基于音頻數(shù)據(jù)處理的航模電機故障狀態(tài)識別方法

【關鍵詞】電機；聲音信號；故障診斷及分類；經(jīng)驗模態(tài)分解（EMD）；MATLAB

引言

在無人機的實際應用場景中，無論是航模比賽還是電網(wǎng)巡線，通常是遠郊機場或偏遠荒野，因此急需一種快速、便攜的電機檢測方法，在無需大量專用設備條件下提供可靠的無損檢測能力。

本項目利用基于EMD分解的特征提取方法和基于深度學習的神經(jīng)網(wǎng)絡分類器，通過電機運轉的聲音，識別故障類型，該方法具有普適性，可以推廣到一般情況。

一、數(shù)據(jù)采集實驗

（一）實驗基本情況

收集航模隊常用電機，在帶槳與不帶槳的兩種情況下，提取滿功率下聲音信號、推力、轉速等數(shù)據(jù)，記錄正常電機與損壞電機的數(shù)據(jù)信息，用于后續(xù)聲音特征提取、故障檢測機器學習。

（二）實驗設備

型號為A2212 KV1000的電機12個；尺寸為 6×4E、9×6E的螺旋槳各1個；采樣率為480100Hz的錄音手機1臺；錄像手機2臺（用于分別實時記錄推力、轉速信息）；測速儀、遙控器、電池和推力測試實驗臺各1套。

（三）實驗方法

1.數(shù)據(jù)采集

（1）無槳。將電機固定于推力測試試驗臺，音頻記錄手機置于電機正右側30cm，錄像手機1置于推力測試臺正上方60cm處，確保各電子器件連接穩(wěn)定后，使用遙控器將電機功率調至“滿推”狀態(tài)，待電壓電流數(shù)據(jù)穩(wěn)定后記錄1min音頻和視頻數(shù)據(jù)。

（2）有槳。將電機固定于推力測試試驗臺，音頻記錄手機置于電機右側30cm，錄像手機1置于推力測試臺正上方60cm處，在電機上安裝6*4E螺旋槳，測速儀置于推力測試臺后方適當位置，確保能夠穩(wěn)定記錄電機轉速，錄像手機2置于測速儀正上方20cm處，確保各電子器件連接穩(wěn)定后，使用遙控器將電機功率調至“滿推”狀態(tài)，待電壓電流數(shù)據(jù)穩(wěn)定后記錄1min音頻和視頻數(shù)據(jù)。

2.初步比較

（1）通過觀察、分析聲音、推力數(shù)據(jù)，人工篩查12個電機，初步確定正常及有各種類型損壞的電機，記錄相關數(shù)據(jù)。

（2）現(xiàn)有損壞類型有限，人工以特定方式損壞好的電機，重復“1.數(shù)據(jù)采集”，記錄實驗數(shù)據(jù)。

3.電機損壞類型

測試電機線圈破損、轉子松動、有膠、磁鐵錯位、槳不平衡等5種損壞類型。

二、特征提取

航模電機具有轉速快（gt;10000rpm）、結構復雜影響因素多、帶螺旋槳等特點。針對這些特點，我們選擇進行基于EMD分解的時、頻域特征提取[1]。

（一）音頻數(shù)據(jù)處理

實驗測得的音頻是采樣率48000Hz雙聲道.m4a文件，信號頻率最高約為8kHz，滿足采樣率要求。為了便于數(shù)據(jù)處理，將文件無損轉換為.wav格式，采樣率保持不變，并將左右聲道數(shù)據(jù)取平均得到單列數(shù)據(jù)。如此在一定程度上也可以減小噪聲。經(jīng)過測試，使用低通濾波器過濾8kHz以上的噪聲，對于最終結果無明顯影響。因此為了驗證系統(tǒng)的普適性，不額外進行濾波操作。

