CN111044285A - 一种复杂情况下机械设备故障诊断方法 - Google Patents

Abstract

本发明提供一种复杂情况下机械设备故障诊断方法，首先采集旋转机械或往复机械设备运转振动信号，并采用梅尔频率倒谱系数法进行特征提取，将梅尔频率倒谱系数法提取的特征数据分成训练数据和测试数据，并按类别设置分类标签，利用训练数据对深度置信网络模型进行训练，利用测试数据测试深度置信网络效果并给出诊断结果。本发明有效的突破了变工况、复合故障模式等复杂情况机械故障特征信息难以提取的技术瓶颈，实现了复杂情况下机械设备故障诊断，本方法具有针对性，重点解决各类复杂情况的难点问题，准确率高，智能化程度高，计算速度快。

Description

一种复杂情况下机械设备故障诊断方法

技术领域

本发明属于机械工程技术领域，具体涉及机械设备故障诊断方法的研究。

背景技术

在工程实践中，机械设备运转的振动信号复杂程度各异，例如：空载、转速稳定及单故障模式下，以发动机为代表的往复机械的振动信号就要比以齿轮、轴承为代表的旋转机械振动信号复杂。而更加复杂的情况也普遍存在，主要是变速变负载的复杂工况以及多故障共同发生的复杂故障模式。这两种复杂情况下采集到的振动信号成分将更加复杂，故障诊断难度徒增，需要更强大的特征提取和信号分析方法来处理。

现有技术多是以一种方法解决各类复杂情况不同的问题，没有针对性，容易造成准确率不高或计算过程过于复杂。现有技术中，对机械设备故障诊断的研究以旋转机械为研究对象的居多，对结构更加复杂的往复机械研究较少；对单一转速和定工况的研究较多，对变速变负载情况的研究较少；对单故障模式研究较多，对复合故障模式研究较少。

复杂故障模式机械设备运转振动信号与定工况、单一故障模式相比要复杂的多，因此对于变工况、复合故障模式的机械诊断，其难点就在于故障特征信息的提取，特征信息提取的不准确必然导致故障诊断结果不理想，其次特征数据计算处理过程无比冗长复杂，最后得到的故障诊断方法在实际操作中根本没有办法得到具体的应用，由此，对于变工况复合故障模式的机械诊断尚缺乏针对性的解决方案。

发明内容

本发明的目的是要解决变工况、复合故障模式等复杂情况下故障特征信息提取及故障诊断的技术问题。

为解决上述技术问题，本发明提出一种复杂情况下机械设备故障诊断方法的技术方案，包含如下步骤：

步骤1、采集旋转机械或往复机械设备运转振动信号；

步骤2、采用梅尔频率倒谱系数进行故障特征提取；

S1先对采集到的设备运转振动信号进行预处理，主要包括端点检测、预加重、分帧和加窗等；

S2对预处理后的信号数据进行傅里叶变换得到对应的频谱；

S3利用Mel滤波器组处理每个频谱得到Mel频谱；

进一步的，对生成Mel频谱的步长分析至少需要采集设备运转一个周期信号长度信号长度所需的时间且Mel滤波器组数量M＝2ⁿ(n＝5、6、7、8)；

S4对Mel频谱进行倒谱分析，通过倒谱向量描述振动信号，每个向量就是对应每帧的MFCC特征向量；

步骤3、将提取MFCC特征后的数据分成训练数据和测试数据，并按类别设置分类标签；

步骤4、利用训练数据对深度置信网络模型进行训练

S1、设置深度置信网络初始参数；

进一步的，深度置信网络初始参数可如下设置：

1)隐藏层单元数

设样本输入数据维度为D，即输入层单元数为D，若2^N-1＜D≤2^N，则隐藏层单元数2^{N -i}，(其中，i为第i隐藏层)；若隐藏层数过多以至于中间某层单元数超出样本类别数O(2^N-i-1≥O)，则从第i层(含第i层)开始之后每层单元数均取2^N-i；

