一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法技术

本发明专利技术公开了一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法，该方法首先使用智能手机采集滚动轴承故障声音信号，然后对声音信号进行短时傅里叶分析，得到语谱图矩阵，接着获取矩阵的模值并进行灰度归一化处理，再将归一化后的数据经选取后输入到深度学习网络进行特征的自动提取，最后将神经网络提取的特征输入Softmax分类器进行故障模式的识别。本发明专利技术提出了基于智能手机声音信号短时傅里叶变换(STFT)和层叠自动编码器(SAE)深度学习网络的滚动轴承故障诊断方法，试验结果分析表明，该方法能够准确地诊断出滚动轴承的故障模式。

【技术实现步骤摘要】
一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法
本专利技术涉及滚动轴承故障诊断的
，具体涉及一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法。
技术介绍
滚动轴承是各种机械设备上广泛应用的标准件之一，并且滚动轴承故障也是造成机器故障的最主要原因之一。据统计，约有30％的旋转机械故障与滚动轴承故障有关。在铁路系统的常规维护中，工人用铁锤敲击机车车轮，根据敲击声音就能判断车轮中是否有裂纹。同理，诸多的工程领域中经验丰富的维护人员能够根据机器工作时的声音特征判断机器是否运行正常。其潜在的物理原理是由于零部件损伤改变了其特征频率，进而改变了声音的音调。滚动轴承运转过程中的相关振动同样会引起空气压缩而产生声音，其中包含有滚动轴承的故障信息，因此可以通过对声音信号进行特征提取获取滚动轴承的故障信息。语音信号是一种典型的非平稳信号，其非平稳性是由发声体的物理运动过程产生的，此过程与声波振动的速度相比较缓慢，可以假定在10～30ms这样的短时间内是平稳的。傅里叶分析是分析线性系统和平稳信号稳态特性的强有力的手段，而短时傅里叶分析，也叫时间依赖傅里叶变换，就是在短时平稳的假设下，用稳态分析方法处理非平稳信号的一种方法。语谱图是语音信号短时频谱的时间——强度表示。语音信号首先被分割为相互重叠的若干段(帧)，对每一段加窗处理，然后进行快速傅里叶变换，得到这个信号的短时频谱估计。获得滚动轴承的声音语谱数据后，由于其维度较高直接进行模式识别计算量大且识别精度不高，因而需要对其进行特征的提取。采用深度神经网络，可以充分描述特征之间的相关关系。因此，我们把语音时频特征送入层叠自动编码器深度学习网络进行特征的自动提取。由于深度学习网络采用模拟人脑的多层结构，可以逐级地进行信息特征的抽取，最终形成适合模式分类的较理想特征。这种深层次结构与人脑处理信息有很大相似性，是分层处理的。深度学习网络的建模技术，能够无缝地与传统的时频处理技术和Softmax分类器相结合，在不引起任何额外耗费的情况下，大幅度地提升诊断的精确度。以上说明基于滚动轴承运转声音数据进行诊断是切实可行的。随着电子信息技术的飞跃发展，智能手机已经成为我们离不开的生活工具，然而，智能手机除了作为我们的生活工具外，它还可以被专业的使用。与传统的振动传感器采集数据相比，利用智能手机采集故障声音数据有诸多优势：一是灵活性，我们可以随时随地的对设备的运转状态进行数据采集，而不需要提前预装传感器在机械设备上，亦不需要分析传感器的安装位置；二是经济性，传统的高精度传感器少则几千元高则上万，价格昂贵，而只需带有录音功能的智能手机就能帮助我们采集到专业的数据信息，实现了日常生活工具的专业化使用，方便快捷，简单有效；三是适用性，不同的设备、不同的工况可能需要采用不同类型的振动传感器，传感器类型多，选择它们需要相关专业知识及经验，而智能手机适合采集各种工况下的声音信息，适用范围相对广泛。智能手机已经成为日常生活的重要组成部分，尽管我们已经对智能手机的录音功能司空见惯，但将其作为故障信息的数据采集传感器用在设备的故障诊断中还很少见。
技术实现思路
本专利技术的目的在于：提供一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法，该方法首先使用智能手机采集滚动轴承故障声音信号，然后对声音信号进行短时傅里叶分析，得到语谱图矩阵，接着获取矩阵的模值并进行灰度归一化处理，再将归一化后的数据经选取后输入到深度学习网络进行特征的自动提取，最后将神经网络提取的特征输入Softmax分类器进行故障模式的识别。该方法能够准确地诊断滚动轴承的故障模式。本专利技术采用的技术方案为：一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法，该方法步骤如下：第一步：获取数据使用智能手机按要求录制轴承运转过程中的声音信号，并做一定的剪辑处理；第二步：语音信号短时傅里叶分析(STFT)程序读入预处理后的声音信号，Matlab运用spectrogram函数获得其语谱图及语谱矩阵；第三步：数据归一化及选取先对语谱图矩阵的元素进行求模运算，然后将数据按列归一化为0～255的灰度数据值，得到灰度矩阵，接着选取每列中间部分一定长度的数据输入到层叠自动编码器；第四步：基于SAE的无监督自学习过程利用前面处理后的滚动轴承在不同故障模式下的声音语谱数据，通过无监督自学习训练SAE模型；无监督自学习过程是一个深度学习的过程，SAE模型框架是具有两个隐层的神经网络，通过对数据的逐层学习得到最终的特征表示，且神经网络第一个隐层的输出作为第二个隐层的输入；第五步：基于Softmax回归算法的故障诊断选择Softmax回归作为滚动轴承故障模式识别算法，以SAE得到的特征向量作为Softmax算法的输入，解决滚动轴承在多个故障模式下的分类问题，通过最小化代价函数计算每一种分类结果出现的概率，如果某故障特征计算的概率值最大，即确定故障为当前估计的故障模式。本专利技术与现有技术相比的优点在于：通过分析本专利技术提出的基于声音信号的STFT和层叠自动编码器的滚动轴承故障诊断方法在滚动轴承实验台上应用的试验结果，可以得出：1)本专利技术智能手机采集的滚动轴承运转过程中的声音信号包含其故障信息。2)本专利技术层叠自动编码器无监督自学习过程得到的特征向量能够重构原始数据，有效实现特征的进一步表示，有利于挖掘数据的本质特征。3)本专利技术针对仅采用无监督自学习方法故障诊断精度较低的问题，通过基于反向传播算法的微调，能够有效提高故障诊断的精度，使得分类准确率达到99％以上。4)本专利技术基于STFT和SAE的故障诊断模型简洁明了有效，主要包括三部分：a)使用智能手机获取滚动轴承运转声音信号；b)基于SAE进行原始数据的正向无监督自学习，并采用反向传播算法进行反向微调，实现模型的建立和优化；c)通过Softmax回归方法实现滚动轴承的故障模式识别。附图说明图1为基于STFT和SAE的滚动轴承故障诊断方法流程图；图2为信号分帧示意图；图3为语谱图产生流程示意图；图4为声音信号语谱灰度图；图5为轴承数据的一阶特征表达示意图；图6为轴承数据的二阶特征表达示意图；图7为基于Softmax回归模型的轴承故障分类示意图；图8为SAE模型结构示意图；图9为逐层学习网络示意图；图10为二隐层层叠自动编码器示意图；图11为圆柱滚子轴承试验台图。具体实施方式下面结合附图以及具体实施例进一步说明本专利技术。本专利技术一种基于STFT和SAE的滚动轴承声音信号故障诊断方法流程如图1所示。具体流程可总结为如下五步：第一步：获取数据使用智能手机按要求录制轴承运转过程中的声音信号，并做一定的剪辑处理。第二步：声音信号短时傅里叶分析(STFT)程序读入预处理后的声音信号，Matlab运用spectrogram函数获得其语谱图及语谱矩阵。从整体来看，表征声音信号的参数均是实时变化的，但在一个很短的时间(20～30ms)范围内相对稳定，因而可以看做是一个准稳态过程。加窗的目的就是把声音信号分成一个短时间段。将声音信号加窗、分帧，帧长记为N(以ms为单位)，每秒的帧数约为30帧左右，一般采用交叠分段的方法。如图2所示。下面为矩形窗和汉明窗(Hamming本文档来自技高网...