（二）特征提取

1.轉速及推力預測

推力是電機最重要的性能，但通常利用地面實驗臺的常規(guī)測試方法比較繁瑣[2]。通過音頻信號預測推力可以不拆卸電機，并可用于機載設備。

由于螺旋槳高速旋轉攪動空氣，因此聲音信號中能量最高的是螺旋槳旋轉對應的信號[3]。

基于該特點，功率譜主峰頻率對應螺旋槳轉速，即得：電機轉速（rpm）=60頻率（Hz）槳葉數(shù)量。根據(jù)實驗，轉速的預測值和實際值匹配良好。

得到了轉速之后，可以進一步預測推力。靜推力和轉速并沒有嚴格的計算方法，因為受螺旋槳形狀影響很大，但是一般可以認為是二次函數(shù)關系，系數(shù)通過實驗測定。實際飛行中的動推力和靜推力的關系也可以通過實驗測定。因此只需要將轉速代入公式即可得到推力。

2.音頻特征提取

我們先選取較為常見的時、頻域特征，篩選出適用于航模電機特點的幾個特征，并且刪除了線性相關的相似特征得到以下特征：常見的時域特征有均值、標準差、峰度、偏度、均方根、峰值因子、脈沖因子、裕度因子、峰值等；常見的頻域特征（功率譜特征）有均值、標準差、峰度、偏度、均方根、重心頻率、均方根頻率、頻率標準差等。

但是這些常見的時域特征雖然可以在一定程度上描述音頻信號，但仍不足以充分描述音頻的細節(jié)[4]，因此我們采用了經(jīng)驗模態(tài)分解（EMD）。

EMD分解很好地分開了各頻率范圍，我們選取前4個IMF分別提取時、頻域特征，最終得到總計85個特征。經(jīng)過比對測試，倒頻譜、梅爾譜、包絡譜等其他信號處理方法提取特征效果并不好。

（三）特征可視化

因為85個特征無法展示在坐標空間中（最多三維），因此需要進行高維特征的篩選或是降維。

高維特征降維方法中最常用的是主成分分析方法（PCA）[5]。它把給定的一組相關變量通過線性變換轉成另一組不相關的變量，這些新的變量按照方差依次遞減的順序排列。具體流程為：對特征進行歸一化；計算特征數(shù)據(jù)集的相關系數(shù)矩陣；計算相關系數(shù)矩陣的特征值和特征向量；取最大的三個特征值對應的特征向量；將85個特征向這三個特征向量投影得到3個新的特征。待測信號與正常的特征基本重合且與故障類特征顯著分開，因此能夠可靠地判斷待測電機正常。該結果可以與神經(jīng)網(wǎng)絡分類器結果相互印證。

（一）神經(jīng)網(wǎng)絡分類器結構

分類器核心有三個線性層：輸入層、隱藏層和輸出層。以有槳的情況為例，圖中所示輸入85個特征，輸出6個標簽，隱藏層經(jīng)過訓練環(huán)節(jié)的調試，我們選擇85×4=340個神經(jīng)元。為提高模型的非線性擬合能力，我們在隱藏層前加入了ReLU非線性激活單元。此外我們的數(shù)據(jù)量不是很多，訓練過程中容易出現(xiàn)過擬合，我們又在隱藏層后面增加了Dropout層，Dropout層會在訓練時隨機臨時隱藏一部分隱藏層的神經(jīng)元，緩解過擬合現(xiàn)象，而在驗證或測試時，可以在eval模式下終止Dropout層發(fā)揮作用，實現(xiàn)正常的輸出。

考慮到輸入的各類特征在數(shù)值上有很大的差異，我們在數(shù)據(jù)進入模型前進行了歸一化，對每類特征進行Max-Min歸一化，使輸入值范圍均在0～1之間。為了不丟失點間絕對距離的差異，我們將訓練時歸一化使用的max與min的值同模型一起保存，在驗證與測試時一并加載使用。

另外，輸出層的輸出值范圍不一定在0～1之間，我們使用Softmax層將各輸出值轉化為取相應標簽的概率，最終概率最大的標簽輸出值置為1，其他置為0，得到最終的輸出標簽。

（二）損失函數(shù)與優(yōu)化器

結合前面的分析，我們使用多分類任務中常用的交叉熵損失函數(shù)。交叉熵損失函數(shù)可以與Softmax很好地搭配。

我們選擇了帶動量的SGD優(yōu)化器搭配交叉熵損失使用。帶動量的SGD優(yōu)化器在梯度下降中帶有一定的慣性，學習率也可以遞減，能更好地通過局部極小點，并且加快收斂速度，抑制梯度下降時上下震蕩的情況。

