基于声信号和一维卷积神经网络的电机故障诊断研究

汪 欣，毛东兴，李晓东

（1.同济大学 声学研究所，上海200092；2.中国科学院 上海高等研究院，上海201210；3.中国科学院 声学研究所，北京100190）

电机作为一种电能转换的电磁装置，在各行各业都有相关的应用。针对电机的故障诊断，目前已有不少研究，按信号采集的手段大致可分为3类：基于电流信号的电机故障诊断；基于振动信号的电机故障诊断；基于声信号的电机故障诊断等。

基于电流信号的电机故障诊断方法是一种常见的诊断手段[1-3]。但基于电流信号的故障诊断法只能对有限的电气故障（比如断棒、短路转子、定子线圈等）进行分析。基于振动信号的电机故障诊断方法是目前主流的故障诊断方法，学界普遍采用振动信号分析法实现对电机故障状态的有效识别[4-7]。但振动信号的采集需要将加速度传感器安装在电机上，这种接触式检测往往受测试条件和测试环境限制，具有一定的局限性。相比而言，基于声信号的电机故障诊断手段属于非接触式测量，能够在一些无法使用加速度传感器的场合使用[8-10]。

电机故障诊断的核心算法主要由特征提取和模式识别组成。传统的特征提取算法包括傅里叶变换、小波变换、经验模式分解以及信号统计学特征等；传统的模式识别算法包括BP 神经网络、支持向量机(SVM)、贝叶斯分类器等。传统的故障诊断方法的优点在于，特征提取方法简单易行，但对人工参与的要求比较高、依赖人工提取和领域内的专家知识，需要人工对不同的应用环境进行特征提取和算法选择，具有一定的主观性[11]。

近年来，随着深度学习算法的不断发展，基于深度学习方法的故障诊断技术应用研究已经兴起。文献[6]提出一种基于稀疏自编码器的电机故障诊断方法，利用电机信号的Hilbert包络谱作为输入，实现对电机故障的有效分类。文献[7]将时域信号转变为二维信号后利用二维卷积神经网络对电机振动信号进行了故障分析。文献[12]通过长短时记忆网络（LSTM）对轴承的运行状态进行了分类诊断。

卷积神经网络（CNN）是近年发展起来的一种典型的深度学习方法，其最大的优势在于无需人工选取特征，已经在计算机视觉、自然语言处理等领域取得了广泛的应用。本文设计出一种新型一维卷积神经网络（1D-CNN）结构，提出了一种基于声信号和1D-CNN的电机故障诊断算法。该算法省去了传统算法手动提取特征的过程，无需对原始数据进行预处理，将原始数据直接送入1D-CNN 网络，通过1DCNN 网络强大的特征提取能力，利用1D-CNN 网络中交替的卷积层和池化层自动提取出隐藏在原始数据中的非线性特征，并结合全连接层完成自适应特征学习，最终实现对电机故障声信号的准确分类。

1 1D-CNN基本原理

1.1 卷积神经网络（CNN）

典型的CNN 网络通常包括输入层、卷积层、池化层、完全连接层和输出层[13]。

CNN的输入层可处理多维数据，预先对输入数据进行标准化处理，能够提高算法的运行效率和学习性能。

卷积层对上一层的输出进行卷积运算，并采用非线性激活函数构造输出特征。激活函数的目的是将原本线性不可分割的多维特征映射到另一个空间中，从而增强特征的线性可分离性。卷积运算的数学模型为[14]

其中：Kil表示第l层的第i个滤波器权重，bli表示第l层的第i个滤波器网络偏置，xl(j)表示第l层的第j个局部输入，yil+1(j)表示第l+1层第i帧中第j个神经元的输入。

运用激活函数对每个卷积中输出的logits值进行非线性变换。本文采用ReLU函数。当输入值大于0时，ReLU函数的导数值始终为1，从而克服了梯度弥散问题。ReLU的公式如下：

