基于小样本音频信号的柱塞泵故障诊断.pdf
《基于小样本音频信号的柱塞泵故障诊断.pdf》由会员分享,可在线阅读,更多相关《基于小样本音频信号的柱塞泵故障诊断.pdf(7页珍藏版)》请在咨信网上搜索。
1、Vol 43 No.5Oct.2023噪声与振动控制NOISEANDVIBRATIONCONTROL第43卷 第5期2023年10月文章编号:1006-1355(2023)05-0142-06+273基于小样本音频信号的柱塞泵故障诊断刘禹,戴永寿,李立刚(中国石油大学(华东)海洋与空间信息学院,山东 青岛 266580)摘 要:针对音频信号在柱塞泵故障诊断中存在的样本数量不足、故障特征微弱等问题,提出一种基于音频信号结合元迁移学习(Meta-transfer Learning,MTL)的柱塞泵故障诊断方法(Fault Diagnosis of Plunger Pump Based on MTL
2、,MTL-PAFD)。该方法以柱塞泵的音频信号为样本,在单一传感器条件下,通过Gammatone滤波器组对信号进行处理,可有效提高强噪声干扰下音频信号的表征能力,然后结合元迁移学习,能实现小样本条件下的柱塞泵故障诊断。同时,根据柱塞泵故障诊断的实际需求,改进元迁移学习在故障诊断应用中的测试方法,能够自适应处理未知故障类。实验结果表明,MTL-PAFD仅对已知类别的故障诊断准确率可达到91.41%,而经过快速自适应学习后,其在识别未知故障类时准确率能达到89.64%。关键词:故障诊断;柱塞泵;音频信号;小样本学习;元学习中图分类号:TH3;TH165+.3文献标志码:ADOI编码:10.3969
3、/j.issn.1006-1355.2023.05.022Fault Diagnosis of Plunger Pumps Based onAudio Signal ofSmall SamplesLIU Yu,DAI Yongshou,LI Ligang(College of Oceanography and Space Informatics,China University of Petroleum(East China),Qingdao 266580,Shandong,China)Abstract:The problems of insufficient samples and weak
4、 fault features of audio signals in the fault diagnosis ofplunger pumps are studied.A fault diagnosis method of plunger pumps based on audio signal and meta-transfer learning(MTL-PAFD)is proposed.The method takes the audio signals of the plunger pump as samples,which are acquired by asingle sensor.T
5、hrough the Gammatone filter bank processing,the representation ability of the audio signal under strongnoise interference is effectively improved.Then,combined with meta-transfer learning,the few-shot fault diagnosis of theplunger pump is realized.In addition,according to the actual needs of fault d
6、iagnosis of plunger pump,the test method ofmeta-transfer learning applied in the fault diagnosis is improved,which can process unknown fault classes adaptively.Experimental results show that the accuracy of the MTL-PAFD method can reach 91.41%for diagnosis of known faultclasses.After fast adaptive l
7、earning,this method can achieve an accuracy of 89.64%when identifying unknown fault classes.Key words:fault diagnosis;plunger pump;audio signal;few-shot learning;meta-learning往复式柱塞泵是液压系统的核心元件,具有举升压力高和经济实用的优点,因此被广泛应用于多种工业生产领域1。为了确保柱塞泵的正常运行和维护,许多学者开展了柱塞泵故障诊断的相关研究工作。常规的做法是通过提取柱塞泵振动信号的特征信息2,再结合机器学习方法3进行
