一种基于声音信号的带式输送机故障诊断方法
技术领域
本发明涉及带式输送机故障诊断
技术领域
，具体为一种基于声音信号的带式输送机故障诊断方法。背景技术
随着科技的高速发展，工业生产日益现代化，各种高智能、高集成的大型机械设备逐步出现。在港口、矿山、煤炭等行业，带式输送机的生产运行有着用量大、巡检困难、故障难预测等特点，经过对港口生产现场实地调研，因其生产运输吞吐量大，带式输送机需长时间高负荷运行，时常发生人工巡检不能及时发现的故障事件，基于该生产痛点推动了对带式输送机故障诊断技术的研究。
目前带式输送机采用传统的人工巡检方式，巡检人员需要携带繁重的巡检工具在现场穿梭工作，大大增加了巡检人员的劳动风险，而且带式输送机故障检测点多，故障检测精度要求高，这一巡检方式使得带式输送机的巡检工作难以做到检测速度快、实时性高、安全性强等故障检测特点。
发明内容
针对上述问题，本发明提供了一种基于声音信号的带式输送机故障诊断方法，其可以降低巡检人员的劳动强度，具有检测速度快、实时性高、安全性强等特点。
为达到上述目的，本发明采用以下技术方案：
一种基于声音信号的带式输送机故障诊断方法，包括以下步骤：
S1、采集带式输送机的声音信号；
S2、对采集的声音信号进行改进的小波阈值去噪处理；
S3、对降噪后的带式输送机声音信号进行MFCC和深度学习特征提取；
S4、建立支持向量机分类模型，并形成训练后的SVM模型；
S5、将提取的特征信息数据放入训练后的SVM模型得到后验概率，然后利用D-S证据理论进行决策级融合，最后利用融合输出结果与SVM已知运行状态下的所述带式输送机运行状态相匹配，与融合输出结果匹配度最高的则对应着所述带式输送机当前运行状态，从而完成了带式输送机故障诊断。
进一步地，在所述步骤S1中，利用声音采集装置以采样频率为48kHz、采样点数为4096采集所述带式输送机工作时各运行状态的声音信号；
进一步地，在所述步骤S5中，所述带式输送机运行状态包括正常状态和托辊故障、皮带撕裂故障、滚筒故障三种故障状态；
进一步地，在所述步骤S2中，去噪处理包括以下步骤：
S2.1、选择具有衰减性的小波基db6；
S2.2、使用小波基db6进行3层小波分解；
S2.3、选取固定阈值λ，经过小波分解后的小波系数设为w，通过公式
进行阈值函数的改进，随后使用阈值函数处理后的小波系数重构获得降噪后的带式输送机声音信号，其中j，k都是整数，a＞0；
进一步地，在所述步骤S3中，对降噪后的带式输送机声音信号进行MFCC和深度学习特征提取包括以下步骤：
S3.1、对所述步骤S2中的降噪后的声音信号进行预加重、分帧和加窗处理，然后利用快速傅里叶变化得到每一帧声音信号的频谱，通过Mel滤波器组滤波产生多个对数能量，将对数能量进行离散余弦变换得到MFCC特征；
S3.2、利用语谱图算法将声音信号图像化，搭建改进的VGG16卷积神经网络结构，将声音信号图像化的图像放入改进的VGG16卷积神经网络结构中，经过卷积运算、池化运算和全连接得到带式输送机深度学习特征；
进一步地，在所述步骤S3.1中，MFCC特征的提取包括以下步骤：
S3.1.1、将降噪后的声音信号通过一个高通滤波器，将低频信号与高频信号保持在同一信噪比下计算，高通滤波器计算公式为：H(Z)＝1-μz-1，其中，Z为预加重后的声音信号，z为一段声音信号，μ为高通滤波系数；
S3.1.2、随后对声音信号进行分帧处理，使相邻音帧之间设置一段重叠，重叠区设置为帧长的1/2或者1/3，每帧信号的时长为20ms～30ms；
