機車牽引電機聲音檢測與故障診斷系統應用研究

王新杰　董志學　潘穎輝

(內蒙古工業大學信息工程學院　內蒙古 呼和浩特 010080)

?

機車牽引電機聲音檢測與故障診斷系統應用研究

王新杰董志學潘穎輝

(內蒙古工業大學信息工程學院內蒙古 呼和浩特 010080)

由于目前機務段檢修車間牽引電機故障檢測存在不足，提出基于小波包分析與BP神經網絡相結合的故障診斷方法。以HXD3型電力機車YJ85A型牽引電機為例，利用Android為嵌入式開發平臺，設計完成一款具有一定便攜性、可行性和工程實用價值機車牽引電機聲音檢測與故障診斷系統。為機務段檢測人員判斷牽引電機故障與否提供相關參考，在一定程度上起到輔助診斷的作用。

故障檢測小波包分解特征提取神經網絡機車牽引電機

0　引　言

隨著我國鐵路日趨高速化、重載化的發展，機車的設備運行安全一直備受關注[1]。同時，在諸多鐵路局尚未經過系統的牽引運行實驗和運行考核[6]。特別是機車上的最重要組成部分牽引電機，其質量的好壞對于整個機車的安全行走起著至關重要的作用。因此，對牽引電機進行故障診斷具有十分重要的現實意義[4]。

由于機車牽引電機在運行過程中會產生各種故障信息，通過對故障信息安全、快速采集，可以較早采取措施，這對保障鐵路運輸安全有著十分重要的意義。目前的故障診斷技術有小波分析法、分析理論、混沌理論等，其中，小波分析法對信號的時頻分析特性較好，但對信號的高頻部分分辨率較差，小波包分解法彌補了小波分析方法的高頻部分分辨率的不足，能夠有效地檢測出機車牽引電機故障與否。

此外，由于目前機務段采用的頂輪檢測技術也存在諸多局限性[5]。首先是在故障診斷時需多人同步操作，且檢測設備復雜、僅僅機車頂輪電源就相當笨重。通常檢測一臺機車的六組牽引電機，少則幾小時，多則一天。而且機務人員需經過專門的培訓，相應的檢測成本也非常高[7]。

為了克服當前應用中存在的這些問題，同時使故障檢測能夠更加精確的識別并分類，本文提出了基于Android為平臺下的機車牽引電機聲音檢測與故障診斷系統。利用Android平臺突出優勢以及聲音在故障診斷中的某些優點[1]，并將小波包分解與重構算法、BP算法等與傳統故障聲音診斷技術相結合，這樣既可實現對機車牽引電機故障診斷的功能，又可滿足便攜式故障檢測應用的需求。

1　系統總體方案設計

系統的總體設計方案主要包括機車牽引電機聲音信號的采集、處理以及故障識別三大模塊。

在聲音采集的過程中具體通過MIC傳感器采集機車牽引電機在故障和正常狀態下產生的聲音信息。在聲音處理方面主要包括聲音信號的預處理操作以及特征值提取計算，在此過程分析了小波閾值去噪算法在去噪過程中以及三層小波包分解與重構算法在特征值提取中的突出優勢。最后對提取到的能量特征值通過歸一化轉化為能量特征向量輸入到系統下故障識別模塊中的BP神經網絡檢測模型中，通過與保存訓練好的BP神經網絡模型進行對比分析，最終實現故障類型判斷。并利用MATLAB工具對上述算法的選用的可行性和有效性進行了仿真分析。系統流程設計如圖1所示。

圖1　系統流程設計

2　系統方案實現

2.1聲音采集

聲音采集在聲音的故障檢測過程中是需要首先解決的問題。本文在聲音傳感器的選擇上采用的是MIC傳感器，傳感器結構內部存在一個由振膜、墊片和極板組成的電容器。在其工作時MIC膜片上充有電荷，因此當膜片受到聲壓強的作用，膜片要產生振動，從而改變了膜片與極板之間的距離，最終完成對聲信號到電信號的轉換。本課題采集的聲音數據為集寧機務段呼和車間HXD3型電力機車YJ85A型牽引電機工作時聲音信號[3]。

