CN103810374B - 一种基于mfcc特征提取的机器故障预测方法 - Google Patents

Abstract

一种基于MFCC特征提取的机器故障预测方法，属于机器故障预测方法。该故障预测方法，通过机器上安装的声传感器获得当前机器运行的声音信号特征，声音信号经过预处理后，再将其进行Mel变换，获得其MFCC特征向量。根据所得MFCC特征向量对机器健康状况进行预测，具体聚类过程是支持向量机对机器正在运行时所提取的MFCC特征和所存机器之前正常运行样本数据进行聚类，通过投票法对聚类结果进行分析，进而对机器故障进行预测。优点：提取机器的声音特征，将其变换至Mel域，再根据SVM对特征向量进行聚类分析，快速、准确、简单的预测出机器健康状态。具有操作简单、预测精度高、预测速度快、抗噪性能好。对非线性、随机性、时变性的信号能够较为精确的预测。

Description

一种基于MFCC特征提取的机器故障预测方法

技术领域

本发明涉及一种机器故障预测方法，特别是一种基于MFCC特征提取的机器故障预测方法。

背景技术

机器故障预测是指根据机器当前或者历史运行时的状态预测出未来一段时间内机器的健康状态与是否存在渐变故障，其预测的准确性是机器日常维护、正常运行、安全生产等重要保证，直接关系到经济效益与维护成本。

与故障诊断不同的是故障预测能够事先对有可能发生渐变故障的机器做出判断，为有计划的安排维修与维护提供了前提。声音信号是对多数的机器都很敏感，对于正常运行的机器，其每次启动、运行、结束的声音特征变化不大。但是当机器出现渐变故障时，机器的声音特征就会出现剧烈的变化，因而，通过声音特征的提取对机器故障进行预测是可行的。

目前，在机器故障预测的特征提取中，时域振动烈度的特征提取是机器预测的基本参数，通常通过传感器采集到机器的震动烈度，然后进过分析找出符合该机器正常运行的正态分布，当下一次采集的信号特征符合正态分布，且越靠近均值，就表明机器越正常。频域方面，主要分析频带宽度、或者进行小波变换后的频带能量，统计机器正常运行时各个频带的能量分布作为故障预测的样本特征向量，接着提取到的机器特征作为测试样本，再通过各种预测模型进行机器故障预测。但是由于机器运行时的表现出来信号具有非线性、时变性、随机性，仅通过提取信号的时域或者频域进行分析并不能很好地对机器进行故障预测。

现有的预测模型技术主要有曲线拟合、高斯混合模型(GMM)、神经网络(NN)、灰色模型、隐马尔科夫模型(HMM)、支持向量机(support vector machine，SVM)。其中，曲线拟合仅仅通过回归分析历史的数据进行预测，虽然最为原理简单但误差较大；高斯混合模型通过概率密度函数将特征量化，统计各个量化后的特征出现的频次，能够实现机器进行故障预测，但是其稳定性、精确性受到学习机制的影响较大；神经网络具有抗噪性能超强、不需建立具有一定规律的数学模型、极强的非线性映射能力等优点在预测方面具有很好的应用前景，但是也存在收敛速度慢、容易陷入局部最优解等问题；灰色模型和隐马尔科夫模型在短期预测具有较高的预测精度、适应能力强等优点，但是其精度依赖于特征参数的多少，当特征参数较少时，预测效果一般；SVM是一种新型的机器学习方法，具有唯一的全局最优解与出色的机器学习能力，能够很好的解决小样本、非线性、高维化等问题，能不够满足机器故障特征的随机性、时变性、非线性等。

发明内容

本发明的目的是克服现有技术中的不足之处，提出一种操作简单、精确度高、能快速预测机器的健康状态、维护机器方便的基于MFCC特征提取的机器故障预测方法。

本发明的目的是这样实现的，本发明的故障预测方法，通过机器上安装的声传感器获得当前机器运行的声音信号特征，声音信号经过预处理后，再将其进行Mel变换，获得其MFCC特征向量；根据所得MFCC特征向量对机器健康状况进行预测，具体聚类过程是支持向量机(support vector machine，SVM)对机器正在运行时所提取的MFCC特征和所存机器之前正常运行样本数据进行聚类，通过投票法对聚类结果进行分析，进而对机器故障进行预测；

