基于WPT-ANN的磁瓦內(nèi)部缺陷音頻檢測

趙 越，殷 鳴，黃沁元，殷國富，謝羅峰

（四川大學(xué)制造科學(xué)與工程學(xué)院，四川 成都 610065）

0 引 言

磁瓦是永磁直流電機中產(chǎn)生恒定磁勢的關(guān)鍵部件，是一種鐵氧體材料的瓦狀磁鐵，其質(zhì)量直接影響電機的性能和壽命，所以必須對磁瓦的表面和內(nèi)部缺陷進行嚴(yán)格的檢驗。生產(chǎn)廠家在磁瓦的實際缺陷檢測中并不注重磁瓦的缺陷類型，只要求判斷缺陷的有無。

目前已經(jīng)有研究人員利用機器視覺的方法對磁瓦表面進行檢測[1]，但由于磁瓦尺寸和種類繁多、磁瓦材料特殊等原因的限制，現(xiàn)在并無用于檢測磁瓦內(nèi)部缺陷的成熟方法。綜合考慮磁瓦檢測低成本、高效率、強適應(yīng)性等多重技術(shù)需求，音頻檢測是磁瓦內(nèi)部缺陷檢測的一種可行的技術(shù)手段。

小波包-神經(jīng)網(wǎng)絡(luò)作為一種高效的音頻檢測方法，被廣泛用于故障診斷和模式識別領(lǐng)域。文獻[2]和文獻[3]分別利用小波包-神經(jīng)網(wǎng)絡(luò)對內(nèi)燃機、發(fā)動機故障實現(xiàn)了良好的識別；文獻[4]用小波包-神經(jīng)網(wǎng)絡(luò)對軸承故障進行了診斷；文獻[5]使用小波包-神經(jīng)網(wǎng)絡(luò)檢驗玻璃缺陷的有無；文獻[6]使用小波包-神經(jīng)網(wǎng)絡(luò)對雷達目標(biāo)實現(xiàn)了智能識別。小波包-神經(jīng)網(wǎng)絡(luò)信號處理能力強，算法相對簡單，便于計算機的實現(xiàn)，在磁瓦內(nèi)部缺陷檢測中，具有很強的實用性。但目前尚未有研究人員將此方法應(yīng)用于磁瓦內(nèi)部缺陷檢測領(lǐng)域。

為驗證小波包-神經(jīng)網(wǎng)絡(luò)方法在磁瓦內(nèi)部缺陷檢測中的效能，設(shè)計了一套自動檢測裝置，收集磁瓦撞擊金屬塊所產(chǎn)生的聲音信號，并利用小波包-神經(jīng)網(wǎng)絡(luò)對信號是否存在缺陷進行分析，提出了一種磁瓦內(nèi)部缺陷檢測的新方法。

1 試驗應(yīng)用的基本理論

1.1 小波包分析

小波包分析是小波分析的演進類型，是一種比小波分析更精細(xì)的信號分析方法，可實現(xiàn)頻帶的多層次劃分[7]。相比小波分析，小波包能分析細(xì)節(jié)信號，既能對信號的低頻進行分解，也能對高頻部分進行細(xì)化，并能根據(jù)需求和信號特征，自適應(yīng)地提取信號特定頻段，提高實頻分辨率[8]。

小波包[9]可以表示為

式中：i——頻率參數(shù)；

j——尺度因子；

k——平移參數(shù)。

小波包ψi[9]通過下式獲得：

式中：ψ0（t）——尺度函數(shù)；

ψ1（t）——母小波；

{hk}k∈Z、{gk}k∈Z——一組共軛鏡像濾波器（QMF）[10]。

下面以一個三層小波包分解來說明，小波包分解樹如圖1所示。

A、D分別表示低頻和高頻，末尾序號表示小波包分解層數(shù)。分解層數(shù)越高，小波包尺度越大，小波包系數(shù)對應(yīng)的空間分辨率就越低，這樣就能在不同的分辨率上對信號進行細(xì)致分析。