在聲音信號采集參數的設定上：采樣頻率采用標準的44.1KHz的采樣率、單聲道以及16位量化精度。通過前期實地采集，共整理369組聲音信號，其中86組故障、283組正常。隨機選取66組故障263組正常的聲音信號用于BP神經網絡的自學習與訓練，另外20組用于系統的測試工作。

2.2聲音處理

聲音處理主要包括聲音去噪和特征提取兩大模塊。由于機車牽引電機在聲音信號傳輸過程中，總不可避免地含有噪聲，對聲音信號處理和分析的準確度有很大影響。因此前期有必要先進行去噪處理。

隨著小波理論的發展與實際應用中的不斷檢驗，小波去噪的方法受到了廣泛的關注。

目前，小波去噪方法主要有小波模極大值去噪、小波空域相關去噪和小波閾值去噪。

三種方法都各有優缺點，事實上小波閾值去噪是目前應用最廣泛的一種方法，它具有方法簡單、計算量小、去噪效果好的特點。此外，對于前期消噪來說，要求計算量越小越好，因此，本文采用小波閾值去噪的方法。

在信號特征提取算法選擇上本文應用的是小波包分解與重構算法。小波包分析是小波分析的改進，將小波分析中沒有細分的高頻部分進一步分解[2]。

小波包分解實質上是對信號的多帶通濾波，一般來說，正常狀態與故障狀態下機車牽引電機輸出信號的各頻帶成分是不同的。在這種情況下，通過分析系統結構和故障機理找出系統故障與否的特征頻率，從而依據這些頻率分量的變化確定故障存在與否[6]。

在小波母函數的選擇上[17]，考慮到特征提取需要在任意尺度上進行，因此母函數的時頻域緊支撐性尤為關鍵。其次，重構的精確性也十分重要，因此母函數的正交性也應著重考慮。基于上述兩點本文選取了db6小波進行信號分析。

小波包分解與重構算法[17]如下：

(1)

由上式可知，小波包分解過程實質上是通過一組高、低通組合的共軛正交濾波器h、g，將信號分解到不同的頻帶上。表1為db6小波濾波器系數hk。

表1　db6小波濾波器系數hk

(2)

對小波包分解系數重構，提取各頻帶上的信號，求各個頻帶信號的總能量，以三層小波包分解為例第3層從低頻到高頻8頻段的能量為：

(3)

其中，Ej(j=0,1,…,7)為S3j對應的能量特征值；xjk(j=0,1,…，7;k=1,2,…，n)表示重構信號離散點的幅值，n為采樣點數。

通常情況下，系統出現故障時，各頻帶內信號特征會有較大變化，以頻帶能量譜構造一個特征向量：

T=[E1,E2,E3,E4,E5,E6,E7,E8]

(4)

2.3故障識別

機車牽引電機故障狀態識別的現代分析方法主要有四種[9，10]，對比如表2所示。

表2　故障識別方法對比

通過綜合考慮，本課題診斷方法選用BP神經網絡法。

2.3.1BP神經網絡模型建立

BP神經網絡是在對人腦組織結構和運行機智的認識理解基礎之上模擬其結構和智能行為的一種工程系統。本文以雙隱含層為例對神經網絡模型加以介紹。圖2為雙隱含層神經網絡結構示意圖。

圖2　雙隱含層神經網絡結構示意圖

定義各神經元的輸入為u，輸出為v ，上標表示神經元所處層，下標表示層中的序號。其中任意一個訓練樣本Xk都是一個M維矢量，即：

訓練樣本為：Xk=[Xk1,Xk2,…,XkM] k=1,2,…,N

期望輸出為：dk=[dk1,dk2,…,dkp]T

實際輸出為：Yk=[Yk1,Yk2,…,YkP]T

當網絡輸入訓練樣本為：Xk=[Xk1,Xk2,…,XkM]

各層輸入輸出表達式如下：

第一隱含層神經元的輸入記為：

(5)

第一隱含層神經元的輸出記為：

(6)

