一种基于音频的电机故障预测方法与流程

本发明数据电机技术领域，具体涉及一种基于音频的电机故障预测方法。

背景技术：

自从发电机和电动机发明之后，电机已被广泛的应用于工业生产、社会生活的各个领域，而及时准确地发现电机潜在的或者现有的故障正是保证设备安全运行的重要措施。电机在不同的运行状态下电机发出的噪声也不同，这种不同主要表现在声音信号的幅值和频率成分的不同。这就为基于噪声分析的电机故障诊断方法的研究提供了现实的基础。

传统的电机故障诊断方法依靠温度检测，振动检测和电流检测。但是这些方法实施起来难度大，而且需要的传感器数量多会增加成本。相比较之下，检测电机的声音特征是最简便直接的，而且多数的故障检测均是在故障发生之后才能判别电机故障，而不能实现提前预测电机故障，实际情况下，故障发生时对电机和设备会造成很大的损坏。

技术实现要素：

为解决上述技术缺陷，本发明采用的技术方案在于，提供一种基于音频的电机故障预测方法，本发明可以实现故障的预测，防止了故障发生对设备的伤害，有效减少了故障发生带来的损失。

本发明的方法包括以下步骤：

步骤1、采集电机正常运行状态下的音频信号；

步骤2、对步骤1的音频信号进行频谱分析，达到频谱数据，进而确定数据组成样本矩阵；

步骤3、建立判别函数；

步骤4、采集测试信号；

步骤5、对步骤4的测试信号进行频谱分析；

步骤6、利用步骤3所述的判别函数进行故障预测。

进一步的，步骤2选取的特征频段为1500-2000hz，1800-2300hz，1700-2200hz的频率范围的数据组成样本矩阵。

3、根据权利要求1所述一种基于音频的电机故障预测方法，其特征在于：

步骤3所述判别函数建立方法包括：

通过主成分分析提取电机的声音特征；

选择训练样本；

建立判别函数。

进一步的，提取电机的声音特征的具体方法为：从所述样本矩阵中计算出特征矩阵cx；由特征矩阵cx计算出协方差矩阵∑x；求解特征方差det(λii-∑x)＝0，获得特征值。

进一步的，判别函数的建立方法包括：

引入超球体半径为r，球心位于a的超球体c(x)；

建立约束条件：式中∑ηi是学习误差，调整c＞0可影响覆盖面积造成误差的大小。如果c足够小的话误差将可以变为0；

选择核函数k(xi·xj)＝<φ(xi)·φ(xj)>，其中，得到最终的判别函数：f(x)＝2∑ai[k(xi,xp)-k(xi,x)]。

进一步的，由样本集及核函数确定一个尽可能覆盖所有样本的区域，通过调整所述区域半径和覆盖面积误差的大小，将电机样本进行频谱分析数据送入判别机制，进而实现电机故障的预测。

与现有技术比较本发明的有益效果在于：本申请采用电机音频检测方式无需采用传统检测方法中电压、电流和温度传感器的使用，降低了成本，直观的采集电机声音信号，难度较低，采用音频对电机故障进行预测，防止了故障发生对设备的伤害，有效减少了故障发生带来的损失。

在电机出现了故障，但是我这里用的是频谱分析，当要发生故障时，是频率先发生变化，但人还未听到明显故障音，即处于临界状态，本申请采用频谱分析快速对故障进行检测，相比现有技术中通过声音检测故障的方法更具有预见性。

附图说明

图1为本发明整体流程图；

具体实施方式

以下结合附图，对本发明上述的和另外的技术特征和优点作更详细的说明。

步骤1、根据国家标准gb2807-81《电机振动测点方法》，采集电机正常运行状态下的音频信号，样本的采集均是在安静的室内办公环境下采集且均在凌晨2点钟采集，测点放置在电机轴向前方距离轴10厘米。

对于样本的采集首先要对音频传感器的位置和离电机的距离进行固定，因为不同的位置和距离采集到的音频信号肯定有差异，实验要在隔音室里进行，而且由于传感器频率范围外的不稳定的低频特性，温度变化引起放大器产生零点漂移以及传感器周围环境的干扰，往往会导致偏离了基线，有时偏离的大小往往随时间而变化，故信号预处理的第一步是对采集的信号去除趋势项，同时进行滤波处理，因为电机音频信号主要集中在一定的频率内，所以可以通过滤波去除在这频率范围之外的噪声。