具体实现过程如下：

(1)信号提取：在需要预测机器上安装声音传感器，首先采集机器正常运行时n天的数据，作为SVM分类器的对比参照可称为样本数据库。然后通过声传感器获取当前机器的声音信号作为机器故障预测的测试样本库。

(2)声信号处理：针对机器正常运行时已获得声音样本库的MFCC特征向量，将声音样本数据与测试数据库分别进行预处理，所述的预处理包括滤波、加重、分帧或加窗，然后将预处理后的声音信号变换至与其成非线性对应关系的Mel域，最后得到机器正常运行时与当前机器运行时的MFCC特征向量；声信号处理的具体实现过程如下：

(1)原始机器声音信号设为s(n)经过预滤波、预加重、分帧、加窗后可以得到每帧机器声音的时域信号为x(n)，对每一帧信号做离散傅里叶变换(DFT)得到频域信号X(k)，完成时域转换成频域。X(k)可以表示为：

式中，X(k)为频域信号，x(n)为时域信号，k为采样点数，N为周期。

(2)求X(k)的平方，即能量谱。通过使用M个Mel带通滤波器对其进行滤波，第m个带通滤波器的传递函数H_m(k)可以表示为：

式中，f(m)是三角滤波器的中心频率，满足：

Mel(f(m+1))-Mel(f(m))

＝Mel(f(m))-Mel(f(m-1))

(3)计算第m个滤波器输出的能量对数叠加，其表达式如下：

式中，E(m)为第m个滤波器输出的能量对数叠加，H_m(k)为传递函数，m为滤波器的个数，N为周期；

(4)经离散余弦变换(DCT)即可得到Mel倒谱系数：

式中，C(n)为Mel倒谱系数的值，M为带通滤波器的个数；

3、预测模型建立：首先采集机器运行n天正常运行时的声音信号，经Mel域变换后存入样本数据库中；将机器正常运行n天时的MFCC特征向量样本库当作SVM聚类器，然后实时采集当前机器运行的声音信号，并提取其对应的MFCC系数；SVM预测包括线性可分与线性不可分两种情况，当所采集信号为线性不可分时，构建非线性SVM聚类器，采用SVM机器预测模型的非线性分类算法，最后通过非线性SVM进行聚类分析给出该机器的健康状况；若机器的运行状态在一段时间内是平稳的，且满足给定的机器正常门限值，当前机器的MFCC特征向量作为SVM聚类器的测试样本，构建基于SVM的机器预测模型；

所述的SVM机器预测模型的非线性分类算法如下：

训练样本式中x_i∈R^l是第i个输入模式，d_i∈{+1,-1}是其对应的输出期望；

通过非线性映射Φ(x):R^l→R^N，将原空间输入向量映射到N维特征空间，其最优分类超平面：以上问题即可转化成在满足一定条件时，最小化||w||的问题，可表示成如下形式：

式中，C为常数，影响决策精度，ξ为松弛变量，w为超平面法线，是可以调节的权值向量，b为偏置，决定相对于原点的最优位置，d_i∈{+1,-1}是其对应的输出期望；利用Lagrange乘子求解上述优化问题，其表达式：

式中，α_i，β_i为非负拉格朗日系数，令：

得到：

对于求解高维特征空间点积Φ(x_i)^T·Φ(x_j)，无需知道非线性映射，总是找到一个能够满足Mercer条件原空间的核函数，使得：K(x,x_i)＝Φ(x)^T·Φ(x_j)，故可以重新将问题描述为：

本文中核函数选择Gauss核函数：

式中，x为测试样本，x_i是第i个输入模式的均值，σ为方差。

样本库建立完成以后，通过最优超平面、样本库和相应参数构成的分类器按下式进行分类预测：

式中，b为偏置，决定相对于原点的最优位置，x为测试样本，α_i为非负拉格朗日系数，d_i∈{+1,-1}是其对应的输出期望。

4、预测结果：将所得聚类结果使用投票法对机器进行故障预测，对机器做出健康状态、亚健康状态与非健康状态的决策；机器健康评价指标，0.85到1之间表示机器运行健康，0.65到0.85之间表示机器处于亚健康，0.65以下表示机器有故障；以下给出健康度的定义：

