摘要：針對(duì)齒輪故障診斷任務(wù)中，振動(dòng)信號(hào)受設(shè)備或工礦環(huán)境的影響難以獲取，傳統(tǒng)的單通道聲學(xué)診斷法只能采集部分信息用于局部診斷，多通道聲學(xué)診斷法權(quán)值確定過程復(fù)雜、實(shí)時(shí)性差等問題，結(jié)合深度學(xué)習(xí)理論，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)與多通道聲學(xué)信號(hào)齒輪故障診斷法。通過將傳感器布置在不同測(cè)量點(diǎn)位以獲取不同敏感度的故障信息，再以卷積神經(jīng)網(wǎng)絡(luò)作為融合技術(shù)，對(duì)4路齒輪聲學(xué)信號(hào)進(jìn)行特征級(jí)融合，實(shí)現(xiàn)對(duì)多級(jí)傳動(dòng)齒輪的故障診斷。實(shí)驗(yàn)結(jié)果表明：相比于單個(gè)傳感器多個(gè)特征量信息的傳統(tǒng)聲學(xué)診斷方法，該文所提出的方法在齒輪故障識(shí)別率上有顯著提升，可達(dá)99.8%。

　　關(guān)鍵詞：齒輪故障診斷;聲學(xué)信號(hào);信息融合;卷積神經(jīng)網(wǎng)絡(luò)

　　《聲學(xué)與電子工程》Acoustics and Electronics Engineering(季刊)1986年創(chuàng)刊，是自然科學(xué)刊物。

　　0 引言

　　齒輪作為機(jī)械設(shè)備中一種必不可少的連接和傳遞動(dòng)力的通用零部件，由于其本身結(jié)構(gòu)復(fù)雜，工作環(huán)境惡劣等原因，齒輪極易損壞和出現(xiàn)故障，成為誘發(fā)機(jī)器故障的重要因素。在機(jī)械裝備向著大型化、高效率、高強(qiáng)度、自動(dòng)化和高性能的方向發(fā)展的今天，齒輪箱的故障和失效給整個(gè)生產(chǎn)和社會(huì)造成的損失將越來越大。目前，故障診斷方法很多，基于振動(dòng)信號(hào)的測(cè)量與分析方法由于具有信息量豐富，物理意義清晰，識(shí)別決策容易等特點(diǎn)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(shí)際情況中，一方面由于振動(dòng)傳感器受設(shè)備或工礦環(huán)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(huán)境下，振動(dòng)信號(hào)并不容易測(cè)取，使得振動(dòng)診斷法受到限制[4]。

　　基于聲學(xué)信號(hào)測(cè)量與分析的聲學(xué)故障診斷技術(shù)具有測(cè)量?jī)x器簡(jiǎn)單、非接觸式測(cè)量、不影響設(shè)備正常工作等特點(diǎn)，在早期的齒輪故障診斷中已有一定的應(yīng)用。但在缺乏先驗(yàn)知識(shí)的條件下，傳統(tǒng)的聲學(xué)診斷(acoustic-based diagnosis，ABD)方法較難確定合適的測(cè)量位置;基于單通道處理與分析的ABD方法受測(cè)量位置的影響，只能利用部分聲學(xué)信息，存在局部診斷的缺陷[5]。而基于陣列測(cè)量的ABD技術(shù)能夠通過多通道聲學(xué)信號(hào)的同步測(cè)量與分析獲取聲場(chǎng)空間分布的完整信息，克服單通道測(cè)量所帶來的信號(hào)不穩(wěn)定及局部診斷等缺陷，但對(duì)多通道信號(hào)的融合多停留在數(shù)據(jù)級(jí)加權(quán)融合階段，其權(quán)值確定過程復(fù)雜、實(shí)時(shí)性差[6-7]，融合后仍需要借助信號(hào)分析技術(shù)進(jìn)一步提取故障特征和判斷決策，其診斷過程較為復(fù)雜，對(duì)信號(hào)處理技術(shù)與工程實(shí)踐經(jīng)驗(yàn)要求較高。

