基于聲信號無線遠傳和聲紋識別的制冷機運行及故障監(jiān)控系統(tǒng)

陸正卿，方維嵐，胡曉俊，梁軍汀

(1.上海煙草集團有限責(zé)任公司，上海 200082；2.同濟大學(xué)聲學(xué)研究所，上海 200092)

在工業(yè)企業(yè)中，制冷機或制冷機組的使用極為廣泛。目前，制冷機的故障檢測大多采用人工的方法，不僅效率低，而且容易出現(xiàn)誤檢或漏檢。在制冷機的長期運行過程中，因氣缸、曲軸磨損以及管路、設(shè)備松動等導(dǎo)致的運行異常或故障往往伴隨著制冷機運轉(zhuǎn)噪聲的加大和異常聲音的產(chǎn)生，因此，采用聲音識別技術(shù)對制冷機的運轉(zhuǎn)噪聲進行研究，從而實現(xiàn)制冷機運行狀況及故障的在線監(jiān)控，不僅是可行的，也是非常有必要的。

聲音信號識別的關(guān)鍵是聲信號特征參數(shù)的選擇、提取以及分類模型的建立。關(guān)于聲信號特征參數(shù)的提取，常用的方法有線性預(yù)測倒譜系數(shù)(LPCC)法和Mel頻率倒譜系數(shù)(MFCC)法等[1-3]；常用的分類模型有基于高斯混合模型(GMM)的聚類算法模型、基于機器學(xué)習(xí)的最小二乘支持向量機回歸算法模型、基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)(CNN)/神經(jīng)網(wǎng)絡(luò)(RNN)/長短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)模型等[4-8]。采用不同的特征參數(shù)及分類模型，聲信號的處理效果也不同。

筆者針對企業(yè)的實際需求，在分析、研究各種聲音識別技術(shù)的基礎(chǔ)上，根據(jù)制冷機運轉(zhuǎn)噪聲所具有的持續(xù)時間長、噪聲信號較為平穩(wěn)等特性，提出了一種將MFCC與LSTM相結(jié)合的制冷機運行狀態(tài)及故障識別方法，研制了一種基于聲信號無線遠傳和聲紋識別的制冷機運行及故障監(jiān)控系統(tǒng)，并采用試驗的方法驗證該方法的有效性。

1 MFCC特征提取及LSTM神經(jīng)網(wǎng)絡(luò)原理

1.1 MFCC特征提取原理

MFCC是根據(jù)人耳對聲音信號的頻率非線性感知特性，對接收到的制冷機運轉(zhuǎn)噪聲語譜信號(即時頻分布信號)進行一系列的處理后計算得到的，MFCC特征提取的步驟如下。

(1) 信號預(yù)處理。

包括預(yù)加重、分幀、加窗、去噪處理等，其中，預(yù)加重主要用于聲信號的高頻衰減補償；分幀用于聲信號的短時或瞬時特征提取，常采用交疊分段的方法，使得幀與幀之間的信號有一個較為平滑的過渡；加窗主要用于減小每幀信號在起始點和終點處可能存在的因直接分段截取而產(chǎn)生的突變，加窗常采用Hamming窗函數(shù)。

(2) 對幀長為N(采樣點)的信號中的每幀信號求離散功率譜。

(3) Mel頻率轉(zhuǎn)換。

對求得的離散功率譜中的線性頻率f進行轉(zhuǎn)換，轉(zhuǎn)換為非線性Mel頻率mf，則有

mf=2 595log10(1+f/700)

(1)

(4) Mel濾波器組濾波、取對數(shù)。

對頻率轉(zhuǎn)換后的離散功率譜Xa(k)，用M個在Mel頻率刻度上均勻分布且相互重疊的三角帶通濾波器Hm(k) 進行濾波，并對每個濾波器的輸出求對數(shù)能量s(m)，則有

0≤m

(2)

式中：k為整數(shù)，且0≤k≤N-1。

(5) 離散余弦變換(DCT)。

對求得的對數(shù)能量s(m)進行離散余弦變換，得到MFCC 系數(shù)C(n)

0

(3)

式中：L為MFCC系數(shù)的階數(shù)，且L≤M。

(6) 動態(tài)特征。

式(3)求得的MFCC 系數(shù)C(n)反映了聲信號參數(shù)的靜態(tài)特性，是MFCC的靜態(tài)譜部分，可以使用C(n)的一階或二階差分來對聲信號參數(shù)的動態(tài)特征進行描述，具有很好的魯棒性。C(n)一階差分d(n)可表示為

(4)