健康度δ定义为：

式中，s_m为机器健康运行得票数，m为机器健康预测总得票数。

有益效果，由于采用了上述方案，通过声传感器采集少量的数据，将其变换至Mel域，作为SVM聚类器的样本数据，然后实时对监测机器的信号进行提取作为测试数据，聚类分析给出机器的运行状态。本发明提出健康度的概念，将机器未来运行状况分为：健康、亚健康、故障。根据本发明提供的预测方法，预测出机器所处状态，能够实现对机器进行计划维护的目的，提高了对机器的健康管理，有效防止由渐变故障引起的机器故障的问题。

优点：本发明通过声传感器提取机器的声音特征，将其变换至Mel域，再根据SVM对特征向量进行聚类分析，与现有技术相比，具有操作简单、预测精度高、预测速度快、抗噪性能好等优点。特别是对非线性、随机性、时变性的信号能够较为精确的预测，更加适用于各种发动机及有声的机器或机械。

附图说明

图1为本发明故障预测整体结构图。

图2为应用实例中摩托车正常运行时的MFCC特征值

图3为应用实例中摩托车正常运行时MFCC特征值变化

图4为应用实例中MFCC特征向量数和相关度的关系。

表1为应用实例中摩托车在不同样本库的健康度预测。

图5为应用实例中模拟摩托车正常—重击声—正常时的机器健康曲线。

具体实施方式

实施例1：该故障预测方法，通过机器上安装的声传感器获得当前机器运行的声音信号特征，声音信号经过预处理后，再将其进行Mel变换，获得其MFCC特征向量。根据所得MFCC特征向量对机器健康状况进行预测，具体聚类过程是支持向量机对机器正在运行时所提取的MFCC特征和所存机器之前正常运行样本数据进行聚类，通过投票法对聚类结果进行分析，进而对机器故障进行预测。

所述的Mel为频率倒谱系数，英文表示为Mel Frequency Cestrum Coefficient，英文缩写为MFCC。所述的支持向量机的英文名称为support vector machine，英文缩写为SVM。

如图1所示，本发明基于MFCC特征提取的机器故障预测方法其步骤为：

1、信号提取：针对机器正常运行n天时的声音样本库，通过声传感器获取当前机器的声音信号作为机器故障预测的测试样本库；

2、声信号处理：针对机器正常运行时已获得声音样本库的MFCC特征向量，首先对当前机器声音进行预处理(包括滤波、加重、分帧、加窗等)，然后将预处理后的声音信号变换至与其成非线性对应关系的Mel域，最后得到当前机器运行时测试样本库的MFCC特征向量；

3、预测模型建立：首先采集机器运行n天正常运行时的声音信号，经Mel域变换后存入样本数据库中；将机器正常运行n天时的MFCC特征向量样本库当作SVM聚类器，然后实时采集当前机器运行的声音信号，并提取其对应的MFCC系数；SVM预测包括线性可分与线性不可分两种情况，当所采集信号为线性不可分时，构建非线性SVM聚类器，采用SVM机器预测模型的非线性分类算法，最后通过非线性SVM进行聚类分析给出该机器的健康状况；若机器的运行状态在一段时间内是平稳的，且满足给定的机器正常门限值，当前机器的MFCC特征向量作为SVM聚类器的测试样本，构建基于SVM的机器预测模型；

4、预测结果：将所得聚类结果使用投票法对机器进行故障预测，对机器做出健康状态、亚健康状态与非健康状态的决策；机器健康评价指标，0.85到1之间表示机器运行健康，0.65到0.85之间表示机器处于亚健康，0.65以下表示机器有故障；

上述步骤1)中，首先通过声传感器获取摩托车启动后正常运行时的声信号，通过以下方法将声信号s(n)转换为Mel倒谱系数C(n)，具体方法如下：

(1)原始机器声音信号设为s(n)经过预滤波、预加重、分帧、加窗后可以得到每帧机器声音的时域信号为x(n)，对每一帧信号做离散傅里叶变换(DFT)得到频域信号X(k)，完成时域转换成频域。X(k)可以表示为：

