CN108470570B

CN108470570B - 电机异音检测方法

Info

Publication number: CN108470570B
Application number: CN201810062638.6A
Authority: CN
Inventors: 曹衍龙; 曹彦鹏; 付伟男; 杨将新; 张宁
Original assignee: Shandong Industrial Technology Research Institute of ZJU
Current assignee: Shandong Industrial Technology Research Institute of ZJU
Priority date: 2018-01-23
Filing date: 2018-01-23
Publication date: 2021-06-18
Anticipated expiration: 2038-01-23
Also published as: CN108470570A

Abstract

本发明公开了电机异音检测方法，包括设定采样频率和采样时长t，进行音频信号采集，对音频信号进行分帧加窗处理，设置每帧的帧长L和相邻两帧的重叠长度M，将音频信号分为N帧信号；然后使用6层小波包提取音频特征；对小波包提取的音频特征做主成分分析获得特征向量等6个步骤。本发明可以辅助工人进行电机异音识别，提高检测效率并且保证产品的出厂质量，进而提高企业的整体的生产效率，降低企业的制造成本，同时了保护了工人的身体健康；可以有效地解决电机音频信号非稳态的问题，有效检测非稳态电机异音故障，识别准确率高。

Description

电机异音检测方法

技术领域

本发明涉及电机故障检测领域，特别是电机异音的检测方法。

背景技术

我国是洗衣机、家用空调、电冰箱、电风扇等各类小型家电用电动机的主要产地，仅家用空调电机的年产量就逾数十亿台之多。

在小型电机生产线上，产品下线之前普遍采用人工听音的方法分辨良、次品，即工人在隔音房内，用耳朵依次听取电机运行时的声音，通过工人的个人经验判断电机是否存在故障。

由于需要人做主观判断，长期以来一直难以由自动化装置替代。并且评价者的个人经验，无法建立统一的评价标准，不同的评价者可能产生不同的结论。而大批量生产过程中该工序不仅要消耗大量劳动成本，而且重复、单调的听音工作极易引起人员疲劳，容易出现误判，若个别不良品混入整批成品中，会给工厂带来严重经济损失，甚至严重影响产品声誉。

CN201510266743.8(公布号CN104992714A)披露了一种电机异音的检测方法，包括以下步骤：1、将电机处于空载状态下进行音频采集；2、将所采集到的电机的时域音频信号经傅里叶变换转换为频域波形；3、若电机的正常频域范围的最高值外存在波形，则认为该电机存在异音；若电机的正常频域范围的最高值外不存在波形，则表明此电机不存在异音。这种电机异音的检测方法的缺点在于：1、音频信号属于一种准稳态信号，即短时稳定；傅里叶变换是对稳态信号处理的常用手段，只能对稳态的信号进行信号特征提取；但是电机异音故障中，存在大量瞬时非稳态信号的故障样例；对于这些非稳态的信号，傅里叶变换无能为力。2、通过判断在指定的最高值之外是否存在波形来判断异音，不具备自适应能力，通用性不高：因为对于不同型号的电机产品就需要技术人员重新设定阈值；并且通过传感器采集音频信号时，传感器距离音源的远近也会影响阈值设定。3、无论是设置最大值还是比较波形图，都需要专业人员来判断，无法实现全自动识别。

发明内容

本发明的目的在于提供一种能够识非稳态信号的故障样例，通用性高，且故障识别过程中无需人员参与的电机异音检测方法。

电机异音检测方法，包括以下步骤：

步骤1、设定采样频率和采样时长t，将电机处于空载状态下进行音频信号采集；

步骤2、对音频信号进行分帧加窗处理，设置每帧的帧长L和相邻两帧的重叠长度(帧移)M，将音频信号分为N帧信号；帧长L以每帧内的信号能看做稳态信号为宜，从而避免整段音频信号非稳态、时变的影响；

步骤3、使用6层小波包提取音频特征；

步骤4、对小波包提取的音频特征做主成分分析获得特征向量；

步骤5、选取N个合格的电机音频样本，重复步骤2-4，分别提取每个合格的电机音频样本的特征向量，用合格的电机音频样本的特征向量训练支持向量机，获得合格样本的支持向量机；

