基于CEEMDAN-BO-SVM的選煤設備故障診斷方法

摘要：針對選煤設備故障診斷準確率低且所需特征信號難以采集和提取等問題，提出一種基于自適應噪聲完備 經驗模態分解（CEEMDAN）及黑猩猩算法（BO）優化支持向量機（SVM）的音頻信號故障診斷方法.對設備的原始音頻信號進行CEEMDAN分解后得到一系列本征模態分量（IMF），計算各IMF的峭度值-相關系數，依據篩選準則優選有效IMF分量.提取有效分量的能量系數及波形系數，組成故障診斷特征集，使用BO-SVM進行 故障診斷.實驗結果表明，本文方法的故障診斷平均準確率為96.8%，在音頻信號特征提取及故障診斷領域有 一定的優勢，具有一定的應用價值.

關鍵詞：音頻信號；故障診斷；自適應噪聲完備經驗模態分解；特征提取；支持向量機

中圖分類號：TP277

文獻標志碼：A

Fault Diagnosis Method of Coal Preparation Equipment Based on CEEMDAN-BO-SVM

XIE Shang-hai1， LI Jing-zhao1， WANG Guo-feng2

（1. School of Electrical and Information Engineering， Anhui University of Science and Technology， Huainan 232001， Anhui， China;2. Huaihe Energy （Group） Co. ， LTD. ， Huainan 232001， Anhui， China）

Abstract：To solve the problems of low accuracy in fault diagnosis of coal preparation equipment and difficulty in collecting and extracting the required characteristic signals， this paper presents an audio signal fault diagnosis method based on CEEMDAN-BO-SVM. After CEEMDAN decomposition of the original audio signal of the device， a series of IMFs are obtained， the kurtosis-correlation coefficients of each IMF are calculated， and the effective IMF components are selected according to the selection criteria. The energy and waveform coefficients of the effective components are calculated to form a feature set for fault diagnosis， and the BO-SVM is used for fault diagnosis. Experimental results show that the average fault diagnosis accuracy of the proposed method is 98. 5%. The comparative study verifies the advantages of the proposed method in the field of audio signal feature extraction and fault diagnosis， and has certain practical application value.

Key words： audio signal; fault diagnosis; complete ensemble empirical model decomposition adaptive noise; feature extraction; support vector machine

0引言

隨著人工智能算法、大數據與物聯網、云計算等技術發展，煤礦工業設備組成結構愈加復雜，各 部件更加耦合[1].工業生產中如果部件發生故障 未能及時處理將導致不必要的經濟損失甚至人員傷亡.因此，使用故障診斷技術保障設備安全穩定 運行成為人們研究的熱點，具有廣闊的應用前景 及實用價值[2].

當前，已有學者對工業領域故障診斷方法展 開研究并取得了廣泛應用.現有故障診斷方法多 采用振動信號[3]、溫度[4]和紅外[5等，其中振動信 號應用最為廣泛，但其接觸式測量方法無法應用 在高溫、高腐蝕性等非接觸場景，安裝位置不同也 將影響信號質量，具有一定局限性.

目前對于音頻信號的處理方法以時頻變換為主，使用短時傅立葉變換（Short-Time Fourier Transform，STFT）、經驗模態分解（Empirical Mode Decomposition，EMD）和小波變換（Wave- let Transform，WT）等提取特征.但STFT不同窗函數的選擇對分解結果影響較大，WT存在無 法反應非平穩信號且無法刻化局部特性等問題， EMD的模態混疊問題也會丟失部分信息.為克服EMD存在的模態混疊問題，Wu等[6]提出總體平 均經驗模態分解（Ensemble Empirical Mode De- composition，EEMD），有效抑制了模態混疊，但其白噪聲的殘留影響后續分析.Torres等[7]提出完全自適應噪聲集合經驗模態分解（Complete Ensemble Empirical Model Decomposition A- daptive Noise，CEEMDAN）的新型信號處理算法，減少了噪聲殘留，較完善地重構了IMF分量.