圖1 三層小波包分解樹

原信號S[9]可以表示為：

1.2 神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)是應(yīng)用最廣泛的人工神經(jīng)網(wǎng)絡(luò)，它是基于誤差反向傳播算法的多層前饋網(wǎng)絡(luò)，包含輸入層、隱含層和輸出層[11]。同一層的神經(jīng)元之間沒有聯(lián)接，而相鄰層的神經(jīng)元之間完全聯(lián)接。給定一輸入模式，輸入向量經(jīng)輸入層傳遞到隱含層，經(jīng)過隱含層的處理，在輸出層得到輸出。神經(jīng)元的傳遞函數(shù)為S型函數(shù)，保證輸出可以為0~1的連續(xù)量。為得到期望的輸入-輸出映射關(guān)系，BP神經(jīng)網(wǎng)絡(luò)根據(jù)上一層傳遞的誤差，不斷調(diào)節(jié)網(wǎng)絡(luò)權(quán)值和閾值來修正誤差，適用于函數(shù)逼近、模式識別和分類等問題[12]。典型的三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

2 檢測方法與流程

2.1 樣本準(zhǔn)備

實驗?zāi)康氖菂^(qū)分磁瓦有無缺陷，從磁瓦生產(chǎn)廠家收集了3類磁瓦（簡稱A類、B類、C類），且收集的磁瓦只區(qū)分有缺陷和無缺陷兩類，樣本缺陷都為生產(chǎn)過程中的實際缺陷，每種類型中有缺陷樣本、無缺陷樣本各120個，樣本有、無缺陷已通過特定方法嚴(yán)格界定，為敘述方便，以下簡稱為合格樣本和缺陷樣本。把每類磁瓦中合格、缺陷樣本按一定數(shù)量分成兩類，一類作為訓(xùn)練樣本，用于分析磁瓦內(nèi)部缺陷特征、建立識別方法；另一類作為測試樣本，用于驗證識別方法的準(zhǔn)確性和可行性。

2.2 檢測系統(tǒng)

為了實現(xiàn)自動檢測的要求，該檢測系統(tǒng)包括機械系統(tǒng)和數(shù)據(jù)處理系統(tǒng)。機械系統(tǒng)用于模擬人工檢測磁瓦內(nèi)部缺陷，使磁瓦撞擊金屬塊產(chǎn)生聲音。數(shù)據(jù)處理系統(tǒng)用于采集磁瓦與金屬塊的撞擊聲，通過識別算法判斷磁瓦是否存在內(nèi)部缺陷，并對磁瓦進行分類。設(shè)計的檢測系統(tǒng)如圖3所示。

調(diào)速電機以計算好的速度帶動傳送帶勻速運動，并排磁瓦通過傳送帶輸送到跌落臺，在傳送帶摩擦力的作用下，磁瓦從跌落臺上被推下。跌落臺與激振塊之間的高度設(shè)置為0.02m，這樣保證了磁瓦可以橫向翻轉(zhuǎn)并跌落在激振塊上，也保證了磁瓦無損壞地撞擊激振塊并產(chǎn)生聲音。激光傳感器安裝在跌落臺與激振塊之間，激振塊下方的隔音室中安裝有傳聲器。

圖3 磁瓦內(nèi)部缺陷檢測系統(tǒng)

數(shù)據(jù)處理系統(tǒng)由傳聲器、信號調(diào)理儀、數(shù)據(jù)采集卡和個人計算機（PC）組成。磁瓦跌落的過程中會遮擋住激光傳感器的光路，從而觸發(fā)激光傳感器，激光傳感器將接收到的信號傳送給計算機，計算機控制傳聲器開始采集聲音。采集到的音頻信號經(jīng)過信號調(diào)理儀的放大和濾波后通過數(shù)據(jù)采集卡被計算機保存，最后通過識別算法判斷磁瓦有無缺陷。檢測完畢后，安裝在跌落臺下方的氣缸推桿動作，將磁瓦推出激振臺，然后氣缸反向動作回位，完成一個磁瓦的檢測。

2.3 檢測流程

圖4是磁瓦內(nèi)部缺陷檢測的基本流程：

1）通過機械裝置讓磁瓦跌落，并撞擊金屬塊激振產(chǎn)生聲音。

2）采集激振聲音信號，并將磁瓦按訓(xùn)練樣本和測試樣本分成兩類。

3）利用小波包變換提取信號特征。

4）用訓(xùn)練樣本提取的特征訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，并利用此訓(xùn)練的神經(jīng)網(wǎng)絡(luò)對測試樣本進行缺陷判別。

