基于聲信號和一維卷積神經(jīng)網(wǎng)絡(luò)的電機故障診斷研究

汪 欣，毛東興，李曉東

（1.同濟大學(xué) 聲學(xué)研究所，上海200092；2.中國科學(xué)院 上海高等研究院，上海201210；3.中國科學(xué)院 聲學(xué)研究所，北京100190）

電機作為一種電能轉(zhuǎn)換的電磁裝置，在各行各業(yè)都有相關(guān)的應(yīng)用。針對電機的故障診斷，目前已有不少研究，按信號采集的手段大致可分為3類：基于電流信號的電機故障診斷；基于振動信號的電機故障診斷；基于聲信號的電機故障診斷等。

基于電流信號的電機故障診斷方法是一種常見的診斷手段[1-3]。但基于電流信號的故障診斷法只能對有限的電氣故障（比如斷棒、短路轉(zhuǎn)子、定子線圈等）進行分析?；谡駝有盘柕碾姍C故障診斷方法是目前主流的故障診斷方法，學(xué)界普遍采用振動信號分析法實現(xiàn)對電機故障狀態(tài)的有效識別[4-7]。但振動信號的采集需要將加速度傳感器安裝在電機上，這種接觸式檢測往往受測試條件和測試環(huán)境限制，具有一定的局限性。相比而言，基于聲信號的電機故障診斷手段屬于非接觸式測量，能夠在一些無法使用加速度傳感器的場合使用[8-10]。

電機故障診斷的核心算法主要由特征提取和模式識別組成。傳統(tǒng)的特征提取算法包括傅里葉變換、小波變換、經(jīng)驗?zāi)Ｊ椒纸庖约靶盘柦y(tǒng)計學(xué)特征等；傳統(tǒng)的模式識別算法包括BP 神經(jīng)網(wǎng)絡(luò)、支持向量機(SVM)、貝葉斯分類器等。傳統(tǒng)的故障診斷方法的優(yōu)點在于，特征提取方法簡單易行，但對人工參與的要求比較高、依賴人工提取和領(lǐng)域內(nèi)的專家知識，需要人工對不同的應(yīng)用環(huán)境進行特征提取和算法選擇，具有一定的主觀性[11]。

近年來，隨著深度學(xué)習(xí)算法的不斷發(fā)展，基于深度學(xué)習(xí)方法的故障診斷技術(shù)應(yīng)用研究已經(jīng)興起。文獻[6]提出一種基于稀疏自編碼器的電機故障診斷方法，利用電機信號的Hilbert包絡(luò)譜作為輸入，實現(xiàn)對電機故障的有效分類。文獻[7]將時域信號轉(zhuǎn)變?yōu)槎S信號后利用二維卷積神經(jīng)網(wǎng)絡(luò)對電機振動信號進行了故障分析。文獻[12]通過長短時記憶網(wǎng)絡(luò)（LSTM）對軸承的運行狀態(tài)進行了分類診斷。

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是近年發(fā)展起來的一種典型的深度學(xué)習(xí)方法，其最大的優(yōu)勢在于無需人工選取特征，已經(jīng)在計算機視覺、自然語言處理等領(lǐng)域取得了廣泛的應(yīng)用。本文設(shè)計出一種新型一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）結(jié)構(gòu)，提出了一種基于聲信號和1D-CNN的電機故障診斷算法。該算法省去了傳統(tǒng)算法手動提取特征的過程，無需對原始數(shù)據(jù)進行預(yù)處理，將原始數(shù)據(jù)直接送入1D-CNN 網(wǎng)絡(luò)，通過1DCNN 網(wǎng)絡(luò)強大的特征提取能力，利用1D-CNN 網(wǎng)絡(luò)中交替的卷積層和池化層自動提取出隱藏在原始數(shù)據(jù)中的非線性特征，并結(jié)合全連接層完成自適應(yīng)特征學(xué)習(xí)，最終實現(xiàn)對電機故障聲信號的準(zhǔn)確分類。