式中：K表示一階差分的時間差，可根據(jù)具體情況選擇1或2。

將一階差分的計算結(jié)果，按照式(4)的方法再進行一次一階差分計算，就可以得到MFCC的二階差分參數(shù)。

1.2 LSTM神經(jīng)網(wǎng)絡(luò)原理

1.2.1 LSTM基本結(jié)構(gòu)單元

LSTM的基本結(jié)構(gòu)單元[9]如圖1所示。圖1中，每一基本結(jié)構(gòu)單元都由遺忘門、輸入門、輸出門以及細胞狀態(tài)更新層等4部分構(gòu)成，它們以一種特殊的方式進行信息交互，從而避免發(fā)生梯度消失和梯度爆炸現(xiàn)象。其中，遺忘門輸出值ft介于 0～1之間，“0”表示全部忽略，“1”表示全部接受，遺忘門的存在使模型具有長久保存信息的功能；輸入門分成it和t兩部分，其中it確定當前輸入中的哪些信息需要更新，輸入門的存在可以避免無用信息被記錄。圖1中σ()為激勵函數(shù)，tanh()為雙曲正切函數(shù),xt為t時刻的輸入信息;ht為t時刻的輸出信息；Ot為輸出門。

圖1 LSTM基本結(jié)構(gòu)單元示意

LSTM內(nèi)部工作流程大致可分為遺忘階段、選擇性記憶階段和輸出階段等3個階段，其中遺忘階段主要是在對上一個LSTM節(jié)點的輸入信息進行判斷后，對其進行選擇性遺忘，以便篩選出其中的重要信息向后傳導(dǎo)；選擇性記憶階段主要是對前一節(jié)點傳輸而來的輸入信號xt進行選擇性記憶，從而篩選出其中的重要內(nèi)容；輸出階段決定哪些信息會被作為當前狀態(tài)的有效信息進行輸出。

1.2.2 LSTM神經(jīng)網(wǎng)絡(luò)總體結(jié)構(gòu)

畢業(yè)要求中提到“基于科學(xué)原理”進行研究,運用“自然科學(xué)、工程基礎(chǔ)和專業(yè)知識”,可見機械工程材料的基本科學(xué)原理是教學(xué)的重點內(nèi)容。課程體系中的主要原理包括:力學(xué)、晶體學(xué)、材料凝固過程和二元合金相圖、鋼的非平衡相變和鋼的熱處理原理等。這些內(nèi)容較多且比較零碎,是重點又是難點。在教學(xué)過程中,需要把握抽象理論的內(nèi)在聯(lián)系規(guī)律,即以成分、組織、工藝和性能為主線講解,最終目標是實現(xiàn)材料的應(yīng)用。從晶體結(jié)構(gòu)角度設(shè)計材料成分,通過制定和改進熱處理工藝改變組織,達到期望的力學(xué)性能。

筆者設(shè)計的LSTM神經(jīng)網(wǎng)絡(luò)分類模型由輸入層、隱藏層、全連接層、Softmax分類層和輸出層構(gòu)成(見圖2)。

圖2 LSTM神經(jīng)網(wǎng)絡(luò)分類模型

輸入層用于MFCC參數(shù)的輸入；隱藏層為多層LSTM構(gòu)成的LSTM網(wǎng)絡(luò)，用于對輸入MFCC特征參數(shù)進行多層次抽象或者更好地展現(xiàn)其抽象化特征，以便對這些特征進行更好地線性劃分；全連接層用于增加模型的非線性表達能力，提高模型的學(xué)習(xí)能力并指定輸出類別的個數(shù)；Softmax分類層用于接收來自全連接層的經(jīng)過處理的特征數(shù)據(jù)，計算并輸出各類別分類的概率；輸出層用于輸出最后的分類結(jié)果。

2 系統(tǒng)的實現(xiàn)

研制的基于聲信號無線遠傳和聲紋識別的制冷機運行及故障監(jiān)控系統(tǒng)結(jié)構(gòu)框圖如圖3所示。

圖3 故障監(jiān)控系統(tǒng)結(jié)構(gòu)框圖

圖3中，信號調(diào)理采集及無線遠傳儀將麥克風(fēng)接收到的制冷機運轉(zhuǎn)噪聲信號進行調(diào)理、放大、采集后，通過通用分組無線業(yè)務(wù)(GPRS)網(wǎng)絡(luò)、廣域互聯(lián)網(wǎng)以及云平臺傳送給上位計算機，接收信號的處理、識別主要在上位計算機中進行。

