基于CNN與多通道聲學信號的齒輪故障診斷

李少波 姚勇 桂桂 李想 胡建軍

摘要：針對齒輪故障診斷任務中，振動信號受設備或工礦環境的影響難以獲取，傳統的單通道聲學診斷法只能采集部分信息用于局部診斷，多通道聲學診斷法權值確定過程復雜、實時性差等問題，結合深度學習理論，提出一種基于卷積神經網絡與多通道聲學信號齒輪故障診斷法。通過將傳感器布置在不同測量點位以獲取不同敏感度的故障信息，再以卷積神經網絡作為融合技術，對4路齒輪聲學信號進行特征級融合，實現對多級傳動齒輪的故障診斷。實驗結果表明：相比于單個傳感器多個特征量信息的傳統聲學診斷方法，該文所提出的方法在齒輪故障識別率上有顯著提升，可達99.8%。

關鍵詞：齒輪故障診斷;聲學信號;信息融合;卷積神經網絡

中圖分類號：TB532 文獻標志碼：A 文章編號：1674-5124（2019）10-0001-05

收稿日期：2018-08-22;收到修改稿日期：2018-11-08

基金項目：國家自然科學基金（51475097，91746116）

作者簡介：李少波（1973-），男，湖南岳陽市人，教授，博士，研究方向為智能制造、多源數據融合等。

0 引言

齒輪作為機械設備中一種必不可少的連接和傳遞動力的通用零部件，由于其本身結構復雜，工作環境惡劣等原因，齒輪極易損壞和出現故障，成為誘發機器故障的重要因素。在機械裝備向著大型化、高效率、高強度、自動化和高性能的方向發展的今天，齒輪箱的故障和失效給整個生產和社會造成的損失將越來越大。目前，故障診斷方法很多，基于振動信號的測量與分析方法由于具有信息量豐富，物理意義清晰，識別決策容易等特點成為診斷方法中最常用、最有效的方法之一[1-3]。但在很多實際情況中，一方面由于振動傳感器受設備或工礦環境的限制，安裝不便;另一方面，在高溫、高濕度、高腐蝕和有毒有害的環境下，振動信號并不容易測取，使得振動診斷法受到限制[4]。

基于聲學信號測量與分析的聲學故障診斷技術具有測量儀器簡單、非接觸式測量、不影響設備正常工作等特點，在早期的齒輪故障診斷中已有一定的應用。但在缺乏先驗知識的條件下，傳統的聲學診斷（acoustic-based diagnosis，ABD）方法較難確定合適的測量位置;基于單通道處理與分析的ABD方法受測量位置的影響，只能利用部分聲學信息，存在局部診斷的缺陷[5]。而基于陣列測量的ABD技術能夠通過多通道聲學信號的同步測量與分析獲取聲場空間分布的完整信息，克服單通道測量所帶來的信號不穩定及局部診斷等缺陷，但對多通道信號的融合多停留在數據級加權融合階段，其權值確定過程復雜、實時性差[6-7]，融合后仍需要借助信號分析技術進一步提取故障特征和判斷決策，其診斷過程較為復雜，對信號處理技術與工程實踐經驗要求較高。

針對以上問題，本文利用半球面測量的方式采集多測點的聲學信號，以盡可能地獲取表征齒輪故障狀態的全面信息，再結合深度學習理論降‘o]，利用卷積神經網絡作為融合技術，提出了基于卷積神經網絡與多通道聲學信號融合的齒輪故障診斷方法。該方法不僅克服了傳統ABD方法局部診斷的缺陷，還通過卷積神經網絡實現了融合過程中權值的自適應調整，回避了多通道信息融合過程中權值確定過程復雜、實時性差等問題。

1 多傳感器信息融合

通過不同測點位置的傳聲器獲取故障不同敏感度的信息或互補信息，再從獲取的信息中提取時頻域特征，構成特征矩陣，最后利用卷積神經網絡融合多通道的故障特征矩陣進行故障識別與分類。其融合模型如圖1所示。

1.1 時頻域特征提取

1）對數域梅爾頻譜特征

將采集的聲學信號進行分幀加窗處理，利用短時傅里葉變換對每幀信號進行時頻變換得到對應頻譜，再通過梅爾濾波器組將頻譜轉換為梅爾頻譜，最后頻譜值映射于對數域得到所提特征[11-12]。其二維特征矩陣T₁=（m，t），m代表所設置梅爾濾波器的個數，t對應聲學信號的幀數。

