一种基于MDE-SVDD的滚动轴承声纹异常检测方法

一种基于mde-svdd的滚动轴承声纹异常检测方法
技术领域
1.本技术涉及滚动轴承异常检测技术领域，尤其涉及一种基于mde-svdd的滚动轴承声纹异常检测方法。


背景技术：

2.随着科学技术的不断发展，机械设备成为许多生产过程的关键部件，旋转机械设备对于制造业的发展十分重要。滚动轴承是大型旋转机械中的关键部件，在设备运行过程中，滚动轴承承受巨大的负载，容易发生故障，资料显示，在旋转机械故障中40％以上是轴承故障一旦发生故障将会导致整个系统的停机，对生产过程的安全运行造成巨大的影响。因此，对滚动轴承进行故障诊断时，若提前发现异常并进行调整，对预防事故发生具有重大的意义。声音信号相比振动信号具有不停机安装、非接触式测量、信号采集方便、处理方法成熟等优势。近年来，随着声纹识别技术的不断发展，这种语音领域的技术也被广泛应用于故障诊断领域，但在异常检测领域应用仍有较大空白。
3.滚动轴承异常检测方法已经有了一定的发展，但目前依然面临很多挑战。如：需要人为提取传统特征，针对不同工况下的故障需要提取不同的特征，这将会需要更多专家经验。传统的深度学习网络只能利用单一的特征，无法提取振动信号更深层次的特征，导致诊断效率不高。除此之外，在强噪声条件下故障特征被噪声淹没，难以提取有效的特征信息，无法高效完成滚动轴承异常检测。