　　針對(duì)以上問題，本文利用半球面測(cè)量的方式采集多測(cè)點(diǎn)的聲學(xué)信號(hào)，以盡可能地獲取表征齒輪故障狀態(tài)的全面信息，再結(jié)合深度學(xué)習(xí)理論降‘o]，利用卷積神經(jīng)網(wǎng)絡(luò)作為融合技術(shù)，提出了基于卷積神經(jīng)網(wǎng)絡(luò)與多通道聲學(xué)信號(hào)融合的齒輪故障診斷方法。該方法不僅克服了傳統(tǒng)ABD方法局部診斷的缺陷，還通過卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了融合過程中權(quán)值的自適應(yīng)調(diào)整，回避了多通道信息融合過程中權(quán)值確定過程復(fù)雜、實(shí)時(shí)性差等問題。

　　1 多傳感器信息融合

　　通過不同測(cè)點(diǎn)位置的傳聲器獲取故障不同敏感度的信息或互補(bǔ)信息，再?gòu)墨@取的信息中提取時(shí)頻域特征，構(gòu)成特征矩陣，最后利用卷積神經(jīng)網(wǎng)絡(luò)融合多通道的故障特征矩陣進(jìn)行故障識(shí)別與分類。其融合模型如圖1所示。

　　1.1 時(shí)頻域特征提取

　　1)對(duì)數(shù)域梅爾頻譜特征

　　將采集的聲學(xué)信號(hào)進(jìn)行分幀加窗處理，利用短時(shí)傅里葉變換對(duì)每幀信號(hào)進(jìn)行時(shí)頻變換得到對(duì)應(yīng)頻譜，再通過梅爾濾波器組將頻譜轉(zhuǎn)換為梅爾頻譜，最后頻譜值映射于對(duì)數(shù)域得到所提特征[11-12]。其二維特征矩陣T1=(m，t)，m代表所設(shè)置梅爾濾波器的個(gè)數(shù)，t對(duì)應(yīng)聲學(xué)信號(hào)的幀數(shù)。

　　2)頻譜質(zhì)心其中x(n)代表頻率點(diǎn)n的加權(quán)頻率值，f(n)代表頻率點(diǎn)n的中心頻率。其特征矩陣T2=(1，T)，t對(duì)應(yīng)聲學(xué)信號(hào)的幀數(shù)。

　　3)均方根能量

　　XRMS反映每幀信號(hào)的均方根值。其特征矩陣T3=(1，t)，t為聲學(xué)信號(hào)的幀數(shù)。

　　1.2 基于卷積神經(jīng)網(wǎng)絡(luò)的多通道信息融合方法

　　提取第n個(gè)傳聲器所采集信號(hào)的時(shí)頻特征，構(gòu)建總樣本集的特征矩陣Yn=(X1，X2，…，Xm)，其中Xm=(T1m，T2m，T3m)T，Xm為第m個(gè)樣本的特征向量，T1m到T3m分別表示從第m個(gè)樣本中所提取的對(duì)數(shù)域梅爾頻譜特征、頻譜質(zhì)心特征和均方根特征。將n個(gè)傳感器所構(gòu)建的n個(gè)特征矩陣視為卷積網(wǎng)絡(luò)的n個(gè)特征圖譜，通過n個(gè)通道輸入網(wǎng)絡(luò)。將不同大小的卷積核作用于輸入特征圖譜以實(shí)現(xiàn)多通道信息融合。卷積核以局部權(quán)值矩陣的形式遍歷特征圖譜中的所有位置，進(jìn)行內(nèi)積運(yùn)算，同一卷積核實(shí)現(xiàn)權(quán)值共享，加上偏置得到融合后的特征圖譜。卷積計(jì)算的一般形式如下：

　　式中：xkl——第l層的第k個(gè)特征圖譜;

　　xnl-1——前一層第n個(gè)特征圖譜的輸出;

　　ωnkl——1層的第n個(gè)特征圖譜與l層的第k個(gè)特征圖譜之間的卷積核;

　　bkl——l層第k個(gè)特征圖譜的偏置;

　　Mn——l-1層與l層進(jìn)行卷積運(yùn)算的所有輸出特征圖譜。

　　同時(shí)，為了在保留主要特征的前提下減少參數(shù)數(shù)量，對(duì)于融合后的特征圖譜采取下采樣操作。公式如下：

　　xjl=f(βjldown(xnl-1)+bil}(4)

　　down(·)為下采樣函數(shù)。表示對(duì)前一層的第n個(gè)輸出特征圖譜進(jìn)行下采樣操作，對(duì)不同n×n塊的像素進(jìn)行求和，使輸出的特征圖譜在兩個(gè)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(jīng)元將與全連接網(wǎng)絡(luò)的神經(jīng)元節(jié)點(diǎn)相連接，進(jìn)行故障識(shí)別與分類。

