一種基于噪聲功率檢測的機械設備故障預測方法

嚴 斌，林星星，田文靜，譚 熠，莊 焰

（1.廈門煙草工業(yè)有限責任公司，廈門 361026；2.清華大學 工程物理系，北京 100084；3.碩橙（廈門）科技有限公司，廈門 361000）

0 引言

隨著現(xiàn)代工業(yè)的產(chǎn)生和發(fā)展，機械設備的自動化程度越來越高，這極大程度地提高了工業(yè)生產(chǎn)的效率。企業(yè)的設備是企業(yè)進行生產(chǎn)和盈利的最基本保障[1]。但是，由于設備往往處于高溫、高壓等惡劣的工作環(huán)境，在幾乎不間斷的運轉工作中很可能出現(xiàn)老化、磨損甚至導致直接無法工作等問題[2]，這給工廠帶來了很大的經(jīng)濟損失。對此，許多學者進行了故障診斷與預測方面的研究，通過采集機械設備運行過程中的各種信號對設備運行狀態(tài)和健康水平進行評估。常用的性能參數(shù)有振動、溫度、流量、壓力等。資深的領域專家通過分析這些參數(shù)，挖掘故障發(fā)生的原因，從而進行故障診斷和預測[3]。但是，這種故障診斷方法的人工成本很高，也難以保證24小時不間斷進行，效率較低。通過建立故障分析模型和故障數(shù)據(jù)庫，對信號進行收集與高效分析以實現(xiàn)設備的自動監(jiān)控與故障診斷，能夠有效彌補人工故障診斷的這些缺點。

噪聲是大多數(shù)機械設備運行時的產(chǎn)物，蘊含著設備運轉過程中與機械狀態(tài)有關的豐富信息。它的以下優(yōu)點使其非常適合作為診斷分析的切入點。首先，噪聲的空氣傳播和衍射特性使其非常便于采集，甚至能夠檢測設備內部部件的狀態(tài)；其次，設備的摩擦、剪切等動作對應的噪聲都有非常鮮明的特點，能反映設備動作和相關部件的特征信息，易于發(fā)現(xiàn)早期故障[4]；第三，噪聲傳感器可以是非接觸式安裝的，既減少了不同介質之間信息傳遞的大幅功率損失[5]，又避免了對設備工作進行干擾，符合工業(yè)數(shù)據(jù)分析的需求；第四，聲音測試技術已在工業(yè)領域有了廣泛的研究，相關數(shù)據(jù)分析技術頗為成熟[6]。可見，利用噪聲信號對機械設備進行狀態(tài)分析有著得天獨厚的優(yōu)勢。近年來，基于噪聲信號的故障診斷技術成為一個研究熱點。但是，由于工廠環(huán)境頗為復雜，一個設備的噪聲往往會被周圍設備的噪聲干擾，故障特征信號可能被淹沒在背景噪聲中，并且，由于設備在不斷復雜化和集中化發(fā)展，運行過程中的信號具有非線性特性，多頻率成分疊加，甚至出現(xiàn)連續(xù)譜分布[7]。因此對于原始信號的特征提取尤為重要，這也是研究的難點所在[8]。本文通過收集并分析包裝機內框紙切割傳動聯(lián)軸器的噪聲信號，對其進行特征提取及分析，實現(xiàn)對該設備進行狀態(tài)識別和健康度分析，并用實際案例證明其用于工業(yè)故障診斷的有效性。

1 應用場景

本文主要介紹噪聲在某卷煙廠流水線硬盒包裝機的內框紙切割部件的應用。現(xiàn)場圖如圖1所示，圖中圓圈標記即采集噪聲的麥克風的安裝位置。噪聲數(shù)據(jù)通過無線網(wǎng)絡傳輸至云端服務器以供調用[9]。由于原始信號采樣率為48000Hz，直接傳輸原始音頻波形信號所需的存儲空間、分析用時和流量費用都過于高昂，所以，本方法將噪聲提取為24Hz的特征信號。麥克風錄制到的噪聲來源主要為內框紙切割部件的傳動聯(lián)軸器，并摻雜有來自附近其余部件的噪聲與背景噪聲。本文將通過分析這些噪聲，實現(xiàn)對內框紙切割部件的工作狀態(tài)監(jiān)控及故障診斷。

圖1 麥克風布置位置

2 研究方法

本研究使用的方法主要包括了特征量的計算、設備工作狀態(tài)辨別、實時運轉健康度分析等三個部分，最終通過分析設備運轉的噪聲，實現(xiàn)設備停機與工作狀態(tài)的辨別，以及工作狀態(tài)下的故障診斷。每個步驟的具體實現(xiàn)方式如下。