同理，以此類推第二隱含層神經元的輸出如式(7)所示、輸出層神經元的輸入、輸出如式(8)、式(9)。

(7)

(8)

(9)

2.3.2BP神經網絡系統設計1) 網絡層數的選擇

BP神經網絡層數是對隱含層而言[13]，通常情況下增加隱含層數可以降低誤差、提高網絡精度，與之同時也使網絡復雜化，增加了網絡的訓練時間和過度擬合的傾向[14]。對于實際問題中相對復雜的對應關系時，通常會考慮使用雙層或多隱含層網絡。本課題實驗結果表明采用單隱含層訓練結束參數為0.00276，采用雙隱含層時訓練結束參數為0.000998，明顯優于單層訓練效果。因此，本文選擇雙隱含層。

2) 輸入層、輸出層和隱含層的設計

輸入和輸出層在神經元個數的選取上與實際問題的輸入、輸出變量有關。對于輸入層神經元個數取決于數據的向量維數，輸出層神經元個數則取決于輸出的狀態類型數[15]。

本文機車牽引電機聲音信號，依次經過小波去噪和三層小波包變換后，歸一化得到的8個不同頻帶內的特征向量信號，因此，輸入層神經元個數為M=8。對于輸出的狀態類型選取上，本課題基于客觀的實際情況，僅選取了2種工作狀態，即將牽引電機工作狀態統歸為故障和正常兩種，因此輸出層神經元個數為P=2[12]。

隱含層神經元個數的選取是一個非常困難的問題，但通常情況下與輸入和輸出神經元的個數有著間接的關系。隱含層單元數目選擇不恰當將會導致學習時間過長、容錯性差、誤差不一定最佳等問題，從而也會影響故障診斷的效果[16]。然而目前還沒有一個理想的表達式來確定隱含層單元數目，往往需要根據經驗或多次實驗驗證來確定[9]。

本課題通過對比實驗驗證，并且參考公式s=2m+1，其中，m為輸入層神經元個數，p為輸出層神經元個數，s為隱含層神經元個數。最終確定了隱含層神經元個數為14個。

3) 傳遞函數的選擇

傳遞函數也稱為激活函數，作用于各連接層之間用以實現神經元輸入到輸出的轉換[8]，是神經網絡又一重要的組成部分。在傳遞函數的選擇上本課題選用了目前應用最為廣泛的sigmod傳遞函數。

f(x)=[1+exp(-ax)]-1a>0

(10)

從公式可以看出，f(x)為定義域內連續可微函數。其中，a為傾斜變量，a的取值不同對應函數的形狀也將有相應的差異[10]，圖3為a取1、2、3時對應的函數曲線圖。其中，函數的斜率隨著a的增大而降低。

圖3　a取1、2、3時對應的函數曲線圖

Sigmod函數相較于其他連續函數，有其眾多優點[10]：

① 首先，Sigmod函數本身兼顧了敏感性和穩定性，即在在中間細微部分變化敏感，而兩端部分逐漸趨于穩定，這一點使得網絡對于特征識別尤為關鍵。

② 其次，在誤差反向傳播時，傳遞函數必須連續可導，若是一般的連續函數，對于計算機的存儲以及神經網絡訓練的速度都有影響。因此基于這一點傾斜變量a取1。

故障判斷過程如圖4所示。當采集到新的牽引電機聲音數據時，經過聲音信號預處理數據輸入到系統故障識別模塊下，通過與已經建立好的BP神經網絡模型進行比對，從而獲得相應的牽引電機工作正常或故障狀態。

圖4　故障識別過程

3　實驗結果分析

本課題實際采集的原始數據為集寧機務段呼和車間HXD3型電力機車YJ85A型牽引電機的聲音信號。由于數據量巨大，本文選取了牽引電機正常與故障狀態下的一組數據中的320個采樣點的數據進行測試與分析。

