CN116222997B - 基于波束形成及时空网络的托辊故障声源距离估计方法 - Google Patents

Abstract

本发明公开了基于波束形成及时空网络的托辊故障声源距离估计方法，包括以下步骤：BCL模型构建及验证‑利用麦克风阵列采集不同距离的托辊故障声源数据，经波束形成定位处理构建数据样本集‑通过CNN层获得数据采样集的空间特性，再借助LSTM层在序列上的建模功能，将由空间数据所组成的序列信息注入LSTM网络，获得空间时序信息‑将空间时序信息注入Softmax分类器，通过对不同的故障距离特征进行分类，将分类结果作为BCL模型的输出。本发明采用上述基于波束形成及时空网络的托辊故障声源距离估计方法，减少了人工提取故障特征以及检测故障位置等步骤，能够在复杂环境下实现故障距离估计且保持较高准确率。

Description

基于波束形成及时空网络的托辊故障声源距离估计方法

技术领域

本发明涉及一种托辊故障距离分析技术，尤其涉及一种基于波束形成及时空网络的托辊故障声源距离估计方法。

背景技术

带式输送机是矿场最重要的物料运输设备,作为矿用带式输送机关键的支撑和旋转机构，托辊在连续高负荷的运转后容易发生机械故障。托辊发生故障后产生的皮带跑偏及皮带撕裂问题将直接影响矿用带式输送机的正常连续运输，而其故障引起的链式反应会对整个煤矿开采带来安全威胁。

长时间的运作、巨大重量的托辊及其严酷的工作导致日常巡检和定期维护不但花费巨大的时间和资金，同时存在一些严重退化机件超期服役的可能性。因此，开展适用于矿用带式输送机托辊的非接触式声学信号测量、故障距离估计的BCL模型研究，对于合理的安排检修活动，降低时间、人力及物力成本，确保矿用带式输送机运行的可靠性和安全性具有重要意义。

同时，随着工业进程的加快，机械设备的安全成为重中之重，机械设备的故障诊断和状态检测的方法也在不断完善和升级。近年来利用深度学习进行故障诊断也变成了热门的研究方向。例如：

陈维望等在《基于分支卷积神经网络的托辊轴承故障分级诊断研究》中，提出了一种轴承故障分级诊断模型，该方法利用CNN模型对轴承状态进行检测，通过实验验证，该方法对单一轴承有着较好的评估效果。

吴文臻等在《矿用带式输送机托辊音频故障诊断方法》中，通过变分模态分解(VMD)对信号进行分解，提取有效故障特征，之后联合BP神经网络对矿用带式输送机托辊进行音频故障诊断。该方法能够有效提取托辊故障特征，提高托辊故障诊断准确率。

刘伟等在《Anovel weak fault diagnosis method forrolling.bearings.basedon LSTM considering quasi-periodicity》中，提出了一个基于并行1D-CNN的滚动轴承故障诊断技术,该算法对故障轴承有着很好的故障检测能力。

朱永生等在《基于并行1DCNN的滚动轴承故障诊断研究》中，提出利用LSTM网络特性的滚动轴承弱故障诊断方式，实验结果表明，该方式具备较好的故障诊断特性。

韦延方等在《基于CNN与DCGAN的柔性直流配电网故障检测》中，将CNN和深度卷积对抗生成模型(DCGAN)相结合，用于柔性直流配电网故障检测，该方法解决了直流电网故障检测正确率低、鲁棒性弱的问题，所提模型分析的4种不同工况下都能有较高的检测精度。

蒋磊等在《基于MFCC和FD-CNN卷积神经网络的综放工作面煤矸智能识别》中，提出了一种利用深度学习实现煤和煤矸的快速识别方法。将液压支架尾梁振动信号的梅尔倒谱系数特征矩阵作为CNN输入层，建立FD-CNN模型，实现了煤和煤矸的快速识别。

考虑到故障距离估计的问题，波束形成算法作为声源定位的一种方法被广泛应用到故障定位和设备状态检测中。例如：

顾佶智等在《强背景噪声下基于谱峭度-波束形成轴承故障特征提取》中，针对滚动轴承故障定位问题，提出了一种解决方法。首先利用快速谱峭度确定最优频带，经带通滤波处理后，利用波束形成算法对滤波信号进行频带信号提取，对得到的信号再进行包络解调从而获得轴承故障特征频率。该方法消除了噪声的干扰，能够有效提取滚动轴承故障特征。

