基于噪聲檢測的機械故障智能診斷系統(tǒng)設計

何志軍，陳 聰，張文青

（中電?？禑o錫科技有限公司，江蘇 無錫 214122）

0 引言

隨著現(xiàn)代機械設備自動化水平的提高，機械設備安全穩(wěn)定運行的重要性日益凸顯。在設備日常運行狀態(tài)下，小故障也可能引起重大意外發(fā)生，造成巨大經(jīng)濟損失，甚至出現(xiàn)人員傷亡等嚴重后果。而傳統(tǒng)工程機械裝備的故障診斷方法和理論，已經(jīng)逐漸不適應目前復雜化、自動化、信息化的工程機械裝備和系統(tǒng)。2015年5月，國務院正式印發(fā)《中國制造2025》，緊密圍繞重點制造領域關鍵環(huán)節(jié)，開展新一代信息技術與制造裝備融合的集成創(chuàng)新和工程應用[1]。隨著智能制造的推進，工業(yè)制造領域?qū)υO備健康管理的迫切需求，為互聯(lián)網(wǎng)+人工智能技術在工業(yè)制造領域的研發(fā)落地提供了市場基礎。

區(qū)別于利用接觸式振動傳感器及振動信號處理進行故障分析的傳統(tǒng)方法，本文提出一種基于噪聲檢測的非接觸式故障智能診斷系統(tǒng)架構設計。該系統(tǒng)根據(jù)特定應用場景，利用聲音傳感器采集噪聲信號并進行信號處理，利用人工智能學習對機械設備故障進行診斷。

1 機械設備故障診斷方法

機械故障診斷是一種了解和掌握機器在運行過程的狀態(tài)，確定其整體或局部正?；虍惓?，早期發(fā)現(xiàn)故障及其原因，并能預報故障發(fā)展趨勢的技術。機械設備中大部分都是旋轉(zhuǎn)機械，在能源動力、電力、化工、治金等重要領域，旋轉(zhuǎn)機械速度一般較高，對故障診斷技術需求較迫切。如發(fā)電機、汽輪機、鼓風機、大型軋鋼機等機械設備，往往是企業(yè)的關鍵設備，其工作狀態(tài)不僅影響該機器設備本身的運行，還會對后續(xù)生產(chǎn)造成影響，嚴重故障時可能會對企業(yè)生產(chǎn)造成重大影響，甚至導致機毀人亡事故。發(fā)生輕微故障的設備若持續(xù)運行，不但效率較低，損耗更多的能量，而且會增加后續(xù)的維修難度及成本。為保證設備安全運行，降低設備維修費用，提高設備利用率，大型旋轉(zhuǎn)機械狀態(tài)監(jiān)管與故障診斷的研究工作已得到各層級工業(yè)部門的高度重視。

1.1 傳統(tǒng)診斷方法

目前可用于機械狀態(tài)監(jiān)測與故障診斷的傳統(tǒng)方法主要包括振動診斷、油樣分析、溫度監(jiān)測和無損探傷檢測。其中，振動診斷的涉及領域最廣，理論基礎最為雄厚，研究最為充分。早期的故障診斷系統(tǒng)成本較高，往往采用了振動、壓力、油溫等多種探測手段，基本服務于大型設備的檢測工作，如大型汽輪機、壓縮機和化工機械等。隨著計算機技術、嵌入式技術以及新興虛擬儀器技術的發(fā)展，故障診斷裝置和儀器已經(jīng)由最初的模擬式監(jiān)測儀表發(fā)展到現(xiàn)在的基于計算機的實時在線監(jiān)測，并在中小型設備中得到了廣泛應用。但該類系統(tǒng)往往單一考慮油溫、壓力等傳感值，缺少對機械振動信號的采集和處理，診斷結(jié)果的可靠性不足[2]。機械震動信號監(jiān)測診斷主要有兩個難點：一是振動信號的采集往往需要在運動單元上安裝位移、速度或加速度傳感器，這會影響運動部件本身的特性參數(shù)，如未在設計時就考慮傳感器預裝位置，后續(xù)實際生產(chǎn)運行中往往也不允許在如軸承殼體上鉆孔安裝；二是在中小型機械設備的運動部件增加傳感器及信號采集接口具有一定的難度，會導致企業(yè)成本大幅度增加。因此，如何在沒有振動傳感器的情況下獲取設備的振動信號，進行檢測并給出準確的故障診斷結(jié)果，是當前機械設備故障檢測領域迫切需要解決的難題之一。