5）結(jié)合試驗結(jié)果對系統(tǒng)檢驗評估。

圖4 檢測流程

3 試驗與分析

3.1 小波包特征提取

根據(jù)Nyquist采樣原理，在采樣頻率為40000Hz時，可以采集到20 000 Hz以內(nèi)的聲音信號，每段聲音信號采集了8000個點，在此信號下進行特征提取，以下以A樣本為例進行說明。對A樣本信號進行小波包分解。系列小波正交、緊支、對不規(guī)則信號敏感、消失矩階數(shù)適中[13]。多次試驗小波基函數(shù)選用dB 20小波包、Shanno熵標(biāo)準(zhǔn)，經(jīng)6層小波包變換后，得到64個小波包終端節(jié)點。

若將64個小波包終端節(jié)點全部作為分析節(jié)點，信息處理量大、冗余信息多、系統(tǒng)運行速度慢，所以有必要對64個終端節(jié)點進行篩選。信號的時域分析只能反映信號能量隨時間的變化，而快速傅里葉變換（FFT）能將信號變換到頻域，反映出信號能量與頻率的關(guān)系。經(jīng)過大量測試，其頻域圖表現(xiàn)出在特定頻段能量出現(xiàn)峰值的特征。圖5為其中一組具有代表性的合格、缺陷樣本的頻域圖。

結(jié)合圖像對比發(fā)現(xiàn)，合格磁瓦和缺陷磁瓦的振動頻率在頻域圖上有差別，但能量峰值集中出現(xiàn)在8000~10000Hz和11500~12000Hz頻率段，該頻段信息豐富，最能反映信號頻譜特征。雖然圖5中反映出合格樣本和缺陷樣本的能量峰值大小和峰值頻點位置稍有不同，但該信息相似度很高，仍需進一步分析，故選取8000~10000Hz和11500~12000Hz頻段所對應(yīng)的13個終端節(jié)點作為提取特征信息的節(jié)點。首先對這13個節(jié)點信號重構(gòu)，然后計算出節(jié)點能量，最后為降低各節(jié)點特征量的差異性，對能量進行歸一化。具體表示如下：

各子頻帶重構(gòu)信號的能量為

xik（k=0，1，2，…，8000）——第i個節(jié)點里第k個離散點的幅值。

Ei（i=0，1，2，…，13）數(shù)值較大且各數(shù)據(jù)間數(shù)值差異大，所以作歸一化處理：

圖5 磁瓦撞擊信號歸一化頻域圖

式（6）即為所提取的特征向量，在樣本中隨機抽取一合格樣本和一缺陷樣本，作出所篩選終端節(jié)點的歸一化能量圖，如圖6所示。

能量圖中可以反映出合格、缺陷樣本存在差異，但從圖像中還不能對差異準(zhǔn)確量化。分別在120個好樣本和120個壞樣本中各抽取60個樣本組成訓(xùn)練特征向量，其余的120個樣本作為測試樣本特征向量，用BP神經(jīng)網(wǎng)絡(luò)進行分類。

3.2 BP神經(jīng)網(wǎng)絡(luò)分類

用120組訓(xùn)練樣本的特征向量（合格樣本及缺陷樣本各60組）對BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，訓(xùn)練函數(shù)選用traingdm。訓(xùn)練結(jié)果如圖7所示。

圖6 終端節(jié)點歸一化能量圖

圖7 訓(xùn)練誤差曲線

從圖中的誤差訓(xùn)練曲線可以看出，網(wǎng)絡(luò)在8步內(nèi)訓(xùn)練誤差就達到了3.025×10-8，訓(xùn)練速度和訓(xùn)練準(zhǔn)確度都達到了理想的效果。

用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)對120個測試樣本進行驗證，從測試樣本中隨機抽取5個好樣本和5個壞樣本，表1列出了測試結(jié)果。

從表中數(shù)據(jù)結(jié)果可以看出，1~5號樣本輸出單元1都大于0.84，輸出單元2都小于0.12，容易判別為無缺陷樣本；而6~10號樣本輸出單元1都非常接近0，輸出單元2都大于0.99，能明顯判別為內(nèi)部有缺陷的樣本。

重復(fù)此方法，依次對B、C兩類磁瓦也進行了驗證，表2列出了3類磁瓦測試的統(tǒng)計結(jié)果。

表1 A類樣本測試結(jié)果

表2 3類樣本測試結(jié)果統(tǒng)計

從表2中數(shù)據(jù)可以看出，該方法對現(xiàn)有的3類樣本都達到了較高的識別率，能100%識別出有缺陷樣本，對于無缺陷樣本也能達到98%以上的識別效果。對于實際生產(chǎn)而言，若將有缺陷樣本判定為合格樣本，一旦在合格樣本供貨抽檢中抽檢到缺陷樣本，整批磁瓦會判定為不合格品，導(dǎo)致買家退貨等問題，使制造廠家蒙受巨大經(jīng)濟損失；而將極少數(shù)合格樣本檢測為缺陷樣本，制造廠家可以將不合格品二次利用，是完全可以接受的。