(2)求X(k)的平方，即能量谱。通过使用M个Mel带通滤波器对其进行滤波，第m个带通滤波器的传递函数可以表示为：

式中，f(m)是三角滤波器的中心频率，满足：

Mel(f(m+1))-Mel(f(m))

＝Mel(f(m))-Mel(f(m-1))

(3)计算第m个滤波器输出的能量对数叠加，其表达式如下：

(4)经离散余弦变换(DCT)即可得到Mel倒谱系数：

上述步骤2)中，实时通过声传感器获取摩托车启动后的声信号，将获取的声音s′(n)根据步骤1)中同样的处理方法得到Mel倒谱系数C′(n)。

上述步骤3)中，建立SVM预测模型，通过得到的C(n)特征向量构建SVM聚类器，将C′(n)作为输入进行预测，具体SVM非线性分类算法如下：

训练样本式中x_i∈R^l是第i个输入模式，d_i∈{+1,-1}是其对应的输出期望。

通过非线性映射Φ(x):R^l→R^N，将原空间输入向量映射到N维特征空间，其最优分类超平面：式中w为超平面法线，是可以调节的权值向量，b为偏置，决定相对于原点的最优位置。以上问题即可转化成在满足一定条件时，最小化||w||的问题，可表示成如下形式：

式中，C为常数，影响决策精度，ξ为松弛变量。利用Lagrange乘子求解上述优化问题，其表达式：

式中，α_i，β_i为非负拉格朗日系数，令：

得到：

对于求解高维特征空间点积Φ(x_i)^T·Φ(x_j)，无需知道非线性映射，总是找到一个能够满足Mercer条件原空间的核函数，使得：K(x,x_i)＝Φ(x)^T·Φ(x_j)，故可以重新将问题描述为：

本文中核函数选择Gauss核函数：

样本库建立完成以后，通过最优超平面、样本库和相应参数构成的分类器按下式进行分类预测：

上述步骤4)中，通过投票法对预测结果进行处理，获得机器的健康状态，设定：机器健康评价指标，0.85到1之间表示机器运行健康，0.65到0.85之间表示机器处于亚健康，0.65以下表示机器有故障。

根据机器健康度的定义：最终确定健康状况。

以下通过仿真验证该方法的可行性：

为了验证提出的MFCC特征提取的机器故障预测方法可行性，录制一段机动车的健康时与机动车非健康状态下的运行声音，本发明中仅仅考虑了机器在下一阶段的运行健康状况，并不对机器出现何种故障做出判断。在图3中已经能够直观的看出机器正常运行时的MFCC特征值变化，为了进一步验证方法的可行性，通过MATLAB平台对该机动车的健康状态进行预测仿真，其中采样频率为8000Hz，每帧采样点为256。仿真了机器在运行时样本库的不同对预测的影响、机器的健康度以及机器在噪声中健康预测的鲁棒性能。

图4中样本库的数据分别为500、1000、2000、4000，仿真了机器正常运行时机器声信号与样本库的相关度，图中可以看出选择MFCC特征值的多少对机器健康状况的评价结果是有影响的，随着选取的特征向量增加相关度越来越大，预测的精度也会越来越高。但是特征向量的增加，算法复杂度、运行效率会大打折扣，因此本发明中选取18个特征向量对机器的健康状态进行预测分析。另外随着样本库的增加，库中机器正常运行时的特征向量也越来越完备，使得预测精度有所提高。

表1中给出了机器样本数据库，N表示样本数量，t₁表示机器没有故障时刻，t₂表示机器正常运行时加入噪声的时间段，t₃表示机器出现轻敲声的时间段，t₄表示机器出现故障出现撞击声，以下提取的均为机器启动后运行的数据。从表1中可以看出，随着样本库的扩大机器正常运行MFCC特征库越来越完备，其预测的准确度也越高。在t₂时间段内尽管加入噪声，但通过样本库3和样本库4健康度评价可以看出文中提出的基于MFCC特征提取的机器故障预测方法鲁棒性较好。使用投票法对仿真时刻的声音数据与样本库的相似度进行SVM聚类分析，给出机器的评价指标，0.85到1之间表示机器运行健康，0.65到0.85之间表示机器处于亚健康，0.65以下表示机器有故障。

