基于音频信号的轴承故障诊断方法

2.1数据采集
   数据采集是使用麦克风作为声音传感器，将轴承的音频信号变为一定的电平信号输入计算机，即录制波形音频的过程。在数据采集之前，需要按照一定规则设定好音频信号几个重要的采集参数：采样频率、位数和声道数。本文在采样频率为22.05kHz、A/D转换精度为16位、声道数为单声道的条件下，采用VC++中提供的函数库，实现对轴承音频信号的数据采集。简单流程为：打开录音设备、准备WAVE数据头、准备数据块、开始录音、停止录音以及关闭录音等，详细过程请参见参考文献[10]。
2.2 特征提取
   特征提取是指从轴承音频信号中提取有用的统计数据，如Mel频率倒谱特征参数(MFCC)、线性预测倒谱系数(LPCC)、感觉加权线性预测系统(PLP)等,是故障建模与识别的关键，直接影响到故障诊断效果。此外，特征提取还可以用差分系数近似描述音频信号的帧间相关性，反映信号的动态特征。动态特征和静态特征互相补充，提高了系统的诊断性能。因为MFCC参数充分利用人耳的听觉特性，能很好地体现音频信号的主要信息，在语音识别、音频分类和检索领域应用十分广泛[8]。所以本文选用12维MFCC参数和12维一阶差分MFCC进行诊断实验。
2.3 HMM训练
   HMM训练是指从同类故障的大量音频信号样本中提取统计信息，利用恰当的训练算法对模型参数反复修正直至收敛，最后得到模型的状态转移概率A、观察值概率分布B、初始概率分布π等参数。典型的训练算法有Baum-Welch算法，但此算法是在假定只有一个观察值训练序列的条件下得到的。为了增加HMM故障诊断系统的稳健性和提高故障诊断的准确率，需要选取多个样本进行训练，以建立轴承各类故障状态的HMM参数模型。记L个观察值序列(即L个样本)为O(1)、O(2)、…、O(L)，每个观察值序列的长度记为T，则此时，基于多观察值序列训练的重估公式可写为:

2.4 HMM诊断
    训练完成之后将模型参数存储，此时，系统就具备了诊断的能力。诊断过程中，输入待检测轴承音频信号，经过预处理、MFCC特征提取后，得到观察值序列O={O1,O2,…,OT}。然后，对此观察值序列进行故障检测，当检测到有故障发生时，再进一步进行故障诊断，判断出音频信号的故障类型。
    (1) 故障检测
    故障检测只需要训练一个代表轴承正常状态的HMM模型，记为λ0。根据前向-后向算法[8]计算出待检信号O={O1,O2,…,OT}在正常模型λ0下的输出概率P(O/λ0)。如果此概率P(O/λ0)大于预先确定的某一阈值，则表明轴承工作正常;否则，轴承有可能出现某种故障，需要进一步进行故障诊断。
    (2) 故障诊断
    同样使用前向-后向算法[8]，快速有效地计算出观察值序列O={O1,O2,…,OT}在各HMM模型下的输出概率，通常情况下，概率最大的模型即为诊断结果。为了提高系统的诊断精度，可在后处理阶段辅以必要的拒识算法，比如设定适当的概率阈值，如果最大概率小于这个阈值，则诊断为其他运行状态。
3 轴承故障诊断实验
    在VisualC++7.0环境下，自主开发了基于HMM的音频故障诊断平台，本文所有实验均在此平台上完成；诊断对象为6202CM深沟球滚动轴承，其转速为1800r/m；采样频率为22.05kHz；A/D转换精度16位；数据帧长512，帧移128。通过特征提取，将每帧信号都转换成12维MFCC和12维一阶差分MFCC，形成长度为32的观察值序列，分别采用DHMM和CGHMM两种方法进行了建模与诊断实验。

   在模型训练环节，对于正常声音、内圈异音、外圈异音、滚动体异音以及保持架音等五种轴承状态，各采集30组音频数据样本进行训练，分别得到DHMM和CGHMM两类模型训练过程，两种故障模型的平均训练时间如表1所示。由表可以看出，由于DHMM对观测序列进行了量化处理，计算量小，训练速度快；而CGHMM的复杂度比较高，收敛过程长，比DHMM方法的训练时间多出近一倍(但也在实时要求之内)。
   在诊断环节，另外采集了20组正常声音、内圈异音、外圈异音以及10组滚动体异音和保持架音等五组数据分别进行了测试，得到的基于DHMM和CGHMM的故障诊断结果分别如表2和表3所示。在DHMM方法中，共80次诊断出现8次误诊，总的诊断精度接近90%，效果较良。而CGHMM方法只出现2次误诊，诊断精度达到了97.5%，明显高于DHMM方法，更具有良好的应用前景。

[/url]
[/url]
   本文在VC++平台下，自主开发了一套基于HMM的轴承故障音频诊断平台。通过对音频信号的MFCC特征提取，分别采用DHMM和CGHMM两种方法进行建模与诊断研究。由于DHMM方法对观测序列进行了量化处理，运算速度快，但降低了诊断精度。而CGHMM方法不需要量化，避免了量化带来的数据处理误差，提高了诊断精度，但减慢了运算速度。从总体上来看，两种方法都具有运算速度快、诊断精度高的优点，具有很好的应用前景。