基于GMM训练与HMM变换的波纹管振动信号分析.pdf

第36卷第5期2023年10月Vol.36 No.5Oct.2023四川轻化工大学学报（自然科学版）Journal of Sichuan University of Science&Engineering(Natural Science Edition)基于GMM训练与HMM变换的波纹管振动信号分析赵亚文a，范剑红a，陈金国b，涂志松a，曹存岚a，张玉龙a（莆田学院 a.新工科产业学院；b.机电与信息工程学院，福建 莆田 351100）摘 要：在分析了波纹补偿器异常与正常振动信号后，提出了一种基于GMM训练与HMM变换的振动信号分析方法。首先进行波纹管振动采集实验，保存振动数据，并进行初步时域分析；其次将在自然语言处理领域广泛应用的隐马尔可夫模型应用于波纹补偿器的振动数据分析；最后对提到的故障特征进行基于GMM-HMM算法的波纹补偿器的故障诊断模型构建。通过对实验数据进行测试验证，故障识别率高达96.7%，而传统的算法分析波纹管振动故障，其识别率最高仅为86.7%。此结果表明该算法实现了对波纹补偿器运行状态的准确识别，保证了故障诊断的合理性与高效性。关键词：波纹补偿器；监测；GMM-HMM算法；故障诊断中图分类号：TH113.1 文献标志码：A引 言当户外管道设备发生故障时，设备维修人员需要快速修复因温度、位移、压力及振动等各种复杂的环境因素引起的设备故障1。如果不及时控制，整个生产体系就可能面临崩溃，会引发一系列的生产停滞，危及工业设备运行的可靠性，降低设备的正常工作效率。波纹补偿器是用来补偿工业管道因各种复杂的环境条件而出现故障的装置，但是监测波纹管的工作状态却是主要的技术难题。数字量可以直接观测并确定波纹管的损坏程度，并找出故障的临界点。然而，根据加速度传感器输出的模拟量却无法提供有关波纹管振动故障的信息。同时，振动信号的幅值和频率也会随着故障类型、位置和波纹管磨损程度的不同而变化。在多数情况下，振动对波纹管的损害严重且难以判断，因此波纹管振动信号分析对于管道行业是至关重要的研究领域。首先，需要使用采集仪器和加速度传感器收集正常和异常工作条件下的波纹管振动信号。然后，粗略记录不同情况下波纹管故障的类型和位置。最后，需要进一步分析和处理采集到的振动信号，从而准确监测波纹管的故障情况。在振动信号分析方面，本文提出了一种改进的方法，该方法是基于高斯混合模型(Gaussian Mixture Model,GMM)训 练2和 隐 马 尔 可 夫 模 型(Hidden Markov Model,HMM)变换3的振动信号分析方法。HMM变换是一种功能强大的动态识别算法，适用于对动态时间序列问题进行模拟。由于波纹管长期收稿日期：2023-02-25基金项目：福建省自然科学基金面上项目(2020J01918);福建省中青年教师教育科研项目(JAT220297);莆田市科技计划项目(2021G2001ptxy06)通信作者：范剑红(1972-),男,副教授,硕士,研究方向为机电一体化技术,(E-mail)文章编号：20967543（2023）05003308DOI:10.11863/j.suse.2023.05.052023年10月四川轻化工大学学报（自然科学版）处于户外振动条件下工作，并且波纹管的动态情况无法直接通过主观判断得到4-6，因此需要间接分析振动信号来获取工作状态值。同时，与传统的故障诊断方法相比，基于GMM-HMM的故障诊断方法7具有更好的模型泛化性能和更短的模型训练时间，从而表现出更优异的故障诊断效果。1 波纹管振动信号采集实验及分析1.1 信号采集为了研究波纹管振动工作状态，需对波纹管进行振动实验。实验中加速度传感器型号是CA-YD-106，Zigbee模块作为下位机把采集的信号利用无线网技术发送到另一个Zigbee模块，分别测量出波纹管在损坏与正常条件下的振动信号，在采集电脑上输出并进行存储。振动信号采集流程及实物图分别如图1(a)、1(b)所示，振动信号接收与发送过程如图2所示。