基于音頻數(shù)據(jù)處理的航模電機(jī)故障狀態(tài)識(shí)別方法

【關(guān)鍵詞】電機(jī)；聲音信號(hào)；故障診斷及分類；經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）；MATLAB

引言

在無人機(jī)的實(shí)際應(yīng)用場(chǎng)景中，無論是航模比賽還是電網(wǎng)巡線，通常是遠(yuǎn)郊機(jī)場(chǎng)或偏遠(yuǎn)荒野，因此急需一種快速、便攜的電機(jī)檢測(cè)方法，在無需大量專用設(shè)備條件下提供可靠的無損檢測(cè)能力。

本項(xiàng)目利用基于EMD分解的特征提取方法和基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)分類器，通過電機(jī)運(yùn)轉(zhuǎn)的聲音，識(shí)別故障類型，該方法具有普適性，可以推廣到一般情況。

一、數(shù)據(jù)采集實(shí)驗(yàn)

（一）實(shí)驗(yàn)基本情況

收集航模隊(duì)常用電機(jī)，在帶槳與不帶槳的兩種情況下，提取滿功率下聲音信號(hào)、推力、轉(zhuǎn)速等數(shù)據(jù)，記錄正常電機(jī)與損壞電機(jī)的數(shù)據(jù)信息，用于后續(xù)聲音特征提取、故障檢測(cè)機(jī)器學(xué)習(xí)。

（二）實(shí)驗(yàn)設(shè)備

型號(hào)為A2212 KV1000的電機(jī)12個(gè)；尺寸為 6×4E、9×6E的螺旋槳各1個(gè)；采樣率為480100Hz的錄音手機(jī)1臺(tái)；錄像手機(jī)2臺(tái)（用于分別實(shí)時(shí)記錄推力、轉(zhuǎn)速信息）；測(cè)速儀、遙控器、電池和推力測(cè)試實(shí)驗(yàn)臺(tái)各1套。

（三）實(shí)驗(yàn)方法

1.數(shù)據(jù)采集

（1）無槳。將電機(jī)固定于推力測(cè)試試驗(yàn)臺(tái)，音頻記錄手機(jī)置于電機(jī)正右側(cè)30cm，錄像手機(jī)1置于推力測(cè)試臺(tái)正上方60cm處，確保各電子器件連接穩(wěn)定后，使用遙控器將電機(jī)功率調(diào)至“滿推”狀態(tài)，待電壓電流數(shù)據(jù)穩(wěn)定后記錄1min音頻和視頻數(shù)據(jù)。

（2）有槳。將電機(jī)固定于推力測(cè)試試驗(yàn)臺(tái)，音頻記錄手機(jī)置于電機(jī)右側(cè)30cm，錄像手機(jī)1置于推力測(cè)試臺(tái)正上方60cm處，在電機(jī)上安裝6*4E螺旋槳，測(cè)速儀置于推力測(cè)試臺(tái)后方適當(dāng)位置，確保能夠穩(wěn)定記錄電機(jī)轉(zhuǎn)速，錄像手機(jī)2置于測(cè)速儀正上方20cm處，確保各電子器件連接穩(wěn)定后，使用遙控器將電機(jī)功率調(diào)至“滿推”狀態(tài)，待電壓電流數(shù)據(jù)穩(wěn)定后記錄1min音頻和視頻數(shù)據(jù)。

2.初步比較

（1）通過觀察、分析聲音、推力數(shù)據(jù)，人工篩查12個(gè)電機(jī)，初步確定正常及有各種類型損壞的電機(jī)，記錄相關(guān)數(shù)據(jù)。

（2）現(xiàn)有損壞類型有限，人工以特定方式損壞好的電機(jī)，重復(fù)“1.數(shù)據(jù)采集”，記錄實(shí)驗(yàn)數(shù)據(jù)。

3.電機(jī)損壞類型

測(cè)試電機(jī)線圈破損、轉(zhuǎn)子松動(dòng)、有膠、磁鐵錯(cuò)位、槳不平衡等5種損壞類型。

二、特征提取

航模電機(jī)具有轉(zhuǎn)速快（gt;10000rpm）、結(jié)構(gòu)復(fù)雜影響因素多、帶螺旋槳等特點(diǎn)。針對(duì)這些特點(diǎn)，我們選擇進(jìn)行基于EMD分解的時(shí)、頻域特征提取[1]。