冀科伟等在《声学成像和深度学习的诊断与定位方法》中，针对传统的基于振动信号的故障诊断技术无法兼顾定位与诊断的问题，提出了一种基于声音信号的反卷积成像和深度学习的智能故障诊断与定位模型，该方法完成了噪声源识别定位以及故障检测，并取得很好的效果。

但是目前还未有将两种方法进行结合的研究见报。

发明内容

为解决上述问题，本发明提供一种基于波束形成及时空网络的托辊故障声源距离估计方法，减少了人工提取故障特征以及检测故障位置等步骤，能够在复杂环境下实现故障距离估计且保持较高准确率。

为实现上述目的，本发明提供了一种基于波束形成及时空网络的托辊故障声源距离估计方法，包括以下步骤：

S1、BCL模型构建及验证；

S2、利用麦克风阵列采集不同距离的托辊故障声源数据，经波束形成定位处理构建数据样本集；

S3、通过BCL模型的CNN层获得数据采样集的空间特性，再借助BCL模型的LSTM层在序列上的建模功能，将由空间数据所组成的序列信息注入LSTM网络，从而获得空间时序信息；

S4、将LSTM网络所产生的空间时序信息注入Softmax分类器，通过对不同的故障距离特征进行分类，将分类结果作为BCL模型的输出，实现故障距离估计。

优选的，步骤S1具体包括以下步骤：

S11、BCL模型构建；

S12、实验验证：

S121、利用麦克风阵列采集托辊故障音频信号；

S122、对采集的托辊故障音频信号进行波束形成处理，生成矩阵；

S123、再次处理，构建数据集；

S124、将数据集划分为测试集和训练集；

S125、将训练集并作为BCL模型的输入层，进行BCL模型训练；

S126、将测试集输入训练完毕的BCL模型中进行测试，得出结论。

优选的，步骤S11所述的BCL模型主要由输入层、CNN层、LSTM层以及输出层组成；

输入层：用于将波束形成数据进行预处理，作为该模型的输入层；

CNN层：用于提取时间序列数据的特征；

LSTM层：用于将CNN层输出的时间序列特征输入LSTM层。

输出层：用于利用softmax作为激活函数，输出结果。

优选的，CNN层包括4层卷积层、2层池化层，且卷积层为一维卷积。

优选的，步骤S2所述波束形成包括以下步骤：

S21、确定阵列各麦克风之间的互谱矩阵：

将麦克风采集到的时域数据信号进行分块，采用快速傅里叶变换转换为频域信号，得到麦克风的(M×M)互谱矩阵：

式中，矩阵元素为：

式中：K为阵列信号数据块数M表示阵列中麦克风的数目，表示第m个麦克风第k段数据块的频域信号，P_nk(f)表示第n个麦克风第k段数据块的频域信号，W_x为频谱分析选取的数据窗函数因子，T_B为带宽，上标T表示共轭；

S22、通过互谱矩阵上三角对应矩阵元素复共轭得到下三角元素；

S23、由于互谱矩阵包含了声源的空间信息和声功率的强弱信息，故获得麦克风互谱矩阵后，求声功率A。

式中，g为M维的引导向量，由声源诱导的麦克风声压幅值所组成；g_m为第m个麦克风的引导向量，为第n个麦克风引导向量共轭，上标T表示共轭，组合(m*n)是S的一个集；

波束形成通过对麦克风阵列采集的信号进行合并，抑制非选定方向信号，增强选定方向信号；进而能够实现对指定方向的聚焦拾音，能够有效提高接收信号的信噪比。

本发明具有以下有益效果：

1、生成的托辊故障距离样本，通过调节模型结构及参数、权值参数优化算法训练BCL模型，采用BCL模型对测试集数据进行回归预测，预测准确率为100％，与其它模型相比拟合效果更好，结果更接近真实值。