2）頻譜質心其中x（n）代表頻率點n的加權頻率值，f（n）代表頻率點n的中心頻率。其特征矩陣T₂=（1，T），t對應聲學信號的幀數。

3）均方根能量

X_RMS反映每幀信號的均方根值。其特征矩陣T₃=（1，t），t為聲學信號的幀數。

1.2 基于卷積神經網絡的多通道信息融合方法

提取第n個傳聲器所采集信號的時頻特征，構建總樣本集的特征矩陣Y_n=（X₁，X₂，…，X_m），其中X_m=（T_1m，T_2m，T_3m）^T，X_m為第m個樣本的特征向量，T_1m到T_3m分別表示從第m個樣本中所提取的對數域梅爾頻譜特征、頻譜質心特征和均方根特征。將n個傳感器所構建的n個特征矩陣視為卷積網絡的n個特征圖譜，通過n個通道輸入網絡。將不同大小的卷積核作用于輸入特征圖譜以實現多通道信息融合。卷積核以局部權值矩陣的形式遍歷特征圖譜中的所有位置，進行內積運算，同一卷積核實現權值共享，加上偏置得到融合后的特征圖譜。卷積計算的一般形式如下：

式中：x_k^l——第l層的第k個特征圖譜;

x_n^l-1——前一層第n個特征圖譜的輸出;

ω_nk^l——1層的第n個特征圖譜與l層的第k個特征圖譜之間的卷積核;

b_k^l——l層第k個特征圖譜的偏置;

M_n——l-1層與l層進行卷積運算的所有輸出特征圖譜。

同時，為了在保留主要特征的前提下減少參數數量，對于融合后的特征圖譜采取下采樣操作。公式如下：

x_j^l=f（β_j^ldown（x_n^l-1）+b_i^l}（4）

down（·）為下采樣函數。表示對前一層的第n個輸出特征圖譜進行下采樣操作，對不同n×n塊的像素進行求和，使輸出的特征圖譜在兩個維度上均縮小為原來的1/n倍。

最后，輸出特征圖中所有的神經元將與全連接網絡的神經元節點相連接，進行故障識別與分類。

1.3 網絡結構設計

卷積神經網絡模型如圖2所示。Conv1、Conv2為卷積層，其功能是對多通道的輸入信息進行融合。Pool1、Pool2為池化層，采用最大池化的方式對卷積層的輸出特征圖譜進行降維，以減小計算損耗，節約計算資源。FC為全連接層，完成齒輪故障識別與分類任務。Softmax為激活函數對輸出預測概率進行歸一化使所有預測概率之和為1。

每層網絡的具體參數如表1所示。

N為輸入通道數，每個通道對應于每個傳聲器的特征矩陣。卷積層均采用5x5的卷積核，并以1為步長在特征圖譜上進行內積運算，第一層卷積層的濾波器個數設置為32，第二層設置為64。每一層卷積層之后接最大池化層，有效減少過多參數。每層網絡均以ReLU作為激活函數，以提升非線性因素。最后將融合后的特征矩陣送入全連接層，利用1024個神經元對故障特征進行識別，并以Softmax作為分類器，輸出預測結果。

2 實驗驗證與分析

2.1 實驗環境

為提高實驗成功率，得到沒有受干擾的、純粹的由齒輪箱振動引起的聲輻射信號，齒輪故障診斷仿真模擬實驗在半消聲室中進行。實驗臺如圖3所示。該實驗臺由電動機、變頻器、二級齒輪減速器、彈性聯軸器、磁粉制動器和張力控制器組成。電動機作為動力源通過彈性聯軸器與減速器的高速軸相連，張力控制器控制磁粉制動器激磁電流，模擬恒定負載狀態，4個傳聲器安裝在半球陣列架上，從4個不同的測點采集聲音信號。齒輪模擬故障狀態如圖4所示，通過人為手段在減速器低速軸上的齒輪上模擬點蝕、磨損、斷齒3種故障。得到齒輪運行的4種狀態。并由Head數據采集系統采集轉速1800r/min空載狀態下的4類四通道聲音信號，采樣率設為16000Hz，其時域、頻域信號如圖5所示。每類故障40個樣本，共160個樣本，每個樣本為60s的音頻文件。

2.2 數據預處理

將采集到的160個60s音頻文件以10s為一個片段進行切分，共得到960個樣本，并將樣本劃分為訓練集、驗證集和測試集。其中訓練樣本個數為每類150個共600個樣本，驗證樣本為每類60個共240個，測試樣本為每類30個共120個。同時借鑒語音識別中音頻信號處理的經驗，使用非重疊的窗口將10s的音頻文件劃分為10個1s的音頻片段進行特征提取，以降低計算復雜度。在特征提取部分，以32ms幀長的方式提取特征。128維的梅爾濾波帶系數作為特征輸入，同時包含其一階導數共256維。在送入卷積神經網絡訓練前，將多幀串聯構成256×32的長時特征，并對所有特征進行歸一化處理，使特征值分布于（-1，1）之間。隨后，將提取的4個傳聲器的特征矩陣構成256×32×4的特征矩陣用以輸入四通道的卷積網絡進行訓練、驗證及測試。

