車輛發動機異響信號的故障特征參數提取方法

王昱翔，殷希梅，陳 凱，胡子陽

(陸軍炮兵防空兵學院 兵器工程系，合肥 230031)

二戰以來，摩托化、機械化的腳步迅速加快，軍用車輛的數量、種類也急劇增加，出現了許多功能、用途各異的特種車。軍用車輛這類有動力武器裝備中，發動機是其最重要的設備之一，然而因其結構復雜，工作條件差，導致故障率較高，在戰爭中發生故障若不能及時診斷并進行維修保障，可能帶來嚴重的后果。因此高效、簡便的車輛發動機故障診斷技術是武器裝備維修保障領域的迫切需求，故障診斷中最關鍵的環節就是故障信息的特征提取[1]。

發動機近場聲信號中含有豐富的周期信息和脈沖成分[2]，因此當其發生故障時通常會表現在此類信號中。聲學故障診斷技術具有如下特點：非接觸式測量、設備簡單、速度快、信號易于測取、易于發現早期故障、無須事先粘貼傳感器、可對移動目標進行在線監測等。對于發動機運轉聲音這類非平穩信號的特征提取一般分為兩步，首先用非平穩信號處理方法，例如短時傅里葉變換(STFT)、經驗模態分解(EMD)、小波分析等對原始信號時頻分解，再采用傳統方法包括時域統計量分析、頻譜分析、功率譜分析、倒譜分析等方式進行故障特征提取[3-4]。

本研究將采用時域、頻域結合的分析方法對發動機聲信號中反映故障特征的參數進行提取，為故障診斷與預測提供基礎。時域范圍內選取聲信號短時能量作為特征參數，頻域范圍內應用梅爾頻率倒譜分析的方式處理發動機異響信號。梅爾頻率倒譜系數主要體現聲音的靜態特征[5]。發動機內部是循環往復運動的機械系統，運轉時發出規則噪音，靜態特征可被識別，同時MFCC參數具有良好的識別性能和抗噪能力。因此將模擬人耳聽覺機理的MFCC引入到發動機異響信號的故障診斷領域，作為故障信息的特征參數。

1 聲信號獲取與特性分析

本研究選取某型運輸車發動機怠速運轉時聲音作為樣本，車輛配備六缸、四沖程柴油發動機，分別采集發動機正常狀態下的怠速運轉聲信號與缺兩個缸不工作時怠速運轉聲信號。使用SONY ICD-SX2000立體聲數碼錄音棒采集汽車發動機聲音信號，音頻格式為.WAV，采樣率為16 kHz，采樣時間30 s。截取中間段10s左右作為樣本分析，避免起始端、末尾端的噪聲干擾。發動機為循環往復運動的機械系統，聲信號波形也表現為周期性循環，截取中間部分信號分析也能減少部分計算量，提高特征提取速度。

聲信號在時域內的波形圖不易觀察出信號特性，因此一般要對其進行快速傅里葉變換轉換到頻域上，通過觀察幅頻分布圖分析信號特性。對采集的音頻信號進行時頻域分析，發動機正常運轉聲信號的時域波形及其頻譜圖如圖1，(a)、(b)、(c)為3輛同型號車輛，發動機正常運轉時聲信號時域波形穩定，頻率主要集中低頻區域，最高大約在8 kHz。人為設置發動機故障，使發動機運轉時缺少兩個缸工作，其運轉聲信號所對應的時域波形及頻譜圖如圖2，對比發現故障狀態下聲信號時域波形幅值分散范圍更大，不穩定。頻譜圖雖存在差異但不明顯，需要進一步頻域分析，提取特征參數。

圖1 車輛發動機正常怠速運轉時域波形和頻譜圖

圖2 車輛發動機缺缸怠速運轉時域波形和頻譜圖

2 特征參數提取

特征提取的主要目的是通過總結大量的音頻數據來簡化識別，同時不丟失原始音頻的聲學特性。汽車發動機聲音信號中包含著豐富的聲源信息，能反映其異常或故障狀態，通過音頻特征參數提取從原始音頻信號中獲得一種能夠描述發動機運轉狀態的特征，為進一步模式匹配、故障識別打下基礎。在進行特征提取之前，需要對原始聲信號進行預處理，便于分析。

2.1 預處理

假設輸入的音頻信號為x(n),預處理過程如下。

1)預加重。一般情況下，聲音信號的能量會隨著其頻率的升高呈指數級衰減，使低頻信號的強度大于高頻信號，影響后續分析處理[6]。預加重處理實質是將聲音信號通過一個高通濾波器，保持低頻成分能量水平不變的前提下有效提高高頻成分的能量水平，使信號的頻譜在整個頻帶中變得較為平坦，以便于提取特征。預加重過程通常用具有6 dB/倍頻程的一階數字濾波器來實現，其表達式為:

H(Z)=1-μz-1

其中μ為常數,一般取0.97。

2)分幀加窗。由于發動機屬于循環運動器械，可認為其運轉噪聲在一小段時間內的物理特征參數和頻譜特性基本保持不變，或是緩慢的，即聲音信號的短時平穩特性[7]。利用這一特性對音頻信號進行交疊分幀，截取一小段進行分析。取512個采樣點數據為一幀，對應的時間長度為32 ms，為了避免信號間斷，讓每兩相鄰幀之間存在一定的重疊區，幀間重疊取256個點數據。為了保持信號的短時平穩性，利用窗函數來減少由截斷分幀處理導致的吉布斯現象。漢明窗的主瓣稍寬，有較小的邊瓣，更具有平滑的低通特性，能夠在較高程度上反映短時信號的頻率特性，防止FFT變換后高頻部分泄露。漢明窗形式如下：

