作者：陸汝華，樊曉平，楊勝躍，周芳芳

軸承是機(jī)械設(shè)備中應(yīng)用最為廣泛的一種通用部件，也是最容易損壞的零件之一，它工作正常與否直接影響整臺(tái)機(jī)器的性能，因而軸承故障診斷成為重要的研究課題和目前的研究熱點(diǎn)。在軸承故障診斷研究中，通常是對(duì)其工作時(shí)產(chǎn)生的振動(dòng)信號(hào)或音頻信號(hào)進(jìn)行分析，以判斷軸承運(yùn)行狀態(tài)。振動(dòng)信號(hào)法通過(guò)安裝在軸承座或箱體適當(dāng)?shù)胤降募铀俣?a href="http://www.1cnz.cn/v/tag/117/" target="_blank">傳感器獲取軸承振動(dòng)信號(hào)，并對(duì)其信號(hào)進(jìn)行分析與處理，進(jìn)而判斷軸承是否運(yùn)行正常。此方法的不足在于需要將加速度傳感器固定在待檢測(cè)的設(shè)備上，增加了成本，使用也不方便。音頻信號(hào)的采集屬于非接觸式，只需要利用麥克風(fēng)作為聲音傳感器，不但使用方便而且成本低廉，具有振動(dòng)信號(hào)不可代替的優(yōu)勢(shì)。參考文獻(xiàn)研究表明，當(dāng)軸承運(yùn)行狀態(tài)發(fā)生變化，音頻信號(hào)特性也會(huì)隨之變化時(shí)，因而對(duì)音頻信號(hào)分析是一種有效、可行的軸承故障診斷方法。目前，基于音頻信號(hào)的軸承故障診斷方法主要有：小波分析、神經(jīng)網(wǎng)絡(luò)和盲源分離方法等。 隱馬爾可夫模型HMM（Hidden Markov Model）是一種描述隨機(jī)過(guò)程統(tǒng)計(jì)特性的概率模型，能夠?qū)Χ鄠€(gè)觀察樣本進(jìn)行有效融合而構(gòu)成一個(gè)模型，具有較好的抗噪能力，在交通監(jiān)測(cè)、圖像識(shí)別、語(yǔ)音識(shí)別以及基于振動(dòng)信號(hào)的故障診斷等領(lǐng)域中都得到了較好的應(yīng)用，也是目前為止最有效的語(yǔ)音識(shí)別方法。而Mel頻率倒譜系數(shù)MFCC（Mel Frequency CepstrumCoefficients）考慮了人耳聽(tīng)覺(jué)特性，能很好地反映音頻信號(hào)特征，在語(yǔ)音識(shí)別、音頻分類(lèi)和檢索研究領(lǐng)域應(yīng)用十分廣泛。本文通過(guò)對(duì)音頻信號(hào)的MFCC特征提取，分別采用DHMM（Discrete HMM）和CGHMM（Continuous Gaussian MixtureHMM）兩種方法進(jìn)行建模與診斷研究。DHMM方法對(duì)觀測(cè)序列進(jìn)行了量化處理，運(yùn)算速度快，卻降低了診斷精度。而CGHMM方法不需要量化，避免了量化帶來(lái)的數(shù)據(jù)處理誤差，提高了診斷精度，但減慢了運(yùn)算速度。從總體上來(lái)看，兩種方法都具有運(yùn)算速度快、診斷精度高的優(yōu)點(diǎn)，具有很好的應(yīng)用前景。

1 理論基礎(chǔ)

1.1 MFCC

Mel頻率倒譜系數(shù)MFCC用于信號(hào)特征提取，其計(jì)算過(guò)程如下：

（1） 確定每一幀信號(hào)的長(zhǎng)度N及幀移，并對(duì)每一幀信號(hào)序列進(jìn)行預(yù)處理（加窗、預(yù)加重等）。本文采用應(yīng)用較廣的漢明窗：

ω（n）=（1-α）-αcos（2πn/N） （1）

式中，0《α《1，通常取值為0.46。

（2） 將預(yù)處理后的信號(hào)進(jìn)行快速傅立葉變換（FFT），將時(shí)域信號(hào)轉(zhuǎn)換為頻域信號(hào)，再計(jì)算其模的平方得到能量譜P［k］，0≤k≤N-1。

（3） 選取濾波器個(gè)數(shù)為M，并定義最低頻率接近零，最高頻率為輸入音頻信號(hào)頻率的一半，再根據(jù)mel（f）頻率與實(shí)際線性頻率f的關(guān)系mel（ f ）=2 595lg（1+f/700）計(jì)算出三角帶通濾波器組Hm［k］，則能量譜P［k］通過(guò)三角帶通濾波器組Hm（k）后的輸出為：