2、BCL模型在波束形成算法的基础上，减少了人工提取故障特征从而诊断故障位置这一繁琐的步骤，对于合理的安排检修活动，降低时间、人力及物力成本，确保矿用带式输送机运行的可靠性和安全性具有重要意义，并在有干扰的环境下仍保持着很好的托辊故障距离辨别能力。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明的基于波束形成及时空网络的托辊故障声源距离估计方法所述的BCL模型结构图；

图2为本发明的基于波束形成及时空网络的托辊故障声源距离估计方法所述的LSTM层结构图；

图3为本发明的基于波束形成及时空网络的托辊故障声源距离估计方法的实验例的流程图；

图4为本发明的基于波束形成及时空网络的托辊故障声源距离估计方法的实验例的实验布置图；

图5a为本发明的基于波束形成及时空网络的托辊故障声源距离估计方法的实验例的训练集和测试集准确率结果图；

图5b为本发明的基于波束形成及时空网络的托辊故障声源距离估计方法的实验例的训练集和测试集的损失曲线图；

图6为本发明的基于波束形成及时空网络的托辊故障声源距离估计方法的实验例的三种模型准确率折线图；

图7a为本发明的基于波束形成及时空网络的托辊故障声源距离估计方法的实验例的BCL模型混淆矩阵图；

图7b为本发明的基于波束形成及时空网络的托辊故障声源距离估计方法的实验例的CNN模型混淆矩阵图；

图7c为本发明的基于波束形成及时空网络的托辊故障声源距离估计方法的实验例的LSTM模型混淆矩阵图；

图8a为本发明的基于波束形成及时空网络的托辊故障声源距离估计方法的实验例的BCL降维可视化分析结果图；

图8b为本发明的基于波束形成及时空网络的托辊故障声源距离估计方法的实验例的CNN降维可视化分析结果图；

图8c为本发明的基于波束形成及时空网络的托辊故障声源距离估计方法的实验例的LSTM降维可视化分析结果图；

图9为本发明的基于波束形成及时空网络的托辊故障声源距离估计方法的实验例的噪声干扰波形图；

图10为在图9的噪声干扰下各模型准确率结果图。

具体实施方式

以下将结合附图对本发明作进一步的描述，需要说明的是，本实施例以本技术方案为前提，给出了详细的实施方式和具体的操作过程，但本发明的保护范围并不限于本实施例。

基于波束形成及时空网络的托辊故障声源距离估计方法，包括以下步骤：

S1、BCL模型构建及验证；

优选的，步骤S1具体包括以下步骤：

S11、BCL模型构建；

优选的，步骤S11所述的BCL模型主要由输入层、CNN层、LSTM层以及输出层组成；

输入层：用于将波束形成数据进行预处理，作为该模型的输入层；

CNN层：用于提取时间序列数据的特征；优选的，CNN层包括4层卷积层、2层池化层，且卷积层为一维卷积。

卷积神经网络(CNN)作为具有卷积计算和深层结构的前馈神经网络，最早应用于图像识别领域，典型的CNN通常由输入层、卷积层、池化层、全连接层、输出层组成。卷积层的主要作用是对输入数据进行特征提取，该层包含卷积核、卷积层参数和激活函数。卷积核定期扫描输入数据，与感受野中对应的数据进行乘法求和，并叠加偏差。最大池化是最常见的池化操作，通过降采样只保留突出的特征，从而避免过拟合。在池化层之后，利用全连接层将池化层所提取的重要特征全部连接起来，将输出值传送给分类器，输出每个样本对应的类别。

LSTM层：用于将CNN层输出的时间序列特征输入LSTM层。

长短期记忆神经网络(LSTM)，作为一种时间循环网络，通过利用三个门结构，来获取大范围时间序列数据的相关性并提取最优特征。LSTM模型具有两个隐含层，一个输入层和一个输出层，分开看时，它是简单的BP神经网络，但是随着时间开始运作，隐含层信息H，C也会随着时间开始传递，以此类推，就构成了完整的LSTM模型。