技术实现要素：

4.本技术提供了一种基于mde-svdd的滚动轴承声纹异常检测方法，其技术目的是实现强噪声下仅使用正常数据训练模型完成滚动轴承异常检测。
5.本技术的上述技术目的是通过以下技术方案得以实现的：
6.一种基于mde-svdd的滚动轴承声纹异常检测方法，包括：
7.s1：对滚动轴承在不同运行状态下的声音信号进行采集，获取滚动轴承的原始声音数据，将强噪声信号加入到原始声音数据中，得到不用信噪比下的声音信号数据；
8.s2：对所述声音信号数据进行样本切分，将正常样本按3:1切分为训练集和测试集，将异常状态样本全部放入至测试集；
9.s3：分别对训练集和测试集的梅尔倒谱系数进行提取，并对训练集的马氏距离加权系数进行计算；
10.s4：构建基于svdd模型的声纹识别模型，并将所述马氏距离加权系数引入该声纹识别模型，从而得到mde-svdd模型，将训练集提取到的梅尔倒谱系数作为特征输入到mde-svdd模型中，对mde-svdd模型进行训练和参数更新，直至mde-svdd模型的参数收敛结束训练，得到训练后的mde-svdd模型；
11.s5：将测试集提取到的梅尔倒谱系数输入到训练后的mde-svdd模型进行异常检测，得到检测结果。
12.本技术的有益效果在于：
13.本技术设计了适用于强噪声下滚动轴承异常检测的mde-svdd模型，实现了强噪声下故障特征自动提取，能够较好的应用于强噪声下滚动轴承异常检测，准确率更高、训练参数较少、抗噪性能强、鲁棒性好。
14.本技术通过马氏距离加权的方法，解决了滚动轴承运行数据易受噪声干扰同时svdd未考虑数据密度分布的问题。该方法对含有不同强度噪声的振动信号均能有效提取故障特征，具有良好的诊断性能。
附图说明
15.图1为本技术所述方法的流程图；
16.图2为本技术实施例中实验台的结构示意图；
17.图3为本技术实施例中原始声音数据的时域波形图和频域图；
18.图4为本技术实施例中梅尔倒谱系数特征的提取流程图；
19.图5为本技术实施例中mde-svdd模型训练结果示意图。
具体实施方式
20.下面将结合附图对本技术技术方案进行详细说明。
21.如图1所示，本技术所述的基于mde-svdd的滚动轴承声纹异常检测方法，包括：
22.s1：对滚动轴承在不同运行状态下的声音信号进行采集，获取滚动轴承的原始声音数据，将强噪声信号加入到原始声音数据中，得到不用信噪比下的声音信号数据。
23.本技术实施例中，声音信号的采集通过实验台进行，该实验台如图2所示。该实验台具有设备简单、安装灵活、信号易获取、可以实现非接触测量等优点，不会影响滚动轴承的正常运行，能在不停机、不对原系统进行改造的前提下安装声音信号传感器，可以更好的运用于复杂的工业场景。
24.通过实验台对滚动轴承在正常运行以及在外圈裂纹、内圈裂纹、内外圈裂纹、滚动体故障，总计5种运行状态下的声音信号进行采集。本实施例中滚动轴承型号为nsk-uc210。
25.传动链系统的驱动电机以900r/min的转速运行，采样频率设计为22050hz，每种类型的轴承运行声音信号以25ms即5120个点为一组样本进行采集，对正常运行轴承连续运行350s采集数据，对各类异常样本连续采集200s。图3为采集的原始声音数据时频图。
26.由于工业现场环境复杂，对声音信号采集时，通常有噪声干扰存在。为了进一步验证模型性能，将高斯白噪声添加到采集到的声音信号中，构建信噪比分别为10、0、-5db的加噪声音信号数据。
27.s2：对所述声音信号数据进行样本切分，将正常样本按3:1切分为训练集和测试集，将异常状态样本全部放入至测试集。
28.s3：分别对训练集和测试集的梅尔倒谱系数进行提取，并对训练集的马氏距离加权系数进行计算。
29.梅尔倒谱系数mfcc的提取流程如图4所示，依次为预加重、分帧加窗、快速傅里叶变换，以及通过梅尔滤波器组之后进行对数运算和离散余弦变换。本实施例中，按帧长25ms(5120)，帧移2048处理，对于正常样本获得13维的梅尔倒谱系数共3769组，对于4类异常样
本各获得2154组样本。
30.具体地，梅尔倒谱系数的提取包括：
31.s311：对声音信号数据进行预加重和分帧加窗的预处理，表示为：
[0032][0033]
s(n)＝s(n)
·
h(n)；
[0034][0035]
其中，α表示预加重系数；s(n)表示预处理前的声音信号；表示预处理后的声音信号；
[0036]
s312：对预处理后的信号进行快速傅里叶变换得到频谱x(k)，表示为：
[0037][0038]
s313：对x(k)求平方以获得能量谱，然后使用m个mel带通滤波器组进行滤波；其中，第m个滤波器的传递函数表示为：
[0039][0040]
其中，f(m)表示三角滤波器的中心频率；
[0041]
s314：对mel带通滤波器组的对数能量进行计算，则第m个滤波器的对数能量表示为：