(1)

其中,a為常數，一般取0.46;為幀長。

2.2 短時能量

音頻信號經過預處理后的每一幀內的信號特性基本保持不變，可看作一個整體進行分析處理，一幀信號的總能量即為信號的短時能量[8]。音頻信號短時能量代表著音量的高低，發動機出現故障時往往會夾雜著許多噪聲，通過對比正常運轉時聲信號短時能量與發生故障時的異響信號短時能量，可以判斷發動機狀態。對信號短時能量的分析能在時域上反映不同狀態下聲信號能量的變化，還能有效降低周圍環境噪聲的影響，具有直觀性與良好的抗噪性。

預處理后的音頻信號為x(τ)，短時能量計算如下，

(2)

其中:E(n)為單幀的短時能量;N為幀長，取值為512;τ為一幀內的樣本點。

分別計算發動機正常運轉與缺缸運轉狀態下聲音信號的短時能量，做出短時能量與幀數的關系圖如圖3。

由圖3得出，車輛發動機音頻信號的短時能量局部表現為在缺缸運轉時某些幀信號中出現多個尖點，是正常運轉時信號短時能量的2～3倍；整體上觀察在大部分幀信號中缺缸工作時的短時能量都高于正常工作時信號短時能量。本實驗采集樣本經分析后均滿足這一結論，則可以將車輛發動機運轉音頻信號的短時能量作為反映故障信息的特征之一。

圖3 車輛發動機運轉音頻信號短時能量

2.3 梅爾頻率倒譜系數

梅爾頻率倒譜參數(MFCC)是在語音識別和話者識別方面最常用到的特征參數，而異響信號故障診斷最初的方法聽診法也是利用人耳聽到的聲音對故障進行判斷，有經驗的專業人員能夠通過發動機運轉聲音對機器的狀態進行判斷。人耳對不同頻率的聲波有不同的聽覺敏感度，由于頻率較低的聲音在內耳蝸基底膜上行波傳遞的距離大于頻率較高的聲音，故一般來說，低音容易掩蔽高音，而高音掩蔽低音較困難。MFCC利用人耳聽覺模型的研究成果，從低頻到高頻頻帶內按臨界帶寬的大小由密到疏安排一組帶通濾波器，對輸入信號進行濾波，將線性頻譜映射到基于人耳頻率感知的Mel非線性頻譜中，然后轉換到倒譜上提取倒譜參數。MFCC參數反映了音頻短時幅度譜的特征，同時具有良好的識別性能和抗噪能力，因此被廣泛應用于語音識別中。MFCC可以反映人類語音信號在時、頻域上的差異，如果將車輛的發動機看作“聲帶”，排氣道看作“聲道”，則車輛噪聲信號可看作是一種“車輛語音”[9]。因此可將語音信號識別領域的MFCC方法移植到車輛噪聲信號分析中進行特征提取。MFCC參數的提取過程如圖4所示。

圖4 MFCC提取過程框圖

具體計算過程如下：

1)FFT變換

由于在時域范圍內不易看出信號的特性，因此通常將對預處理后的分析幀信號進行FFT得到各幀的頻譜，并對頻譜取模平方計算得到信號的離散功率譜。

(4)

P(k)=|X(k)|2

式中N表示傅里葉變換的點數。

2)Mel濾波器組

將功率譜信號輸入梅爾濾波器組，定義最低頻率為零，最高頻率為信號采樣頻率的一半。Mel濾波器組將信號頻域劃分成一系列三角形的濾波器序列，來模擬類似人耳感知的對數關系和掩蔽效應[10]，在頻譜上表現為低頻段濾波器數量多，高頻段濾波器數量少；其中心頻域在梅爾頻率域內呈線性分布。實際頻率與梅爾頻率的轉換關系式為：

M(f)=1 125ln(1+f/700)

本實驗使用40個Mel帶通濾波器對功率譜信號進行濾波，第m個帶通濾波器的傳遞函數可表示為：

功率譜P(k)通過梅爾濾波器組后輸出的對數能量為

(5)

3)離散余弦變換

對濾波器輸出的向量作離散余弦變換(DCT)得到MFCC系數。

n=0,1,2,…,L

(6)

式中：C(n)為第n個MFCC系數;S(m)為濾波器輸出對數能量梅爾譜，L指MFCC系數階數，這里L取16。則每幀可得到17個MFCC，其中n=0時得到的0階倒譜系數反映頻譜能量，其能量很大且代表直流成分，一般不作為特征參數使用[11]，故第i幀信號的16個MFCC特征值可以構成一個特征向量K0I：

K0I=[k01,k02, …,k015,k016]

4)輸出特征向量

過多的特征向量在下一步分類識別階段會影響識別效率，將每幀信號提取的MFCC系數各階取平均值作為聲信號樣本的特征向量K：

(7)

車輛發動機正常和缺缸運轉音頻信號的MFCC特征值示意圖如圖5。由圖5看出，發動機兩種運轉狀態下音頻信號的MFCC特征值差異主要集中在第3至第8階系數之間，通過這幾階的系數特征能夠區分正常運轉與缺缸運轉的聲音。因此，發動機聲信號的MFCC系數可以作為最終故障診斷與預測的特征參數之一。

圖5 車輛發動機噪聲信號MFCC特征值示意圖

3 結論

車輛發動機音頻信號經過預處理后，在時域范圍內得到的短時能量特征與頻域范圍內提取的MFCC系數在辨識發動機是否缺缸運轉上效果明顯，均可作為反映發動機運轉狀態的特征參數。

對于分析其他故障類型時提供一種特征參數提取的方法，為混合特征的提取以及多故障識別打下基礎，具有際應用價值。