應用程序的安裝文件導入并安裝到安卓移動端后，系統登錄界面、運行主界面如圖5、圖6所示。

圖5　系統登錄界面

圖6　系統運行主界面

為更加直觀地表征信號特征，本系統依次進行了正常與故障狀態下去噪前后波形的顯示。圖7-圖10分別為兩種狀態下的原始波形與去噪之后波形，其中，橫坐標代表信號的采樣點數，縱坐標代表每個信號采樣點所對應的幅值大小。

圖7　正常狀態下原始波形

圖8　故障狀態下原始波形

通過圖7、圖8對兩種狀態下的原始波形對比可以看出：正常狀態下的原始波形各采樣點相對緊湊，波形表征平。但故障狀態下的原始波形中在采樣點在180至210波形出現很大的稀疏、波形跳躍性降低。

圖9　正常狀態下去噪波形

圖10　故障狀態下去噪波形

通過圖9、圖10對兩種狀態下的去噪波形對比可以看出：正常狀態下的去噪波形各采樣點相對稀疏，但采樣點在240至270之間時，波形幅度值跳躍性明顯比其他采樣點較低；故障狀態下的去噪波形中各采樣點幅度值相對平緩，少量波形幅度值出現明顯抖動，采樣點幅度值無明顯差異。

通過兩種狀態下去噪前后波形對比可以直觀看出：正常狀態下聲音信號波形相比于故障狀態下的聲音信號波形較穩定。此外，也驗證了選用小波包閾值去噪算法的良好去噪性。因此，在一定程度上可以根據牽引電機兩種狀態下的時域信息對電機狀態做前期初步判斷。

在機車牽引電機聲音的故障檢測中，時域波形分析只能對電機狀況進行直觀的定性分析，且準確性不高，僅僅可以作為一個參考[18]。因此，有必要對電機狀況進行定量分析。因此本文主要采用的特征值提取算法，即通過小波包分解后得到的能量系數進行重構。圖11為特征值顯示界面。

圖11　特征值顯示界面

本文由于篇幅的原因對牽引電機兩種狀態各選取了十組特征值用于本文數據分析。表3、表4分別為牽引電機在兩種狀態下10組特征值。

表3　牽引電機正常狀態下的10組特征值

表4　牽引電機故障狀態下的10組特征值

表3、表4是從369組聲音樣本中隨機選取的牽引電機在兩種狀態下10組特征值。是牽引電機聲音信號經三層小波包分解與重構后所得到的8個頻帶內包含的能量特征值。通過統計可以發現，兩種狀態下的特征值具有顯著的差異性，即使同一狀態下的各頻段內信號包含的能量特征值也有差異。統計結果顯示牽引電機故障狀態下第七帶內特征值普遍在170到200之間。而牽引電機正常工作狀態下第七帶內的特征值普遍在105到180之間。此外，統計結果顯示信號在第一個頻帶內的能量值相對于其他七個頻帶內的特征值明顯偏低。由于兩種狀態下特征值存在的顯著差異，一定程度上驗證了能量作為特征值對牽引電機進行故障檢測是可行的。也為后續的神經網絡的判斷分析奠定了基礎。

將所得的特征值作歸一化處理。得到相應的特征向量。將特征向量輸入到BP神經網絡模型中，利用系統中保存好的故障數據庫進行牽引電機故障狀態的判斷測試。判斷測試結果如圖12、圖13所示。

圖12　正常信號判斷結果

圖13　故障信號判斷結果

其中，后綴-*.wav中用0、1分別表示為采集到的牽引電機狀態類型為正常、故障，前綴*-.wav表示測試數據序號。此外，輸出結果類型表示BP神經網絡訓練時，所設定的期望輸出，其中0、1分別表示正常、故障，牽引電機狀態表示計算測試結果。

4　結　語

通過20組樣本的系統性能測試，結果顯示17組分析結果正確。即10組正常狀態下聲音樣本和7組故障狀態聲音樣本，即正確率為85%。此外，前期在集寧機務段呼和車間調研了解到，目前該車間采用的定輪檢測技術的檢測率也只是80%。

因此本系統完全可以用于實際的機車牽引電機的檢測中。在一定程度上能夠滿足機車檢修的實際需要，為機務段檢測人員判斷牽引電機故障與否提供相關參考，能夠起到一定輔助診斷的作用。但也有些模塊功能需要進一步完善，比如要提高故障檢測系統的精度還需在以后進一步建立一個完善的、大型的、全面的機車牽引電機聲音故障特征庫[11]。

[1] 李甜甜.電力機車交流牽引電機故障診斷研究[D].成都：西南交通大學,2014:1-2.