（4） 對(duì)S［m］進(jìn)行離散余弦變換（DCT）即得到MFCC系數(shù)：

（5） 取C［1］，C［2］，…，C［V］作為MFCC參數(shù)，此處V是MFCC參數(shù)的維數(shù)，通常為12～16。

1.2 HMM

隱馬爾可夫模型HMM是在Markov鏈的基礎(chǔ)上發(fā)展起來(lái)的一種概率模型，由三個(gè)基本參數(shù)來(lái)描述。第一個(gè)參數(shù)為狀態(tài)轉(zhuǎn)移概率A={aij|1≤i，j≤N}，aij=P（qt+1=Sj/qt=Si）表示從狀態(tài)Si變化到狀態(tài)Sj的轉(zhuǎn)移概率，顯然且aij≥0，其中，qt表示Markov鏈t時(shí)刻所處的狀態(tài)，N為HMM狀態(tài)數(shù)。第二個(gè)參數(shù)為觀察值概率分布B={bj（k）|1≤j≤N， 1≤k≤M}，bj（k）=P（Ok/qt=Sj）表示進(jìn)入狀態(tài)Sj時(shí)輸出為Ok的概率，Ok表示觀察值，M為可能的觀察值數(shù)目。根據(jù)觀察值序列的分布特點(diǎn)，HMM模型可分為離散DHMM和連續(xù)DHMM兩大類(lèi)。同時(shí)，如果觀察值序列服從連續(xù)高斯混合密度函數(shù)分布，則為連續(xù)高斯混合密度CGHMM。最后一個(gè)參數(shù)是初始概率分布π={πi|1≤i≤N}，πi=P（q1=si）表示Markov鏈從狀態(tài)Si開(kāi)始的概率，顯然

有了如上定義，HMM可描述為：

λ=（π，A，B） （4）

2 基于HMM的故障診斷

基于HMM的軸承故障音頻信號(hào)診斷系統(tǒng)框圖如圖1所示，主要包括數(shù)據(jù)采集、特征提取、HMM訓(xùn)練和HMM診斷等部分。

2.1數(shù)據(jù)采集

數(shù)據(jù)采集是使用麥克風(fēng)作為聲音傳感器，將軸承的音頻信號(hào)變?yōu)橐欢ǖ碾娖叫盘?hào)輸入計(jì)算機(jī)，即錄制波形音頻的過(guò)程。在數(shù)據(jù)采集之前，需要按照一定規(guī)則設(shè)定好音頻信號(hào)幾個(gè)重要的采集參數(shù)：采樣頻率、位數(shù)和聲道數(shù)。本文在采樣頻率為22.05kHz、A/D轉(zhuǎn)換精度為16位、聲道數(shù)為單聲道的條件下，采用VC++中提供的函數(shù)庫(kù)，實(shí)現(xiàn)對(duì)軸承音頻信號(hào)的數(shù)據(jù)采集。簡(jiǎn)單流程為：打開(kāi)錄音設(shè)備、準(zhǔn)備WAVE數(shù)據(jù)頭、準(zhǔn)備數(shù)據(jù)塊、開(kāi)始錄音、停止錄音以及關(guān)閉錄音等，詳細(xì)過(guò)程請(qǐng)參見(jiàn)參考文獻(xiàn)［10］。

2.2 特征提取

特征提取是指從軸承音頻信號(hào)中提取有用的統(tǒng)計(jì)數(shù)據(jù)，如Mel頻率倒譜特征參數(shù)（MFCC）、線性預(yù)測(cè)倒譜系數(shù)（LPCC）、感覺(jué)加權(quán)線性預(yù)測(cè)系統(tǒng)（PLP）等，是故障建模與識(shí)別的關(guān)鍵，直接影響到故障診斷效果。此外，特征提取還可以用差分系數(shù)近似描述音頻信號(hào)的幀間相關(guān)性，反映信號(hào)的動(dòng)態(tài)特征。動(dòng)態(tài)特征和靜態(tài)特征互相補(bǔ)充，提高了系統(tǒng)的診斷性能。因?yàn)镸FCC參數(shù)充分利用人耳的聽(tīng)覺(jué)特性，能很好地體現(xiàn)音頻信號(hào)的主要信息，在語(yǔ)音識(shí)別、音頻分類(lèi)和檢索領(lǐng)域應(yīng)用十分廣泛［8］。所以本文選用12維MFCC參數(shù)和12維一階差分MFCC進(jìn)行診斷實(shí)驗(yàn)。

2.3 HMM訓(xùn)練

HMM訓(xùn)練是指從同類(lèi)故障的大量音頻信號(hào)樣本中提取統(tǒng)計(jì)信息，利用恰當(dāng)?shù)挠?xùn)練算法對(duì)模型參數(shù)反復(fù)修正直至收斂，最后得到模型的狀態(tài)轉(zhuǎn)移概率A、觀察值概率分布B、初始概率分布π等參數(shù)。典型的訓(xùn)練算法有Baum-Welch算法，但此算法是在假定只有一個(gè)觀察值訓(xùn)練序列的條件下得到的。為了增加HMM故障診斷系統(tǒng)的穩(wěn)健性和提高故障診斷的準(zhǔn)確率，需要選取多個(gè)樣本進(jìn)行訓(xùn)練，以建立軸承各類(lèi)故障狀態(tài)的HMM參數(shù)模型。記L個(gè)觀察值序列（即L個(gè)樣本）為O（1）、O（2）、…、O（L），每個(gè)觀察值序列的長(zhǎng)度記為T(mén)，則此時(shí)，基于多觀察值序列訓(xùn)練的重估公式可寫(xiě)為：