步骤6、进行电机异音诊断时，重复步骤1-4获得电机音频样本的特征向量，将特征向量输入支持向量机进行判别是否合格样本。

进一步，步骤2中，帧长L＝1S，重叠长度M＝0.5s。

进一步，步骤3中提取音频特征包含以下步骤：

步骤3-1、对每帧信号进行6层小波包分解，计算第6层小波包各个节点能量E_6,j(j＝0,1,2,3,…,63)，第6层小波包具有2⁶个小波包节点；

步骤3-2、对于每个节点能量E_6,j进行归一化处理，归一化计算公式为：

j表示第6层的第j个小波包节点；

步骤3-3、得到归一化矩阵{λ_j，k}，其中，λ_j，k表示第k帧的第j个小波包节点的能量；归一化矩阵每一行的平均值α，{α_j}形成列向量,

列向量{α_j}作为一个采样时长的音频的第一组特征，

计算α_j时，使j≥3，这是因为在电机异音信号中，小波包节点(6,0)(6,1)(6,2)代表的频段属于超低频段范围，人耳对该频段的信号不敏感；

步骤3-4、求取归一化矩阵{λ_j，k}的每一行的峰-峰值β，{β_j}形成列向量。选j≥3的峰-峰值β_j作为一个采样时长的音频的第二组特征，β_j＝max{λ_j,k|k＝1,2,3,...,59}-min{λ_j,k|k＝1,2,3,...,59},j＝3,4,5,...,63。因为在电机异音信号中，小波包节点(6,0)(6,1)(6,2)代表的频段属于超低频段范围，人耳对该频段的信号不敏感。

进一步，步骤3-1中，选用db5小波基函数进行6层小波分解；将每帧信号f(t)在空间

做投影得到：f_j,n(t)＝∑_k∈Zd_j,n(t)u_j,n,k(t)，其中，

为小波包系数，{u_j，n，k(t)}_k∈Z为空间

的标准正交基，j表示尺寸指标、是频域参数，k表示位置指标、是时间参数，n表示振荡次数，Z表示所有正整数；

将第6层小波包节点按照频率从低到高进行排列，求取第6层小波包各个节点能量，计算公式为：

其中，d_j，k(j＝0，1，2，...，63，k＝1，2，3，...，n)表示S_6，j的小波包系数。

进一步，步骤4对音频特征做主成分分析包括以下步骤：

步骤4-1、取M组样本，以每个样本的列向量{α_j}作为矩阵的一列构建矩阵X，X＝{α_j，n|j＝3，4，5，...，63，n＝1，2，3，...60}，n表示第n个样本；

以每个样本的列向量{β_j}作为矩阵的一列构建矩阵Y，Y＝{β_j，n|j＝3，4，5，...63，n＝1，2，3，...60}，其中n表示第n个样本；M组样本中包含合格样本和故障样本；

步骤4-2、将X和Y的每一行进行零均值化，即每行元素减去这一行的均值，得到零均值化矩阵

和

步骤4-3、求出协方差矩阵

和

步骤4-4、求出协方差矩阵C_α的特征值和特征向量，C_β的特征值和特征向量；

步骤4-5、将C_α的特征向量按C_α的特征值从大到小按行排列，取前16行形成矩阵P_α，将C_β的特征向量按C_β的特征值从大到小按行排列，取前16行形成矩阵P_β，

计算小波包特征α_j经过主成分分析过后的特征向量λ_α，λ_α＝P_α*[α₃，α₄，α₅，…，α₆₃ ^T；

计算小波包特征β_j经过主成分分析过后的特征向量μ_β，μ_β＝P_β*[β₃，β₄，β_5，...，β₆₃]^T。

进一步，步骤5中，将每个样本的特征向量λ_α按行排列，每行代表一个样本，组成样本矩阵M_α，使用“libsvm-mat-2.91-1”开源工具包，设置SVM的参数为“-s 2 -n 0.053 -c 2-g 0.0018”，训练支持向量机，获得支持向量机模型SVM-Model1；

将每个样本的特征向量μ_β按行排列，每行代表一个样本，组成标签矩阵M_β，使用“libsvm-mat-2.91-1”开源工具包，设置SVM的参数为“-s 2 -n 0.071-c 2 -g 0.0029”。训练支持向量机，获得支持向量机模型SVM-Model2。

进一步，步骤6中，进行电机异音诊断时，获取电机在空载下的音频，提取电机音频的特征向量λ_α和特征向量μ_β，分别使用支持向量机模型SVM-Modell和支持向量机模型SVM-Model2进行判别，当两个支持向量机模型都识别为合格时，该电机的音频判定为合格样本；只要有一个支持向量机模型识别为故障时，该电机的音频判定为故障样本。

本发明的优点在于：

1、可以辅助工人进行电机异音识别，提高检测效率并且保证产品的出厂质量，进而提高企业的整体的生产效率，降低企业的制造成本，同时了保护了工人的身体健康；

2、可以有效地解决电机音频信号非稳态的问题，有效检测非稳态电机异音故障，识别准确率高；

3、本文采用

进行归一化处理，可以有效解决异音节点能量变化在总能量所占的比重太小而被忽略的问题，同时也避免了因为传感器距离音源距离变化而影响检测阈值的问题。

4、由于异音故障不是在所有的小波包节点特征都会有差异，并且不同电机的异音故障在不同小波包节点上会存在差异。本文使用主成分分析，自动地将特征向量转换到合格信号与异音故障信号差异最大的特征空间，无需人工进行手动筛选。