2)批尺寸

如果训练样本数和测试样本数为S₁和S₂，则将批尺寸定为b₁＝100，b₂＝100和b₁＝S₁/100，b₂＝S₂/100，样本数若不是100的倍数则取接近值；

其它参数，将可视层与隐藏层偏置以及学习率初始值均设为0.1，初始动量设为0.5，迭代5次后，动量变为0.9，最大迭代次数可根据需要调整。

S2、利用误差反向传播不断修正各项权重和偏置，达到预设的最大迭代次数后迭代停止，模型训练完成；

步骤5、诊断结果的输出，利用测试数据测试深度置信网络效果并给出诊断结果。

本发明的有效收益：

1、本发明充分考虑了复杂工况和复杂故障模式两种复杂情况下机械设备运转振动信号与定工况、单一故障模式相比要复杂的多，其难点就在于故障特征信息的提取，本发明创造性的提出利用梅尔频率倒谱系数方法来处理复杂情况下的机械设备运转振动信号，将其引用到机械设备振动信号处理领域是一种全新的尝试，通过参数调整可以提取出复杂振动信号中的关键特征信息，同时达到数据降维的效果。

2、本发明通过提出MFCC-DBN方法，实现了复杂情况下机械设备故障诊断，本方法具有针对性，重点解决各类复杂情况的难点问题，准确率高，智能化程度高，计算速度快。

附图说明

图1为本发明基于MFCC-DBN的故障诊断方法流程；

图2为本发明实施例实验系统示意图；

其中，1-磁粉制动器，2-联轴器，3行星齿轮箱，4-联轴器，5-转速转矩传感器，6-联轴器，7-电机

图3为本发明实施例行星齿轮箱内部结构示意图；

其中，1-太阳轮，2-行星轮，3-齿圈

图4为本发明实施例齿轮齿面磨损预置故障示意图；

其中，1虚线部分-磨损，2表示整体

图5为本发明实施例1四种状态下的MFCC提取结果示意图(Mel滤波器组数量为64)；

图6为本发明实施例1不同滤波器组数量的诊断结果对比示意图；

图7为本发明实施例2不同滤波器组数量的诊断结果对比示意图。

具体实施方式

下面结合附图和具体实施例，对本发明的原理和实现过程进行详细的阐述和说明。

梅尔频率倒谱(Mel-Frequency Cepstrum)是基于声音频率的非线性梅尔刻度(mel scale)的对数能量频谱的线性变换，目前广泛的应用在声音处理领域中，

梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficients，MFCCs)就是组成梅尔频率倒谱的系数。它衍生自音讯片段的倒频谱(cepstrum)。倒谱和梅尔频率倒谱的区别在于，梅尔频率倒谱的频带划分是在梅尔刻度上等距划分的，它比用于正常的对数倒频谱中的线性间隔的频带更能近似人类的听觉系统。这样的非线性表示，可以在多个领域中使声音信号有更好的表示。例如在音讯压缩中。

梅尔频率倒谱系数(MFCC)广泛被应用于语音识别的功能。由Davis和Mermelstein在1980年代提出，并在其后持续是最先进的技术之一。本发明的关键之处就是将梅尔频率倒谱系数拓展应用于变工况复杂情况机械故障关键特征信息提取中，从而突破了故障特征信息难以获取的技术瓶颈，为变工况复杂情况的机械故障诊断寻求到较好的解决方案。

如图1所示，本发明的实现过程包括四个步骤：

第一步、采集旋转机械或往复机械设备运转振动信号；

第二步、梅尔频率倒谱系数(Mel Frequency Cepstral Coefficents，MFCC)特征提取；具体过程如下：

S1先对采集到的设备运转振动信号进行预处理，主要包括端点检测、预加重、分帧和加窗等；

S2对预处理后的信号数据进行傅里叶变换得到对应的频谱；

S3利用Mel滤波器组处理每个频谱得到Mel频谱；

在此过程中对诊断结果影响较大的MFCC特征提取参数主要有Mel滤波器组数量、分析步长、移动步长和分析频率范围，通常可定义如下：

(1)预加重系数alpha：一般取0.95左右；

(2)分析步长和移动步长：通常每帧包含256或512个采样点，为了避免相邻两帧的变化过大，在相邻两帧之间设置一段重叠区域，重叠区域的采样点数为每帧步长的1/3或1/2。在实际应用中通常换算成时间来计算。

