基于噪声检测的机械故障智能诊断系统设计

何志军，陈 聪，张文青

（中电海康无锡科技有限公司，江苏 无锡 214122）

0 引言

随着现代机械设备自动化水平的提高，机械设备安全稳定运行的重要性日益凸显。在设备日常运行状态下，小故障也可能引起重大意外发生，造成巨大经济损失，甚至出现人员伤亡等严重后果。而传统工程机械装备的故障诊断方法和理论，已经逐渐不适应目前复杂化、自动化、信息化的工程机械装备和系统。2015年5月，国务院正式印发《中国制造2025》，紧密围绕重点制造领域关键环节，开展新一代信息技术与制造装备融合的集成创新和工程应用[1]。随着智能制造的推进，工业制造领域对设备健康管理的迫切需求，为互联网+人工智能技术在工业制造领域的研发落地提供了市场基础。

区别于利用接触式振动传感器及振动信号处理进行故障分析的传统方法，本文提出一种基于噪声检测的非接触式故障智能诊断系统架构设计。该系统根据特定应用场景，利用声音传感器采集噪声信号并进行信号处理，利用人工智能学习对机械设备故障进行诊断。

1 机械设备故障诊断方法

机械故障诊断是一种了解和掌握机器在运行过程的状态，确定其整体或局部正常或异常，早期发现故障及其原因，并能预报故障发展趋势的技术。机械设备中大部分都是旋转机械，在能源动力、电力、化工、治金等重要领域，旋转机械速度一般较高，对故障诊断技术需求较迫切。如发电机、汽轮机、鼓风机、大型轧钢机等机械设备，往往是企业的关键设备，其工作状态不仅影响该机器设备本身的运行，还会对后续生产造成影响，严重故障时可能会对企业生产造成重大影响，甚至导致机毁人亡事故。发生轻微故障的设备若持续运行，不但效率较低，损耗更多的能量，而且会增加后续的维修难度及成本。为保证设备安全运行，降低设备维修费用，提高设备利用率，大型旋转机械状态监管与故障诊断的研究工作已得到各层级工业部门的高度重视。

1.1 传统诊断方法

目前可用于机械状态监测与故障诊断的传统方法主要包括振动诊断、油样分析、温度监测和无损探伤检测。其中，振动诊断的涉及领域最广，理论基础最为雄厚，研究最为充分。早期的故障诊断系统成本较高，往往采用了振动、压力、油温等多种探测手段，基本服务于大型设备的检测工作，如大型汽轮机、压缩机和化工机械等。随着计算机技术、嵌入式技术以及新兴虚拟仪器技术的发展，故障诊断装置和仪器已经由最初的模拟式监测仪表发展到现在的基于计算机的实时在线监测，并在中小型设备中得到了广泛应用。但该类系统往往单一考虑油温、压力等传感值，缺少对机械振动信号的采集和处理，诊断结果的可靠性不足[2]。机械震动信号监测诊断主要有两个难点：一是振动信号的采集往往需要在运动单元上安装位移、速度或加速度传感器，这会影响运动部件本身的特性参数，如未在设计时就考虑传感器预装位置，后续实际生产运行中往往也不允许在如轴承壳体上钻孔安装；二是在中小型机械设备的运动部件增加传感器及信号采集接口具有一定的难度，会导致企业成本大幅度增加。因此，如何在没有振动传感器的情况下获取设备的振动信号，进行检测并给出准确的故障诊断结果，是当前机械设备故障检测领域迫切需要解决的难题之一。

1.2 噪声诊断方法

运动机械进行作业时，除了本身振动外同时还伴随发出噪声（噪声主要是由振动产生的），噪声的频率与振动频率密切相关。因此，通过机械噪声进行故障诊断的方法应运而生。由于噪声信号与物理振动的协同性，利用机器运行中的噪声替代振动信号作为信息源，通过噪声参数的变化特征判别机器的运行状态，可以实现机械故障的实时诊断。绝大多数中小型的电机、水泵等旋转机械，都可通过噪声故障诊断方法[3]解决其传统诊断方法的相关缺陷。

噪声检测诊断方法不需要在原来的设备上钻孔安装传感器，因而有其独特的优势，但机械噪声因易受环境噪声影响，因而该方法在准确性与可靠性方面不如振动检测诊断，导致没有得到大规模应用。近年来，随着声学、微电子、人工智能技术的发展，噪声检测诊断方法存在的不足已得到较大改善。比如当前的多麦克阵列技术，可获得声学信号，并可在硬件和软件上进行消噪处理，大幅度降低了环境噪声影响，为获取振动的原始声信号创造了先决条件。另外，各类语音获取与处理技术也取得了长足的进步，并在智能音箱上获得了成功的应用，也在某些特定工业场景下得到了验证。上述技术的发展和应用，为机械噪声检测诊断方法带来了前所未有的发展空间。