2.3 實驗結果分析

利用卷積神經網絡融合以對數域梅爾頻譜及其一階導數為特征的四通道特征矩陣。網絡以交叉熵為損失函數，在訓練集上通過Adam優化算法對參數進行優化，縮小預測值與真實值的差值，并利用驗證集調整學習率，批處理數量等超參數。經調整后學習率設置為0.003，批處理數量設為50。最后以測試集上的識別率作為該模型的評價指標。在包含4種齒輪狀態的1200個1s音頻片段的測試集上，利用卷積網絡融合多傳感器信息的識別結果如表2所示。

實驗結果表明，基于卷積神經網絡的多個傳感器單個特征信息融合診斷方法在齒輪正常狀態下的識別率達到100%，說明該方法能夠準確區分齒輪的故障與非故障狀態，同時在斷齒、磨損、點蝕故障狀態下的識別率分別達到100%、99.6%、99.6%，這同樣表明所提出的方法能夠準確識別多級齒輪傳動系統中齒輪的故障狀態。

同時，為進一步證明多個傳感器單個特征信息融合診斷法的優越性，將提出的方法與單個傳感器多特征的傳統方法相比較。在單一傳感器對數梅爾頻譜特征矩陣的基礎上添加頻譜質心（Centroid）與均方根能量（RMS）兩種特征，構成數據樣本。其對比診斷結果如表3所示。

由表可知，基于多傳感器信息融合診斷精度比單個傳感器的最高識別率高24.8%，并且可以發現，傳感器1，2，3的識別率非常接近，而傳感器4的識別率與其余3個有著較大的差異，通過圖3可以看出，造成差異的原因與傳感器的布置位置有關。傳感器4的布置最靠近故障齒輪，因此采集到的聲音信號更清晰，特征更明顯，識別率也更高。而基于多傳感器信息融合的診斷方法由于傳感器布置覆蓋整個實驗臺，可融合全方位的聲音信息，故其識別率更高，結果更為可靠。

3 結束語

本文提出了一種基于卷積神經網絡與多通道聲學信號的齒輪故障方法。利用多傳聲器從不同測點采集齒輪故障過程中全方位的聲輻射信號，并提出以卷積神經網絡為融合手段的信息融合方法，對多傳感器的同一特征量進行融合，該方法克服了傳統ABD方法因測點位置難確定而只能進行局部診斷的缺陷，回避了傳統信息融合方法權值難確定、實時性差的劣勢。實驗結果表明，該方法能夠識別多級齒輪傳動系統中齒輪的故障狀態，與傳統診斷方法相比具有更高的故障識別率。

參考文獻

[1]Ll S，LIU G，TANG X，et al.An ensemble deep convolutionalneural network model with improved D-S evidence fusion forbearing fault diagnosis[J].Sensors，2017，17（8）：1729.

[2]LI Y，CHENG G，PANG Y，et al.Planetary gear faultdiagnosis via feature image extraction based on multi centralfrequencies and vibration signal frequency spectrum[J].Sensors，2018，18（6）：1735.

[3]FIGLUS T，STANCZYK M.A method for detecting damageto rolling bearings in toothed gears of processing lines[J].Metalurgija，2016，55（1）：75-78.

[4]魯文波，蔣偉康，潘思偉，等.基于近場聲全息聲像圖紋理特征的機械故障診斷方法[J].振動工程學報，2013，26（4）：617-623.

[5]魯文波，蔣偉康，張一麟，等.基于聲場空間分布特征的齒輪箱故障診斷研究[J].振動與沖擊，2013，32（18）：183-188.

[6]蔣玲莉，劉義倫，李學軍，等.基于SVM與多振動信息融合的齒輪故障診斷[J].中南大學學報（自然科學版），2010，41（6）：2184-2188.

[7]雷亞國，林京，何正嘉.基于多傳感器信息融合的行星齒輪箱故障診斷[C]//全國設備故障診斷學術會議，2010.

[8]雷亞國，賈峰，周昕，等.基于深度學習理論的機械裝備大數據健康監測方法[J].機械工程學報，2015，51（21）：49-56.

[9]羅鵬，楊宇，程軍圣.AFDCNN方法及其在齒輪故障定量診斷中的應用[J].電子測量與儀器學報，2018（1）：33-39.

[10]LIU C，CHENG G，CHEN X H，et al.Planetary gears featureextraction and fault diagnosis method based on VMD andCNN[J].Sensors，2018，18（5）：1523.

[11]PICZAK K J.Environmental sound classification withconvolutional neural networks[C]//IEEE，InternationalWorkshop on Machine Learning for Signal Processing，2015.

[12]TOKOZUME Y，HARADA T.Learning environmentalsounds with end-to-end convolutional neural network[C]//IEEE International Conference on Acoustics，Speech andSignal Processing，2017.

（編輯：商丹丹）