5、本文通过使用支持向量机来自动判断电机音频是否存在异音故障，使用过程不需要人工干预。设置支持向量机的罚函数、核函数和异常样本比例三个参数，对不同电机类型使用不同电机特征进行训练，就可以得到适用于对应电机的支持向量机模型。并且三个参数对不同电机都具有通用性，无需更改。使用机器学习的方法，也不需要为对不同电机设定不同的阈值。支持向量机会根据训练样本设定好针对该型号电机的判别函数。这种方法的特点是以生产线上极易获得的正常声音样本为基础建立判别函数。并且，随着样本数量增加、对特征分布的覆盖范围扩大，判别的准确性也随之增加。

附图说明

图1是步骤2中分帧加窗的示意图。

图2是6层小波包分解的示意图。

图3是α_j的计算方法示意图。

图4是YYW23-6-7051空调用塑封电动机，图中12个故障样本与12个合格样本的归一化能量λ_j(j＝4,24,30)随时间变化实验对比结果。

图5是β_j的计算方法示意图。

图6是YYW23-6-7051空调用塑封电动机，每幅图表示一个故障样本与12个合格样本的归一化能量λ_j(j＝27,36,39)随时间变化实验对比结果。

图7是本发明的流程图。

图8是电机异音诊断时的流程图。

具体实施方式

电机异音检测方法，包括以下步骤：

步骤1：将电机处于空载状态下进行音频信号采集，传感器为驻极体自由场型传声器，采样频率为48k，采集时间为30s。采样频率选择48k的原因在于人耳听觉频段范围20至20k。根据奈奎斯特采样定理，48k的采样频率刚好覆盖人耳的听觉范围，可以有效模拟人耳听觉***。

步骤2：对音频信号进行分帧加窗处理，即使用帧长L＝1s的窗去截取信号，相邻两帧的重叠长度M＝0.5s，如图1所示。一段30s的音频信号，按照此方法可以分解为59帧音频信号。分帧加窗的目的就是避免整段音频信号非稳态、时变的影响。在每帧内可以将信号看作是稳态信号，这样便于特征提取。这也是仿照人工听音的机理，因为人脑判断异音故障也是针对当前时刻听到的音频信号进行判断，也就是大脑只会对短暂印象内的音频判断其是否存在故障。

步骤3：对每帧信号进行小波包分解。选用db5小波基函数，进行6层小波包分解。将每帧信号f(t)在空间

做投影得到：f_j，n(t)＝∑_k∈Zd_j，n(t)u_j，n，k(t)，其中：

为小波包系数，{u_j，n，k(t)}_k∈Z为空间

的标准正交基，参数j表示尺度指标(频域参数)，参数k表示位置指标(时间参数)，参数n表示振荡次数，Z表示所有正整数。

将第6层小波包系数按照频率从低到高进行排列。如图2所示，S_i，j表示第i层的第j个节点。计算第6层小波包各个节点能量，计算公式为：

4、然后对每个E_6，j(j＝1，2，3，...，63)节点能量进行“归一化”处理。计算公式如下：

其中选择E_6，j-1作为归一化基是根据大量的实验结果确定的。

本文根据大量的实验结果发现电机异音故障大多集中在1.5kHz以后的频段。但是电机音频80％的能量都集中在1.5kHz以下。如果按照现有文献的归一化方法，即选用所有节点能量总和或者是能量节点中的最大值作为归一化分母，这样就会造成关键节点能量变化在总能量中所占的比例太小而被忽略，进而影响判断结果。使用这个“归一化”操作也可以有效避免音频传感器距离音源的远近对异音检测结果的影响。因为如果传感器距离音源越远，那么采集得到的信号就越微弱。但是声音每个频段的能量在总能量的占比是不随采集距离远近而改变的。利用这一点就可以有效避免采集距离变化的影响。

5、对每一帧信号都按照以上进行处理，得到一个矩阵{λ_j，k}，其中，j表示第6层小波包节点序号(j＝1，2，3，...，63)，k表示帧数(k＝1，2，3，...，59)。求取矩阵每一行的平均值{α_j}(j＝3，4，5，...，63)作为该30秒音频的一组特征，计算公式如下。本文只选用j≥3的λ_j计算均值特征