S3.1.3、分帧后对声音信号进行加窗处理，函数表达式为：
其中，D为窗口长度，n∈[0,D-1]；e为汉宁窗调节系数；
S3.1.4、对声音信号进行快速傅里叶变换，快速傅里叶变换表达式为：
其中，x(n)为声音输入信号，N为傅里叶变换的点数，
S3.1.5、将变换后的声音信号经Mel滤波器滤波，滤波表达式为：
其中，m为滤波器个数，f(m)为第m个滤波器对应的中心频率，Hm(k)为频率响应；随后根据频率响应计算得到一个加性表达式：
随后以单个对数能量计算出一帧信号的对数能量，其公式为：
其中，S(m)为一个滤波器输出的对数能量，为以单个对数能量计算出的一帧信号的对数能量，M为滤波器最大个数；
S3.1.6、将得到的对数能量进行离散余弦变换，设C(n)为梅尔频率倒谱系数，计算
其中，L为梅尔频率倒谱系数的阶数；
根据滤波器的数量，将得到的若干个梅尔频率倒谱系数组成一个向量，记为则得到这一帧声音信号下的MFCC特征；
进一步地，在所述步骤S3.2中，带式输送机深度学习特征的提取包括以下步骤：
S3.2.1、设声音输入信号x(n)短时幅度谱估计为Xn(k)，频谱能量密度函数为P(n,k)，对声音信号谱估计表达式为：P(n,k)＝|Xn(k)|2，
以n为x轴，以k为y轴绘制图像，对频谱能量密度函数对数运算，得到以分贝db为单位的语谱图；
S3.2.2、搭建以8个卷积层、2个池化层、256和64全连接单元数的改进的VGG16卷积神经网络结构，将经过所述步骤S3.2.1图像化后的样本放入改进的VGG16卷积神经网络，设输入图像尺寸为Width*Height，卷积核的尺寸为g*g，步长为stride，填充值为padding，则卷积层输出的尺寸fheigh1、fwidth1为：
池化层输出的尺寸fheigh2、fwidth2为：
则经过卷积层和池化层之后，第一个全连接层将转化卷积核为最后一层卷积层输出的feature map尺寸的全局卷积，并将转化的所有局部特征做加权和，最后一层全连接层是转化为了卷积核为1*1尺寸的卷积，即转化为了一个具体的数值，经过最后一层全连接层，将所有数值全连接，就得到了一帧声音信号的深度学习特征向量
进一步地，在所述步骤S4中，建立支持向量机分类模型包括以下步骤：
S4.1、确定最优超平面：
设给定样本Q＝(xi,yi)，yi∈{-1,+1}，则存在一个分类超平面ωTx+b＝0，其中，ω为一个向量，T为转置符号，b为任意实数；
S4.2、寻找最大线性可分间距：
在分类超平面公式的约束下，将超平面求最优的问题转化为函数求最小值的问题，即二次规划操作：
S4.3、核函数设计：
表达式为：其中，i,j∈R,σ为核参数；
S4.4、构造拉格朗日函数：
利用核函数代替样本在高维空间的内积，最终目标函数表示为：
其中，C为惩罚因子，l为常数；
通过引入拉格朗日乘子，其对偶形式的公式为：
进一步地，在所述步骤S5中，得到融合输出结果包括以下步骤：
S5.1、将和作为mass函数的输入变量M1和M2，输入到完成训练的SVM中得到分别得到两个无阈值输出f(ci)和f(si)，然后利用sigmoid-fitting方法将标准的SVM无阈值输出结果进行处理，转换成后验概率：
在代入两个无阈值输出f(ci)和f(si)后，可分别得到后验概率P(ci)和P(si)；
其中，f为样本的无阈值输出，p和q为待拟合的参数；
S5.2、则对于每一个假设A有：其中K为归一化常数，A1和A2分别记为假设1和假设2，也就是对应的两个后验概率，公式转化为：
在代入后验概率P(ci)和P(si)后得到