[0042][0043]
s315：对对数能量进行离散余弦变换得到梅尔倒谱系数，表示为：
[0044][0045]
其中，m为滤波器的个数，亦即梅尔倒谱系数特征的维数。
[0046]
s4：构建基于svdd模型的声纹识别模型，并将所述马氏距离加权系数引入该声纹识别模型得到mde-svdd模型，将训练集提取到的梅尔倒谱系数作为特征输入到mde-svdd模型中，对mde-svdd模型进行训练和参数更新，直至mde-svdd模型的参数收敛结束训练，得到训练后的mde-svdd模型。
[0047]
具体地，mde-svdd模型的分类器为马氏距离加权支持向量数据描述(mde-svdd)算法。svdd的思想是在样本空间中建立一个划分超球体，在包围正常样本的前提下最小化超球体半径。mde-svdd在svdd基础上使用马氏距离加权系数，对样本按离群程度赋予不同的权重。本技术核函数采用rbf，惩罚系数c取0.5，核函数系数gamma取0.01。mde-svdd模型的训练结果如图5所示。
[0048]
具体地，所述svdd模型包括：
[0049]
(1)对svdd模型的目标函数进行构建，表示为：
[0050][0051]
其中，r表示超球体半径；c表示惩罚因子；x(i)表示样本点；ξ表示松弛变量；
[0052]
(2)使用拉格朗日乘子法得到拉格朗日函数，令拉格朗日函数对r、a、ξi的偏导均为0，将结果回代到拉格朗日函数中，将上述目标函数的解转化为对偶问题,表示为：
[0053][0054]
其中，αi,γi≥0，均表示拉格朗日乘子；
[0055]
(3)引入核函数k(x(i),x
(j)
)代替上式中的对对偶问题进行变形，得到目标函数的解为：
[0056][0057]
(4)通过序列最小优化方法对超球体球心向量、超球体半径r以及拉格朗日乘子进行更新，以最小化目标函数；当满足最大违反kkt条件的程度即达到收敛精度，停止迭代。
[0058]
马氏距离权重系数表示为：
[0059][0060][0061]
其中，dm表示马氏距离，μ表示均值，∑-1
表示协方差矩阵的逆矩阵；dmavr表示所有样本到均值马氏距离的平均值；dmmax和dmmin分别表示dm(xi)中的最大值和最小值；ε表示修正系数。本实施例中，ε＝0.01。
[0062]
将所述马氏距离加权系数引入svdd模型得到mde-svdd模型，则mde-svdd模型目标函数表示为：
[0063][0064]
对应地，mde-svdd模型目标函数对应的解表示为：
[0065]
[0066]
s5：将测试集提取到的梅尔倒谱系数输入到训练后的mde-svdd模型进行异常检测，得到检测结果。
[0067]
为了为了验证本技术所提出的mde-svdd模型的性能，验证其在内圈裂纹、外圈裂纹、内外圈裂纹、滚动体故障、正常状态共5种运行状态下在不同噪声下的识别正确率。
[0068]
表1不同信噪比下的各异常状态检测结果
[0069][0070]
对不同噪声程度下针对各类运行状态的异常检测结果如表1所示，对正常/异常测试样本分别以正确率/真阴率表示模型识别率。在无噪声/轻微噪声(10db)情况下，mde-svdd模型都取得了接近100％的识别率，甚至在强噪声背景(-5db)下仍有接近90％的检测精度。对于不同类别的异常样本，mde-svdd模型表现了相近的检测效果，没有出现针对某一类特定异常的偏好。
[0071]
为了验证本技术所提出的mde-svdd模型相对普通svdd模型的改进效果，采用普通svdd模型、ae(自编码器)进行异常检测性能对比研究，将4种异常状态和正常状态数据混入测试集中，比较三种分类算法的平均准确率(accuracy)，普通svdd模型的参数与mde-svdd模型相同；自编码器输入层单元数5120，隐藏层单元数25，以重构信号与原信号的相关系数取固定阈值进行判别。三种模型的结果如表2。
[0072]
表2不同信噪比下各模型异常检测结果
[0073][0074]
使用mde-svdd模型无论在哪种噪声条件下都拥有高于90％的异常检测准确率，而随着噪声强度的增大，mde-svdd模型与普通svdd模型进行异常检测的准确率差距在增大，在强噪声(-5db)背景下，mde-svdd模型的准确率和普通svdd模型相比，相对提升了9.17％，这表明mde-svdd模型具有更好的抗噪性能。
[0075]
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
[0076]
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完
全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