这是因为在电机异音信号中，小波包节点(6,0)(6,1)(6,2)代表的频段属于超低低频段范围，人耳对该频段的信号不敏感。

α_j的计算方法如图3所示。图3表示样本x的归一化能量λ_j(j＝y)随时间变化。αy表示λj在所有帧中的平均值。

如图4所示为实验室中的测试数据。实验使用的是YYW23-6-7051空调用塑封电动机，图中12个故障样本与12个合格样本(j＝4,24,30)第6层小波包节点下的归一化能量随时间变化实验对比结果。从图4中可以看出，故障样本的平均值与合格样本的平均值相差比较明显，使用α_j描述的归一化能量λ_j的平均值特征可以有效区分这类异音样本与正常合格样本。

6、求取矩阵{λ_j，k}每一行的峰-峰值{β_j}(j＝0，1，2，...，63)作为30秒音频的另一组特征,只选用j≥3之后的λ_j计算均值特征β_j，

β_j＝maX{λ_j，k|k＝1，2，3，...，59}-min{λ_j，k|k＝1，2，3，...，59}，j＝3，4，5，...，63；

β_j的计算方法如图5所示。图5表示样本x的归一化能量λ_j(j＝y)随时间变化，β_j表示λ_j在所有帧中的最大值减去最小值。

如图6所示，使用的是YYW23-6-7051空调用塑封电动机进行实验，每幅图表示一个故障样本与12个合格样本的归一化能量λ_j(j＝31，33，37)随时间变化实验对比结果。β表示信号的波动范围。从图6中可以看出，故障信号在31，33,37节点的波动范围要大于合格信号，故以β为特征描述可以有效区分这类异音故障。

7、3-6步就是使用小波包提取音频特征的步骤。由于异音故障不是在所有的小波包节点特征都会有差异，并且不同电机的异音故障在不同小波包节点上会存在差异。所以对{α_j}(j＝3，4，5，...，63)和{β_j}(j＝3，4，5，...，63)小波包特征做主成分分析，可以自动将合格信号与异音故障信号转换到差异最大的特征空间，无需人工进行手动筛选。

主成分分析是统计学中一种简化数据集的技术。它是一个线性变换。这个变换把数据变换到一个新的坐标***中，使得任何数据投影在第一个坐标(称为第一主成分)上方差最大，在第二个坐标(第二主成分)上次之，依次类推。主成分分析能够减少数据集的维数，同时保持数据集中对方差贡献最大的特征。

对小波包能量特征的主成分分析具体步骤如下：

步骤7-1、取M组样本，以每个样本的列向量{α_j}作为矩阵的一列构建矩阵X，X＝{α_j，n|j＝3，4，5，...，63，n＝1，2，3，...60}，n表示第n个样本；

以每个样本的列向量{β_j}作为矩阵的一列构建矩阵Y，Y＝{β_j，n|j＝3，4，5，...，63，n＝1，2，3，...60}，其中n表示第n个样本；M组样本中包含合格样本和故障样本；

步骤7-2、将X和Y的每一行进行零均值化，即每行元素减去这一行的均值，得到零均值化矩阵

和

骤7-3、求出协方差矩阵

和

步骤7-4、求出协方差矩阵C_α的特征值和特征向量，C_β的特征值和特征向量；

步骤7-5、将C_α的特征向量按C_α的特征值从小到大按行排列，取前16行形成矩阵P_α，将C_β的特征向量按C_β的特征值从小达到按行排列，取前16行形成矩阵P_β，

计算小波包特征β_j经过主成分分析过后的特征向量μ_β，μ_β＝P_β*[β₃，β₄，β₅，...，β₆₃]^T。将小波包特征α_j和β_j按照下式计算，就得到经过主成分分析过后的特征向量。

8.选取60个合格电机样本，重复步骤1-7求出每个样本的λ_α和μ_β特征。将每个样本的λα特征按行排列，每行代表一个样本，组成一个60×16的矩阵M_α。使用“libsvm-mat-2.91-1”开源工具包，设置SVM的参数为“-s 2 -n 0.053 -c 2 -g 0.0018”。训练支持向量机，获得支持向量机模型SVM-Model1。

同样的方法，将每个样本的μ_β特征按行排列，每行代表一个样本，组成一个60×16的矩阵M_β。使用“libsvm-mat-2.91-1”开源工具包，设置SVM的参数为“-s 2 -n 0.071 -c 2-g 0.0029”。训练支持向量机，获得支持向量机模型SVM-Model2。

9.进行电机异音诊断时，提取电机音频的λ_α和μ_β特征，分别使用SVM-Model1和SVM-Model2进行判别。只有当两个支持向量机模型都识别为合格时，最终样本才判断为合格样本。只要有一个模型判断为故障时，样本就判断为故障样本。