波纹补偿器加速度传感器信号采集仪滤波器底板与核心板A/D转换器Stm32单片机Zigbee 发射模块Zigbee接收模块采集显示器信号输出电源模块信号采集前端(a)振动信号采集流程图波纹补偿器采集仪波纹管破坏位置加速度传感器连接线试验台动态采集软件界面(b)振动信号采集实物图图1 振动信号采集图波纹管加速度传感器数据转换线Zigbee发送模块显示界面Zigbee接收模块 (a)信号发送过程 (b)信号接收过程图2 振动信号发送与接收过程1.2 信号预处理本实验利用打磨工具多次磨损波纹管，其波纹管的磨损位置如图3所示。固定支架6破坏位置及深度ZYXO图3 波纹补偿器的磨损位置仿真图图3中的波纹管磨损位置已标注显示，设置其磨损深度分别为0、0.4、0.8、1.2 mm。为了减少数据误差，测量时，加速度传感器的固定位置为波纹管轴心的X方向，垂直轴心向外为Y方向，垂直轴心向上为Z方向。由于加速度传感器采集的信号是动态模拟量，故其数据时域值见表13。表1 波纹补偿器3个方向均值破坏深度值/mm00.40.81.2X方向均值239.33500.91320.71272.3347Y方向均值238.12601.71127.14659.7092Z方向均值236.71208.915419.573826.6673表2 波纹补偿器3个方向均方值破坏深度值/mm00.40.81.2X方向均方值8.31260.81561.87342.1753Y方向均方值9.41265.66129.91675.0125Z方向均方值6.175312.631519.112826.863234第36卷第5期赵亚文，等：基于GMM训练与HMM变换的波纹管振动信号分析表3 波纹补偿器3个方向方差值破坏深度值/mm00.40.81.2X方向方差值56.33010.31332.11124.2225Y方向方差值78.15616.1123132.002418.2578Z方向方差值77.47827.1102110.3258139.1189据表13中数据可初步判断，当波纹管无磨损时，3个方向的时域幅值稳定在240.0000左右；发生磨损时，其均值、均方值、方差值落差明显，其变化趋势如图 4 所示。从图 4 中虽可初步得知发生故障，但时域分析并不能从根本上确定波纹管随着其破坏深度的增加而发生故障的机率，故存在可估性，需要对振动数据进行GMM训练与HMM变换处理，对其进行准确辨析。图4 波纹补偿器振动信号时域值2 GMM训练算法的信号分析2.1 振动信号的GMM算法训练振动信号来源于波纹管上加速度传感器运行期间的数据流，其采样频率为每秒采样一次。由于振动数据量十分庞大8，而且极难对直接得到的振动数据进行分析利用，振动数据的异常表现不直观且无法得知是否发生异常振动。为此，需要对采集振动数据进行GMM序列展开。将波纹管有磨损的信号与无磨损信号展开，分别如图 5(a)、5(b)所示。(a)磨损数据序列值(b)正常数据序列值图5 振动信号磨损与正常序列值振动数据采用最小二乘法回归拟合数据的处理方法进行分析处理9-10。将波纹管采集的振动数据进行分区，采用213 256条振动数据作为训练数据，将每个分区的数据量设定为2500条，共有85个分区。对于图5中异常和正常的训练数据输入，进行一维数字滤波器滤波降噪处理。使用最小二乘法将每个数据分区拟合成一条线段。将所有数据分区拟合线段的斜率和端点差值的数据保存，并绘制每个数据分区的斜率-端点差值分布图，如图 6所示。图6 分区斜率-端点差值分布当数据区数在 2030之间时，图 6中可以明显看出斜率接近于零，即平稳状态，且端点差值变化小。当数据区数在3035之间时，斜率突然出现极352023年10月四川轻化工大学学报（自然科学版）端峰值，具有上升与下降趋势，而端点差值无明显的变化。用斜率-端点差值的方法可以清晰看出数据分区线段的变化趋势，其振动数据存在明显的上升或下降情况，据此可通过分析某一分区数据变化对斜率-端点差值的影响来判断波纹管在实际运行过程中是否发生故障。从图6还可以明显看出，振动数据包含急速下降、轻微下降、平稳、轻微上升和急速上升5种状态，同时将这5种状态作为波纹管工作过程中的观测状态。由于上述5个振动数据的变化趋势会出现误差影响，故需对聚类 GMM高斯混合模型进行最优化处理。2.2 构建聚类GMM高斯混合模型聚类高斯混合模型11通过将数据拟合成一系列多维的高斯分布函数来实现，其具体的分布情况如下。假 设 样 本 数 据 有 一 些n维 数 据 如L=l1,l2,ln；而算法模型需要去寻找到最能够表示L的 K 个高斯分布T1,T2,TK。