步骤2、对步骤1的音频样本通过快速傅里叶变换进行频谱分析，得到频谱数据，由于故障电机的音频与正常电机的差别大多在于低频段，通过频谱分析可以清楚地找到每一种声音的特点，因此本实施例选取的特征频段为1500-2000hz，1800-2300hz，1700-2200hz的频率范围的数据组成样本矩阵。

步骤3、建立判别函数；

3.1、通过主成分分析方法提取出电机的主要声音特征，所述声音特征是指当信号重构时该种频率的波对信号的贡献相对比较大；

从样本矩阵中计算出特征矩阵cx，再由特征矩阵cx计算出协方差矩阵∑x，求解特征方差det(λii-∑x)＝0，获得特征值。

3.2、求解(λii-∑x)wi＝0，得到对应于特征值的wi，得到特征矢量。特征矢量wi构成变换w。计算获得数据在新的特征空间中的数据表达，将特征值按从大到小的顺序排列，保留对应于特征值大的特征矢量，去除对应特征值小的特征矢量，特征矢量对应的特征值越大，那么，他在信号重构时的贡献程度也就越大。如下式：σ为尺度参数。

3.3、选择训练样本，在利用pca降维之后，选择180维作为一个新的特征空间，将每一个新的样本投射到这个180维的特征空间中，一共采集了1200个样本作为训练样本，即：x＝[x1,x2,x3,…,x1200]。

3.4、由步骤3.3得到的训练的样本集{xd}，它对应于r^d上的一点，即将电机样本映射到状态空间r^d上。学习样本是分布在r^d特定区域的一个点集。故障预测的目的就是找到一个能覆盖样本集{xd}分布区域的c(x)，在这个区域上构造一个判别函数f(x)，使得对于任意一个特征矢量x有：

即f(x)≤0则认为电机正常运行并且不会触发报警及断电开关，f(x)＞0判为电机将有故障发生并且触发报警同时切断电源使电机断电停止，要求c(x)尽可能覆盖{xn}避免漏报；且同时希望c(x)体积小并且可控，以在漏报和误报之间取得平衡，其实就是为了取得泛化性能和识别准确率之间的一个平衡。

假设c(x)超球体的半径为r，球心位于a，判别函数可表示为：f(x)＝<(xi-a)·(xi-a)>-r²其中<·>表示向量点积。c(x)的覆盖误差定义为：若样本xi是掉在c(x)里面则误差为0；若掉在c(x)外面，则误差为球面与样本xi之间的距离，即

这一条件转化为一个约束优化问题，即

上式中，∑ηi是学习误差，调整c＞0可影响覆盖面积造成误差的大小。如果c足够小的话误差将可以变为0。

引入lagrange乘子{a1,a2,…}将上式变为：

0≤ai≤c

可以证明，半径r和c(x)的球心分别为

将恰好落在球面上的样本记作xp∈{xn}，可以证明xp对应的lagrange乘子满足0＜ap＜c。

用核函数取代上面的内积运算，即

k(xi·xj)＝<φ(xi)·φ(xj)>；

其中，

综合上式，最终的判别函数为：

f(x)＝2∑ai[k(xi,xp)-k(xi,x)]。

步骤4、采集测试信号；

信号的采集方法和过程与步骤1相同；

步骤5、对步骤4的测试信号进行频谱分析；

频谱分析方法与步骤2的分析方法相同。

步骤6、首先选取核函数，实现对声音特征的分类，然后找到一个可以覆盖样本集的区域，核函数的构造是在此区域中进行的。

通过调整判别函数中的覆盖面积误差实现故障的预测。

通过调整判别函数中的范围半径r来实现故障的预测功能，根据具体的应用场合来适当调整r的大小。根据公式：

其中r主要由样本集的大小决定，要实现故障的预测对于r的调整可以通过实验来选取，以一定间隔来取值，通过观察预测的效果来确定r的值。

以上所述仅为本发明的较佳实施例，对本发明而言仅仅是说明性的，而非限制性的。本专业技术人员理解，在本发明权利要求所限定的精神和范围内可对其进行许多改变，修改，甚至等效，但都将落入本发明的保护范围内。