|
軸承是機械設備中應用最為廣泛的一種通用部件，也是最容易損壞的零件之一，它工作正常與否直接影響整臺機器的性能，因而軸承故障診斷成為重要的研究課題和目前的研究熱點(diǎn)[1-4]。在軸承故障診斷研究中，通常是對其工作時(shí)產(chǎn)生的振動(dòng)信號[1]或音頻信號[2-4]進(jìn)行分析，以判斷軸承運行狀態(tài)。振動(dòng)信號法通過(guò)安裝在軸承座或箱體適當地方的加速度傳感器獲取軸承振動(dòng)信號，并對其信號進(jìn)行分析與處理，進(jìn)而判斷軸承是否運行正常。此方法的不足在于需要將加速度傳感器固定在待檢測的設備上，增加了成本，使用也不方便。音頻信號的采集屬于非接觸式，只需要利用麥克風(fēng)作為聲音傳感器，不但使用方便而且成本低廉，具有振動(dòng)信號不可代替的優(yōu)勢。參考文獻[2-4]研究表明，當軸承運行狀態(tài)發(fā)生變化，音頻信號特性也會(huì )隨之變化時(shí)，因而對音頻信號分析是一種有效、可行的軸承故障診斷方法。目前，基于音頻信號的軸承故障診斷方法主要有：小波分析[2]、神經(jīng)網(wǎng)絡(luò )[3]和盲源分離方法[4]等。 隱馬爾可夫模型HMM（Hidden Markov Model）是一種描述隨機過(guò)程統計特性的概率模型，能夠對多個(gè)觀(guān)察樣本進(jìn)行有效融合而構成一個(gè)模型，具有較好的抗噪能力，在交通監測[5]、圖像識別[6]、語(yǔ)音識別[7-8]以及基于振動(dòng)信號的故障診斷[1]等領(lǐng)域中都得到了較好的應用，也是目前為止最有效的語(yǔ)音識別方法。而Mel頻率倒譜系數MFCC(Mel Frequency CepstrumCoefficients)考慮了人耳聽(tīng)覺(jué)特性，能很好地反映音頻信號特征，在語(yǔ)音識別、音頻分類(lèi)和檢索研究領(lǐng)域應用十分廣泛[8]。本文通過(guò)對音頻信號的MFCC特征提取，分別采用DHMM(Discrete HMM)和CGHMM(Continuous Gaussian MixtureHMM)兩種方法進(jìn)行建模與診斷研究。DHMM方法對觀(guān)測序列進(jìn)行了量化處理，運算速度快，卻降低了診斷精度。而CGHMM方法不需要量化，避免了量化帶來(lái)的數據處理誤差，提高了診斷精度，但減慢了運算速度。從總體上來(lái)看，兩種方法都具有運算速度快、診斷精度高的優(yōu)點(diǎn)，具有很好的應用前景。 1 理論基礎 1.1 MFCC Mel頻率倒譜系數MFCC用于信號特征提取，其計算過(guò)程如下[8-9]： (1) 確定每一幀信號的長(cháng)度N及幀移，并對每一幀信號序列進(jìn)行預處理(加窗、預加重等)。本文采用應用較廣的漢明窗： ω(n)=(1-α)-αcos(2πn/N) (1) 式中，0<α<1，通常取值為0.46。 (2) 將預處理后的信號進(jìn)行快速傅立葉變換（FFT），將時(shí)域信號轉換為頻域信號,再計算其模的平方得到能量譜P[k]，0≤k≤N-1。 (3) 選取濾波器個(gè)數為M，并定義最低頻率接近零，最高頻率為輸入音頻信號頻率的一半，再根據mel(f)頻率與實(shí)際線(xiàn)性頻率f的關(guān)系mel( f )=2 595lg(1+f/700)計算出三角帶通濾波器組Hm[k],則能量譜P[k]通過(guò)三角帶通濾波器組Hm(k)后的輸出為： (4) 對S[m]進(jìn)行離散余弦變換（DCT）即得到MFCC系數: (5) 取C[1],C[2],…，C[V]作為MFCC參數，此處V是MFCC參數的維數，通常為12～16。 1.2 HMM 隱馬爾可夫模型HMM是在Markov鏈的基礎上發(fā)展起來(lái)的一種概率模型，由三個(gè)基本參數來(lái)描述。第一個(gè)參數為狀態(tài)轉移概率A={aij|1≤i,j≤N}，aij=P(qt+1=Sj/qt=Si)表示從狀態(tài)Si變化到狀態(tài)Sj的轉移概率，顯然 有了如上定義，HMM可描述為: λ=(π,A,B) (4) 2 基于HMM的故障診斷 基于HMM的軸承故障音頻信號診斷系統框圖如圖1所示，主要包括數據采集、特征提取、HMM訓練和HMM診斷等部分。 2.1數據采集 數據采集是使用麥克風(fēng)作為聲音傳感器，將軸承的音頻信號變?yōu)橐欢ǖ碾娖叫盘栞斎胗嬎銠C，即錄制波形音頻的過(guò)程。在數據采集之前，需要按照一定規則設定好音頻信號幾個(gè)重要的采集參數：采樣頻率、位數和聲道數。本文在采樣頻率為22.05kHz、A/D轉換精度為16位、聲道數為單聲道的條件下，采用VC++中提供的函數庫，實(shí)現對軸承音頻信號的數據采集。簡(jiǎn)單流程為：打開(kāi)錄音設備、準備WAVE數據頭、準備數據塊、開(kāi)始錄音、停止錄音以及關(guān)閉錄音等，詳細過(guò)程請參見(jiàn)參考文獻[10]。 