其中Tk是以k为均值，k为协方差矩阵的正态分布：Tk=N(k,k)(1)这K个高斯分布中每个分布都有一个贡献权重k，故可以得到：k=1Kk=1，使得：P(lj)=k=1Kkp(lj/Tk)(2)其中，P(lj)为高斯分布概率；p(lj/Tk)为高斯条件概率。这个概率密度函数是Tk的加权和。而对于给定的最优取值数据L，k、k、k为未知，为了解决这个问题，若已知样本lj由某个分布Tk产生，可以对它的概率进行推理：p(lj/Tk)=1(2)n2|k12exp-12(lj-k)Tk-1(lj-k)(3)由此可以计算出所有的Tk加权和为：P(lj)=k=1Kk(2)n2|k12exp-12(lj-k)Tk-1(lj-k)(4)假设l的实现是独立的，由此可得：P(L)=j=1Np(lj)=k=1Kk=1Kk(2)n2|k12exp-12(lj-k)Tk-1(lj-k)(5)L(l)=log(p(L)=j=1Nlogk=1Kknexp-12(lj-k)Tk-1(lj-uk)(6)式中N为模型隐含状态的个数。GMM高斯混合模型需要选择模型参数k、Tk、与最大化式P(L)或者找到等价的对数似然度即式(6)。GMM 高斯混合模型利用计算简单且质量有保障的方法来寻找这个最优值：期望最大化（Expectation Maximization，EM）算法去寻找局部最大，EM算法在每次迭代过程中，需计算每个高斯分布对每个样本的影响，然后优化高斯参数的估计并重新生成聚类结果。如果数据L有k、k的估计值，且k=1,K，混合模型算法可以计算lj属于第k个高斯分布的概率：Pjk=kp(ljTk)i=1Kip(ljTi)(7)这是给定Tk中lj的概率与lj的总体概率的比值，乘以当前权重值i，这里定义：newk=1Nj=1Npjk(8)式(8)是pjk在整个数据集上的均值，同理，可以估计相应的k、k的值：newk=j=1Npjklji=1Npik(9)newk=j=1Npjk(lj-newk)(li-newk)j=1Npjk(10)36第36卷第5期赵亚文，等：基于GMM训练与HMM变换的波纹管振动信号分析EM算法是机器学习十大算法之一，是求目标函数最大值的算法，通过期望最大算法不断迭代数据的k、k值，且更新高斯函数参数直至收敛，生成的高斯分布可以真实拟合数据L。3 HMM算法的信号分析3.1 隐马尔可夫模型隐马尔科夫模型转换如图7所示，通常选用五元组=(N,M,H,A,B)表示12-13，其中，M表示每个隐含状态观测值数量；H为各初始状态概率的n维向量；A为状态转移概率矩阵；B为观测概率矩阵。图7 HMM状态转换图一个HMM通常要解决3个问题。1)模型评价问题：给定模型和观察序列，计算实际产生观察序列的概率。2)解码问题：对给定模型和一个观察序列出现的可能序列进行预测。3)学习问题：训练隐马尔科夫模型最优模型参数问题。隐马尔可夫模型通过初始状态产生随机序列。利用聚类GMM结果，初步确定HMM的状态转移矩阵和观测概率矩阵。通过多次训练随机序列，估计实际的状态转移矩阵和观测概率矩阵，同时使用Viterbi算法估计数据序列的隐藏状态。通过观测序列的后验概率输出结果，判断波纹管当前工作状态是否发生故障。3.2 信号训练过程对训练数据所有分区数据的斜率-端点差值数据绘制散点图并进行 K-means 聚类分析，其中K-means 聚类中心个数设定为 5，聚类结果如图 8所示。(a)斜率-端点插值K-means聚类结果(b)GMM聚类结果图8 训练数据聚类结果图从图8中K-means聚类结果，可以看出振动数据的 5 种分布状态情况，且 K-means 聚类结果的 5种状态与从斜率-端点差值得到的结果类似，同时可以得出5种状态下具体的数据分区个数，见表4。表4 数据分区线段分布K-means聚类结果状态数量/个急速下降6轻微下降6平稳68轻微上升4急速上升1从表4中的聚类结果可以看出，波纹管在整个工作过程中，整体呈平稳振动。聚类结果需重点分析不平稳变化过程中的波纹管故障。由于K-means均值聚类算法的局限性，聚类结果对于孤立的数据点值非常敏感。例如，在图8(b)急速上升状态中，该算法只能发现球状聚类，这意味着聚类结果存在差异较大的斜率现象。