其中：yil+1(j)表示卷积运算的输出值，而ali+1(j)表示yil+1(j)的激活值。

池化层通过数据降采样将大矩阵向下采样为小矩阵，从而减少了计算并防止了过拟合。最大池化的公式如下：

其中：qli(t)表示第l层处第i个特征中的第t个神经元的值，t∈[(j-1)W+1,jW],W表示池化区域的宽度，Pil+1(j)表示第l+1层第i个特征中的第j个神经元的值。

全连接层可以在卷积层或池化层整合差异化的局部信息，实现全局优化。全连接层的公式如下[15]：

其中：Wiltj表示第l层第i个特征中第t个神经元和第l+1层的第j个神经元之间的权重，zl+1(j)表示第l+1层的第j个神经元的logits值，blj表示网络偏置，ali(t)为第l层处第i个特征中的第t个神经元的输出值，f(·)表示激活函数ReLU。

输出层通常使用Softmax 分类器输出分类标签。Softmax 分类器是常见的线性分类器，是对logistic regression 分类器的推广。Softmax 分类器的公式如下：

其中：zo(j)表示输出层的第j个神经元的输出值，M表示类别的总数。

1.2 1D-CNN智能故障诊断方法

根据CNN神经网络的基本原理，针对电机不同状态声信号的识别应用问题，本文设计出一种新型1D-CNN 结构，具体如图1所示。该卷积网络包含3个卷积层、3个池化层、1个全连接层以及1个Softmax层。信号通过第一个卷积层后，变为一组特征图，再经过最大值池化进行降采样。这样通过多层卷积和池化，将最后一个池化层的特征与全连接层相连，传递给softmax层。

本文实验中使用的新型1D-CNN结构参数如表1所示。该结构共有3层卷积与池化层，第1层卷积核大小为64*1，第2层卷积核大小为32*1，第3层卷积核大小为16*1，Softmax层有4个输出，对应实验电机的4种状态。

图1 新型1D-CNN结构

表1 新型1D-CNN结构参数

2 空调电机故障诊断实验平台搭建

空调电机是一种常见的重要的电机类型，在运行的过程中出现故障，不仅会产生噪声污染，而且会影响空调整机的正常使用。

目前的空调电机出厂检验都是依靠人工听检来分辨故障电机的故障类型，剔除故障电机，具有很大的局限性，检测速度较慢，容易造成检测误差。针对这一问题，本文搭建了空调电机故障诊断实验平台，采用基于声信号和1D-CNN的电机故障诊断算法，对一组故障空调电机开展分类实验。

本实验中所使用的故障电机均为空调外机的风扇电机。根据厂商凭借人工经验检测提供的检测报告，这组实验电机状态共有4种，分别为：正常、轴承故障、摩擦故障和松动故障。

首先，搭建不同故障状态下的声信号采集实验平台，如图2所示。实验平台包括一个BK4189测试传声器、一台BK3160数据采集系统和一台用于后处理的便携式计算机。

图2 电机故障实验平台

根据实验平台采集到的4种状态的电机声信号时域波形如图3所示，采样率为32 768 Hz。

图3 4种状态的电机声信号时域波形图

然后制作电机故障样本数据集。每2 048 点为一个样本分组，每种状态的电机包含3 000组样本，并添加标签类别，构成如表2所示的电机故障样本数据集。

表2 电机故障样本数据集

3 实验结果分析

3.1 1D-CNN算法性能分析

首先对1D-CNN算法的准确率随迭代次数的变化进行分析。准确率是指对于给定的测试数据集，被分类器正确分类的样本数与总样本数之比。通过计算准确率可以直观地体现分类算法的性能。