2.2 特征提取 特征提取是指從軸承音頻信號中提取有用的統計數據，如Mel頻率倒譜特征參數(MFCC)、線(xiàn)性預測倒譜系數(LPCC)、感覺(jué)加權線(xiàn)性預測系統(PLP)等,是故障建模與識別的關(guān)鍵，直接影響到故障診斷效果。此外，特征提取還可以用差分系數近似描述音頻信號的幀間相關(guān)性，反映信號的動(dòng)態(tài)特征。動(dòng)態(tài)特征和靜態(tài)特征互相補充，提高了系統的診斷性能。因為MFCC參數充分利用人耳的聽(tīng)覺(jué)特性，能很好地體現音頻信號的主要信息，在語(yǔ)音識別、音頻分類(lèi)和檢索領(lǐng)域應用十分廣泛[8]。所以本文選用12維MFCC參數和12維一階差分MFCC進(jìn)行診斷實(shí)驗。 2.3 HMM訓練 HMM訓練是指從同類(lèi)故障的大量音頻信號樣本中提取統計信息，利用恰當的訓練算法對模型參數反復修正直至收斂，最后得到模型的狀態(tài)轉移概率A、觀(guān)察值概率分布B、初始概率分布π等參數。典型的訓練算法有Baum-Welch算法，但此算法是在假定只有一個(gè)觀(guān)察值訓練序列的條件下得到的。為了增加HMM故障診斷系統的穩健性和提高故障診斷的準確率，需要選取多個(gè)樣本進(jìn)行訓練，以建立軸承各類(lèi)故障狀態(tài)的HMM參數模型。記L個(gè)觀(guān)察值序列(即L個(gè)樣本)為O(1)、O(2)、…、O(L)，每個(gè)觀(guān)察值序列的長(cháng)度記為T(mén)，則 2.4 HMM診斷 訓練完成之后將模型參數存儲，此時(shí)，系統就具備了診斷的能力。診斷過(guò)程中，輸入待檢測軸承音頻信號，經(jīng)過(guò)預處理、MFCC特征提取后，得到觀(guān)察值序列O={O1,O2,…,OT}。然后，對此觀(guān)察值序列進(jìn)行故障檢測，當檢測到有故障發(fā)生時(shí)，再進(jìn)一步進(jìn)行故障診斷，判斷出音頻信號的故障類(lèi)型。 (1) 故障檢測 故障檢測只需要訓練一個(gè)代表軸承正常狀態(tài)的HMM模型，記為λ0。根據前向-后向算法[8]計算出待檢信號O={O1,O2,…,OT}在正常模型λ0下的輸出概率P(O/λ0)。如果此概率P(O/λ0)大于預先確定的某一閾值，則表明軸承工作正常;否則，軸承有可能出現某種故障，需要進(jìn)一步進(jìn)行故障診斷。 (2) 故障診斷 同樣使用前向-后向算法[8]，快速有效地計算出觀(guān)察值序列O={O1,O2,…,OT}在各HMM模型下的輸出概率，通常情況下，概率最大的模型即為診斷結果。為了提高系統的診斷精度，可在后處理階段輔以必要的拒識算法，比如設定適當的概率閾值，如果最大概率小于這個(gè)閾值，則診斷為其他運行狀態(tài)。 3 軸承故障診斷實(shí)驗 在VisualC++7.0環(huán)境下，自主開(kāi)發(fā)了基于HMM的音頻故障診斷平臺，本文所有實(shí)驗均在此平臺上完成；診斷對象為6202CM深溝球滾動(dòng)軸承，其轉速為1800r/m；采樣頻率為22.05kHz；A/D轉換精度16位；數據幀長(cháng)512，幀移128。通過(guò)特征提取，將每幀信號都轉換成12維MFCC和12維一階差分MFCC，形成長(cháng)度為32的觀(guān)察值序列，分別采用DHMM和CGHMM兩種方法進(jìn)行了建模與診斷實(shí)驗。 在模型訓練環(huán)節，對于正常聲音、內圈異音、外圈異音、滾動(dòng)體異音以及保持架音等五種軸承狀態(tài)，各采集30組音頻數據樣本進(jìn)行訓練，分別得到DHMM和CGHMM兩類(lèi)模型訓練過(guò)程，兩種故障模型的平均訓練時(shí)間如表1所示。由表可以看出，由于DHMM對觀(guān)測序列進(jìn)行了量化處理，計算量小，訓練速度快；而CGHMM的復雜度比較高，收斂過(guò)程長(cháng)，比DHMM方法的訓練時(shí)間多出近一倍(但也在實(shí)時(shí)要求之內)。 在診斷環(huán)節，另外采集了20組正常聲音、內圈異音、外圈異音以及10組滾動(dòng)體異音和保持架音等五組數據分別進(jìn)行了測試，得到的基于DHMM和CGHMM的故障診斷結果分別如表2和表3所示。在DHMM方法中，共80次診斷出現8次誤診，總的診斷精度接近90%，效果較良。而CGHMM方法只出現2次誤診，診斷精度達到了97.5%，明顯高于DHMM方法，更具有良好的應用前景。 本文在VC++平臺下，自主開(kāi)發(fā)了一套基于HMM的軸承故障音頻診斷平臺。通過(guò)對音頻信號的MFCC特征提取，分別采用DHMM和CGHMM兩種方法進(jìn)行建模與診斷研究。由于DHMM方法對觀(guān)測序列進(jìn)行了量化處理，運算速度快，但降低了診斷精度。而CGHMM方法不需要量化，避免了量化帶來(lái)的數據處理誤差，提高了診斷精度，但減慢了運算速度。從總體上來(lái)看，兩種方法都具有運算速度快、診斷精度高的優(yōu)點(diǎn)，具有很好的應用前景。 |