在本发明中，分析步长至少包含采集设备运转一个周期信号长度所需时间；

(3)窗函数：通常选择汉明(Hamming)窗；

(4)Mel滤波器组数量M：通常取22-26；

事实上，通过反复的试验发现，将梅尔频率倒谱系数应用于机械故障诊断中，Mel滤波器组的数量按照常规的22-26的范围，测试结果仍不够理想，通过反复测试发现，Mel滤波器组数量M＝2ⁿ(n＝5、6、7、8)，所获得的试验数据最为理想，最有利于故障信息的特征提取。

(5)MFCC特征数量：可与Mel滤波器组数量M相同；

(6)MFCC系数阶数L：通常取12-16；

(7)分析频率范围：采取与傅里叶变换结果相对应的设置方法，根据奈奎斯特(Nyquist)频率进行设置。Nyquist频率是离散信号系统采样频率的一半，即通常最低频率为0Hz，最高频率为采样频率的1/2。此外，值得注意的是在应用时需要将线性频率转换至Mel频率。

S4对Mel频谱进行倒谱分析，通过倒谱向量描述振动信号，每个向量就是对应每帧的MFCC特征向量。

步骤3、将提取MFCC特征后的数据分成训练数据和测试数据，并按类别设置分类标签；

步骤4、利用训练数据对深度置信网络模型进行训练

S1、设置深度置信网络初始参数；

1)隐藏层单元数

设样本输入数据维度为D，即输入层单元数为D，若2^N-1＜D≤2^N，则隐藏层单元数2^{N -i}，(其中，i为第i隐藏层)；若隐藏层数过多以至于中间某层单元数超出样本类别数O(2^N-i-1≥O)，则从第i层(含第i层)开始之后每层单元数均取2^N-i；

2)批尺寸

如果训练样本数和测试样本数为S₁和S₂，则将批尺寸定为b₁＝100，b₂＝100和b₁＝S₁/100，b₂＝S₂/100，样本数若不是100的倍数则取接近值；

其它参数，将可视层与隐藏层偏置以及学习率初始值均设为0.1，初始动量设为0.5，迭代5次后，动量变为0.9，最大迭代次数可根据需要调整。

S2、利用误差反向传播不断修正各项权重和偏置，达到预设的最大迭代次数后迭代停止，模型训练完成；

步骤5、诊断结果的输出，利用测试数据测试深度置信网络效果并给出诊断结果。

实施例1

如同所示，如图2是本发明的一个实验系统，主要由行星齿轮箱、电机、磁粉制动器、转速转矩传感器以及联轴器组成。该齿轮箱为单级行星齿轮箱，由1个太阳轮(齿数为13)、3个行星轮(齿数为64)和1个齿圈构成(齿数为146)，传动比为12.5，其内部结构如图3所示。

本实验共预置了太阳轮、齿圈和行星轮单个轮齿齿面磨损三种局部故障，故障程度统一设置为轮齿长度的1/2和宽度的1/2，如图4所示。分别对正常状态和三种故障状态开展了实验，采样频率和采样时间分别为20kHz和12s，转速设置为400、800和1200rpm，每种转速负载设置为0、0.4、0.8和1.2Nm，每种工况采集33个样本。

本实验系统在前期提出的“一种旋转式机械设备故障诊断方法”发明申请中也应用过，本发明继续使用该系统，但应用数据与之不同，本发明是解决复杂情况下机械设备故障诊断问题，复杂情况主要涉及复杂工况和复杂故障模式，本实施例以该实验数据验证本发明在复杂工况情况下方法的有效性。数据构成是不同转速和负载各取3个样本，共计36个样本，如表1所示。