接收信號調(diào)理采集及無線遠傳儀采用低噪聲、微功耗設(shè)計，其電路原理框圖如圖4 所示。

圖4 接收信號調(diào)理采集及無線遠傳儀電路原理框圖

圖4中，采用由前置放大器、可控增益放大器、濾波器、主放大器構(gòu)成的四級運算放大器結(jié)構(gòu)對麥克風(fēng)接收到的制冷機運轉(zhuǎn)噪聲信號進行放大、調(diào)理，其中前置放大器和主放大器的增益固定；可控增益放大器的增益由單片機通過控制數(shù)字電位器的電阻來實現(xiàn)；有源帶通濾波器的帶寬根據(jù)制冷機運轉(zhuǎn)噪聲的頻率特性設(shè)定。

3 試驗結(jié)果及分析

筆者采用MATLAB語言編制了相關(guān)的MFCC特征提取及LSTM神經(jīng)網(wǎng)絡(luò)分類識別軟件，并用自行研制的故障監(jiān)控系統(tǒng)，對現(xiàn)場使用的離心式制冷機的運轉(zhuǎn)噪聲進行了采集、遠傳及相關(guān)的分類識別試驗。試驗時，根據(jù)制冷機運轉(zhuǎn)噪聲的頻率特性將有源帶通濾波器的帶寬設(shè)置為100 Hz～2 kHz，接收信號的AD(模數(shù))采樣位數(shù)為16位，采樣率在1 kHz～16 kHz內(nèi)可任意設(shè)置。

3.1 MFCC特征提取

試驗中，將聲信號的AD采樣率設(shè)置為16 kHz，每次采集的信號時間長度設(shè)置為5 s，F(xiàn)MCC特征提取主要參數(shù)設(shè)置如表1所示。

表1 MFCC特征提取主要參數(shù)設(shè)置

Mel濾波器的個數(shù)為36個，以便對接收聲信號的整個頻率范圍進行良好的覆蓋；MFCC階數(shù)為18，可以在不影響測試性能的前提下有效減少特征參數(shù)的數(shù)據(jù)量；每幀長度設(shè)為256個采樣點，在16 kHz采樣率下對應(yīng)的時間長度為16 ms，符合短時信號時間長度一般為10～30 ms的限制性要求；每幀位移設(shè)為80個采樣點，能夠保證每幀之間有相對平滑的過渡；小信號切除閾值設(shè)為5%，用來切除接收聲信號中存在的微小噪聲；窗函數(shù)采用比較常用的Hamming窗。

提取的MFCC特征參數(shù)包含靜態(tài)特性參數(shù)和一階差分動態(tài)特性參數(shù)兩部分。以MFCC靜態(tài)特性參數(shù)為例，試驗中實測的聲信號波形及對應(yīng)的MFCC特征譜圖如圖5所示。

圖5 實測的聲信號波形及對應(yīng)的MFCC特征譜圖

3.2 基于LSTM的制冷機運行狀態(tài)及故障識別

試驗中，LSTM神經(jīng)網(wǎng)絡(luò)的主要參數(shù)設(shè)置如表2所示。

表2 LSTM神經(jīng)網(wǎng)絡(luò)的主要參數(shù)設(shè)置

根據(jù)現(xiàn)場制冷機的實際運行情況，將制冷機的工作狀態(tài)分為閑置狀態(tài)(制冷機未開啟)、正常啟動狀態(tài)(制冷機正常從停止到開啟)、正常運轉(zhuǎn)狀態(tài)(制冷機正常運轉(zhuǎn))、正常關(guān) 閉狀態(tài)(制冷機正常從運轉(zhuǎn)到停止) 、異常/故障狀態(tài)(聲信號特征有別于前4類的狀態(tài))等5類。試驗時，松動正常運轉(zhuǎn)的制冷機外殼固定螺絲進行，使其產(chǎn)生輕微的振動聲，以模擬制冷機出現(xiàn)故障時可能出現(xiàn)的聲音。

在各個狀態(tài)下分別采集200個時長均為5 s的聲音信號，隨機選取其中的100個信號作為MFCC特征提取及LSTM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，剩下的100個信號作為測試樣本，得到的制冷機運轉(zhuǎn)狀態(tài)識別結(jié)果如表3所示。

表3 制冷機運轉(zhuǎn)狀態(tài)識別結(jié)果

4 結(jié)語

采用MFCC與LSTM相結(jié)合的方法，可以有效提取制冷機運轉(zhuǎn)噪聲在不同狀態(tài)下的時頻分布特征并對其進行有效識別，具有很高的分類識別率及故障預(yù)測性能。利用研制的制冷機運行及故障監(jiān)控系統(tǒng)，不僅可以及時發(fā)現(xiàn)各種部件損傷或損壞引起的制冷機運行異常，實現(xiàn)故障的及時預(yù)測與報警，而且對于降低企業(yè)的人力成本、運營成本等具有重要意義。