本发明的有益效果是，将采集的待诊断带式输送机声音信号通过进行改进的小波阈值去噪处理可得到重构后的声音信号，随后在特征提取后，得到MFCC特征和深度学习特征，而对每一个MFCC特征和深度学习特征都有一个带式输送机状态与之对应，将MFCC特征和深度学习特征输入到完成训练的SVM中得到一个融合输出结果，再利用得到的融合输出结果与SVM已知运行状态下的四类运行状态匹配，在四类运行状态中选择与融合输出结果匹配度最高的结果，也就对应着带式输送机当前运行状态，继而可输出准确的诊断结果，从而实现降低巡检人员的劳动强度，且具有检测速度快、实时性高、安全性强等特点。
附图说明
图1为本发明的流程示意框图；
图2为本发明的带式输送机声音信号小波阈值去噪流程示意框图；
图3为本发明的带式输送机声音信号MFCC特征提取的流程示意框图；
图4为本发明的改进的VGG16卷积神经网络结构图；
图5为本发明的基于决策级融合的SVM故障诊断流程的示意框图；
图6为本发明的实验测试值与真实值的识别结果图。
具体实施方式
如图1所示，本发明一种基于声音信号的带式输送机故障诊断方法，包括以下步骤：
S1、采集带式输送机的声音信号：
具体地，在步骤S1中，利用声音采集装置以采样频率为48kHz、采样点数为4096采集带式输送机工作时各运行状态的声音信号；带式输送机运行状态包括正常状态和托辊故障、皮带撕裂故障、滚筒故障三种故障状态；
S2、对采集的声音信号进行改进的小波阈值去噪处理，去噪处理过程包括小波基选择、分解层数选取、阈值选取和阈值函数改进、信号重构；
具体地，在步骤S2中，去噪处理包括以下步骤：
S2.1、选择支撑长度5～9之间、具有对称性、正交性、衰减性的小波基db6；
S2.2、小波分解层数越大，声音中的信号分量特征和噪声分量特征会更加容易区分，更容易进行二者分离，小波分解层数过高则信号重构出现失真；根据声音信号的采样频率，使用小波基db6进行3层小波分解；
S2.3、选取固定阈值λ，一般取0.6774；经过小波分解后的小波系数设为w，阈值函数的改进如下式所示：
随后使用阈值函数处理后的小波系数重构获得降噪后的带式输送机声音信号，其中j，k都是整数，a＞0；
S3、对降噪后的带式输送机声音信号进行MFCC和深度学习特征提取；
具体地，在步骤S3中，对降噪后的带式输送机声音信号进行MFCC和深度学习特征提取包括以下步骤：
S3.1、对步骤S2中的降噪后的声音信号进行预加重、分帧和加窗处理，然后利用快速傅里叶变化得到每一帧声音信号的频谱，通过Mel滤波器组滤波产生m个对数能量，将对数能量进行离散余弦变换得到MFCC特征；
S3.2、利用语谱图算法将声音信号图像化，搭建改进的VGG16卷积神经网络结构，将声音信号图像化的图像放入VGG16卷积神经网络中，经过卷积运算、池化运算和全连接得到带式输送机深度学习特征；
具体地，在步骤S3.1中，MFCC特征的提取包括以下步骤：
S3.1.1、将降噪后的声音信号通过一个高通滤波器，将低频信号与高频信号保持在同一信噪比下计算，高通滤波器计算公式为：H(Z)＝1-μz-1，其中，Z为预加重后的声音信号，z为一段声音信号；高通滤波系数μ取值0.9～1.0，且通常取0.97；
S3.1.2、预加重后对声音信号进行分帧处理，使相邻音帧之间设置一段重叠，重叠区设置为帧长的1/2或者1/3，为使前后两帧信号幅值不会相差太大，一帧信号的时长为20ms～30ms；
S3.1.3、分帧后对声音信号进行加窗处理，将窗函数与每帧信号相乘，使该帧信号的两端更具有连续性，优选的，使用汉宁窗作为窗函数，使用的汉宁窗的函数表达式为：