图5中给出了摩托车运行时的健康状态，设置时间段T₀～T₁为机器正常平稳运行，时间段T₁～T₂内加入重敲声，T₂～T₃为机器除去重敲声时间段，每个时段段取200帧，对比样本库为样本库4。图6中可以看出当机器中出现重敲声时，由MFCC提取出来的特征值进行分析，机器健康度在0.85上下浮动，处于亚健康的边缘，若长时间处于亚健康，则该机器需要停机维护等处理。

Claims (2)

1.一种基于MFCC特征提取的机器故障预测方法，其特征在于，该故障预测方法，通过机器上安装的声传感器获得当前机器运行的声音信号特征，声音信号经过预处理后，再将其进行Mel变换，获得其MFCC特征向量；根据所得MFCC特征向量对机器健康状况进行预测，具体聚类过程是支持向量机对机器正在运行时所提取的MFCC特征和所存机器之前正常运行样本数据进行聚类，通过投票法对聚类结果进行分析，进而对机器故障进行预测；

具体实现过程如下：

(1)信号提取：在需要预测机器上安装声音传感器，首先采集机器正常运行时n天的数据，作为SVM分类器的对比参照可称为样本数据库。然后通过声传感器获取当前机器的声音信号作为机器故障预测的测试样本库。

(2)声信号处理：针对机器正常运行时已获得声音样本库的MFCC特征向量，将声音样本数据与测试数据库分别进行预处理，所述的预处理包括滤波、加重、分帧或加窗，然后将预处理后的声音信号变换至与其成非线性对应关系的Mel域，最后得到机器正常运行时与当前机器运行时的MFCC特征向量；

(3)预测模型建立：首先采集机器运行n天正常运行时的声音信号，经Mel域变换后存入样本数据库中；将机器正常运行n天时的MFCC特征向量样本库当作SVM聚类器，然后实时采集当前机器运行的声音信号，并提取其对应的MFCC系数；SVM预测包括线性可分与线性不可分两种情况，当所采集信号为线性不可分时，构建非线性SVM聚类器，采用SVM机器预测模型的非线性分类算法，最后通过非线性SVM进行聚类分析给出该机器的健康状况；若机器的运行状态在一段时间内是平稳的，且满足给定的机器正常门限值，当前机器的MFCC特征向量作为SVM聚类器的测试样本，构建基于SVM的机器预测模型；

(4)预测结果：将所得聚类结果使用投票法对机器进行故障预测，对机器做出健康状态、亚健康状态与非健康状态的决策；机器健康评价指标，0.85到1之间表示机器运行健康，0.65到0.85之间表示机器处于亚健康，0.65以下表示机器有故障；以下给出健康度的定义：

健康度δ定义为：

$\mathrm{\δ}=\frac{s_m}{p}$

式中，s_m为机器健康运行得票数，p为机器健康预测总得票数；

所述声信号处理的具体实现过程如下：

(1)原始机器声音信号设为s(n)经过预滤波、预加重、分帧、加窗后可以得到每帧机器声音的时域信号为x(n)，对每一帧信号做离散傅里叶变换(DFT)得到频域信号X(k)，完成时域转换成频域；X(k)可以表示为：

$X\left(k\right)=\underset{n=0}{\overset{N-1}{\Σ}}x\left(n\right)e^{-j2\mathrm{\π}nk/N},0\≤k\≤N$

式中，j为虚数单位，X(k)为频域信号，x(n)为时域信号，k为采样点数，N为周期，n为天；

(2)求X(k)的平方，即能量谱。通过使用M个Mel带通滤波器对其进行滤波，第m个带通滤波器的传递函数可以表示为：

式中，f(m)是三角滤波器的中心频率，满足：

Mel(f(m+1))-Mel(f(m))

＝Mel(f(m))-Mel(f(m-1))

其中：f(m)是第m个中心频率，f(m-1)是第m-1个中心频率，m为计数作用；

(3)计算第m个滤波器输出的能量对数叠加，其表达式如下：

$E\left(m\right)=log\left(\underset{k=0}{\overset{N-1}{\&Sigma;}}{H}_m\right(k)\&times;|X\left(k\right)\left|\right),0\&le;m<M$

