基于声信号的工业设备故障诊断研究综述_周玉蓉.pdf

2023，59（7）随着工业4.0时代智能制造的到来，受人工智能算法、信息物理融合系统、云计算、大数据和物联网等支撑技术推动1-2，现代工业生产过程（如航空航天、设备制造、纺织等）正朝着智能、高效、集成化发展。然而，现代工业设备的组成和结构愈加繁杂，各部件之间的关联也愈加紧密，倘若设备的某个部件发生故障，也许会直接影响产品的生产，导致不必要的经济损失甚至人员伤亡。例如，2021年5月6日，浙江省宁波市北仑区科元精化公司的生产装置在运行过程中突发爆燃事故，造成经济损失约853万元；2021年9月10日，菲索玛特（常州）智能制造系统有限公司天元区新马工业园的车铣复合自动化设备维修过程中发生事故，造成经济损失约180万元，致 1 人死亡等。因此，采取合理的故障诊断技术3-5保障工业生产的安全性和可靠性已经成为当前工业过程控制领域的研究热点，具有重要的理论价值和广阔的工程应用前景。基于声信号的工业设备故障诊断研究综述周玉蓉1，张巧灵2，于广增1，徐伟强31.浙江理工大学 信息科学与工程学院，杭州 3100182.浙江理工大学 计算机科学与技术学院，杭州 3100183.浙江理工大学 纺织科学与工程学院（国际丝绸学院），杭州 310018摘要：为了保证工业生产过程的安全稳定运行，采取合理的故障诊断具有十分重要的意义和价值。因此，工业设备故障诊断一直是工业领域的研究热点。阐述了故障诊断的意义，并指出基于声信号进行故障诊断的可行性和优势。根据有无深度学习的参与，将基于声信号的故障诊断方法分为基于传统和基于深度学习两种类型；分别梳理了两类故障诊断方法的流程与思路，阐述并归纳了两类方法中典型算法的原理、优点、局限性、主要方法及诊断效果。最后，指出了当前工业设备故障诊断领域的研究难点、热点以及未来发展方向。关键词：声信号；故障诊断；工业设备；机器学习；深度学习文献标志码：A中图分类号：TP277doi：10.3778/j.issn.1002-8331.2208-0079Review of Acoustic Signal-Based Industrial Equipment Fault DiagnosisZHOU Yurong1,ZHANG Qiaoling2,YU Guangzeng1,XU Weiqiang31.School of Information Science and Engineering,Zhejiang Sci-Tech University,Hangzhou 310018,China2.School of Computer Science and Technology,Zhejiang Sci-Tech University,Hangzhou 310018,China3.College of Textile Science and Engineering（International Institute of Silk）,Zhejiang Sci-Tech University,Hangzhou310018,ChinaAbstract：In order to guarantee the safety and stability of the industrial production process,it is of great significance andvalue to adopt reasonable fault diagnosis.Thus,fault diagnosis of industrial equipment has always been a hotspot in thefield of industrial control.Firstly,this paper discusses the significance of fault diagnosis,and points out the feasibility andadvantages of fault diagnosis based on acoustic signal.Then,according to whether the deep learning is involved,acousticsignal-based fault diagnosis approaches are segmented into traditional-based and deep learning-based categories.Then,it combs the essential ideas and flow of two categories respectively,expounds and summarizes the principle,advan-tages,limitations,main methods and diagnostic results.Finally,the paper points out the research difficulties,hotspots andthe future development direction in the area of industrial equipment fault diagnosis.Key words：acoustic signal;fault diagnosis；industrial equipment；machine learning；deep learning基金项目：国家自然科学基金（61806178）；浙江省自然科学基金（LY21F010015）；浙江省科技厅重点研发计划项目（2021C01047）。作者简介：周玉蓉（1997），女，硕士研究生，研究方向为声信号、故障诊断；张巧灵（1988），通信作者，女，博士，副教授，研究方向为故障诊断、信号与信息处理等，E-mail：；于广增（1998），男，硕士研究生，研究方向为深度学习、故障诊断；徐伟强（1975），男，博士，教授。