（一）音頻數(shù)據(jù)處理

實(shí)驗(yàn)測(cè)得的音頻是采樣率48000Hz雙聲道.m4a文件，信號(hào)頻率最高約為8kHz，滿足采樣率要求。為了便于數(shù)據(jù)處理，將文件無損轉(zhuǎn)換為.wav格式，采樣率保持不變，并將左右聲道數(shù)據(jù)取平均得到單列數(shù)據(jù)。如此在一定程度上也可以減小噪聲。經(jīng)過測(cè)試，使用低通濾波器過濾8kHz以上的噪聲，對(duì)于最終結(jié)果無明顯影響。因此為了驗(yàn)證系統(tǒng)的普適性，不額外進(jìn)行濾波操作。

（二）特征提取

1.轉(zhuǎn)速及推力預(yù)測(cè)

推力是電機(jī)最重要的性能，但通常利用地面實(shí)驗(yàn)臺(tái)的常規(guī)測(cè)試方法比較繁瑣[2]。通過音頻信號(hào)預(yù)測(cè)推力可以不拆卸電機(jī)，并可用于機(jī)載設(shè)備。

由于螺旋槳高速旋轉(zhuǎn)攪動(dòng)空氣，因此聲音信號(hào)中能量最高的是螺旋槳旋轉(zhuǎn)對(duì)應(yīng)的信號(hào)[3]。

基于該特點(diǎn)，功率譜主峰頻率對(duì)應(yīng)螺旋槳轉(zhuǎn)速，即得：電機(jī)轉(zhuǎn)速（rpm）=60頻率（Hz）槳葉數(shù)量。根據(jù)實(shí)驗(yàn)，轉(zhuǎn)速的預(yù)測(cè)值和實(shí)際值匹配良好。

得到了轉(zhuǎn)速之后，可以進(jìn)一步預(yù)測(cè)推力。靜推力和轉(zhuǎn)速并沒有嚴(yán)格的計(jì)算方法，因?yàn)槭苈菪龢螤钣绊懞艽?，但是一般可以認(rèn)為是二次函數(shù)關(guān)系，系數(shù)通過實(shí)驗(yàn)測(cè)定。實(shí)際飛行中的動(dòng)推力和靜推力的關(guān)系也可以通過實(shí)驗(yàn)測(cè)定。因此只需要將轉(zhuǎn)速代入公式即可得到推力。

2.音頻特征提取

我們先選取較為常見的時(shí)、頻域特征，篩選出適用于航模電機(jī)特點(diǎn)的幾個(gè)特征，并且刪除了線性相關(guān)的相似特征得到以下特征：常見的時(shí)域特征有均值、標(biāo)準(zhǔn)差、峰度、偏度、均方根、峰值因子、脈沖因子、裕度因子、峰值等；常見的頻域特征（功率譜特征）有均值、標(biāo)準(zhǔn)差、峰度、偏度、均方根、重心頻率、均方根頻率、頻率標(biāo)準(zhǔn)差等。

但是這些常見的時(shí)域特征雖然可以在一定程度上描述音頻信號(hào)，但仍不足以充分描述音頻的細(xì)節(jié)[4]，因此我們采用了經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）。

EMD分解很好地分開了各頻率范圍，我們選取前4個(gè)IMF分別提取時(shí)、頻域特征，最終得到總計(jì)85個(gè)特征。經(jīng)過比對(duì)測(cè)試，倒頻譜、梅爾譜、包絡(luò)譜等其他信號(hào)處理方法提取特征效果并不好。

（三）特征可視化

因?yàn)?5個(gè)特征無法展示在坐標(biāo)空間中（最多三維），因此需要進(jìn)行高維特征的篩選或是降維。

高維特征降維方法中最常用的是主成分分析方法（PCA）[5]。它把給定的一組相關(guān)變量通過線性變換轉(zhuǎn)成另一組不相關(guān)的變量，這些新的變量按照方差依次遞減的順序排列。具體流程為：對(duì)特征進(jìn)行歸一化；計(jì)算特征數(shù)據(jù)集的相關(guān)系數(shù)矩陣；計(jì)算相關(guān)系數(shù)矩陣的特征值和特征向量；取最大的三個(gè)特征值對(duì)應(yīng)的特征向量；將85個(gè)特征向這三個(gè)特征向量投影得到3個(gè)新的特征。待測(cè)信號(hào)與正常的特征基本重合且與故障類特征顯著分開，因此能夠可靠地判斷待測(cè)電機(jī)正常。該結(jié)果可以與神經(jīng)網(wǎng)絡(luò)分類器結(jié)果相互印證。