（三）訓練與驗證

訓練與驗證使用的數(shù)據(jù)來自最初正常無損的電機，以及人為損壞的各類電機。每種故障類型各取20s長的音頻，結合特征提取部分的處理，加0.1s的矩形窗，步長為0.05s，于是總計得到2400（有槳、五故障一正常）或2000（無槳、四故障一正常）個樣本點。而特征數(shù)量為85，則數(shù)據(jù)集大小分別為2400×85、2000×85。為更好地進行全局尋優(yōu)，每個epoch（回合）均載入整個數(shù)據(jù)集。

（四）測試

下面我們仔細設計了測試集，用來測試模型的性能。結合前面數(shù)據(jù)采集實驗的結果，我們先對可以用來測試的數(shù)據(jù)進行分類。A類樣本：所收集電機的直接聲音數(shù)據(jù)；B類樣本：所收集電機損壞后，剔除訓練部分的其他聲音數(shù)據(jù)。最后，為了反映真實情況，不同于訓練環(huán)節(jié)固定的音頻段長度，測試的獨立音頻段長度在幾秒到幾十秒不等。

測試結果的混淆矩陣如圖1所示。

最后我們設計了電機故障診斷（MFD）的MATLABAPP，完成代碼封裝，方便操作實施。實驗中所有有槳的情況均使用6×4E槳，但在固定翼航模等應用中，同一電機可能會使用不同的槳葉來完成多種飛行任務。我們在好的電機上換裝了9×6E的大槳，使用該APP進行測試，故障預測為“正常”的可能性仍高達92.96%，進一步說明了我們的模型有較好的泛化能力，在電機動力特性不發(fā)生顯著變化時，對一般的電機行為均有一定的辨別能力。

總結與展望

針對航模電機故障檢測的任務需求，我們獨立完成了數(shù)據(jù)采集與處理，結合EMD方法融合信號的時頻域特征，一方面進行推力與轉速預測，另一方面將特征載入我們搭建的神經(jīng)網(wǎng)絡故障分類器，預測故障類型；借助主成分分析對特征空間進行可視化，驗證分類器的分類結果，并測試驗證模型性能與泛化能力。最后，設計了MFD電機故障診斷MATLABAPP，提高了程序的實用性。本文研究形成的電機故障檢測方法，在基于聲音信號的電機推力預測、故障信號的時頻域特征融合及可視化方法、有較強泛化能力及可解釋性的神經(jīng)網(wǎng)絡故障分類器等方面具有創(chuàng)新性。相較于傳統(tǒng)的信號處理方法，我們特征分類法準確率更高，泛化能力更強；相較于完全的深度學習處理方法，我們的計算量小，需要的數(shù)據(jù)量少，且具有更強的可解釋性。未來，我們可以進一步分析多電機同時運轉時的聲音信號特征，拓展多發(fā)固定翼、多旋翼無人機的電機故障診斷，并將算法應用于機載嵌入式系統(tǒng)，實現(xiàn)電機實時診斷。

參考文獻：

[1] 李海. 基于EMD 和特征融合的電機故障診斷[D]. 浙江： 浙江大學，2013.

[2] 姚遠， 李葉松， 雷力， 等. 基于電機驅動系統(tǒng)自傳感的機械故障診斷研究綜述[J]. 電工技術學報，2022，37（12）：2936-2948.

[3] ALTINORS， AYHAN， YOL， FERHAT， YAMAN， ORHAN. A sound based method for fault detection with statistical feature extraction in UAV motors[J]. 2021，183（Dec.）：108325.1-108325.14. DOI：10.1016/j.apacoust.2021.108325.

[4] Priscile S ，Tenia M ，Marcel J ， et al. Modeling and Fault Detection of Brushless Direct Current Motor by Deep Learning Sensor Data Fusion[J].Sensors，2022，22（9）：3516-3516.

[5] 劉立月， 黃兆華， 劉遵雄. 高維數(shù)據(jù)分類中的特征降維研究[J]. 江西師范大學學報（ 自然科學版），2012，36（02）：131-134.