收稿日期：2022-08-05修回日期：2022-11-08文章编号：1002-8331（2023）07-0051-13Computer Engineering and Applications计算机工程与应用51Computer Engineering and Applications计算机工程与应用2023，59（7）故障诊断技术一般是指根据工业设备的运行状况，利用一定的技术手段分析并判断是否有故障发生，从而确定故障发生的位置、种类及原因等情况6，即故障检测与分类、故障定位与溯源。作为故障诊断领域的重要方向，研究故障检测与分类技术不仅是故障定位与溯源的基础，而且在工业领域具有重要的理论和工程意义，将为现场人员准确检测故障、判断故障类别和快速提出补救措施提供参考信息7，从而避免一些因意外故障而导致的灾难性事故。目前，工业领域故障诊断方法已得到大量的研究并取得广泛应用8-9。现有的故障诊断方法涵盖了振动信号10、温度11、红外图像12、声信号13等多种测量方式。其中，振动信号与故障关联性强，在故障诊断中应用最为广泛，然而其受限于接触式测量方式，无法应用于高温、高腐蚀和设备表面不规则等非接触场景。温度信号可采用非接触式测量，但其在某些故障情景下变化不明显（如变速箱、电动冲击钻等工业设备内部故障情景）。红外图像亦无需接触式测量，但是其安装成本较高。相比之下，声信号采集装备安装简单、成本低，且无需接触式测量，在工业设备故障诊断中具有很大优势。已有相关文献从理论或实验中验证了利用声信号进行故障诊断的可行性。例如，文献14通过压力、振动、声信号的对比分析，证明声信号更适合压气机喘振的监控和检测。文献15指出轴承低速运行时基于声信号的诊断效果更佳。文献16指出计算涡轮机齿轮的统计指标峰度时基于声学信号的峰度在不同速度和载荷下的故障诊断能力更有效。目前，基于声信号的工业设备故障诊断在工业领域逐渐成为研究热点17-21，也取得了一定的研究成果。例如，文献22通过奇异谱分析电机在不同负载水平下健康和故障的声学信号找到了两种情况下的唯一频率代表。文献23应用自适应滤波技术以增强包含在空气传播中的柴油燃料喷射器声信号，在诊断喷油压力故障方面显示出良好效果。文献24开发了一种基于空气声信号和独立分量分析的方案，该方案在检测和诊断低能级事件（如喷油器弹簧故障）方面显示出良好的效果。综上可知，基于声信号选择合适的工业设备故障诊断方法具有重要的现实意义和广阔的应用前景。目前基于声信号的工业设备故障诊断取得了一定的研究成果。特别地，近年来深度学习的飞速发展进一步推动了基于声信号的工业设备故障诊断研究及应用。然而，目前尚未有一个较为全面的概述介绍基于声信号的故障诊断相关研究。本文聚焦于基于声信号的故障检测与分类，根据有无深度学习的参与，将基于声信号的故障诊断方法分为基于传统方法和基于深度学习两种类型。首先梳理了基于声信号的传统工业设备故障诊断的基本流程，评析了传统经典方法在故障诊断领域的原理、优势、不足及应用；然后，面向复杂工业过程运行数据的动态变化、非线性关系等特性，指出深度学习技术在特征提取和模式识别方面的巨大潜力，归纳了基于声信号和深度学习进行故障诊断的三种思路；然后，阐述了当下典型的深度学习方法的原理、优点、局限性及应用；最后，面向工业故障诊断问题，指出该研究领域亟须解决的问题和未来的发展方向。1基于声信号和传统方法的工业设备故障诊断实际中，工业环境中采集的声信号具有低信噪比、非平稳等特点，为了获取工业设备的健康状态和故障状态的信息，通常进行故障诊断。图1显示了基于声信号和传统方法的工业设备故障诊断的基本流程：首先，采用传统的信号处理方法对声信号进行处理，即信号滤波和特征工程：通过对原始声信号进行滤波来提高信噪比；进一步，对滤波后的信号通过时域、频域或时频分析法来进行特征构建、提取与选择。然后，采用传统机器学习算法进行故障诊断。1.1信号滤波实际中，在工业现场环境下采集到的声信号包含大量的环境噪声，使得声信号信噪比较低，直接将其用于故障诊断的效果往往不够理想。因此，需要预先对采集的声信号进行处理，减少噪声影响，增强目标信号的质量以提高其信噪比。常用方法主要包括奇异值分解滤波、小波阈值滤波和经典模态分解滤波25等经典滤波方法，此外，还包括随机共振26、混沌振子、差分振子等方法。1.2特征工程经过信号滤波后的声信号通常是高维信号，无法由分类器进行有效地训练。因此，需要对滤波后的信号进行特征构建，提取与选择以降低信号的维度，减少计算时间以及提高最终故障诊断的准确性。1.2.1常见的声信号特征（1）时域特征：在工业故障诊断中，常见的时域特征主要包括信号的峰值、有效值、波峰因子、峭度因子、幅值等参数。峰值反映的是振动波形的最大振幅，适用于表面剥离类故障，但其很容易受到外界噪声干扰而很少被单独作为判断准则。有效值也称为均方根值，常用于诊断磨损类故障，或轴承缺油类故障的趋势分析，但不图1声信号和传统方法的工业设备故障诊断流程Fig.1Fault diagnosis process of industrial equipment withacoustic signal and traditional methods信号滤波声信号数据特征工程故障诊断诊断结果有监督算法无监督算法时频特征频域特征时域特征经典模态分解滤波小波阈值去噪算法奇异值分解滤波522023，59（7）适用于类似表面小范围剥离或伤痕等具有冲击振动形式的故障。波峰因子反映的是信号最大值与有效值间的比值，比值越大说明信号中存在的瞬时振动越剧烈。峭度因子反映的是波形偏离正态分布的程度，特别适用于表面损伤类故障，尤其是早期故障的诊断。（2）频域特征：在工业故障诊断中，常见的频域特征主要包括能量特征和听觉特征，如梅尔倒谱系数（Mel-frequency ceptral coefficients，MFCC），它是由信号的功率谱通过一系列的梅尔三角滤波器谱，再经过对数处理得