1.2 噪聲診斷方法

運動機械進行作業(yè)時，除了本身振動外同時還伴隨發(fā)出噪聲（噪聲主要是由振動產(chǎn)生的），噪聲的頻率與振動頻率密切相關。因此，通過機械噪聲進行故障診斷的方法應運而生。由于噪聲信號與物理振動的協(xié)同性，利用機器運行中的噪聲替代振動信號作為信息源，通過噪聲參數(shù)的變化特征判別機器的運行狀態(tài)，可以實現(xiàn)機械故障的實時診斷。絕大多數(shù)中小型的電機、水泵等旋轉(zhuǎn)機械，都可通過噪聲故障診斷方法[3]解決其傳統(tǒng)診斷方法的相關缺陷。

噪聲檢測診斷方法不需要在原來的設備上鉆孔安裝傳感器，因而有其獨特的優(yōu)勢，但機械噪聲因易受環(huán)境噪聲影響，因而該方法在準確性與可靠性方面不如振動檢測診斷，導致沒有得到大規(guī)模應用。近年來，隨著聲學、微電子、人工智能技術的發(fā)展，噪聲檢測診斷方法存在的不足已得到較大改善。比如當前的多麥克陣列技術，可獲得聲學信號，并可在硬件和軟件上進行消噪處理，大幅度降低了環(huán)境噪聲影響，為獲取振動的原始聲信號創(chuàng)造了先決條件。另外，各類語音獲取與處理技術也取得了長足的進步，并在智能音箱上獲得了成功的應用，也在某些特定工業(yè)場景下得到了驗證。上述技術的發(fā)展和應用，為機械噪聲檢測診斷方法帶來了前所未有的發(fā)展空間。

2 智能故障診斷系統(tǒng)設計

基于噪聲信號測量和分析的故障檢測診斷方法具有儀器簡單、非接觸測量、不影響設備等諸多特點，然而，目前多數(shù)噪聲診斷的測試分析方法依舊沿用振動測試思路，依賴大量信號處理技術與人為診斷經(jīng)驗，降低了診斷可靠性與準確性。因此，本文提出一種故障智能診斷系統(tǒng)設計方案，利用機器學習實現(xiàn)機械故障噪聲的特征提取與模型訓練，通過不同類型的智能終端設計和部署，改善多場景適用性，實現(xiàn)多類機械設備在分布式部署環(huán)境下的綜合故障診斷。

2.1 系統(tǒng)架構設計

基于噪聲檢測的故障智能診斷系統(tǒng)架構，主要包括大數(shù)據(jù)子系統(tǒng)、機器學習子系統(tǒng)、智能診斷終端及上層業(yè)務應用系統(tǒng)平臺四個模塊，整體架構如圖1所示。

圖1 系統(tǒng)整體架構設計Figure1 Schematic diagram of overall system architecture design

（1）大數(shù)據(jù)子系統(tǒng)

采用Hadoop分布式計算架構設計，可并行支持多個物理節(jié)點和同一節(jié)點內(nèi)多臺服務器的分布式并行計算。系統(tǒng)具有可擴展性，可根據(jù)計算需求，對計算節(jié)點和節(jié)點內(nèi)的計算服務器進行擴展。采用分布式實時流計算框架STORM，可以分布式處理大規(guī)模的實時數(shù)據(jù)，具有低延遲、高性能、分布式和可擴展的特點。關系型數(shù)據(jù)庫存儲集群采用傳統(tǒng)的關系型數(shù)據(jù)庫系統(tǒng)，主要存儲基本的領域知識和系統(tǒng)所需要的原數(shù)據(jù)、任務定義、計算并需要在頁面上展示的結(jié)果等。

（2）機器學習子系統(tǒng)

基于人工智能和機器學習技術，通過對接故障識別庫、算法、構建模型、迭代優(yōu)化等步驟逐步完善故障自動化診斷系統(tǒng)，主要內(nèi)容包括：基礎數(shù)據(jù)統(tǒng)計、計算引擎數(shù)據(jù)加載、劃分訓練和測試集合、訓練模型并驗證測試集、模型存儲應用、模型迭代等。

（3）智能診斷終端

根據(jù)系統(tǒng)的需求，兼顧多數(shù)中小型機械設備以分布式部署為主的情況，設計兩種技術方案的智能診斷終端，包括基于DSP（Digital Signal Processing）的故障智能診斷終端、基于云計算的故障智能診斷終端、基于邊緣計算的故障智能診斷終端。