（一）神經(jīng)網(wǎng)絡(luò)分類器結(jié)構(gòu)

分類器核心有三個(gè)線性層：輸入層、隱藏層和輸出層。以有槳的情況為例，圖中所示輸入85個(gè)特征，輸出6個(gè)標(biāo)簽，隱藏層經(jīng)過訓(xùn)練環(huán)節(jié)的調(diào)試，我們選擇85×4=340個(gè)神經(jīng)元。為提高模型的非線性擬合能力，我們?cè)陔[藏層前加入了ReLU非線性激活單元。此外我們的數(shù)據(jù)量不是很多，訓(xùn)練過程中容易出現(xiàn)過擬合，我們又在隱藏層后面增加了Dropout層，Dropout層會(huì)在訓(xùn)練時(shí)隨機(jī)臨時(shí)隱藏一部分隱藏層的神經(jīng)元，緩解過擬合現(xiàn)象，而在驗(yàn)證或測(cè)試時(shí)，可以在eval模式下終止Dropout層發(fā)揮作用，實(shí)現(xiàn)正常的輸出。

考慮到輸入的各類特征在數(shù)值上有很大的差異，我們?cè)跀?shù)據(jù)進(jìn)入模型前進(jìn)行了歸一化，對(duì)每類特征進(jìn)行Max-Min歸一化，使輸入值范圍均在0～1之間。為了不丟失點(diǎn)間絕對(duì)距離的差異，我們將訓(xùn)練時(shí)歸一化使用的max與min的值同模型一起保存，在驗(yàn)證與測(cè)試時(shí)一并加載使用。

另外，輸出層的輸出值范圍不一定在0～1之間，我們使用Softmax層將各輸出值轉(zhuǎn)化為取相應(yīng)標(biāo)簽的概率，最終概率最大的標(biāo)簽輸出值置為1，其他置為0，得到最終的輸出標(biāo)簽。

（二）損失函數(shù)與優(yōu)化器

結(jié)合前面的分析，我們使用多分類任務(wù)中常用的交叉熵?fù)p失函數(shù)。交叉熵?fù)p失函數(shù)可以與Softmax很好地搭配。

我們選擇了帶動(dòng)量的SGD優(yōu)化器搭配交叉熵?fù)p失使用。帶動(dòng)量的SGD優(yōu)化器在梯度下降中帶有一定的慣性，學(xué)習(xí)率也可以遞減，能更好地通過局部極小點(diǎn)，并且加快收斂速度，抑制梯度下降時(shí)上下震蕩的情況。

（三）訓(xùn)練與驗(yàn)證

訓(xùn)練與驗(yàn)證使用的數(shù)據(jù)來自最初正常無損的電機(jī)，以及人為損壞的各類電機(jī)。每種故障類型各取20s長(zhǎng)的音頻，結(jié)合特征提取部分的處理，加0.1s的矩形窗，步長(zhǎng)為0.05s，于是總計(jì)得到2400（有槳、五故障一正常）或2000（無槳、四故障一正常）個(gè)樣本點(diǎn)。而特征數(shù)量為85，則數(shù)據(jù)集大小分別為2400×85、2000×85。為更好地進(jìn)行全局尋優(yōu)，每個(gè)epoch（回合）均載入整個(gè)數(shù)據(jù)集。

（四）測(cè)試

下面我們仔細(xì)設(shè)計(jì)了測(cè)試集，用來測(cè)試模型的性能。結(jié)合前面數(shù)據(jù)采集實(shí)驗(yàn)的結(jié)果，我們先對(duì)可以用來測(cè)試的數(shù)據(jù)進(jìn)行分類。A類樣本：所收集電機(jī)的直接聲音數(shù)據(jù)；B類樣本：所收集電機(jī)損壞后，剔除訓(xùn)練部分的其他聲音數(shù)據(jù)。最后，為了反映真實(shí)情況，不同于訓(xùn)練環(huán)節(jié)固定的音頻段長(zhǎng)度，測(cè)試的獨(dú)立音頻段長(zhǎng)度在幾秒到幾十秒不等。