　　1.3 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

　　卷積神經(jīng)網(wǎng)絡(luò)模型如圖2所示。Conv1、Conv2為卷積層，其功能是對(duì)多通道的輸入信息進(jìn)行融合。Pool1、Pool2為池化層，采用最大池化的方式對(duì)卷積層的輸出特征圖譜進(jìn)行降維，以減小計(jì)算損耗，節(jié)約計(jì)算資源。FC為全連接層，完成齒輪故障識(shí)別與分類任務(wù)。Softmax為激活函數(shù)對(duì)輸出預(yù)測(cè)概率進(jìn)行歸一化使所有預(yù)測(cè)概率之和為1。

　　每層網(wǎng)絡(luò)的具體參數(shù)如表1所示。

　　N為輸入通道數(shù)，每個(gè)通道對(duì)應(yīng)于每個(gè)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(zhǎng)在特征圖譜上進(jìn)行內(nèi)積運(yùn)算，第一層卷積層的濾波器個(gè)數(shù)設(shè)置為32，第二層設(shè)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(shù)。每層網(wǎng)絡(luò)均以ReLU作為激活函數(shù)，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(gè)神經(jīng)元對(duì)故障特征進(jìn)行識(shí)別，并以Softmax作為分類器，輸出預(yù)測(cè)結(jié)果。

　　2 實(shí)驗(yàn)驗(yàn)證與分析

　　2.1 實(shí)驗(yàn)環(huán)境

　　為提高實(shí)驗(yàn)成功率，得到?jīng)]有受干擾的、純粹的由齒輪箱振動(dòng)引起的聲輻射信號(hào)，齒輪故障診斷仿真模擬實(shí)驗(yàn)在半消聲室中進(jìn)行。實(shí)驗(yàn)臺(tái)如圖3所示。該實(shí)驗(yàn)臺(tái)由電動(dòng)機(jī)、變頻器、二級(jí)齒輪減速器、彈性聯(lián)軸器、磁粉制動(dòng)器和張力控制器組成。電動(dòng)機(jī)作為動(dòng)力源通過彈性聯(lián)軸器與減速器的高速軸相連，張力控制器控制磁粉制動(dòng)器激磁電流，模擬恒定負(fù)載狀態(tài)，4個(gè)傳聲器安裝在半球陣列架上，從4個(gè)不同的測(cè)點(diǎn)采集聲音信號(hào)。齒輪模擬故障狀態(tài)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(diǎn)蝕、磨損、斷齒3種故障。得到齒輪運(yùn)行的4種狀態(tài)。并由Head數(shù)據(jù)采集系統(tǒng)采集轉(zhuǎn)速1800r/min空載狀態(tài)下的4類四通道聲音信號(hào)，采樣率設(shè)為16000Hz，其時(shí)域、頻域信號(hào)如圖5所示。每類故障40個(gè)樣本，共160個(gè)樣本，每個(gè)樣本為60s的音頻文件。

　　2.2 數(shù)據(jù)預(yù)處理

　　將采集到的160個(gè)60s音頻文件以10s為一個(gè)片段進(jìn)行切分，共得到960個(gè)樣本，并將樣本劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。其中訓(xùn)練樣本個(gè)數(shù)為每類150個(gè)共600個(gè)樣本，驗(yàn)證樣本為每類60個(gè)共240個(gè)，測(cè)試樣本為每類30個(gè)共120個(gè)。同時(shí)借鑒語(yǔ)音識(shí)別中音頻信號(hào)處理的經(jīng)驗(yàn)，使用非重疊的窗口將10s的音頻文件劃分為10個(gè)1s的音頻片段進(jìn)行特征提取，以降低計(jì)算復(fù)雜度。在特征提取部分，以32ms幀長(zhǎng)的方式提取特征。128維的梅爾濾波帶系數(shù)作為特征輸入，同時(shí)包含其一階導(dǎo)數(shù)共256維。在送入卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練前，將多幀串聯(lián)構(gòu)成256×32的長(zhǎng)時(shí)特征，并對(duì)所有特征進(jìn)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(gè)傳聲器的特征矩陣構(gòu)成256×32×4的特征矩陣用以輸入四通道的卷積網(wǎng)絡(luò)進(jìn)行訓(xùn)練、驗(yàn)證及測(cè)試。