（4）故障智能診斷系統(tǒng)平臺

即為設備監(jiān)管及業(yè)務流程平臺，包括機械設備運行狀態(tài)的可視化展現(xiàn)、智能診斷終端工作情況實時監(jiān)控、故障分析模型管理、故障處置流程管理、多級監(jiān)管權限的配置分發(fā)等。

2.2 機器學習框架設計

基于人工智能技術的發(fā)展現(xiàn)狀，通過深度學習實現(xiàn)機械故障診斷的方法被越來越多地應用到工程實踐中。以深度學習為核心的故障智能診斷方法，利用深層神經(jīng)網(wǎng)絡建立信號與故障狀態(tài)信息之間的復雜映射關系，完成故障特征的自適應提取與補充，能夠擺脫對大量信號處理技術與人工診斷經(jīng)驗的依賴。

本系統(tǒng)的機器學習子系統(tǒng)采用卷積神經(jīng)網(wǎng)絡模型。機械噪聲采集與故障診斷基本流程如圖2所示。

圖2 基于機械噪聲的故障診斷流程Figure 2 Fault diagnosis flow based on mechanical noise

（1）機械噪聲信號獲取

單傳感器與多傳感器多通道采集是目前兩種主流的聲信號采集方法。單傳感器具備操作簡便、數(shù)據(jù)無需校準與匹配等特點；多傳感器多通道采集則具有信息采集全面、抗干擾能力強等優(yōu)點[4]。本方案選擇MEMS聲傳感器陣列作為機械噪聲信號獲取的傳感設備。

（2）故障特征參數(shù)提取

在故障模式識別中，特征提取是關鍵環(huán)節(jié)，其敏感性和規(guī)律性將決定模式識別是否能夠得到正確結(jié)果。目前國內(nèi)的主流特征提取方法包括人工提取與自適應特征提取。其中，本方案所選擇的自適應特征提取方式直接以噪聲信號的時域、頻域特征作為輸入，通過多層非線性變換挖掘深層特征信息，可保留完整故障信息，避免故障信息遺漏。

（3）故障識別模型訓練

模型訓練使用卷積神經(jīng)網(wǎng)絡進行，其主要包括卷積層、池化層、批處理歸一化層和全連接層。將樣本數(shù)據(jù)輸入卷積神經(jīng)網(wǎng)絡模型，以前向和后向傳播方式完成訓練，保存模型。

（4）故障識別診斷

通過測試樣本驗證診斷模型準確性，通過分類器獲得結(jié)果，完成故障類型識別。

2.3 智能診斷終端設計

2.3.1 基于DSP的故障智能診斷終端

基于DSP的故障智能診斷系統(tǒng)設計如圖3所示。在該設計中，故障智能診斷終端由MEMS（Micro-Electro-Mechanical System）聲傳感器陣列、音頻ADC（Analog-to-Digital Converter）、低功耗DSP、低 功 耗MCU（Micro Controller Unit）、RF（Radio Frequency）模塊、FLASH模塊和電源模塊等構成。其工作原理為：MEMS聲傳感器陣列將模擬信號經(jīng)過音頻ADC分別進行前置放大、模數(shù)轉(zhuǎn)換和噪聲抑制處理后傳送給DSP模塊，由DSP完成信號預處理、特征提取識別[5]分類等處理后，將故障診斷結(jié)果傳送給MCU；系統(tǒng)選用低功耗MCU作為主控制器，其主要完成整個傳感器的控制和處理工作，如若接收到DSP傳送過來的故障診斷結(jié)果，則將此結(jié)果通過RF模塊發(fā)送至基站。FLASH模塊負責存儲樣本庫模型，當RF模塊接收到基站傳送過來的樣本模型更新信息后，通過MCU將其接收的樣本模型傳送給DSP模塊，由DSP模塊將新的樣本模型更新到FLASH內(nèi)，實現(xiàn)樣本模型的動態(tài)更新。傳感器采用外部供電方式。

圖3 基于DSP的故障智能診斷終端架構設計Figure3 Intelligent fault diagnosis system architecture design based on DSP

RF模塊擬使用LoRa模組。LoRa通信技術擁有功耗低、穿透性能好、魯棒性強、距離長和接入點多等特點，并支持點對點位置檢測和原生AES-128加密功能。理論上，其通信距離達到15km，接入點可達到2萬多個。選用LoRa模組可滿足大范圍及較大量的測試點結(jié)果傳輸，降低系統(tǒng)的使用成本。