式中，E(m)为第m个滤波器输出的能量对数叠加，H_m(k)为传递函数，m为滤波器的个数，N为周期；

(4)经离散余弦变换(DCT)即可得到Mel倒谱系数：

$C\left(n\right)=\underset{m=0}{\overset{M-1}{\&Sigma;}}E\left(m\right)\cos \left(\mathrm{\&pi;}n\right(m-0.5)/M),0\&le;n<M;$

式中，C(n)为Mel倒谱系数的值，M为带通滤波器的个数。

2.根据权利要求书1所述的基于MFCC特征提取的机器故障预测方法，其特征在于：所述的SVM机器预测模型的非线性分类算法如下：

训练样本式中x_i∈R^l是第i个输入模式，d_i∈{+1,-1}是其对应的输出期望；

通过非线性映射Φ(x):R^l→R^N，将原空间输入向量映射到N维特征空间，其最优分类超平面：式中w为超平面法线，是可以调节的权值向量，b为偏置，决定相对于原点的最优位置；以上问题即可转化成在满足一定条件时，最小化||w||的问题，可表示成如下形式：

$\left.\begin{array}{c}min\mathrm{\&Phi;}(w,\mathrm{\&xi;})=\frac{1}{2}\left|\right|w|{|}^2+C\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{\&xi;}}_i\\ \begin{array}{cc}st.& \begin{array}{c}{d}_i\left(\underset{j}{\overset{N}{\&Sigma;}}{w}_j{\mathrm{\&Phi;}}_j\right(x_i)+b)\&GreaterEqual;1-{\mathrm{\&xi;}}_i\\ {\mathrm{\&xi;}}_i\&GreaterEqual;0,i=1,2,...,n\end{array}\end{array}\end{array}\right\}$

式中，C为常数，影响决策精度，ξ为松弛变量，w为超平面法线，是可以调节的权值向量，b为偏置，决定相对于原点的最优位置，d_i∈{+1,-1}是其对应的输出期望；利用Lagrange乘子求解上述优化问题，其表达式：

$L(w,b,\mathrm{\&xi;},\mathrm{\&alpha;},\mathrm{\&beta;})=\frac{1}{2}\left|\right|w|{|}^2+C\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{\&xi;}}_i-\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{\&alpha;}}_i\{d_i\left(w^T\mathrm{\&Phi;}\right(x_i)+b)-1+{\mathrm{\&xi;}}_i\}-\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{\&beta;}}_i{\mathrm{\&xi;}}_i$

式中，α_i，β_i分别为第i个输入模式的非负拉格朗日系数，令：

得到：

对于求解高维特征空间点积Φ(x_i)^T·Φ(x_j)，无需知道非线性映射，总是找到一个能够满足Mercer条件原空间的核函数，使得：K(x,x_i)＝Φ(x)^T·Φ(x_j)，故可以重新将问题描述为：

$\left.\begin{array}{c}\max Q\left(\mathrm{\&alpha;}\right)=\underset{i=1}{\overset{n}{\&Sigma;}}\mathrm{\&alpha;}-\frac{1}{2}\underset{i,j=1}{\overset{n}{\&Sigma;}}{\mathrm{\&alpha;}}_i{\mathrm{\&alpha;}}_j{d}_i{d}_{j}K(x_i,x_j)\\ \begin{array}{cc}st.& \begin{array}{c}\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{\&alpha;}}_i{d}_i=0\\ 0\&le;\mathrm{\&alpha;}\&le;C,i=1,2,...,n\end{array}\end{array}\end{array}\right\}$

本文中核函数选择Gauss核函数：

$K(x,x_i)=\exp (-\frac{|x-x_i{|}^2}{2{\mathrm{\&sigma;}}^2})$

式中，x为测试样本，i为标识，x_i是第i个输入模式的均值，σ为方差；

样本库建立完成以后，通过最优超平面、样本库和相应参数构成的分类器按下式进行分类预测：

$f\left(x\right)=\mathrm{sgn}\&lsqb;\underset{i=1}{\overset{n}{\&Sigma;}}{d}_i{\mathrm{\&alpha;}}_{i}K(x,x_i)+b\&rsqb;$

式中，b为偏置，决定相对于原点的最优位置，x为测试样本，α_i为非负拉格朗日系数，d_i∈{+1,-1}是其对应的输出期望。