改进的聚类方法使用聚类高斯混合模型，将K-means聚类结果作为高斯分布函数初始值，且设定k、k，使用EM算法估计参数，更新迭代得到新的聚类GMM聚类，其结果见表5。表5 GMM聚类结果状态数量/个急速下降12轻微下降8平稳51轻微上升11急速上升3经过GMM优化聚类后消除原来急速上升孤立372023年10月四川轻化工大学学报（自然科学版）点的影响，聚类结果经过EM算法多次迭代更新更具可靠性14。对GMM聚类中心保存的数据分析，聚类结果中存在部分轻微下降与轻微上升的问题，这里认定上部分端点差值大类别为轻微上升，而将下部分端点差值小类别认定为轻微下降。将这5种可能的观测状态作为隐马尔可夫模型的观测状态，即急速下降、轻微下降、平稳、轻微上升、急速上升，分别用 1、2、3、4、5来表示这 5种状态。根据 GMM聚类结果可以初步估计HMM参数，训练前的HMM模型的参数矩阵为：A0=0.09950.005001，B0=0.0090 0.0447 0.8826 0.0525 0.01110.3754 0.223100.2181 0.1834。根据得到的观测序列多次训练估计真实状态转移矩阵和观测概率矩阵，训练后的HMM模型的参数矩阵为：A1=0.98840.011601，B1=0.0116 0.0349 0.8837 0.0581 0.01170.3571 0.285700.2143 0.1429。利用Viterbi算法，结合状态转移矩阵和观测概率矩阵，可以估计观测序列所对应的隐藏状态序列，以判断是否发生故障。在解码HMM中的观测序列输出后，可以将后验状态概率作为判断结果的依据。3.3 信号测试过程为了测试 HMM 模型性能，在相同的条件下收集了一组包含12万条振动数据的样本。对经过滤波处理后的测试数据进行分片，并运用最小二乘法来回归拟合这些数据线段。记录线段的斜率和端点差值数据，如图 9(a)所示。将测试分区数据与GMM 聚类中心进行计算分类，生成的观测序列如图 9(b)所示。将观测序列导入已训练好参数的HMM中，利用Viterbi算法估计观测最有可能的状态序列。输出隐藏状态序列结果如图9(c)所示，输出观测序列的后验状态概率分布如图9(d)所示。(a)数据测试(b)测试数据部分观测序列(c)测试数据部分隐藏状态序列(d)观测序列后验状态概率图9 数据测试处理结果观测序列经HMM模型分析并输出隐藏状态和对应后验概率数据，图9(d)中的结果表明在第41分区波纹管工作状态由正常转变为故障。4 基于GMM-HMM的故障诊断从3.3节中可知，一般的HMM模型并没有特定的实际应用场景进行优化，若直接采用HMM模型38第36卷第5期赵亚文，等：基于GMM训练与HMM变换的波纹管振动信号分析进行故障诊断，则有可能出现与实际情况不符合的现象，导致判断错误，为此需要对Markov链类型与观测值概率转移矩阵进行特定的改进与优化15。1)Markov链类型HMM模型的Markov链均为各态经历型，因此波纹管的工作状态并不会实现工作状态的任意转移，而会朝着某个方向进行不可逆的工作状态演变。2)观测值类型对于普通的 HMM 模型而言，采集的振动数据为固定的离散数据值，即为离散型HMM。但对波纹管的工作状态来说，HMM模型的观测值是通过特定的方法从原始振动数据中提取的振动特征。这就直接导致了HMM模型的观测值是连续变化的，故无法采用固定离散的转移矩阵来描述振动数据的状态，而解决方法为通过概率密度函数对连续转移概率观测值进行描述。经过大量测试，效果良好。本论文基于GMM-HMM的故障诊断方法，对波纹管振动信号进行了分析，该方法的诊断思路是通过对异常和正常数据进行离散训练，主要实现数据特征提取和GMM-HMM模式训练。然后，将经过训练的数据输入到GMM-HMM故障诊断模型库中，计算故障诊断结果概率密度。现采用同样的方法采集多组振动数据的数据量，并对波纹管采取人为的薄壁磨损破坏，磨损厚度分别为0、0.4、0.8、1.2 mm。每次磨损后采用相同采集方法收集30组数据，每组包含10万条振动数据，将最终得到的多组测试数据导入已经训练好的HMM模型进行故障检测。通过大量振动数据的反复测试，测试结果见表 6。表 6中，数据1是波纹管正常工作时的数据，可见GMM-HMM诊断正常信号的识别率为96.7%，数据2、数据3及数据4均为波纹管有磨损时的故障数据，其故障识别率高达96.7%，可判断为故障，故该HMM模型可以对工作中波纹管的运行状态进行有效判断。