输出层：用于利用softmax作为激活函数，输出结果。

S12、实验验证：

S121、利用麦克风阵列采集托辊故障音频信号；

S122、对采集的托辊故障音频信号进行波束形成处理，生成矩阵；本实施例的矩阵大小为201*201；

S123、再次处理，构建数据集；

S124、将数据集划分为测试集和训练集；本实施例中，将40401个数据进行划分，其中训练集个数为30300，测试集为10101；

S125、将训练集并作为BCL模型的输入层，进行BCL模型训练；

S126、将测试集输入训练完毕的BCL模型中进行测试，得出结论。

S2、利用麦克风阵列采集不同距离的托辊故障声源数据，经波束形成定位处理构建数据样本集；

波束形成算法在故障诊断领域根据不同情况下、不同的需求，所衍生出的定位算法种类较多，而传统波束形成算法是故障声源定位中最常采用的一种方法。由于在时域内受到精度限制，该方法通常在频域内进行，将宽带信号在频域分解为若干个子带，对子带信号进行窄带波束形成后，通过合成得到宽带波束输出。

优选的，步骤S2所述波束形成包括以下步骤：

S21、确定阵列各麦克风之间的互谱矩阵：

将麦克风采集到的时域数据信号进行分块，采用快速傅里叶变换转换为频域信号，得到麦克风的(M×M)互谱矩阵：

式中，矩阵元素为：

式中：K为阵列信号数据块数M表示阵列中麦克风的数目，表示第m个麦克风第k段数据块的频域信号，P_nk(f)表示第n个麦克风第k段数据块的频域信号，W_x为频谱分析选取的数据窗函数因子，T_B为带宽，上标T表示共轭；

S22、通过互谱矩阵上三角对应矩阵元素复共轭得到下三角元素；

S23、由于互谱矩阵包含了声源的空间信息和声功率的强弱信息，故获得麦克风互谱矩阵后，求声功率A。

式中，g为M维的引导向量，由声源诱导的麦克风声压幅值所组成；g_m为第m个麦克风的引导向量，为第n个麦克风引导向量共轭，上标T表示共轭。组合(m*n)是S的一个集；

波束形成通过对麦克风阵列采集的信号进行合并，抑制非选定方向信号，增强选定方向信号；进而能够实现对指定方向的聚焦拾音，能够有效提高接收信号的信噪比。

S3、通过BCL模型的CNN层获得数据采样集的空间特性，再借助BCL模型的LSTM层在序列上的建模功能，将由空间数据所组成的序列信息注注入STM网络，从而获得空间时序信息；

S4、将LSTM网络所产生的空间时序信息注注入oftmax分类器，通过对不同的故障距离特征进行分类，将分类结果作为BCL模型的输出，实现故障距离估计。

实验例

如图4所示，实验选取五个位置作为声源点，依次播放托辊故障音频。其中每两个声源点间距0.5m，麦克风阵列距离地面1m，距离中心声源1m，

如图5a、图5b所示，对数据样本进行100次迭代处理，通过训练集和测试集的准确率和损失率观察模型性能，BCL模型的准确率和损失率随着迭代次数的增加逐渐保持平稳，达到100％的准确率。

为了验证本实施例所述BCL模型的优越性，选取了CNN模型和LSTM模型作为对比模型。以三种模型的准确率、混淆矩阵分类结果、T-SNE降维分析、噪声干扰下的准确率作为评估标准，五次实验得到的准确率结果如图6所示，可知BCL模型准确率稳定，达到了100％。

利用混淆矩阵比较分类结果和实际测得值，将分类结果的准确率显示在同一混淆矩阵内。如图7a、图7b和图7c所示，通过对比发现BCL模型样本分类均取得100％分类精度。CNN模型存在1类分类错误。LSTM模型错误较多。可知本实施例所述BCL模型优于另外两种模型。

为了研究不同深度学习特征提取方法之间的差异，在二维空间中利用KL散度通过不断改变预估分布的参数用以优化T-SNE。

由表1可知，根据三种模型不同阶段的KL散度值可以发现在迭代为250次时LSTM值偏低，考虑其原因为迭代次数少，输出结果不稳定。在迭代1000次以后结果达到稳定，BCL模型KL散度值达到最低，效果最好。

三种模型经KL散度优化后的结果如图8a、图8b和图8c所示。可知，BCL模型学习到的特征表达式分布显示出的边界最为清晰，因此，提取的特征更容易被分割，也意味着其更容易对各故障类别进行分类；LSTM中特征错分的数据较多，CNN模型存在少数特征难以分开。