表1复杂工况的每种状态数据构成

要求分析数据至少包含设备运转一个周期的信号，由于本发明分析的是变工况条件下的振动数据，所以分析步长计算应按低转速情况为准。此时信号采样频率为20kHz，即1s采集20000个数据点，转速为400rpm，则设备运转1周用时150毫秒，采集的样本点数为3000，重叠区域采样时间约为50-75毫秒。因此此处分析步长和移动步长分别设置为150ms和60ms。Mel滤波器组数量和MFCC参数数量本文设置方式以2ⁿ增长，此处暂定为64。其它参数设置为：预加重系数alpha设置为0.97，窗函数选择汉明(Hamming)窗，MFCC系数阶数L取16，分析频率范围中线性频率的最低频率为0Hz，最高频率为采样频率的1/2，即10000Hz，换算至Mel频率范围为[0-3073]Hz，本例设置为[0-3500]Hz，四种状态MFCC结果如图5所示。

MFCC参数如何是通过分辨率来评价的，分辨率高证明提取的参数良好，反之则不好，通常做法可以通过形状和颜色来评价。如图5，从颜色上看，正常和太阳轮故障要比行星轮和齿圈故障颜色深；再从形状上看，不同倒谱系数的深颜色频带可以将每种状态区分开来，说明此时提取的MFCC参数符合应用需求。

接下来可以用DBN分类模型来进行试验，由于提取MFCC参数过程中分析步长和移动步长分别设置为150ms和60ms，因此对于12s的采样样本可分成198帧，每帧可作为一个样本，则每种状态有36*198＝7128个样本，共计4种状态。采用K倍交叉验证方法(即将所有样本分成K份，K-1份用于训练，1份用于测试)，取K＝8，则训练样本数为24948个，测试样本数为3564个。将数据归一化后输入到DBN模型之中，对于DBN参数设置，采用隐藏层数l＝2、隐藏层节点数u₁＝32，u₂＝16和批尺寸b₁＝99，b₂＝99进行举例说明，结果如图6所示(点划线)。从图中结果可以看出，迭代约50次曲线基本可以达到稳定，准确率约为100％。该方法除准确率高之外训练时间很短，即使迭代500次计算时间也只需要80.26s。同时，图6给出了不同滤波器组数量情况下的诊断准确率结果对比。从图中可以看出，滤波器组数量确实是一个重要的参数，数量少会导致MFCC参数维度不够而无法表示每种状态的特征，从而导致诊断准确率不高。如滤波器组数量为16(长虚线)时准确率只有93.15％且收敛速度很慢，与滤波器组数量为64(点划线)的结果对比也证明了上述分析的准确性。

为了证明基于MFCC-DBN的故障诊断方法的有效性和优越性，与其他故障诊断方法对该数据进行分析，得到结果表2所示。可以看出，与其它方法相比，本发明提出的基于MFCC-DBN的故障诊断方法具有明显的有效性和优越性。其次，也可以看出基于自适应多尺度形态梯度滤波-非负矩阵分解-DBN的故障诊断方法在处理复杂信号方面的能力也很强，虽然正确率在不断上升但是与MFCC-DBN相比收敛速度要慢很多。利用原始信号直接输入到DBN模型中进行诊断的准确率最低，而且消耗时间很长。基于傅里叶变换-DBN的故障诊断方法准确率相对较高，说明对于旋转类机械设备来说，频域信号含有更多的特征信息，但是其训练速度也很慢。同样也可以看出主成分分析-欧式距离技术-DBN要比主成分分析-DBN准确率高。基于特征参数-DBN的故障诊断方法在此处结果不是很理想，可能原因是没有对特征进行选择得到敏感的参数来应用，因为这个过程需要相对专业的经验以及大量的工作量。此外，将MFCC结果输入到贝叶斯神经网络模型之中进行诊断，最后得到了95％的准确率。可以说结果也很好，但是与本发明应用DBN模型情况相比，贝叶斯神经网络模型耗时更长，为329.62s。此结果说明了DBN模型的优越性同时也侧面说明了MFCC方法的有效性。

表2不同DBN输入的诊断结果

实施例2

搭建柴油机预置故障实验台采集实验数据对发明提出的方法有效性进行验证。本实验研究对象是6缸高压共轨柴油发动机。除正常状态外预置6种复合故障模式，共7种健康状态。具体复合故障构成情况如表3所示。在信号采集过程中，采样频率为20kHz，每次采集持续12s，每间隔30s采集一次，每种状态采集了300个样本，每个样本有8列采样数据，每列数据有240000点。在本发明分析过程中，为了节约计算时间，每种状态分析30个样本。