表6 测试数据结果测试数据数据1数据2数据3数据4破坏程度/mm00.40.81.2数据组数30303030每组数据量/万条10101010准确率/%96.796.395.696.7此算法实现了对波纹管工作状态的精准识别，解决了之前波纹管遇到的问题。为了方便监测波纹管，在后期需要设计用户管理界面，及时将数据通过发射模块发送到接收模块，实现对波纹管的实时监管。5 结束语波纹补偿器用于补偿因各种环境因素尤其是户外振动导致的管道损害。为避免降低生产效益及威胁生产安全问题，对波纹管的振动信号分析尤为重要。利用传统的算法分析时，傅里叶分析及快速傅里叶分析都存在识别精度不高的问题。为此，本文提出了一种基于 GMM 训练与 HMM 变换的波纹管振动信号分析算法，实现了对波纹管故障的精确诊断。通过多次实验，故障识别率高达96.7%，能有效判别波纹管故障情况，实现了对波纹补偿器运行状态的准确识别。此算法为振动信号诊断领域提供了理论依据。参考文献：1 李宝志,倪洪启,林思雨,等.基于移动终端的波纹补偿器故障诊断系统J.国外电子测量技术,2021,40(7):77-84.2 宋少杰.基于GMM改进算法的森林火灾检测研究D.南京:南京邮电大学,2021.3 左伟平.基于前向后向算法的HMM语音识别智能门锁控制系统研究J.电子技术与软件工程,2022,234(16):124-127.4 黄清,方木云.一种基于HMM算法改进的语音识别系统J.重庆工商大学学报(自然科学版),2022,39(5):56-61.5 江金源.基于HMM的滚动轴承故障诊断方法研究及硬件实现D.哈尔滨:哈尔滨工业大学,2018.6 TONG Q B,CAO J C,WANG D L,et al.A fault diagnosis approach for rolling element bearings based on dual-tree complex wavelet packet transform-improved intrinsic time-scale decomposition,singular value decomposition,and online sequential extreme learning machineJ.Advances in Mechanical Engineering,2017,9(12):1-12.392023年10月四川轻化工大学学报（自然科学版）7 HUANG L P,HUANG H,LIU Y H.A fault diagnosis approach for rolling bearing based on wavelet packet decomposition and GMM-HMMJ.International Journal of Acoustics and Vibration,2019,24(2):199-209.8 郑杰峰,朱孔臣,张正军,等.振动信号分析技术在汽轮机故障诊断中的应用J.设备管理与维修,2020(15):143-146.9 陈卫,杨健生,韦冬炎,等.任意壳线性弯曲与自由振动分析的最小二乘无网格法J.振动与冲击,2022,41(16):125-134,241.10 ZHOU D D,SU F.Research on electrode lifting system based on recursive least square method and fuzzy PIDJ.Journal of Physics:Conference Series,2021,1885(4):1-9.11 李晓波,贾斌,焦晓峰.基于高斯混合聚类模型的汽轮机运行状态预警J.内蒙古电力技术,2020,38(4):64-68.12 谢雨飞,田启川.基于隐马尔可夫模型的高铁无线通信系统故障诊断J.北京交通大学学报,2021,45(5):22-29.13 刘辉.隐马尔可夫模型的构建及实现J.