技术特征：
1.一种基于mde-svdd的滚动轴承声纹异常检测方法，其特征在于，包括：s1：对滚动轴承在不同运行状态下的声音信号进行采集，获取滚动轴承的原始声音数据，将强噪声信号加入到原始声音数据中，得到不用信噪比下的声音信号数据；s2：对所述声音信号数据进行样本切分，将正常样本按3:1切分为训练集和测试集，将异常状态样本全部放入至测试集；s3：分别对训练集和测试集的梅尔倒谱系数进行提取，并对训练集的马氏距离加权系数进行计算；s4：构建基于svdd模型的声纹识别模型，并将所述马氏距离加权系数引入该声纹识别模型，从而得到mde-svdd模型，将训练集提取到的梅尔倒谱系数作为特征输入到mde-svdd模型中，对mde-svdd模型进行训练和参数更新，直至mde-svdd模型的参数收敛结束训练，得到训练后的mde-svdd模型；s5：将测试集提取到的梅尔倒谱系数输入到训练后的mde-svdd模型进行异常检测，得到检测结果。2.如权利要求1所述的方法，其特征在于，步骤s3中，梅尔倒谱系数的提取包括：s311：对声音信号数据进行预加重和分帧加窗的预处理，表示为：s(n)＝s(n)
·
h(n)；其中，α表示预加重系数；s(n)表示预处理前的声音信号；表示预处理后的声音信号；s312：对预处理后的信号进行快速傅里叶变换得到频谱x(k)，表示为：s313：对x(k)求平方以获得能量谱，然后使用m个mel带通滤波器组进行滤波；其中，第m个滤波器的传递函数表示为：其中，f(m)表示三角滤波器的中心频率；s314：对mel带通滤波器组的对数能量进行计算，则第m个滤波器的对数能量表示为：s315：对对数能量进行离散余弦变换得到梅尔倒谱系数，表示为：其中，m为滤波器的个数，亦即梅尔倒谱系数特征的维数。
3.如权利要求1所述的方法，其特征在于，所述svdd模型包括：(1)对svdd模型的目标函数进行构建，表示为：其中，r表示超球体半径；c表示惩罚因子；x
(i)
表示样本点；ξ表示松弛变量；(2)使用拉格朗日乘子法得到拉格朗日函数，令拉格朗日函数对r、a、ξ
i
的偏导均为0，将结果回代到拉格朗日函数中，将上述目标函数的解转化为对偶问题,表示为：其中，α
i
,γ
i
≥0，均表示拉格朗日乘子；(3)引入核函数k(x
(i)
,x
(j)
)代替上式中的x
(i)t
x
(j)
，对对偶问题进行变形，得到目标函数的解为：(4)通过序列最小优化方法对超球体球心向量、超球体半径r以及拉格朗日乘子进行更新，以最小化目标函数；当满足最大违反kkt条件的程度即达到收敛精度，停止迭代。4.如权利要求1所述的方法，其特征在于，步骤s3中，马氏距离权重系数表示为：4.如权利要求1所述的方法，其特征在于，步骤s3中，马氏距离权重系数表示为：其中，d
m
表示马氏距离，μ表示均值，∑-1
表示协方差矩阵的逆矩阵；d
m
avr表示所有样本到均值马氏距离的平均值；d
m
max和d
m
min分别表示d
m
(x
i
)中的最大值和最小值；ε表示修正系数。5.如权利要求4所述的方法，其特征在于，步骤s4中，将所述马氏距离加权系数引入svdd模型得到mde-svdd模型，则mde-svdd模型目标函数表示为：对应地，mde-svdd模型目标函数对应的解表示为：
6.如权利要求4所述的方法，其特征在于，ε＝0.01。

技术总结
本发明公开了一种基于MDE-SVDD的滚动轴承声纹异常检测方法，涉及滚动轴承异常检测技术领域，解决了强噪声下的滚动轴承异常检测效率较低的技术问题，其技术方案要点是采集正常滚动轴承运行的声音信号，提取MFCC特征送入基于马氏距离加权的支持向量数据描述(MDE-SVDD)进行异常检测。通过马氏距离加权的方法，解决了滚动轴承运行数据易受噪声干扰同时SVDD未考虑数据密度分布的问题。该方法对含有不同强度噪声的振动信号均能有效提取故障特征，具有良好的诊断性能，准确率更高、训练参数较少、收敛速度快、鲁棒性好。鲁棒性好。鲁棒性好。


技术研发人员：邓艾东 高原 梁志宏 范永胜 秦宁
受保护的技术使用者：东南大学
技术研发日：2023.03.15
技术公布日：2023/7/31