該方案的樣本模型訓練需要依賴電腦或者其他輔助設備，通過其對采集的大量正常與故障狀態(tài)數(shù)據(jù)和樣本類別不斷訓練生成樣本模型。為了實現(xiàn)樣本模型的動態(tài)更新，可以通過基站使用LoRa網(wǎng)絡將不斷訓練的樣本模型更新到故障診斷設備FLASH中。

2.3.2 基于云計算的故障智能診斷終端

基于云計算服務的故障智能診斷終端如圖4所示，由前端傳感器、NB-IoT組網(wǎng)及云端服務器組成。前端傳感器基于DSP故障智能診斷終端完成數(shù)據(jù)的預處理，然后通過NB-IoT傳送給云計算服務器，在云端完成故障診斷。

圖4 基于云計算的故障智能診斷系統(tǒng)Figure4 Intelligent fault diagnosis system based on cloud computing

該終端的應用方案包括感知層、網(wǎng)絡層和應用層三層框架，具有監(jiān)測部位多、采樣頻率高、在線收集數(shù)據(jù)時間長等特點。感知層利用安裝于設備附近的傳感器節(jié)點進行信息采集，實現(xiàn)對設備狀態(tài)的實時監(jiān)測；網(wǎng)絡層通過NB-IoT傳輸方式，將數(shù)據(jù)上傳至設備診斷管理平臺，平臺利用柔性開放、可擴展、可重構、實時交互的數(shù)據(jù)預處理模塊與設備故障模型庫，實現(xiàn)監(jiān)測信號分析、故障特征提取、故障診斷及預測功能。

3 系統(tǒng)應用場景分析

在實際環(huán)境中，許多機械設備處于無人值守狀態(tài)，如油田水泵及抽油機、城市排水系統(tǒng)的水泵等。且該場景下的電機、水泵等旋轉(zhuǎn)機械分布較廣，通常需要維護人員不定期趕到現(xiàn)場“看、聽、摸、聞”進行故障識別診斷。針對此情況，本系統(tǒng)提出三種方案應用模式，如圖5所示，可針對機械設備多種部署模式進行適應性選擇。三種方案的具體比較情況如表1。

圖5 故障智能診斷系統(tǒng)應用方案Figure 5 Intelligent fault diagnosis system application scheme

表1 三種智能方案的比較Table1 Comparison of three smart solutions

方案一成本較低，功能較少，需要預先做好正常與故障狀態(tài)的樣本訓練，將訓練模型導入DSP中，需要有大量的先驗知識。方案二采用云端部署方式，能夠擺脫對大量信號處理技術與診斷經(jīng)驗的依賴，完成故障特征的自適應提取與運行狀態(tài)的智能診斷。方案三整合了方案一和方案二的部署方法，是大型綜合系統(tǒng)的適宜選擇。在本方案中，故障診斷模型部署在邊緣云上，在故障特征提取與識別過程中，通過模式識別算法等將數(shù)據(jù)相關性建立起來之后，確定基礎識別模型。邊緣云可根據(jù)當前邊緣設備采集的數(shù)據(jù)建立識別模型，模型建立在邊緣端，邊緣網(wǎng)采集數(shù)據(jù)經(jīng)傳輸后與本地模型進行匹配，可以實現(xiàn)基于相似度的評估[6]。

通過比較，以上三個方案各有優(yōu)劣，在具體應用過程中可按下述流程選擇：

（1）針對客戶的需求，了解故障類型，獲取原始數(shù)據(jù)；

（2）利用樣本數(shù)據(jù)進行模型訓練，確定網(wǎng)絡架構、深度學習模型算法架構，建立不同的架構模式，并通過驗證測試進行優(yōu)選；

（3）根據(jù)軟件架構，設計智能故障傳感器，進行算法移植，并進行現(xiàn)場驗證。

4 結(jié)語

機械設備功能朝著多元化的方向不斷發(fā)展進步，內(nèi)部結(jié)構也日益復雜，如其應用的故障檢測手段沒有在第一時間及時獲得科學準確的診斷結(jié)論，可能會造成不可預估的設備損傷與財產(chǎn)損失。本文提出的基于噪聲檢測的故障智能診斷系統(tǒng)，利用MEMS傳感器采集機械設備噪聲進行信號處理，對采集的噪聲數(shù)據(jù)進行去噪處理及特征提取，根據(jù)人工智能算法實現(xiàn)設備運行狀態(tài)的實時監(jiān)測診斷，可以大大提高工程機械故障智能診斷技術的使用效果，為機械設備的平穩(wěn)運行提供保障。