2 智能故障诊断系统设计

基于噪声信号测量和分析的故障检测诊断方法具有仪器简单、非接触测量、不影响设备等诸多特点，然而，目前多数噪声诊断的测试分析方法依旧沿用振动测试思路，依赖大量信号处理技术与人为诊断经验，降低了诊断可靠性与准确性。因此，本文提出一种故障智能诊断系统设计方案，利用机器学习实现机械故障噪声的特征提取与模型训练，通过不同类型的智能终端设计和部署，改善多场景适用性，实现多类机械设备在分布式部署环境下的综合故障诊断。

2.1 系统架构设计

基于噪声检测的故障智能诊断系统架构，主要包括大数据子系统、机器学习子系统、智能诊断终端及上层业务应用系统平台四个模块，整体架构如图1所示。

图1 系统整体架构设计Figure1 Schematic diagram of overall system architecture design

（1）大数据子系统

采用Hadoop分布式计算架构设计，可并行支持多个物理节点和同一节点内多台服务器的分布式并行计算。系统具有可扩展性，可根据计算需求，对计算节点和节点内的计算服务器进行扩展。采用分布式实时流计算框架STORM，可以分布式处理大规模的实时数据，具有低延迟、高性能、分布式和可扩展的特点。关系型数据库存储集群采用传统的关系型数据库系统，主要存储基本的领域知识和系统所需要的原数据、任务定义、计算并需要在页面上展示的结果等。

（2）机器学习子系统

基于人工智能和机器学习技术，通过对接故障识别库、算法、构建模型、迭代优化等步骤逐步完善故障自动化诊断系统，主要内容包括：基础数据统计、计算引擎数据加载、划分训练和测试集合、训练模型并验证测试集、模型存储应用、模型迭代等。

（3）智能诊断终端

根据系统的需求，兼顾多数中小型机械设备以分布式部署为主的情况，设计两种技术方案的智能诊断终端，包括基于DSP（Digital Signal Processing）的故障智能诊断终端、基于云计算的故障智能诊断终端、基于边缘计算的故障智能诊断终端。

（4）故障智能诊断系统平台

即为设备监管及业务流程平台，包括机械设备运行状态的可视化展现、智能诊断终端工作情况实时监控、故障分析模型管理、故障处置流程管理、多级监管权限的配置分发等。

2.2 机器学习框架设计

基于人工智能技术的发展现状，通过深度学习实现机械故障诊断的方法被越来越多地应用到工程实践中。以深度学习为核心的故障智能诊断方法，利用深层神经网络建立信号与故障状态信息之间的复杂映射关系，完成故障特征的自适应提取与补充，能够摆脱对大量信号处理技术与人工诊断经验的依赖。

本系统的机器学习子系统采用卷积神经网络模型。机械噪声采集与故障诊断基本流程如图2所示。

图2 基于机械噪声的故障诊断流程Figure 2 Fault diagnosis flow based on mechanical noise

（1）机械噪声信号获取

单传感器与多传感器多通道采集是目前两种主流的声信号采集方法。单传感器具备操作简便、数据无需校准与匹配等特点；多传感器多通道采集则具有信息采集全面、抗干扰能力强等优点[4]。本方案选择MEMS声传感器阵列作为机械噪声信号获取的传感设备。

（2）故障特征参数提取

在故障模式识别中，特征提取是关键环节，其敏感性和规律性将决定模式识别是否能够得到正确结果。目前国内的主流特征提取方法包括人工提取与自适应特征提取。其中，本方案所选择的自适应特征提取方式直接以噪声信号的时域、频域特征作为输入，通过多层非线性变换挖掘深层特征信息，可保留完整故障信息，避免故障信息遗漏。

（3）故障识别模型训练

模型训练使用卷积神经网络进行，其主要包括卷积层、池化层、批处理归一化层和全连接层。将样本数据输入卷积神经网络模型，以前向和后向传播方式完成训练，保存模型。

（4）故障识别诊断

通过测试样本验证诊断模型准确性，通过分类器获得结果，完成故障类型识别。

2.3 智能诊断终端设计

2.3.1 基于DSP的故障智能诊断终端

基于DSP的故障智能诊断系统设计如图3所示。在该设计中，故障智能诊断终端由MEMS（Micro-Electro-Mechanical System）声传感器阵列、音频ADC（Analog-to-Digital Converter）、低功耗DSP、低 功 耗MCU（Micro Controller Unit）、RF（Radio Frequency）模块、FLASH模块和电源模块等构成。其工作原理为：MEMS声传感器阵列将模拟信号经过音频ADC分别进行前置放大、模数转换和噪声抑制处理后传送给DSP模块，由DSP完成信号预处理、特征提取识别[5]分类等处理后，将故障诊断结果传送给MCU；系统选用低功耗MCU作为主控制器，其主要完成整个传感器的控制和处理工作，如若接收到DSP传送过来的故障诊断结果，则将此结果通过RF模块发送至基站。FLASH模块负责存储样本库模型，当RF模块接收到基站传送过来的样本模型更新信息后，通过MCU将其接收的样本模型传送给DSP模块，由DSP模块将新的样本模型更新到FLASH内，实现样本模型的动态更新。传感器采用外部供电方式。