2.4 HMM診斷

訓(xùn)練完成之后將模型參數(shù)存儲(chǔ)，此時(shí)，系統(tǒng)就具備了診斷的能力。診斷過(guò)程中，輸入待檢測(cè)軸承音頻信號(hào)，經(jīng)過(guò)預(yù)處理、MFCC特征提取后，得到觀察值序列O={O1，O2，…，OT}。然后，對(duì)此觀察值序列進(jìn)行故障檢測(cè)，當(dāng)檢測(cè)到有故障發(fā)生時(shí)，再進(jìn)一步進(jìn)行故障診斷，判斷出音頻信號(hào)的故障類(lèi)型。

（1） 故障檢測(cè)

故障檢測(cè)只需要訓(xùn)練一個(gè)代表軸承正常狀態(tài)的HMM模型，記為λ0。根據(jù)前向-后向算法［8］計(jì)算出待檢信號(hào)O={O1，O2，…，OT}在正常模型λ0下的輸出概率P（O/λ0）。如果此概率P（O/λ0）大于預(yù)先確定的某一閾值，則表明軸承工作正常;否則，軸承有可能出現(xiàn)某種故障，需要進(jìn)一步進(jìn)行故障診斷。

（2） 故障診斷

同樣使用前向-后向算法，快速有效地計(jì)算出觀察值序列O={O1，O2，…，OT}在各HMM模型下的輸出概率，通常情況下，概率最大的模型即為診斷結(jié)果。為了提高系統(tǒng)的診斷精度，可在后處理階段輔以必要的拒識(shí)算法，比如設(shè)定適當(dāng)?shù)母怕书撝担绻畲蟾怕市∮谶@個(gè)閾值，則診斷為其他運(yùn)行狀態(tài)。

3 軸承故障診斷實(shí)驗(yàn)

在VisualC++7.0環(huán)境下，自主開(kāi)發(fā)了基于HMM的音頻故障診斷平臺(tái)，本文所有實(shí)驗(yàn)均在此平臺(tái)上完成；診斷對(duì)象為6202CM深溝球滾動(dòng)軸承，其轉(zhuǎn)速為1800r/m；采樣頻率為22.05kHz；A/D轉(zhuǎn)換精度16位；數(shù)據(jù)幀長(zhǎng)512，幀移128。通過(guò)特征提取，將每幀信號(hào)都轉(zhuǎn)換成12維MFCC和12維一階差分MFCC，形成長(zhǎng)度為32的觀察值序列，分別采用DHMM和CGHMM兩種方法進(jìn)行了建模與診斷實(shí)驗(yàn)。

在模型訓(xùn)練環(huán)節(jié)，對(duì)于正常聲音、內(nèi)圈異音、外圈異音、滾動(dòng)體異音以及保持架音等五種軸承狀態(tài)，各采集30組音頻數(shù)據(jù)樣本進(jìn)行訓(xùn)練，分別得到DHMM和CGHMM兩類(lèi)模型訓(xùn)練過(guò)程，兩種故障模型的平均訓(xùn)練時(shí)間如表1所示。由表可以看出，由于DHMM對(duì)觀測(cè)序列進(jìn)行了量化處理，計(jì)算量小，訓(xùn)練速度快；而CGHMM的復(fù)雜度比較高，收斂過(guò)程長(zhǎng)，比DHMM方法的訓(xùn)練時(shí)間多出近一倍（但也在實(shí)時(shí)要求之內(nèi)）。

在診斷環(huán)節(jié)，另外采集了20組正常聲音、內(nèi)圈異音、外圈異音以及10組滾動(dòng)體異音和保持架音等五組數(shù)據(jù)分別進(jìn)行了測(cè)試，得到的基于DHMM和CGHMM的故障診斷結(jié)果分別如表2和表3所示。在DHMM方法中，共80次診斷出現(xiàn)8次誤診，總的診斷精度接近90%，效果較良。而CGHMM方法只出現(xiàn)2次誤診，診斷精度達(dá)到了97.5%，明顯高于DHMM方法，更具有良好的應(yīng)用前景。

本文在VC++平臺(tái)下，自主開(kāi)發(fā)了一套基于HMM的軸承故障音頻診斷平臺(tái)。通過(guò)對(duì)音頻信號(hào)的MFCC特征提取，分別采用DHMM和CGHMM兩種方法進(jìn)行建模與診斷研究。由于DHMM方法對(duì)觀測(cè)序列進(jìn)行了量化處理，運(yùn)算速度快，但降低了診斷精度。而CGHMM方法不需要量化，避免了量化帶來(lái)的數(shù)據(jù)處理誤差，提高了診斷精度，但減慢了運(yùn)算速度。從總體上來(lái)看，兩種方法都具有運(yùn)算速度快、診斷精度高的優(yōu)點(diǎn)，具有很好的應(yīng)用前景。

責(zé)任編輯：gt