其中，D为窗口长度，n∈[0,D-1]；e为汉宁窗调节系数，e∈R，一般取0.46，R为实数；
S3.1.4、对声音信号进行快速傅里叶变换，快速傅里叶变换表达式为：
其中，x(n)为声音输入信号，N为傅里叶变换的点数，
S3.1.5、将变换后的声音信号经Mel滤波器滤波，滤波表达式为：
其中，m为滤波器个数，f(m)为第m个滤波器对应的中心频率，Hm(k)为频率响应；
随后根据频率响应计算得到一个加性表达式：
随后以单个对数能量计算出一帧信号的对数能量，其公式为：
其中，S(m)为一个滤波器输出的对数能量，为以单个对数能量计算出的一帧信号的对数能量，M为滤波器最大个数，M一般取22～26；
S3.1.6、将得到的对数能量进行离散余弦变换求得MFCC，设C(n)为梅尔频率倒谱系数，表达式为：
其中，L为梅尔频率倒谱系数的阶数，优选的，L取12～16；
根据滤波器的数量，若n＝i，则得到i个梅尔频率倒谱系数，将i个梅尔频率倒谱系数组成一个向量，记为则得到这一帧声音信号下的MFCC特征；
具体地，在步骤S3.2中，带式输送机深度学习特征的提取包括以下步骤：
S3.2.1、由于卷积神经网络处理时输入的必须为图像，针对这一问题，利用语谱图算法将声音信号图像化：
设声音输入信号x(n)短时幅度谱估计为Xn(k)，频谱能量密度函数为P(n,k)，对声音信号谱估计表达式为：P(n,k)＝|Xn(k)|2，
以n为x轴，以k为y轴绘制图像，对频谱能量密度函数对数运算，得到以分贝db为单位的语谱图；
S3.2.2、搭建改进的VGG16卷积神经网络，基于采集样本共使用4组数据集，每组数据数量为200，共800样本数，数量较少，故不适合VGG16的深层结构，所以对传统模型进行改进，优选的，将原本13个卷积层缩减到8个卷积层，将池化层缩减到2个，并修改了全连接层的单元数，将经典VGG16全连接单元数的4096和4096缩减到256和64；将经过步骤S3.2.1图像化后的语谱图样本放入改进的VGG16卷积神经网络，设输入图像尺寸为Width*Height，卷积核的尺寸为g*g，步长为stride，填充值为padding，则卷积层输出的尺寸fheigh1、fwidth1为：
池化层输出的尺寸fheigh2、fwidth2为：
则经过卷积层和池化层之后，第一个全连接层将转化卷积核为最后一层卷积层输出的输出feature map尺寸的全局卷积，并将转化的所有局部特征做加权和，最后一层全连接层是转化为了卷积核为1*1尺寸的卷积，即转化为了一个具体的数值，经过最后一层全连接层，将所有数值全连接，就得到了一帧声音信号的深度学习特征向量
S4、建立支持向量机分类模型，并形成训练后的SVM模型，即支持向量机(SupportVector Machines，SVM)是由Vapnik提出的建立在统计学习基础上的有监督学习算法，在模式识别领域得到广泛应用，SVM基本原理就是在一个寻找一个超平面，使得这个超平面可以将两类样本刚好分布在超平面两侧，其核心思想是利用核函数将低维不可分数据映射到高维空间，然后建立一个超平面，使得这个超平面能对数据做到最优分类的功能，SVM解决的问题实质上就是将线性不可分转化为线性可分的问题；
建立支持向量机分类模型具体包括：确定最优超平面、寻找最大线性可分间距、核函数设计、构造拉格朗日函数；SVM训练是以步骤S 3中获得的带式输送机声音信号的MFCC特征和深度学习特征作为训练集，从而完成训练，该训练方法为现有方法；