與傳統機器學習方法相比，支持向量機（Support Vector Machine，SVM）適用于小樣本 學習，簡化了分類問題，具備很好的魯棒性.Wang等[8]根據聲音信號特征利用SVM對機械故障較 好地進行了分類.趙新等[0]基于改進果蠅算法優化的SVM實現了電路的故障診斷.

本文基于以上分析，采用CEEMDAN方法 分解原始音頻信號，根據峭度值-相關系數篩選出 有效的IMF分量，在有效分量基礎上構建特征向

量并輸入BO-SVM中實現故障診斷.與傳統的EMD、EEMD方法比較，驗證了CEEMDAN分解 的優越性.

1基于CEEMDAN的故障特征選擇

1.1CEEMDAN分解算法

CEEMDAN分解算法通過分步加入白噪聲 的方法消除了虛假分量，較好地保留了信號特征.CEEMDAN分解算法步驟如下：

4實驗結果與分析

為驗證本文所提方法的有效性，采集了淮南 礦業集團下屬某選煤廠設備運行聲音數據.采集 設備為麥克風，信號采樣頻率為16kHz，長期實 驗中有部分運行狀態聲音差異明顯，經專業人員 排查后確定為故障狀態.選取正常狀態與故障狀 態下各100組音頻信號.

對現場采集到的原始音頻信號進行CEEM-DAN分解，得到正常狀態與故障狀態的IMF分量如圖3所示.計算各IMF分量的峭度值與相關 系數，結果如表1所列.

將峭度篩選閾值設定為3，相關系數篩選閾 值設定為0.2，由表1可知，有效分量為IMF1～IMF7.計算兩種信號狀態的IMF1～IMF7的能 量系數特征值及波形系數特征值，構建特征集.

隨機抽取160組樣本作訓練集，正常狀態與 故障狀態各抽取80組，剩余樣本作測試集.輸入 BO-SVM中進行狀態識別，隨機初始化黑猩猩種群規模、維度和最大迭代次數.設置SVM核函數 搜索范圍為（0，0.01），懲罰因子搜索范圍為（1， 200），采用K折交叉驗證，K取12.識別結果如 圖4所示，類別標簽0，1分別代表正常狀態與故 障狀態.由圖4可知，CEEMDAN分解及IMF分量優選后計算得到的特征集輸入BO-SVM的識 別準確率達到97.5%.

為驗證本文所提方法在特征提取方面的優越 性，將本文方法與EMD、EEMD特征提取方法對比，對原始信號分別進行EMD、EEMD分解，由峭度值-相關系數準則選取有效分量.經計算，EMD的有效分量為IMF1～IMF5、EEMD的有效分量為IMF1～IMF7，提取有效分量的能量系數及波形系數組成故障診斷特征集，將特征集輸入BO-SVM進行狀態識別，BO算法的初始參數設置及SVM 中參數的尋優范圍與使用CEEMDAN進行特征提 取時相同，識別結果如圖5和圖6所示.

由圖5可知，將EMD分解方法所提取到的特征輸入到BO-SVM后識別誤差較大，在20個 正常樣本中有4個被錯分為故障狀態，在故障樣本中也有2個被識別為正常狀態，識別準確率為 85%.由圖6可知，EEMD分解方法所提取到的特征輸入到BO-SVM后可較好地識別出故障狀態，但正常狀態下錯分較多.分別將EMD、EEMD 和CEEMDAN特征提取方法得到的特征集輸入 BO-SVM中進行50次實驗，得到平均識別率如 表2所列.

由表2可得，CEEMDAN平均識別率高達96.8%，分別高于EMD及EEMD14%、6.5%，表 明基于CEEMDAN的音頻特征提取方法在實際 工程應用中具有有效性及優越性.

為驗證BO算法對SVM參數優化的有效性，將BO-SVM與PSO-SVM、GA-SVM方法進行對比.將基于CEEMDAN特征提取方法所得特征集分別輸入到經BO、PSO及GA優化的SVM中進行對比，驗證方式均采取K折交叉驗證，K取值12，設置最大迭代次數為200，收斂結 果如圖7所示.