[2] 韋力強.基于小波變換的信號去噪研究[D].長沙：湖南大學,2008(4):34-35.

[3] 張曙光.HXD3 型電力機車[M].北京：中國鐵道出版社，2010:1-2.

[4] 唐軍軍，王艷菲.簡論我國鐵路發展歷史及現狀[J].才智,2010(14):207.

[5] 鄭珊，宋嚴.頂輪檢測技術在我段機車檢修中的運用分析[J].鐵道機車車輛,2002(S1):280-281,289.

[6] 許瑞利.我國電力機車的現狀及發展趨勢[J].中國校外教育,2012(33):178-179.

[7] 徐宗祥.我國電力機車的發展回顧[J].中國鐵路,2001(2):12-14.

[8] 周品.MATLAB神經網絡設計與應用[M].北京：清華大學出版社,2013:89-90.

[9] 沈花玉，王兆霞，高成耀，等.BP神經網絡隱含層單元數的確定[J].天津理工大學學報,2008,24(5):13-15.

[10] 張雨濃，曲璐，陳俊維，等.多輸入Sigmoid激勵函數神經網絡權值與結構確定法[J].計算機應用研究,2012,29(11):113-116.

[11] 邵曉非，寧媛，劉耀文，等.電力系統故障診斷方法綜述與展望[J].工業控制計算,2012,25(12):4-7.

[12] 孫士慧. 基于小波神經網絡的設備故障診斷方法研究[D].青島：中國石油大學(華東),2008:34-35.[13] 葉斌，雷燕.關于BP網中隱含層層數及其節點數選取方法淺析[J]. 商丘職業技術學院學報,2004,3(6):52-53.

[14] 張德豐. MATLAB神經網絡編程[M].北京：化學工業出版社,2011:136-137.

[15] 趙樹兵. HXD3型電力機車電傳動系統分析與檢修工藝設計[D].山東大學,2011:6-7.

[16] 高雋. 人工神經網絡原理及仿真實例[M].機械工業出版社,2010:13-14.

[17] 張國華，袁中凡，李彬彬.心音信號特征提取小波包算法的研究[J].振動與沖擊,2008,27(7):47-50.

[18] 史月俊，柏俊峰.電力系統故障診斷方法的綜合分析[J].機電信息,2013(3):89-90.

RESEARCHONLOCOMOTIVETRACTIONMOTORSOUNDDETECTIONANDFAULTDIAGNOSISSYSTEM

WangXinjieDongZhixuePanYinghui

(CollegeofInformationEngineering,InnerMongoliaUniversityofTechnology,Hohhot010080,InnerMongolia,China)

Consideringthedefectoftractionmotorfailuredetectionindepotrepairshop,inthisarticlewepresentafaultdiagnosismethod,whichisbasedonthecombinationofwaveletpacketanalysisandBPneuralnetwork.TakingtypeYJ85AtractionmotoroftypeHXD3electriclocomotiveastheexample,weusedAndroidastheembeddeddevelopmentplatform,completedthedesignofalocomotivetractionmotorsounddetectionandfaultdiagnosissystemwithcertainportability,feasibilityandpracticalvalue.Itisavaluablesourceofreferenceindeterminingthetractionmotorfailurefortheinspectors,andplaysaroleofauxiliarydiagnosistosomeextent.

FaultdetectionWaveletpacketdecompositionFeatureextractionBPneuralnetworkLocomotivetractionmotor

2015-07-30。王新杰，碩士生，主研領域：嵌入式技術聲音故障檢測方向。董志學，副教授。潘穎輝，講師。

TP

ADOI:10.3969/j.issn.1000-386x.2016.10.023