具体地，在步骤S4中，建立支持向量机分类模型包括以下步骤：
S4.1、确定最优超平面：
设给定样本Q＝(xi,yi)，yi∈{-1,+1}，则存在一个分类超平面ωTx+b＝0，其中，ω为一个向量，T为转置符号，b为任意实数；
S4.2、寻找最大线性可分间距：
在分类超平面公式的约束下，将超平面求最优的问题转化为函数求最小值的问题，即二次规划操作：
S4.3、核函数设计：径向基核函数(RBF)相比其他核函数而言，RBF参数少，并且函数拟合性好，在空间维度上可以延伸至无穷，表达式为：其中，i，j都是整数，RBF作为支持向量机的核函数，RBF的调整主要依赖于核参数σ，核参数σ如果设置的过大，特征权值就会衰减较快，无法使核函数创造更高维的映射空间，核参数σ如果设置的过小，SVM就会产生严重拟合问题，优选的，核参数σ设置为4；
S4.4、利用核函数将非线性问题转化为线性问题并构造拉格朗日函数：
利用核函数代替样本在高维空间的内积，最终目标函数表示为：
其中，C为惩罚因子，惩罚因子C的大小也决定着SVM的分类效果，若C设置过大，训练就会产生过拟合问题，C设置过小，会使样本产生得不到充分学习、训练出的精确率下降的现象，优选的，惩罚因子C设置为11.8；l为常数；
通过引入拉格朗日乘子，其对偶形式的公式为：
通过构造对偶可以实现在对偶问题中选择比较简单的一个来求解，简便了算法。
而建立支持向量机的算法为现有算法。
S5、将提取的MFCC特征和深度学习特征放入训练后的SVM模型得到后验概率，得到的后验概率为标准SVM输出结果转化而成，然后利用D-S证据理论进行决策级融合，最后利用融合输出结果与SVM已知运行状态下的四类运行状态(即正常、托辊故障、皮带撕裂故障、滚筒故障)匹配，在四类运行状态中选择与该融合结果匹配度最高的值则对应着带式输送机当前运行状态，也就得到了最为符合当前四类运行状态的概率，继而输出带式输送机当前运行状态，从而完成了带式输送机故障诊断；
具体地，在步骤S5中，得到融合输出结果包括以下步骤：
S5.1、将和作为mass函数的输入变量M1和M2，也就是图5中的支持向量机1和支持向量机2，输入到完成训练的SVM模型中分别得到两个无阈值输出f(ci)和f(si)，然后利用sigmoid-fitting方法将标准的SVM无阈值输出结果进行处理，转换成后验概率：在代入两个无阈值输出f(ci)和f(si)后，可分别得到相应的后验概率P(ci)和P(si)；
其中，f作为样本的无阈值输出，p和q为待拟合的参数；
S5.2、根据D-S证据理论进行决策级融合，D-S证据理论提出于20世纪60年代，是对贝叶斯理论的推广，通过对信任函数的引入，来处理不确定性推理问题的数学方法，即设对于一个已识别的全域框架U，则对于每一个假设A有：
其中K为归一化常数，A1和A2分别记为假设1和假设2，也就是对应的两个后验概率，公式转化为：
在代入后验概率P(ci)和P(si)后得到本发明中，采集待诊断带式输送机的声音信号，将采集到的待诊断带式输送机声音信号通过步骤S2的改进的小波阈值去噪处理方法进行降噪；将降噪后重构的信号通过步骤S3进行MFCC特征和深度学习特征提取，且分别记为向量和对每一个向量和都有一个带式输送机运行状态与之对应，由和确定带式输送机当前运行状态的过程为：将和作为mass函数的输入变量M1和M2，输入到完成训练的SVM中得到两个无阈值输出，分别记为f(ci)和f(si)，利用sigmoid-fitting方法将无阈值输出转化为后验概率，得到P(ci)和P(si)，最后根据D-S证据理论可将得到的两个后验概率P(ci)和P(si)进行融合，得到一个融合结果，利用该融合结果与SVM已知运行状态下的四类运行状态(即正常、托辊故障、皮带撕裂故障、滚筒故障)匹配，在四类运行状态中选择与该融合结果匹配度最高的值则对应着带式输送机当前运行状态，也就得到了最为符合当前四类运行状态的概率，继而输出带式输送机当前运行状态，做出故障诊断。