由圖7可以看出，GA-SVM在第142代陷入了局部最優問題中，無法尋得全局最優.BO-SVM與PSO-SVM均能較好尋得全局最優，但BO-SVM有著更快的收斂速度，在第29代即尋 得全局最優.為避免一次實驗造成的偶然性，將3 種方法分別進行50次實驗，計算平均識別率，所得結果如表3所列.

表3可看出，BO算法相比GA及PSO算法 在最高識別率及平均識別率上均具有優勢，在平 均識別率上有較大提升，分類性能最優.

最后，基于本文采集得到的音頻數據，將本文 所提方法與經驗小波變換（EWT）、梅爾倒譜系數（MFCC）作為特征的幾種故障診斷方法相對比，分 別進行50次實驗，平均準確率結果如表4所列.

在使用EWT和MFCC作為特征參數進行 識別時，長短時記憶網絡（LSTM）比SVM的準 確率更高，分別提高5.5％及3.9％.本文所提方 法識別準確率最高為97.5%，平均識別率為 96.8％.

5結語

本文利用CEEMDAN分解音頻信號，采用峭度值-相關系數法精選IMF分量并提取能量系數及波形系數特征值構建特征集，使用BO-SVM 進行故障診斷.應用實際采集得到的音頻信號進 行分析驗證并與其他方法進行對比得出： CEEMDAN分解所得特征輸入BO-SVM后平均識別率為96.8%，明顯優于EMD、EEMD分解方法；經BO算法優化后的SVM比經GA、PSO優 化后收斂速度更快，最高準確率為97.5%且平均 準確率最高.結果表明所提方法對基于音頻的故 障診斷有較高的準確率及泛化能力，具有一定的 工程實踐意義.

參考文獻：

[1] HOU Z，CHI R， GAO H. An overview of dynamic-linearization-based data-driven control and applications[J]. IEEE Transactions on Industrial Electron-ics，2017，64（5）：4076-4090.

[2]王衛玉，何葵東，金艷，等.基于CEEMDAN樣本熵和PSO-SVM的水電機組振動信號特征提取[J].武漢 大學學報（工學版），2022，55（11）：1167-1175.

[3]史慶軍，郭曉振，劉德勝.基于特征量融合和支持向量 機的軸承故障診斷[J].電子測量與儀器學報，2019，33（10）：104-111.

[4] WANG B，DONG M，WU Z Y，et al. Automatic fault diagnosis of infrared insulator images based on image instance segmentation and temperature analysis[J].

IEEE Transactions on Instrumentation and Measure-ment，2020，69（8）：5345-5355.

[5] LIU T，LI G，GAO Y.Fault diagnosis method of substation equipment based on You Only Look Once algorithm and infrared imaging[J]. Energy Reports，2022，8：171-180.

[6] WU Z H， HUANG N E. Ensemble empirical mode decomposition：a noise-assisted data analysis method [J]. Advances in Adaptive Data Analysis，2009，1（1）：1-41.

[7] TORRES M E， COLOMINAS M A， SCHLOT-THAUER G， et al. A complete ensemble empirical mode decomposition with adaptive noise [C]//2011 IEEE International Conference on Acoustics， Speech and Signal Processing. Prague， Czech Republic. New York：IEEE Press，2011：4144-4147.

[8] WANG C，LIU C，LIAO M L，et al. An enhanced diagnosis method for weak fault features of bearing acoustic emission signal based on compressed sensing[J]. Math Biosci Eng，2021，18（2）：1670-1688.

[9]趙新，劉冬生.基于改進果蠅算法優化SVM的模擬電路故障診斷及對比分析[J].電子測量與儀器學報，2019，33（3）：78-84.

[10]康佳宇，張沈習，張慶平，等.基于ANOVA和BO-SVM的變壓器故障診斷方法[J].高電壓技術，2023，49（5）：1882-1891.

[11] VAPNIK V. Statistical Learning Theory[M]. New York：John Wiley amp;. SonsInc，1998.

[責任編輯：李嵐]