2.1 特征量的計算

頻譜分析是設備故障診斷應用中常見的信號處理方法之一，故障的發(fā)生、發(fā)展往往會引起信號頻率結構的變化[10]。此部分工作在麥克風端的小型處理器上進行，可以大幅度減少傳輸數(shù)據(jù)需要的成本。由于麥克風直接錄制到的聲音內摻雜有較多來自較遠部件的噪聲及環(huán)境本底噪聲，需要對原始信號（記為S）首先進行濾波。對生產(chǎn)過程中的聲音進行頻譜分析的結果如圖2所示，在2000Hz以下頻段，存在較為明顯的特征譜線，而2000Hz以上頻段，白噪聲占據(jù)了音頻的絕大部分。因此使用低通濾波器對2000Hz以上頻段的噪聲濾波，去掉高頻部分的白噪聲，提高有效信號占比。

圖2 原始噪聲信號頻譜

對濾波后的信號（記為S*），使用式(1)計算聲波攜帶的功率，式中E表示當前時間點的聲波功率，由于需要將48000Hz的聲音信號轉化成24Hz的聲波功率特征值，每一時間點的聲波功率將由2000個采樣點的原始信號計算得出，S*（n）表示第n個采樣點的聲信號幅值。最終計算出的功率E來源主要為環(huán)境本底噪聲和部件運轉噪聲，如果設備內出現(xiàn)松動類故障，通常表現(xiàn)為噪聲功率偏離正常值，或出現(xiàn)震蕩現(xiàn)象。因此分析聲波攜帶的功率，即可實現(xiàn)對松動類故障的檢測。

但環(huán)境本底噪聲在不同的時間存在一定的差異。這一差異通常以一天為周期變化，可能與廠房內在一天不同時間段安排了不同的工作有關。這種差異會干擾基于聲波功率的故障檢測。本研究中使用了如下步驟去除環(huán)境本底噪聲：

1）分析濾波后聲信號的頻譜，對頻譜進行峰值的提取。

2）將峰值部分進行傅里葉逆變換，將逆變換得到的信號從濾波后的信號扣除。

3）使用式(1)計算扣除峰值部分后的信號所攜帶的功率，作為環(huán)境本底噪聲的功率。

4）將一天以10分鐘為步長分為144段，對每一段使用上述方法計算該時間段的本底噪聲，對每個時間段，使用2周的噪聲信號，分別計算14天中這一時間段的本底噪聲功率，求其平均值。

5）求出廠房內14天中所有時間的噪聲功率的平均值，用4）中計算的每一時間段的平均值減去這一總平均值，得到每個時間段的功率平均值偏差。

6）對每一時間段，用濾波后的聲信號S*減去該時間段的功率平均值偏差，即可得到與內框紙切割部件運轉直接相關的噪聲功率信號。

通過上述方法計算得到的噪聲功率信號的示例圖如圖3所示，本底信號扣除后，設備運轉狀態(tài)下的噪聲功率表現(xiàn)為穩(wěn)定范圍內震蕩的信號，以一天為周期波動的成分被消除。

圖3 扣除本底前后的噪聲功率對比

此外，上述步驟的前5步，會在實際應用中每隔一段時間重復執(zhí)行，使用新的噪聲信號對參數(shù)進行更新。

2.2 設備工作狀態(tài)辨別

本研究旨在對設備進行故障診斷，監(jiān)測程序只需對運轉狀態(tài)下的噪聲進行分析，因此需要首先實現(xiàn)設備狀態(tài)的檢測，自動區(qū)分設備的運轉與停機狀態(tài)。從圖3中不難發(fā)現(xiàn)，內框紙切割部件的工作模式為單一動作反復執(zhí)行的模式，其運轉狀態(tài)與停止狀態(tài)所對應的噪聲功率信號幅值較為固定，通過簡單的閾值判別法即可實現(xiàn)工作狀態(tài)的識別。為準確確定臨界閾值，本研究中使用2周期間的噪聲功率信號，作出其幅值的分布直方圖，如圖4所示。圖中左側較低的峰是設備停止狀態(tài)的噪聲功率分布，而右側較高的峰為設備運行狀態(tài)下的噪聲功率分布，容易看出二者的臨界閾值應當設置為1.25×1010。

圖4 內框紙切割部件的噪聲功率分布直方圖

2.3 實時運轉健康度分析

本研究使用穩(wěn)定性健康度與趨勢健康度2種監(jiān)測指標反映內框紙切割部件的運轉健康度，監(jiān)測的原理是，在正常運轉并排除了一些偶然因素的干擾時，機械設備反復執(zhí)行同樣生產(chǎn)活動時應當發(fā)出穩(wěn)定的噪聲，從而對應一個穩(wěn)定的噪聲特征值曲線。也就是說，生產(chǎn)期間噪聲特征值的分布直方圖應當表現(xiàn)為一個極端陡峭的峰，而在環(huán)境帶來的偶然因素的影響下，這個峰會被一定程度地展寬，變成一個類似正態(tài)分布的形式。而故障的出現(xiàn)，則表現(xiàn)為這個正態(tài)分布峰的變化，下面為了實時且定量地描述這種變化的幅度，分別設計了兩種實時指標的計算方法，命名為趨勢性健康度和穩(wěn)定性健康度。