运用1D-CNN算法对表2中的数据集进行处理，计算出每次迭代后得到的对应准确率值，最后绘制出100次迭代的准确率曲线，如图4所示。

图4 1D-CNN算法准确率曲线图

由图可见，随着迭代次数的增加，1D-CNN算法的准确率呈上升趋势。经过100次迭代后，准确率可以达到98%以上。

接下来对1D-CNN算法性能进行可视化分析。t-分布领域嵌入算法（t-distributed Stochastic Neighbor Embedding，t-SNE）是一种集降维与可视化于一体的技术，它将数据点之间的高维欧氏距离转化为表示相似度的条件概率。该可视化算法将高维数据映射到低维数据之后，高维空间中彼此分离的点在低维空间中保持不变。在学习收敛之后，t-SNE能够将数据集投影到二维或三维空间。

为了探究本文提出的1D-CNN算法的内在机制，利用t-SNE可视化算法对实验空调电机声信号经过卷积层后的特征进行了二维分布可视化分析，如图5所示。

图5(a)表明，电机故障声信号数据集的时域原始数据几乎不能分开；图5(b)表明，经过1层卷积后的特征表达依旧没有完全分开，但特征分布已经呈现区分趋势；图5(c)表明，经过2层卷积后得到的特征表达已经可以慢慢分开；图5(d)表明，经过3层卷积后得到的特征表达已经完全分开，各自聚集在相应的区域。由图5可视化结果可以看出，1D-CNN算法能够很好地对电机故障信号进行分类。

图5 空调电机数据集样本的可视化结果

3.2 1D-CNN算法与其他算法的比较

本文选取了FFT-BP[4]、SVM、FFT-SAE[6]等算法与1D-CNN算法进行比较。FFT-BP、SVM、FFT-SAE这3种算法分别是经典算法和深度学习算法中的常用算法。其中，FFT-BP算法是将声信号经FFT变换后的特征输入BP 网络进行分类，SVM算法是对声信号的时频域统计特征进行SVM分类，都属于经典算法；FFT-SAE算法是将声信号经FFT 变换后的特征送入SAE 网络进行分类，属于一种深度学习方法。

为比较这4种算法的性能，分别将这4种算法用于处理表2中的空调电机故障样本数据集，计算出各自的电机故障识别准确率。可以发现，采用FFTBP算法对时域声信号进行FFT 变换，通过BP算法进行100次迭代，可以得到80.8%的准确率；SVM通过对时域声信号的多种统计特征进行计算，并输入SVM 分类器，可以得到90.2 %的准确率；FFT-SAE算法对时域声信号进行FFT 变换，并将经FFT 变换结果送入SAE 网络，通过100次迭代可以得到94.6%的准确率；本文提出的1D-CNN算法通过100次迭代则可以得到98.9%的准确率。以上准确率均为通过十折验证法得到的平均值。FFT-BP、SVM、FFT-SAE等算法与1D-CNN算法的准确率对比如表3所示。

表3 1D-CNN算法与其他算法准确率对比表

由表3可看出，运用不同的算法对空调电机故障声信号数据集进行分类，本文提出的1D-CNN算法，作为一种新型结构深度学习算法，其准确率明显优于FFT-BP、SVM等经典算法，也优于FFT-SAE深度学习算法。

4 结语

本研究针对电机故障诊断的需求，提出了一种基于声信号和1D-CNN的电机故障诊断算法，并以一组空调故障电机作为实验对象展开研究，验证了1D-CNN算法在电机故障分类识别领域的有效性。本研究的主要贡献有：

（1）设计了一种新型的一维卷积神经网络结构（1D-CNN），提出了一种基于声信号和1D-CNN的电机故障诊断算法，该算法可以自动地对时域声信号数据进行特征提取并分类。

（2）运用t-SNE可视化算法，对1D-CNN算法的性能进行了可视化分析，探究了1D-CNN算法的内在机制。

（3）将1D-CNN算法与FFT-BP、SVM 及FFTSAE 等算法的准确率结果相比较，验证了1D-CNN算法作为一种新型结构深度学习算法，具有更高的准确率。

（4）采用所提出的基于声信号和1D-CNN的电机故障诊断方法，有望实现对电机进行大批量非接触式的故障检测，提升故障电机检测效率和准确率。