1 1D-CNN基本原理

1.1 卷積神經(jīng)網(wǎng)絡(luò)（CNN）

典型的CNN 網(wǎng)絡(luò)通常包括輸入層、卷積層、池化層、完全連接層和輸出層[13]。

CNN的輸入層可處理多維數(shù)據(jù)，預(yù)先對輸入數(shù)據(jù)進行標(biāo)準(zhǔn)化處理，能夠提高算法的運行效率和學(xué)習(xí)性能。

卷積層對上一層的輸出進行卷積運算，并采用非線性激活函數(shù)構(gòu)造輸出特征。激活函數(shù)的目的是將原本線性不可分割的多維特征映射到另一個空間中，從而增強特征的線性可分離性。卷積運算的數(shù)學(xué)模型為[14]

其中：Kil表示第l層的第i個濾波器權(quán)重，bli表示第l層的第i個濾波器網(wǎng)絡(luò)偏置，xl(j)表示第l層的第j個局部輸入，yil+1(j)表示第l+1層第i幀中第j個神經(jīng)元的輸入。

運用激活函數(shù)對每個卷積中輸出的logits值進行非線性變換。本文采用ReLU函數(shù)。當(dāng)輸入值大于0時，ReLU函數(shù)的導(dǎo)數(shù)值始終為1，從而克服了梯度彌散問題。ReLU的公式如下：

其中：yil+1(j)表示卷積運算的輸出值，而ali+1(j)表示yil+1(j)的激活值。

池化層通過數(shù)據(jù)降采樣將大矩陣向下采樣為小矩陣，從而減少了計算并防止了過擬合。最大池化的公式如下：

其中：qli(t)表示第l層處第i個特征中的第t個神經(jīng)元的值，t∈[(j-1)W+1,jW],W表示池化區(qū)域的寬度，Pil+1(j)表示第l+1層第i個特征中的第j個神經(jīng)元的值。

全連接層可以在卷積層或池化層整合差異化的局部信息，實現(xiàn)全局優(yōu)化。全連接層的公式如下[15]：

其中：Wiltj表示第l層第i個特征中第t個神經(jīng)元和第l+1層的第j個神經(jīng)元之間的權(quán)重，zl+1(j)表示第l+1層的第j個神經(jīng)元的logits值，blj表示網(wǎng)絡(luò)偏置，ali(t)為第l層處第i個特征中的第t個神經(jīng)元的輸出值，f(·)表示激活函數(shù)ReLU。

輸出層通常使用Softmax 分類器輸出分類標(biāo)簽。Softmax 分類器是常見的線性分類器，是對logistic regression 分類器的推廣。Softmax 分類器的公式如下：

其中：zo(j)表示輸出層的第j個神經(jīng)元的輸出值，M表示類別的總數(shù)。

1.2 1D-CNN智能故障診斷方法

根據(jù)CNN神經(jīng)網(wǎng)絡(luò)的基本原理，針對電機不同狀態(tài)聲信號的識別應(yīng)用問題，本文設(shè)計出一種新型1D-CNN 結(jié)構(gòu)，具體如圖1所示。該卷積網(wǎng)絡(luò)包含3個卷積層、3個池化層、1個全連接層以及1個Softmax層。信號通過第一個卷積層后，變?yōu)橐唤M特征圖，再經(jīng)過最大值池化進行降采樣。這樣通過多層卷積和池化，將最后一個池化層的特征與全連接層相連，傳遞給softmax層。

本文實驗中使用的新型1D-CNN結(jié)構(gòu)參數(shù)如表1所示。該結(jié)構(gòu)共有3層卷積與池化層，第1層卷積核大小為64*1，第2層卷積核大小為32*1，第3層卷積核大小為16*1，Softmax層有4個輸出，對應(yīng)實驗電機的4種狀態(tài)。

圖1 新型1D-CNN結(jié)構(gòu)

表1 新型1D-CNN結(jié)構(gòu)參數(shù)