【技术保护点】
一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法，其特征在于：该方法步骤如下：第一步：获取数据使用智能手机按要求录制轴承运转过程中的声音信号，并做一定的剪辑处理；第二步：声音信号短时傅里叶分析(STFT)程序读入预处理后的声音信号，Matlab运用spectrogram函数获得其语谱图及语谱矩阵；第三步：数据归一化及选取先对语谱图矩阵的元素进行求模运算，然后将数据按列归一化为0～255的灰度数据值，得到灰度矩阵，接着选取灰度矩阵每列中间部分一定长度的数据输入到层叠自动编码器；第四步：基于SAE的无监督自学习过程利用前面处理过的滚动轴承在不同故障模式下的声音语谱数据，通过无监督自学习训练SAE模型；无监督自学习过程是一个深度学习的过程，SAE模型框架是具有两个隐层的神经网络，通过对数据的逐层学习得到最终的特征表示，且神经网络第一个隐层的输出作为第二个隐层的输入；第五步：基于Softmax回归算法的故障诊断选择Softmax回归作为滚动轴承故障模式识别算法，以SAE得到的特征向量作为Softmax算法的输入，解决滚动轴承在多个故障模式下的分类问题，通过最小化代价函数计算每一种分类结果出现的概率，如果某故障特征计算的概率值最大，即确定故障为当前估计的故障模式。...

【技术特征摘要】
1.一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法，其特征在于：该方法步骤如下：第一步：获取数据使用智能手机按要求录制轴承运转过程中的声音信号，并做一定的剪辑处理；第二步：声音信号短时傅里叶分析(STFT)程序读入预处理后的声音信号，Matlab运用spectrogram函数获得其语谱图及语谱图矩阵；第三步：数据归一化及选取先对语谱图矩阵的元素进行求模运算，然后将数据按列归一化为0～255的灰度数据值，得到灰度矩阵，接着选取灰度矩阵每列中间部分一定长度的数据输入到层叠自动编码器；第四步：基于SAE的无监督自学习过程利用...

【专利技术属性】
技术研发人员：吕琛，马剑，李连峰，王振亚，丁宇，赵万琳，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11