2.3.1 趨勢性健康度

趨勢性健康度度量噪聲特征值的整體分布是否出現(xiàn)了偏離，圖5為運轉狀態(tài)下的噪聲功率的分布直方圖。由圖5可知，運轉期間噪聲功率應位于2.16×1010附近，對每一時刻的噪聲功率，使用式(2)計算其健康度，式中HR（HealthRate）表示健康度，P（|S*-S*mid|>|S*（t）-S*mid|)表示按圖2所示S*的分布，任一時刻噪聲功率S*與分布中心S*mid的差值大于當前時刻噪聲功率S*（t）與分布中心S*mid的差值的概率。實時噪聲功率偏離分布中心一定距離內，分數(shù)保持100不變，當偏差超過由P（|S*-S*mid|>|S*（t）-S*mid|）=0.1確定的閾值后，距離分布中心越遠，健康度分數(shù)越低。這種計算健康度的方式通過統(tǒng)計原理，可以從單個點的值中對特征值的分布是否發(fā)生了偏離給出一個估計。分數(shù)過低則代表了特征值的分布大概率發(fā)生了偏離，設備很可能出現(xiàn)了異常。

圖5 運轉狀態(tài)下的噪聲功率的分布直方圖

2.3.2 穩(wěn)定性健康度

趨勢性健康度具備很強的實時評估能力，但是由于僅利用了單個數(shù)據(jù)點的信息，其計算出的分數(shù)穩(wěn)定性比較差，因此計算的參數(shù)選取得非常保守。而穩(wěn)定性健康度則通過對過去較長一段時間內數(shù)據(jù)分布的觀察，分析設備運轉期間的噪聲功率是否出現(xiàn)較大的波動。其計算方法如式(3)所示。式中HR（t）表示健康度分數(shù)，std（S*normal）表示人工選取的參考時間段的噪聲功率標準差，std（S*（t））表示t時刻前100s內的噪聲功率標準差。從式中可以看出，本指標主要反映特征值分布函數(shù)是否出現(xiàn)較大幅度的展寬，而分布函數(shù)的收窄通常不會與設備異常有關，分布峰位置的移動則會在趨勢性健康度中有明顯體現(xiàn)，所以本指標與趨勢性健康度相結合，即可較好地監(jiān)控并預測設備的故障。

本研究通過這兩種指標對卷煙機內框紙切割部件進行實時監(jiān)測，在實際案例中捕捉到了設備故障的發(fā)生。在實際使用中，分數(shù)計算的參數(shù)會定時使用最近一段時間內的特征值分布直方圖進行更新，因此對于一些生產(chǎn)環(huán)境的變化造成的信號整體的變化，也可以迅速實現(xiàn)自適應，這一點在下一部分展示的案例中同樣有體現(xiàn)。

3 應用效果

在卷煙機內框紙切割部件正常運轉期間，穩(wěn)定性健康度通常表現(xiàn)為穩(wěn)定95分以上的分數(shù)，趨勢性健康度在75～100分之間波動。但在監(jiān)測一段時間后，從穩(wěn)定性健康度曲線上看到圖6所示的突然下降。

圖6 5月～8月的信號的噪聲功率（上），健康度曲線（中，下）

經(jīng)現(xiàn)場檢修確認，這段健康度曲線的下降對應了內框紙切割部件聯(lián)軸器的損壞。經(jīng)一段時間檢修后，流水線恢復正常運轉，健康度回升。但一個多月后，穩(wěn)定性健康度曲線再次出現(xiàn)下降跡象，只是幅度稍小。反映出該部件仍然存在未完全修復的問題。后續(xù)對部件進行全面深入的檢修發(fā)現(xiàn)，部件內部存在未緊固的螺栓，將其完全修復后，健康度曲線再次回到正常水平。從本次案例可以看出，依靠噪聲功率實現(xiàn)部件運轉健康度的監(jiān)測，能夠及時發(fā)現(xiàn)設備故障，并且本方法對設備內部細微的問題也具備較好的敏感度，是設備故障監(jiān)測的可靠手段。

4 結語

本研究使用麥克風錄制某卷煙廠流水線中內框紙切割部件運轉噪聲，通過對噪聲功率的監(jiān)測，評估該部件健康度指標，在實際案例中實現(xiàn)了對部件故障的及時診斷。并且方法對細節(jié)問題 反應敏感，準確發(fā)現(xiàn)了修復過程中遺漏的螺栓問題，成功分析找到被人工檢查所忽視的問題，掃除了設備后續(xù)運行的隱患，證明其用于工業(yè)故障診斷的有效性。由于依賴噪聲進行診斷具備部署便捷、容易在不同場景下通用等優(yōu)點，這一方法有望成為一種優(yōu)異的煙草設備故障診斷方法。