2 空調(diào)電機故障診斷實驗平臺搭建

空調(diào)電機是一種常見的重要的電機類型，在運行的過程中出現(xiàn)故障，不僅會產(chǎn)生噪聲污染，而且會影響空調(diào)整機的正常使用。

目前的空調(diào)電機出廠檢驗都是依靠人工聽檢來分辨故障電機的故障類型，剔除故障電機，具有很大的局限性，檢測速度較慢，容易造成檢測誤差。針對這一問題，本文搭建了空調(diào)電機故障診斷實驗平臺，采用基于聲信號和1D-CNN的電機故障診斷算法，對一組故障空調(diào)電機開展分類實驗。

本實驗中所使用的故障電機均為空調(diào)外機的風(fēng)扇電機。根據(jù)廠商憑借人工經(jīng)驗檢測提供的檢測報告，這組實驗電機狀態(tài)共有4種，分別為：正常、軸承故障、摩擦故障和松動故障。

首先，搭建不同故障狀態(tài)下的聲信號采集實驗平臺，如圖2所示。實驗平臺包括一個BK4189測試傳聲器、一臺BK3160數(shù)據(jù)采集系統(tǒng)和一臺用于后處理的便攜式計算機。

圖2 電機故障實驗平臺

根據(jù)實驗平臺采集到的4種狀態(tài)的電機聲信號時域波形如圖3所示，采樣率為32 768 Hz。

圖3 4種狀態(tài)的電機聲信號時域波形圖

然后制作電機故障樣本數(shù)據(jù)集。每2 048 點為一個樣本分組，每種狀態(tài)的電機包含3 000組樣本，并添加標(biāo)簽類別，構(gòu)成如表2所示的電機故障樣本數(shù)據(jù)集。

表2 電機故障樣本數(shù)據(jù)集

3 實驗結(jié)果分析

3.1 1D-CNN算法性能分析

首先對1D-CNN算法的準(zhǔn)確率隨迭代次數(shù)的變化進行分析。準(zhǔn)確率是指對于給定的測試數(shù)據(jù)集，被分類器正確分類的樣本數(shù)與總樣本數(shù)之比。通過計算準(zhǔn)確率可以直觀地體現(xiàn)分類算法的性能。

運用1D-CNN算法對表2中的數(shù)據(jù)集進行處理，計算出每次迭代后得到的對應(yīng)準(zhǔn)確率值，最后繪制出100次迭代的準(zhǔn)確率曲線，如圖4所示。

圖4 1D-CNN算法準(zhǔn)確率曲線圖

由圖可見，隨著迭代次數(shù)的增加，1D-CNN算法的準(zhǔn)確率呈上升趨勢。經(jīng)過100次迭代后，準(zhǔn)確率可以達到98%以上。

接下來對1D-CNN算法性能進行可視化分析。t-分布領(lǐng)域嵌入算法（t-distributed Stochastic Neighbor Embedding，t-SNE）是一種集降維與可視化于一體的技術(shù)，它將數(shù)據(jù)點之間的高維歐氏距離轉(zhuǎn)化為表示相似度的條件概率。該可視化算法將高維數(shù)據(jù)映射到低維數(shù)據(jù)之后，高維空間中彼此分離的點在低維空間中保持不變。在學(xué)習(xí)收斂之后，t-SNE能夠?qū)?shù)據(jù)集投影到二維或三維空間。

為了探究本文提出的1D-CNN算法的內(nèi)在機制，利用t-SNE可視化算法對實驗空調(diào)電機聲信號經(jīng)過卷積層后的特征進行了二維分布可視化分析，如圖5所示。

圖5(a)表明，電機故障聲信號數(shù)據(jù)集的時域原始數(shù)據(jù)幾乎不能分開；圖5(b)表明，經(jīng)過1層卷積后的特征表達依舊沒有完全分開，但特征分布已經(jīng)呈現(xiàn)區(qū)分趨勢；圖5(c)表明，經(jīng)過2層卷積后得到的特征表達已經(jīng)可以慢慢分開；圖5(d)表明，經(jīng)過3層卷積后得到的特征表達已經(jīng)完全分開，各自聚集在相應(yīng)的區(qū)域。由圖5可視化結(jié)果可以看出，1D-CNN算法能夠很好地對電機故障信號進行分類。