4 結(jié)束語

磁瓦跌落撞擊金屬塊產(chǎn)生聲音信號，利用此信號，應(yīng)用小波包結(jié)合BP神經(jīng)網(wǎng)絡(luò)對樣本缺陷進行判別，可以得到較好的識別效果。結(jié)論如下：

1）小波包分析可以有效提取磁瓦缺陷信號的成分，并能針對特定頻段信息局部細(xì)化，放大信號中的有用信息。

2）BP神經(jīng)網(wǎng)絡(luò)對于磁瓦內(nèi)部缺陷的識別率達到了98%以上，且該方法具有較快的訓(xùn)練速度，非常適用于磁瓦內(nèi)部缺陷的自動化檢測。

3）利用小波包-神經(jīng)網(wǎng)絡(luò)原理，開發(fā)的磁瓦內(nèi)部缺陷音頻檢測設(shè)備結(jié)構(gòu)簡單、檢測速度快、成本低、可靠性高、具有一定的可行性，可進一步推廣。

4）現(xiàn)階段沒能通過有效的手段對缺陷的類型進行準(zhǔn)確鑒定，該方法只能用于判斷磁瓦內(nèi)部缺陷的有無，對于磁瓦內(nèi)部缺陷的種類目前尚無法準(zhǔn)確判別，有待進一步深入研究。

[1]Li X， Jiang H， Yin G.Detection of surface crack defects on ferrite magnetic tile[J].NDT&E International，2014（ 62）：6-13.

[2]Wu J，Liu C.An expert system for fault diagnosis in internal combustion engines using wavelet packet transform and neural network[J].Expert Systems with Applications，2009，36（ 3）：4278-4286.

[3]司景萍，郭麗娜，牛家驊.基于小波包神經(jīng)網(wǎng)絡(luò)的發(fā)動機振動信號分析[J].振動、測試與診斷，2013，33（ 5）：763-769.

[4]Wang G，Wang Z，Qin X，et al.Accurate diagnosis of rolling bearing based on wavelet packet and RBF neural networks[J].Beijing Keji Daxue Xuebao/Journal of University of Science and Technology Beijing，2004，26（ 2）：184-187.

[5]Gokmen G.The defect detection in glass materials by using discrete waveletpackettransform and artificial neural network[J].Journal of Vibroengineering，2014，16（ 3）：1434-1443.

[6]Avci E， Turkoglu I， Poyraz M.Intelligent target recognition based on wavelet packet neural network[J].Expert Systems with Applications，2005，29（ 1）：175-182.

[7]Bahoura M，Simard Y.Blue whale calls classification using short-time Fourier and wavelet packet transforms and artificial neural network[J].Digital Signal Processing:A Review Journal，2010，20（ 4）：1256-1263.

[8]Sengur A， Turkoglu I， Ince M C.Wavelet packet neural networks for texture classification[J].Expert Systems with Applications，2007，32（ 2）：527-533.

[9]宋知用.Matlab在語音信號分析與合成中的應(yīng)用 [M].北京：北京航空航天大學(xué)出版社，2013：44-45.

[10]Zamani Hosseinabadi H，Amirfattahi R，Nazari B，et al.GUW-based structural damage detection using WPT statistical features and multiclass SVM[J].Applied Acoustics，2014（ 86）：59-70.

[11]陳恬，孫健國.粗糙集與神經(jīng)網(wǎng)絡(luò)在航空發(fā)動機氣路故障診斷中的應(yīng)用[J].航空動力學(xué)報，2006，21（ 1）：207-212.

[12]Bin G F， Gao J J， Li X J， et al.Early fault diagnosis of rotating machinery based on wavelet packets-Empirical mode decomposition feature extraction and neural network[J].Mechanical Systems and Signal Processing，2012，27（ 1）：696-711.

[13]顧文龍，胡業(yè)林，鄭曉亮.基于小波包神經(jīng)網(wǎng)絡(luò)的電機故障診斷分析與研究[J].煤礦機械，2011，32（ 9）：263-265.