　　2.3 實(shí)驗(yàn)結(jié)果分析

　　利用卷積神經(jīng)網(wǎng)絡(luò)融合以對(duì)數(shù)域梅爾頻譜及其一階導(dǎo)數(shù)為特征的四通道特征矩陣。網(wǎng)絡(luò)以交叉熵為損失函數(shù)，在訓(xùn)練集上通過Adam優(yōu)化算法對(duì)參數(shù)進(jìn)行優(yōu)化，縮小預(yù)測(cè)值與真實(shí)值的差值，并利用驗(yàn)證集調(diào)整學(xué)習(xí)率，批處理數(shù)量等超參數(shù)。經(jīng)調(diào)整后學(xué)習(xí)率設(shè)置為0.003，批處理數(shù)量設(shè)為50。最后以測(cè)試集上的識(shí)別率作為該模型的評(píng)價(jià)指標(biāo)。在包含4種齒輪狀態(tài)的1200個(gè)1s音頻片段的測(cè)試集上，利用卷積網(wǎng)絡(luò)融合多傳感器信息的識(shí)別結(jié)果如表2所示。

　　實(shí)驗(yàn)結(jié)果表明，基于卷積神經(jīng)網(wǎng)絡(luò)的多個(gè)傳感器單個(gè)特征信息融合診斷方法在齒輪正常狀態(tài)下的識(shí)別率達(dá)到100%，說明該方法能夠準(zhǔn)確區(qū)分齒輪的故障與非故障狀態(tài)，同時(shí)在斷齒、磨損、點(diǎn)蝕故障狀態(tài)下的識(shí)別率分別達(dá)到100%、99.6%、99.6%，這同樣表明所提出的方法能夠準(zhǔn)確識(shí)別多級(jí)齒輪傳動(dòng)系統(tǒng)中齒輪的故障狀態(tài)。

　　同時(shí)，為進(jìn)一步證明多個(gè)傳感器單個(gè)特征信息融合診斷法的優(yōu)越性，將提出的方法與單個(gè)傳感器多特征的傳統(tǒng)方法相比較。在單一傳感器對(duì)數(shù)梅爾頻譜特征矩陣的基礎(chǔ)上添加頻譜質(zhì)心(Centroid)與均方根能量(RMS)兩種特征，構(gòu)成數(shù)據(jù)樣本。其對(duì)比診斷結(jié)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(gè)傳感器的最高識(shí)別率高24.8%，并且可以發(fā)現(xiàn)，傳感器1，2，3的識(shí)別率非常接近，而傳感器4的識(shí)別率與其余3個(gè)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(guān)。傳感器4的布置最靠近故障齒輪，因此采集到的聲音信號(hào)更清晰，特征更明顯，識(shí)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(gè)實(shí)驗(yàn)臺(tái)，可融合全方位的聲音信息，故其識(shí)別率更高，結(jié)果更為可靠。

　　3 結(jié)束語(yǔ)

　　本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)與多通道聲學(xué)信號(hào)的齒輪故障方法。利用多傳聲器從不同測(cè)點(diǎn)采集齒輪故障過程中全方位的聲輻射信號(hào)，并提出以卷積神經(jīng)網(wǎng)絡(luò)為融合手段的信息融合方法，對(duì)多傳感器的同一特征量進(jìn)行融合，該方法克服了傳統(tǒng)ABD方法因測(cè)點(diǎn)位置難確定而只能進(jìn)行局部診斷的缺陷，回避了傳統(tǒng)信息融合方法權(quán)值難確定、實(shí)時(shí)性差的劣勢(shì)。實(shí)驗(yàn)結(jié)果表明，該方法能夠識(shí)別多級(jí)齒輪傳動(dòng)系統(tǒng)中齒輪的故障狀態(tài)，與傳統(tǒng)診斷方法相比具有更高的故障識(shí)別率。