基于声纹特征的风机设备健康状态监测系统研究.pdfVIP

摘要

机械设备在长期的重载、高温等恶劣工业环境下运行，容易出现不同程度的损坏和

故障，而如果严重的故障未被及时检测和处理，会导致机组的非计划停运，造成巨大的

经济损失或人员伤亡。因此，工厂则需要机械设备健康状态监测系统来减少风险，在设

备运行期间监测设备状态并及时识别故障信息。然而，目前常用的机械设备运行状态监

测信号多为振动信号，而振动传感器具有强入侵性并对安装环境有一定要求。同时，常

用的有监督神经网络算法依赖大量的带标签数据，这使得一些缺少不同标签数据的设备

难以进行故障诊断。基于这种背景，本文选择基于声音信号的无监督状态监测及故障诊

断算法进行研究，对少样本数据的设备进行设备运行状态监测，实现简易故障诊断。

首先，为了实现完整的基于声纹特征的机械设备健康状态监测系统，本文设计了一

套声音采集装置并开发了机械设备运行状态监测可视化平台。通过声音采集装置进行数

据采集与传输，为整体系统提供可靠和稳定的数据来源。此外，可视化平台操作简单、

功能齐全，可以进行设备运行状态监测与简易故障诊断。采集装置与可视化平台相结合，

使系统具有良好的可扩展性和可维护性。

其次，本文通过故障工业机器数据集（MIMII）中的风机设备数据，研究了多种特

征提取方式包括小波包能量、梅尔频率倒谱系数和Gammatone频率倒谱系数的单一特

征与多特征融合对模型训练的影响。多次实验结果表明，将表现较好的梅尔频率倒谱系

数和Gammatone频率倒谱系数进行融合对模型训练的效果较好，在不同数据集中模型

的准确率提升了0.11%~1.05%，召回率提升了0.18%~1.61%。而后研究了自编码器(Auto-

Encoder,AE)和单类支持向量机两种无监督单分类算法，并采用卷积滤波方法对AE模

型进行了改良，多次实验结果表明Improved-AE模型相对于传统AE及单类支持向量机

模型的性能更好，准确率在不同数据集中提升0.27%~1.53%。

最后，利用本文设计的整体系统采集三种型号的小型风机的正常与异常数据，并对

山东莱州电厂的三大风机的正常工况数据进行采样，同时采用多种方案模拟电厂风机的

非正常状态。利用实际数据对整体系统包括采集装置、可视化平台与本文提出的

Improved-AE简易故障诊断算法流程进行验证。实验结果表明，该风机设备运行状态监

测系统的简易诊断准确率达到95%以上，召回率达到98%以上，精确率达到96%以上，

验证了该系统通过采集机械设备运行声音数据并进行状态监测，对设备进行简易诊断的

合理性与有效性。

关键词：机械状态监测；特征提取；梅尔倒谱系数；自编码器

ABSTRACT

Mechanicalequipmentthathasbeenworkinginharshindustrialenvironmentssuchas

heavyloadsandhightemperaturesforalongtimeispronetodamageandfailuretovarying

degrees.Ifseriousfaultsarenotdetectedanddealtwithintime,itwillleadtounplanned

shutdownoftheunit,resultinginhugeeconomiclossesorcasualties.Therefore,thefactory

needsamechanicalequipmenthealthstatemonitoringsystemtoreducerisks,monitor

equipmentstatusduringequipmentoperationandidentifyfaultinformationintime.However,

thecommonlyusedfaultdiagnosissignalsaremostlyvibrationsignals,andvibrationsensors

arehighlyintrusiveandhavecertainrequirementsfortheinstall