图3 基于DSP的故障智能诊断终端架构设计Figure3 Intelligent fault diagnosis system architecture design based on DSP

RF模块拟使用LoRa模组。LoRa通信技术拥有功耗低、穿透性能好、鲁棒性强、距离长和接入点多等特点，并支持点对点位置检测和原生AES-128加密功能。理论上，其通信距离达到15km，接入点可达到2万多个。选用LoRa模组可满足大范围及较大量的测试点结果传输，降低系统的使用成本。

该方案的样本模型训练需要依赖电脑或者其他辅助设备，通过其对采集的大量正常与故障状态数据和样本类别不断训练生成样本模型。为了实现样本模型的动态更新，可以通过基站使用LoRa网络将不断训练的样本模型更新到故障诊断设备FLASH中。

2.3.2 基于云计算的故障智能诊断终端

基于云计算服务的故障智能诊断终端如图4所示，由前端传感器、NB-IoT组网及云端服务器组成。前端传感器基于DSP故障智能诊断终端完成数据的预处理，然后通过NB-IoT传送给云计算服务器，在云端完成故障诊断。

图4 基于云计算的故障智能诊断系统Figure4 Intelligent fault diagnosis system based on cloud computing

该终端的应用方案包括感知层、网络层和应用层三层框架，具有监测部位多、采样频率高、在线收集数据时间长等特点。感知层利用安装于设备附近的传感器节点进行信息采集，实现对设备状态的实时监测；网络层通过NB-IoT传输方式，将数据上传至设备诊断管理平台，平台利用柔性开放、可扩展、可重构、实时交互的数据预处理模块与设备故障模型库，实现监测信号分析、故障特征提取、故障诊断及预测功能。

3 系统应用场景分析

在实际环境中，许多机械设备处于无人值守状态，如油田水泵及抽油机、城市排水系统的水泵等。且该场景下的电机、水泵等旋转机械分布较广，通常需要维护人员不定期赶到现场“看、听、摸、闻”进行故障识别诊断。针对此情况，本系统提出三种方案应用模式，如图5所示，可针对机械设备多种部署模式进行适应性选择。三种方案的具体比较情况如表1。

图5 故障智能诊断系统应用方案Figure 5 Intelligent fault diagnosis system application scheme

表1 三种智能方案的比较Table1 Comparison of three smart solutions

方案一成本较低，功能较少，需要预先做好正常与故障状态的样本训练，将训练模型导入DSP中，需要有大量的先验知识。方案二采用云端部署方式，能够摆脱对大量信号处理技术与诊断经验的依赖，完成故障特征的自适应提取与运行状态的智能诊断。方案三整合了方案一和方案二的部署方法，是大型综合系统的适宜选择。在本方案中，故障诊断模型部署在边缘云上，在故障特征提取与识别过程中，通过模式识别算法等将数据相关性建立起来之后，确定基础识别模型。边缘云可根据当前边缘设备采集的数据建立识别模型，模型建立在边缘端，边缘网采集数据经传输后与本地模型进行匹配，可以实现基于相似度的评估[6]。

通过比较，以上三个方案各有优劣，在具体应用过程中可按下述流程选择：

（1）针对客户的需求，了解故障类型，获取原始数据；

（2）利用样本数据进行模型训练，确定网络架构、深度学习模型算法架构，建立不同的架构模式，并通过验证测试进行优选；

（3）根据软件架构，设计智能故障传感器，进行算法移植，并进行现场验证。

4 结语

机械设备功能朝着多元化的方向不断发展进步，内部结构也日益复杂，如其应用的故障检测手段没有在第一时间及时获得科学准确的诊断结论，可能会造成不可预估的设备损伤与财产损失。本文提出的基于噪声检测的故障智能诊断系统，利用MEMS传感器采集机械设备噪声进行信号处理，对采集的噪声数据进行去噪处理及特征提取，根据人工智能算法实现设备运行状态的实时监测诊断，可以大大提高工程机械故障智能诊断技术的使用效果，为机械设备的平稳运行提供保障。