电子教材-基于MFCC与LPCC的滚动轴承故障音频诊断法.pdfVIP

基于MFCC与LPCC的滚动轴承故障音频诊断法 1 2 3 4 周宴宇 ，杨胜跃 ，何正明 ，龙慧 （中南大学信息科学与工程学院，长沙 410075） 摘 要: 本文结合语音识别中运用较广的美尔频率倒谱系数(MFCC)和线形预测倒谱系数(LPCC)作为滚动轴 承音频信号的特征参数，并使用具有强学习能力的神经网络方法进行故障诊断，最后依靠Dempster-Shafrg (D-S)证据理论进行分析得出可信度高的判定结果。实验结果表明，该方法在滚动轴承的音频信号故障诊断 中有效可行。在积累足够量的样本数后，可望建立相应的专家库，实现轴承故障的快速智能诊断。 关键词: 轴承；故障诊断；人工神经网络；美尔频率倒谱系数；线形预测倒谱系数；音频信号 中图法分类号: TP206+.3 文献标识码: A A Audio-Based Fault Diagnos is Method using MFCC and LPCC features for Rolling Bearings 1 2 3 ZHOU Yanyu ，YANG Shengyue ，HE Zhengming ，LONG Hui （School of Information Science Engineering, Central South University, Changsha 410083 ，China) Abstract This article unified the broad Mel frequency cepstrum coefficient (MFCC) and linear forecast cepstrum coefficient (LPCC) as the characteristic parameter of the rolling bearing audio signals,and used neural network method that had the strong learning capability to carry on the fault diagnosis. Finally depended upon the D-S evidence theory, the high confident result can be obtained. The result of experiment indicated that this method was effective and feasible in audio signal of rolling bearings fault diagnosis. After accumulating enough sample data, it can hope to build the corresponding database of expert and realize the fast intelligent diagnosis. Keywords bearing; fault diagnosis; ANN; MFCC; LPCC; audio signal 0 引言 滚动轴承的技术水平和质量直接影响到工作主机的性能和质量,因此,为提高轴承质量, 发展高技术含量的各种精密轴承产品, 加强轴承质量检测是一个极其重要的环节[1]。而滚动 轴承故障的诊断中音频信号的引入是近几年比较新的课题，对音频故障信号源单一地使用某 一特征参数进行诊断，将有其局限性，不能在每种故障状态下都达到高的诊断率，因此本文 使用了两种识别效果较好的基于音频信号的特征参数——MFCC和LPCC，并使用自学习能力强 的BP神经网络方法进行初步判定，然后分析两种诊断结果下的后验可信度，得出更准确，可 信度更高的故障诊断结果。 1 音频信号特征参数 （LPCC与MFCC） [2] 1.1 LPCC 特征参数提取方法 线形预测倒谱系数（LPCC）是由线形预测系数（LPC）推导而出，它是基于发音模型建 立的，其计算原理如下： Step 1：前处理（预加重，分