圖5 空調(diào)電機數(shù)據(jù)集樣本的可視化結(jié)果

3.2 1D-CNN算法與其他算法的比較

本文選取了FFT-BP[4]、SVM、FFT-SAE[6]等算法與1D-CNN算法進行比較。FFT-BP、SVM、FFT-SAE這3種算法分別是經(jīng)典算法和深度學(xué)習(xí)算法中的常用算法。其中，F(xiàn)FT-BP算法是將聲信號經(jīng)FFT變換后的特征輸入BP 網(wǎng)絡(luò)進行分類，SVM算法是對聲信號的時頻域統(tǒng)計特征進行SVM分類，都屬于經(jīng)典算法；FFT-SAE算法是將聲信號經(jīng)FFT 變換后的特征送入SAE 網(wǎng)絡(luò)進行分類，屬于一種深度學(xué)習(xí)方法。

為比較這4種算法的性能，分別將這4種算法用于處理表2中的空調(diào)電機故障樣本數(shù)據(jù)集，計算出各自的電機故障識別準(zhǔn)確率?？梢园l(fā)現(xiàn)，采用FFTBP算法對時域聲信號進行FFT 變換，通過BP算法進行100次迭代，可以得到80.8%的準(zhǔn)確率；SVM通過對時域聲信號的多種統(tǒng)計特征進行計算，并輸入SVM 分類器，可以得到90.2 %的準(zhǔn)確率；FFT-SAE算法對時域聲信號進行FFT 變換，并將經(jīng)FFT 變換結(jié)果送入SAE 網(wǎng)絡(luò)，通過100次迭代可以得到94.6%的準(zhǔn)確率；本文提出的1D-CNN算法通過100次迭代則可以得到98.9%的準(zhǔn)確率。以上準(zhǔn)確率均為通過十折驗證法得到的平均值。FFT-BP、SVM、FFT-SAE等算法與1D-CNN算法的準(zhǔn)確率對比如表3所示。

表3 1D-CNN算法與其他算法準(zhǔn)確率對比表

由表3可看出，運用不同的算法對空調(diào)電機故障聲信號數(shù)據(jù)集進行分類，本文提出的1D-CNN算法，作為一種新型結(jié)構(gòu)深度學(xué)習(xí)算法，其準(zhǔn)確率明顯優(yōu)于FFT-BP、SVM等經(jīng)典算法，也優(yōu)于FFT-SAE深度學(xué)習(xí)算法。

4 結(jié)語

本研究針對電機故障診斷的需求，提出了一種基于聲信號和1D-CNN的電機故障診斷算法，并以一組空調(diào)故障電機作為實驗對象展開研究，驗證了1D-CNN算法在電機故障分類識別領(lǐng)域的有效性。本研究的主要貢獻有：

（1）設(shè)計了一種新型的一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)（1D-CNN），提出了一種基于聲信號和1D-CNN的電機故障診斷算法，該算法可以自動地對時域聲信號數(shù)據(jù)進行特征提取并分類。

（2）運用t-SNE可視化算法，對1D-CNN算法的性能進行了可視化分析，探究了1D-CNN算法的內(nèi)在機制。

（3）將1D-CNN算法與FFT-BP、SVM 及FFTSAE 等算法的準(zhǔn)確率結(jié)果相比較，驗證了1D-CNN算法作為一種新型結(jié)構(gòu)深度學(xué)習(xí)算法，具有更高的準(zhǔn)確率。

（4）采用所提出的基于聲信號和1D-CNN的電機故障診斷方法，有望實現(xiàn)對電機進行大批量非接觸式的故障檢測，提升故障電機檢測效率和準(zhǔn)確率。