表3复合故障模式构成

首先对7种状态进行MFCC特征分析。参数设置如下：

(1)Mel滤波器组数量：2ⁿ，此处直接取n＝7；

(2)分析步长：至少包含设备运转一个周期信号的长度，由于发动机转两圈是一个周期，发动机实验转速约900rpm，为了保证准确性，此处按800rpm来进行计算，则分析步长为150ms；

(3)移动步长：设置为分析步长的1/3—1/2，此处设为60ms；

(4)分析频率范围：同前文计算方式，设为0-3500Hz。

(5)其它参数：

预加重系数alpha：取0.97；

窗函数：通常选择汉明(Hamming)窗；

MFCC参数数量：设为128；

MFCC系数阶数L：设为16。

由于提取MFCC参数过程中分析步长和移动步长分别设置为150ms和60ms，因此对于12s的采样样本可分成198帧，每帧可作为一个样本，则每种状态有30*198＝5940个样本，共计7种状态。采用K倍交叉验证方法(即将所有样本分成K份，K-1份用于训练，1份用于测试)，取K＝10，则训练样本数为37422个，测试样本数为4158个。将数据归一化后输入到DBN模型之中，对于DBN参数设置，采用隐藏层数l＝2、隐藏层节点数u₁＝64，u₂＝32和批尺寸b₁＝77，b₂＝77进行举例说明，结果如图7所示(实线)。从图中结果可以看出，迭代约100次曲线基本可以达到稳定，准确率约为100％。

Claims (3)

1.一种复杂情况下机械设备故障诊断方法的技术方案，其特征在于，包含如下步骤：

步骤1、采集旋转机械或往复机械设备运转振动信号；

步骤2、采用梅尔频率倒谱系数法进行特征提取；

S1对采集的设备运转振动信号进行预处理，包括端点检测、预加重、分帧和加窗；

S2对预处理后的信号数据进行傅里叶变换得到对应的频谱；

S3利用Mel滤波器组处理每个频谱得到Mel频谱；

S4对Mel频谱进行倒谱分析，通过倒谱向量描述振动信号，每个向量就是对应每帧的梅尔频率倒谱系数特征向量；

步骤3、将步骤2利用梅尔频率倒谱系数法提取的特征数据分成训练数据和测试数据，并按类别设置分类标签；

步骤4、利用训练数据对深度置信网络模型进行训练

S1、设置深度置信网络初始参数；

S2、利用误差反向传播不断修正各项权重和偏置，达到预设的最大迭代次数后迭代停止，模型训练完成；

步骤5、诊断结果的输出，利用测试数据测试深度置信网络效果并给出诊断结果。

2.根据权利要求1所述的一种复杂情况下机械设备故障诊断方法的技术方案，其特征在于，所述步骤2S3中，生成Mel频谱的步长分析至少需要采集设备运转一个周期信号长度信号长度所需的时间且Mel滤波器组数量M＝2ⁿ(n＝5、6、7、8)。

3.根据权利要求1所述的一种柴油发动机故障诊断方法，其特征在于，所述步骤4S1中深度置信网络初始参数可以进行如下设置：

1)隐藏层单元数

设样本输入数据维度为D，即输入层单元数为D，若2^N-1＜D≤2^N，则隐藏层单元数2^N-i，(其中，i为第i隐藏层)；若隐藏层数过多以至于中间某层单元数超出样本类别数O(2^N-i-1≥O)，则从第i层(含第i层)开始之后每层单元数均取2^N-i；

2)批尺寸

如果训练样本数和测试样本数为S₁和S₂，则将批尺寸定为b₁＝100，b₂＝100和b₁＝S₁/100，b₂＝S₂/100，样本数若不是100的倍数则取接近值；

其它参数，将可视层与隐藏层偏置以及学习率初始值均设为0.1，初始动量设为0.5，迭代5次后，动量变为0.9，最大迭代次数可根据需要调整。

Images