CNN模型的識別精度 單位:%

由表3可知：文中所搭建的神經(jīng)網(wǎng)絡(luò)能夠很好地識別3種特征參數(shù)，對于異步電機的測試樣本，采用MFCC和GFCC特征參數(shù)的識別系統(tǒng)都具有較高的識別準(zhǔn)確率；采用GFCC來表征聲音信號并進(jìn)行訓(xùn)練，平均識別精度最高，達(dá)到了95.4%，分別比Log-Mel、MFCC高了7.6%和4.9%。斷條故障電機會在構(gòu)造以及實驗采集過程中受到偏心信號的影響，因此Mel濾波器的2種特征識別都不太理想。結(jié)果表明：在復(fù)雜環(huán)境下,GFCC特征提取的魯棒性能更強。

4 結(jié)語

分別采集了3類異步電機的聲音，分析3種狀態(tài)異步電機聲音信號頻率分布特點。參考當(dāng)前區(qū)分環(huán)境聲音的分類方法，將聲學(xué)特征提取運用到異步電機的故障分類中。分別采用Log-Mel、MFCC、GFCC 3種方法對信號進(jìn)行特征提取，最后利用卷積神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)進(jìn)行了分類識別與比較。結(jié)果表明：3種特征提取方法能夠有效降低聲音樣本數(shù)據(jù)量和復(fù)雜程度，其中GFCC特征提取方法更適合于深度卷積神經(jīng)網(wǎng)絡(luò)的識別模型，平均識別準(zhǔn)確率達(dá)到95.4%。