基于谱图和声学特征的旋转机械故障检测方法

梁小康

(陕西能源冯家塔矿业运营有限责任公司，陕西 西安 710021)

转子与静子之间的碰摩是机械中常见的故障，该类故障一旦发生，轻则影响机器正常运行，严重的话有可能会发生生产事故，造成无法挽回的损失。开展针对机械故障检测的研究具有较强的实践意义。声发射检测是一种基于声发射信号来评定材料性能的无损检测技术，采用基于声发射信号的故障检测，可以实现不影响机组运行前提下，完成设备检测。当前，有许多学者从不同领域对基于声发射检测技术进行了深入的研究，考虑到特征对识别的重要影响，如何提取有效的特征，受到了学者的诸多关注。例如，2010 年，邓艾东等人[1]提出了一种基于时延神经网络(Time-Delay Neural Network，TDNN) 和高斯混合模型(Gaussian Mixed Model，GMM)的声发射信号分类方法，取得良好的效果。近些年，随着机器学习技术的发展，深度学习受到了广泛的关注。

卷积神经网络(Convolutional Neural Network，CNN)是一类包含卷积计算的前馈神经网络，20 世纪80 年代至90 年代，LeCun Yann 等人[2]就提出了LeNet－5 网络，在手写字识别上取得了显著的结果。随着计算机性能的快速提升，卷积神经网络得以迅速发展，2012 年Hinton 和Alex Krizhevsky 所设计的AlexNet[3]卷积神经网络，以压倒性的优势获得了ImageNet 分类比赛的冠军，展现出了卷积神经网络的优势及所蕴含的巨大潜力，目前CNN 已经在图像分割[4]、手写字识别[5－6]、图像分类等场景中有诸多应用。当前，已有部分学者开展了基于CNN 故障检测相关技术的探索，并取得了部分成果，推动了故障诊断水平的提升。

长短时记忆网络(Long Short-Term Memory，LSTM)[7]作为是一种时间循环网络，广泛应用于时序数据的建模中；由前向LSTM 和后向LSTM 组成的BiLSTM 网络，可以编码从后向前的信息，受到了广泛的关注。

本文提出一种基于谱图和声学特征的旋转机械声发射识别方法。CNN 网络中输入声发射信号谱图，得到声发射信号的全局特征；短时能量、过零率、峭度等信息输入BiLSTM 网络中，提取发射信号的声学特征，最后将CNN 网络和BiLSTM 网络提取到的特征融合起来，采用Softmax 实现信号识别，通过实验验证了此模型的有效性。

1 相关原理

1.1 CNN 网络输入数据

(1)幅度谱

旋转机械转子声发射(Acoustic Emission，AE)信号具有与自然语言相似的声学特性，因此，借鉴语音识别的方法对AE 信号进行分析和识别。假设碰摩AE 信号是短时平稳信号，对于任意时刻n，可以对n时刻附近的小范围信号进行频谱分析，从而得到AE 信号的二维幅度频谱图像。

鉴于CNN 具有强大学习能力，且AE 信号具有良好的动态特性，除了原始的二维幅度频谱图像外，同时提取幅度谱沿时间轴的一阶差分谱、幅度谱沿频率轴的一阶差分谱，3 个图组成3D 谱图输入CNN网络中。

(2)群时延相位谱

群延时[8]包含了丰富的动态信息，它是信号在某个频率相位信息相对于频率的变化率；本文选用修正群延时相位谱作为谱图的另一种生成方式，其中修正群延时函数可以定义为:

提取AE 信号的群延时相位谱，并提取谱沿时间轴的一阶差分谱、谱沿频率轴的一阶差分谱，共同组成3D 谱图。

最后，将两种谱图组合在一起，构成幅度－相位谱图。

1.2 CNN 网络结构

如图1 所示，展示了本文所采用的CNN 的网络结构图。网络的输入数据是帧重叠率为50%的碰摩AE 信号幅度－相位谱图。

图1 CNN 网络结构

首先卷积核尺寸为1×1 的卷积层被用来对输入数据进行非线性变换，然后采用池化操作将前一层输入的矩形图进行规整。卷积操作如式(2)所示:

引入Inception 结构提取网络各层级的特征。

最后采用平均池化代替传统卷积神经网络中的全连接层，以减轻网络发生过拟合。

1.3 BiLSTM

经典的RNN 网络在t时刻的状态只能从过去时刻的输入序列以及当前时刻的输入x(t)中求取。BiRNN (Bi-directional Recurrent Nerual Network，BiRNN)是Schuster 等人在1997 年提出的一种双向网络，有效地解决了传统RNN 当前时刻状态只能由当前时刻输入和过去时刻输入决定的问题。BiRNN包含了两个方向的RNN 网络，一个是从序列起点开始移动的RNN，另一个是从序列终点开始移动的RNN，两个RNN 组合在一起可以有效获取上下文信息，当采用LSTM 替代RNN 时，就构成了BiLSTM(Bi-directional Long Short-Term Memory，BiLSTM)。

表1 CNN 网络结构

1.4 BiLSTM 输入数据

提取AE 信号每一帧的帧级特征作为BiLSTM网络的输入，提取到的特征包括短时能量、过零率、峭度、频谱通量等。

表2 所用统计特征

2 算法架构

本节构建了一个BiLSTM 与卷积神经网络CNN进行特征融合的转子AE 信号识别模型。算法的整体架构思路如图2 所示。

图2 BiLSTM-CNN 原理架构图

将所提取的声学特征输入BiLSTM 网络中，将AE 信号转化为幅度－相位谱图输入到CNN 网络中，最终经过2 个网络训练后得到的特征融合在一起，采用SOFTMAX 分类器进行分类识别。

3 实验

3.1 实验参数设置

本文使用转速为600 rad/s 的转子AE 信号进行实验。采用汉宁窗对离散AE 信号进行加窗分帧。CNN 网络采用ReLU 激活函数，本实验使用Adam 优化算法来进行训练。

3.2 实验仿真

3.2.1 识别性能分析

表3 展示了本文所提算法对600 rad/s 的碰摩声发射信号分类的混淆矩阵。从混淆矩阵可以看出，所提识别方法对正常、轴承裂纹、主轴碰摩三种类型的AE 信号均具有85%以上的识别率，分类效果优良。

表3 600 rad/s 转速条件下所提算法识别性能混淆矩阵 单位:%

3.2.2 与其他算法对比试验

为了进一步探究本文提出模型的有效性，现将其与其他声发射信号识别方法进行对比实验，表4展示了不同分类器在碰摩AE 信号分类上的性能。

表4 600 rad/s 转速下不同分类器识别性能比较 单位:%

从表4 中可以看出，在3 种不同的的条件下，所提识别方法的识别准确率均是最高，分别为85.87%、92.13%、86.54%，且平均识别率比SVM 高出了17.95%，比DNN 高了19.31%，比KNN 高了32.21%。

与同样作为神经网络的DNN 相比，由于网络分别采用CNN 和BiLSTM 从谱图和声学特征中提取到更多有效的特征，因此，取得了更高的识别结果。

4 结论

本文提出一种基于谱图和声学特征的旋转机械声发射识别方法。CNN 网络中输入声发射信号谱图，得到声发射信号的全局特征；短时能量、过零率、峭度等信息输入BiLSTM 网络中，提取发射信号的声学特征，最后将CNN 网络和BiLSTM 网络提取到的特征融合起来，采用Softmax 实现信号识别，实验结果表明，所提识别方法对声发射信号的识别准确率远高于传统识别方法。