本发明通过以下应用案例进行说明：
1.带式输送机声音信号数据集准备
声音信号数据集的采集为某港带式输送机生产现场利用噪声传感器采集，采样频率为48kHz，所采集数据涵盖带式输送机正常运行、托辊故障、皮带撕裂故障和滚筒故障四种状态下的声音信号，每组信号时长17s，切割成200小段，每段85ms。
2.实验环境配置
实验环境为64位Windows 10操作系统，CPU为Intel(R)Core(TM)[email protected]，显卡为NVIDIA GeForce GT 710，内存为8.00GB，MATLAB版本为2018b。
3.声音信号处理算法的参数设计
小波阈值去噪中小波基选取db6，分解层数选取为3，阈值选取启发式阈值，阈值函数采用改进的阈值函数；MFCC特征提取时，预处理中，高通滤波系数为0.97，采样点数为4096，选择汉明窗为窗函数，窗长为50，步长为100，Mel滤波器组数设置为20；深度学习特征提取时，改进的VGG16卷积神经网络结构为：8conv+2maxpool+2fc，语谱图输入尺寸为80*80，卷积核尺寸设置为3*3，池化层选择最大池化方法，池化层卷积核大小为2*2，并且选择使用ReLU激活函数；对于SVM中的核参数和惩罚因子C设置为4和11.8。
4.实验结果分析
利用上述配置的声音信号处理算法对带式输送机进行故障诊断，图6为基于决策级融合的SVM测试值与真实值的识别结果，类别1、2、3和4分别为托辊故障、正常信号、皮带撕裂故障和滚筒故障，即图6中纵坐标上标记的数字1、2、3和4分别对应的就是类别1、2、3和4；
图6中SVM测试值采用圆圈表示，声音的真实值采用圆点表示，若圆圈和圆点全部重合，则表示识别率100％。
表1基于决策级融合的SVM对带式输送机四类运行状态的识别率情况
由实验结果分析，带式输送机四类状态信号各输入为200个，其中正常信号正确识别198个，错误识别2个，托辊故障信号正确识别194个，错误识别6个，皮带撕裂故障信号正确识别198个，错误识别2个，滚筒故障信号正确识别188个，错误识别12个。总体正确识别样本数为778，错误识别22，总体精度为97.25％，识别效果较好。
与现有技术相比，本发明的有益效果为：通过采集带式输送机的声音信号，将采集到的声音信号进行改进的小波阈值去噪处理，对降噪后的声音信号进行MFCC特征和深度学习特征提取，将提取到的特征放入建立支持向量机(SVM)分类模型得到后验概率，利用D-S证据理论对后验概率进行决策级融合，采集待诊断带式输送机的声音信号并进行实验，输出故障诊断结果，通过该声学故障诊断算法设计，可以实时监测带式输送机工作状态，有效保证港口生产安全问题，降低巡检人员工作强度，同时也降低了带式输送机故障导致的非正常停机时间，避免了港口事故的扩大化，因此本发明对带式输送机等大型设备的故障诊断具有很大的应用价值与经济效益。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
- 上一篇：石墨接头机器人自动装卡簧、装栓机
- 下一篇：墙面打磨机自动工况测试装置