上海电力大学学报,2021,37(5):467-470.14 WANG Y X,HE X K,JIANG Y D,et al.New image reconstruction algorithm for CCERT:LBP+Gaussian mixture model(GMM)clusteringJ.Measurement Science and Technology,2021,32(2):1-10.15 李毅鹏,阮叶丽,张杰.基于融合GMM聚类与FOA-GRNN模型的推荐算法J.网络与信息安全学报,2018,4(12):25-31.引用格式：中 文:赵亚文,范剑红,陈金国,等.基于GMM训练与HMM变换的波纹管振动信号分析J.四川轻化工大学学报(自然科学版),2023,36(5):33-40.英 文:ZHAO Y W,FAN J H,CHEN J G,et al.Vibration signal analysis of bellows based on GMM training and HMM transformationJ.Journal of Sichuan University of Science&Engineering(Natural Science Edition),2023,36(5):33-40.Vibration Signal Analysis of Bellows Based on GMM Training and HMM TransformationZHAO Yawena,FAN Jianhonga,CHEN Jinguob,TU Zhisonga,CAO Cunlana,ZHANG Yulonga(a.New Engineering Industry College;b.School of Mechanical and Electrical Engineering,Putian University,Putian 351100,China）Abstract:After analyzing the abnormal and normal vibration signals of the corrugated compensator,a vibration signal analysis method based on GMM training and HMM transformation is proposed.Firstly,a bellows vibration acquisition experiment is conducted to record the vibration data and perform initial time domain analysis.Secondly,the Hidden Markov Model,commonly used in natural language processing,is applied to analyze the vibration data of the corrugated compensator.Finally,a fault diagnostic model is constructed for the corrugated compensator based on the GMM-HMM algorithm,focusing on the mentioned fault features.Experimental data test verifies that the fault identification rate reaches 96.7%,compared to only 86.7%using traditional algorithms for analyzing bellows vibration faults.This result demonstrates the algorithms ability to accurately identify the operating state of the corrugated compensator,ensuring the rationality and efficiency of fault diagnosis.Key words:corrugated compensator;monitor;GMM-HMM algorithm;fault diagnosis40