測(cè)試結(jié)果的混淆矩陣如圖1所示。

最后我們?cè)O(shè)計(jì)了電機(jī)故障診斷（MFD）的MATLABAPP，完成代碼封裝，方便操作實(shí)施。實(shí)驗(yàn)中所有有槳的情況均使用6×4E槳，但在固定翼航模等應(yīng)用中，同一電機(jī)可能會(huì)使用不同的槳葉來完成多種飛行任務(wù)。我們?cè)诤玫碾姍C(jī)上換裝了9×6E的大槳，使用該APP進(jìn)行測(cè)試，故障預(yù)測(cè)為“正?！钡目赡苄匀愿哌_(dá)92.96%，進(jìn)一步說明了我們的模型有較好的泛化能力，在電機(jī)動(dòng)力特性不發(fā)生顯著變化時(shí)，對(duì)一般的電機(jī)行為均有一定的辨別能力。

總結(jié)與展望

針對(duì)航模電機(jī)故障檢測(cè)的任務(wù)需求，我們獨(dú)立完成了數(shù)據(jù)采集與處理，結(jié)合EMD方法融合信號(hào)的時(shí)頻域特征，一方面進(jìn)行推力與轉(zhuǎn)速預(yù)測(cè)，另一方面將特征載入我們搭建的神經(jīng)網(wǎng)絡(luò)故障分類器，預(yù)測(cè)故障類型；借助主成分分析對(duì)特征空間進(jìn)行可視化，驗(yàn)證分類器的分類結(jié)果，并測(cè)試驗(yàn)證模型性能與泛化能力。最后，設(shè)計(jì)了MFD電機(jī)故障診斷MATLABAPP，提高了程序的實(shí)用性。本文研究形成的電機(jī)故障檢測(cè)方法，在基于聲音信號(hào)的電機(jī)推力預(yù)測(cè)、故障信號(hào)的時(shí)頻域特征融合及可視化方法、有較強(qiáng)泛化能力及可解釋性的神經(jīng)網(wǎng)絡(luò)故障分類器等方面具有創(chuàng)新性。相較于傳統(tǒng)的信號(hào)處理方法，我們特征分類法準(zhǔn)確率更高，泛化能力更強(qiáng)；相較于完全的深度學(xué)習(xí)處理方法，我們的計(jì)算量小，需要的數(shù)據(jù)量少，且具有更強(qiáng)的可解釋性。未來，我們可以進(jìn)一步分析多電機(jī)同時(shí)運(yùn)轉(zhuǎn)時(shí)的聲音信號(hào)特征，拓展多發(fā)固定翼、多旋翼無人機(jī)的電機(jī)故障診斷，并將算法應(yīng)用于機(jī)載嵌入式系統(tǒng)，實(shí)現(xiàn)電機(jī)實(shí)時(shí)診斷。

參考文獻(xiàn)：

[1] 李海. 基于EMD 和特征融合的電機(jī)故障診斷[D]. 浙江： 浙江大學(xué)，2013.

[2] 姚遠(yuǎn)， 李葉松， 雷力， 等. 基于電機(jī)驅(qū)動(dòng)系統(tǒng)自傳感的機(jī)械故障診斷研究綜述[J]. 電工技術(shù)學(xué)報(bào)，2022，37（12）：2936-2948.

[3] ALTINORS， AYHAN， YOL， FERHAT， YAMAN， ORHAN. A sound based method for fault detection with statistical feature extraction in UAV motors[J]. 2021，183（Dec.）：108325.1-108325.14. DOI：10.1016/j.apacoust.2021.108325.

[4] Priscile S ，Tenia M ，Marcel J ， et al. Modeling and Fault Detection of Brushless Direct Current Motor by Deep Learning Sensor Data Fusion[J].Sensors，2022，22（9）：3516-3516.

[5] 劉立月， 黃兆華， 劉遵雄. 高維數(shù)據(jù)分類中的特征降維研究[J]. 江西師范大學(xué)學(xué)報(bào)（ 自然科學(xué)版），2012，36（02）：131-134.