如图9所示，考虑托辊工作环境存在多种干扰因素，为验证BCL模型的有效性，在原有实验的基础上加入干扰噪声。如图10所示由于噪声的干扰，故障特征被掩盖，导致模型的准确率有所下降，但平均准确率仍达到99％。通过三种模型的对比，可以看出BCL模型较CNN和LSTM模型在噪声干扰环境下有着更好的抗噪性能。

综上可知，实验结果表明，与CNN和LSTM模型相比，BCL模型减少了人工提取故障特征以检测故障位置这一繁琐的步骤，能够在复杂环境下实现故障距离估计且保持较高准确率。

因此，本发明采用上述基于波束形成及时空网络的托辊故障声源距离估计方法，BCL模型在波束形成算法的基础上利用CNN-LSTM模型进行故障距离辨别，可以实现托辊的非接触式故障距离估计，从而实现在复杂环境下不同位置的故障的识别和诊断功能，并且在准确率和运算速度方面具有优势。

最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。

Claims (4)

1.一种基于波束形成及时空网络的托辊故障声源距离估计方法，其特征在于：包括以下步骤：

S1、BCL模型构建及验证；

CNN层包括4层卷积层、2层池化层，且卷积层为一维卷积；

S2、利用麦克风阵列采集不同距离的托辊故障声源数据，经波束形成定位处理构建数据样本集；

S3、通过BCL模型的CNN层获得数据采样集的空间特性，再借助BCL模型的LSTM层在序列上的建模功能，将由空间数据所组成的序列信息注入LSTM网络，从而获得空间时序信息；

S4、将LSTM网络所产生的空间时序信息注入Softmax分类器，通过对不同的故障距离特征进行分类，将分类结果作为BCL模型的输出，实现故障距离估计。

2.根据权利要求1所述的基于波束形成及时空网络的托辊故障声源距离估计方法，其特征在于：步骤S1具体包括以下步骤：

S11、BCL模型构建；

S12、实验验证：

S121、利用麦克风阵列采集托辊故障音频信号；

S122、对采集的托辊故障音频信号进行波束形成处理，生成矩阵；

S123、再次处理，构建数据集；

S124、将数据集划分为测试集和训练集；

S125、将训练集并作为BCL模型的输入层，进行BCL模型训练；

S126、将测试集输入训练完毕的BCL模型中进行测试，得出结论。

3.根据权利要求2所述的基于波束形成及时空网络的托辊故障声源距离估计方法，其特征在于：步骤S11所述的BCL模型主要由输入层、CNN层、LSTM层以及输出层组成；

输入层：用于将波束形成数据进行预处理，作为该模型的输入层；

CNN层：用于提取时间序列数据的特征；

LSTM层：用于将CNN层输出的时间序列特征输入LSTM层；

输出层：用于利用softmax作为激活函数，输出结果。

4.根据权利要求1所述的基于波束形成及时空网络的托辊故障声源距离估计方法，其特征在于：步骤S2所述波束形成包括以下步骤：

S21、确定阵列各麦克风之间的互谱矩阵：

将麦克风采集到的时域数据信号进行分块，采用快速傅里叶变换转换为频域信号，得到麦克风的(M×M)互谱矩阵：

式中，矩阵元素为：

式中：K为阵列信号数据块数M表示阵列中麦克风的数目，表示第m个麦克风第k段数据块的频域信号，P_nk(f)表示第n个麦克风第k段数据块的频域信号，W_x为频谱分析选取的数据窗函数因子，T_B为带宽，上标T表示共轭；

S22、通过互谱矩阵上三角对应矩阵元素复共轭得到下三角元素；

S23、由于互谱矩阵包含了声源的空间信息和声功率的强弱信息，故获得麦克风互谱矩阵后，求声功率A：

式中，g为M维的引导向量，由声源诱导的麦克风声压幅值所组成；g_m为第m个麦克风的引导向量，为第n个麦克风引导向量共轭，上标T表示共轭，组合(m*n)是S的一个集；

波束形成通过对麦克风阵列采集的信号进行合并，抑制非选定方向信号，增强选定方向信号；进而能够实现对指定方向的聚焦拾音，能够有效提高接收信号的信噪比。