8、模式识别。这收稿日期:20220511基金项目:国家自然科学基金资助项目(41974144)作者简介:刘禹(1998),男,昆明市人,硕士研究生,专业方向为智能信息处理、柱塞泵故障诊断。E-mail:liu_通信作者:李立刚(1976),男,硕士生导师,专业方向为智能信息处理、自适应控制、检测技术与自动化装置、无人船避障检测及控制。E-mail:类传统的柱塞泵故障诊断方法虽然已经达到了较好的效果,但由于强烈依赖特征提取的效果,且通常难以保证泛化能力,在实际应用中存在一定的局限性。音频信号检测是一种较为新颖的故障诊断检测方法,具有非接触式测量、传感器数量较少等优势,相比振动信号检测成本更低。但由
9、于音频信号易在传播过程中容易混叠,且诸如柱塞泵一类的机械设备声场构成复杂,难以针对音频信号开展机理分析,导致早期音频故障诊断应用受到一定的限制。随着人工智能技术的发展,数据驱动技术为音频信号在机械故障诊断上的应用提供了可行性。LIN等4提取了音频信号的梅尔倒谱系数,并将其输入到BP神经网络,实现了变压器的故障诊断。杜京义等5提取了音频信号的Gammatone倒谱系数,结合CNN实现第5期了异步电机的故障诊断。但是柱塞泵故障音频数据不易获取,且缺少公开的数据集,小样本条件下直接使用深度学习算法会导致训练出的模型过拟合,在实际测试中准确率不高。为解决上述问题,以元学习6为代表的小样本学习表现出较为
10、突出的性能,可以在小样本条件下让神经网络达到与深度学习相近的能力。其中,与模型无关的元学习(Model-Agnostic Meta-Learning,MAML)7是一种具有代表性的元学习算法,能够让模型更关注于提高自身的快速学习能力,使得经过训练的模型可以再经过少量的梯度下降而快速适应新任务,因此该算法具有很强的泛化能力8。并且MAML 理论上可以与几乎任意神经网络相结合。元迁移学习(MTL)910又在MAML的基础上做了较大的改进,通过引入迁移学习的优势,解决了MAML与较深的神经网络结合时,所带来参数更新困难和“灾难性遗忘”问题。由于MTL可以根据其他领域数据预训练分类器,再将其迁移到目标
11、应用场景,使得将该方法应用于小样本故障诊断存在可能。针对柱塞泵音频故障特征微弱、故障样本不易获取等问题,本文提出了一种基于音频信号结合元迁移学习的柱塞泵故障诊断方法(MTL-PAFD),利用柱塞泵音频信号的Gammatone声谱图构建了故障数据集,将音频信号故障诊断问题转换为了小样本图像分类问题,有效提高了柱塞泵音频信号的表征能力,同时提出了一种适用于故障诊断的小样本学习测试方法,使得故障诊断模型能够自适应处理未训练过的新故障。1元迁移学习元迁移学习(MTL)9将迁移学习的思想引入MAML,不再更新全部网络模型的参数,使得该方法可 以 与 更 强 大 的 深 度 神 经 网 络(Deep ne
12、uralnetwork,DNN)进行结合。如图1所示,MTL首先利用DNN在大规模数据集上进行预训练,这一阶段,包含了许多通用性特征11卷积层作为特征提取器被冻结,而包含更多当前数据分类特征的全连接层作为分类器0被丢弃。然后按照MAML算法开展元 迁 移 训 练,通 过“缩 放 和 偏 移(Scaling andShifting,SS)”操作来优化新的分类器。并引入一种动态的在线学习方法,这种方法被称为艰难元批次任务(Hard task meta-batch,HT):提出每个任务中分类准确率最低的类(也称为失败类),这些类又重新组合成新的任务进行训练10,提高了对困难任务的分类准确率。然而柱塞
13、泵的音频信号是一维时间序列,故障特征不突出,直接输入网络训练难以保证故障识别准确率,并且测试信号是不带有故障标签的单一音频样本,是否出现了新的故障类仍需依靠人为判断,无法充分发挥MTL的优势。因此,要将MTL方法引入柱塞泵故障诊断,还需要对输入样本和测试方法进行适应性改进。图 1 MTL流程图2MTL-PAFD在所提出的MTL-PAFD方法中以柱塞泵音频信号的Gammatone声谱图为信号样本,通过MTL训练出柱塞泵音频小样本故障分类模型,综合多帧音频信号的分类结果,能够实现自适应处理新故障类的柱塞泵故障诊断。该方法包含4个阶段:(1)柱塞泵音频信号特征提取;(2)柱塞泵音频小样本数据集构建;
14、(3)柱塞泵音频故障诊断模型训练;(4)柱塞泵故障诊断模型适应性改进。2.1 柱塞泵音频信号特征提取柱塞泵在运行过程中会由于机械结构的振动和摩擦而产生声音,但是柱塞泵故障带来的声音改变往往极其微弱,难以直接通过音频信号中有效识别故障。为了提高音频信号的表征能力,需要先从信息不明显的一维音频信号中提取有效特征。由于柱塞泵的工作声音集中在人耳能够分辨的20 Hz20kHz频率范围,有经验的运维人员能够通过柱塞泵声音的变化判断其是否存在故障。故引入模拟人耳耳蜗听觉特性的Gammatone声谱图,相比于音频信号 处 理 中 常 用 的 线 性 声 谱 图 和 梅 尔 倒 谱 图,Gammatone 声
15、谱图所用的 Gammatone 滤波器组具有较强的抗噪性能,对于背景噪声较大的柱塞泵工作环境更为适用。Gammatone滤波器的脉冲响应如下:h(t)=ctn-1e-2btcos(2f0t+),t 0(1)式中:c为比例系数;n为滤波器级数;b为衰减速度;基于小样本音频信号的柱塞泵故障诊断143第43卷噪声与振动控制f0为中心频率;为相位。为了模拟人耳听觉特性,n通常取4;b可通过每个滤波器的中心频率f0计算得到;根据人耳听觉频率范围和滤波器个数,可以确定各滤波器的中心频率f0;由于人耳对声音的相位变化并不敏感,因此取0。为了确保滤波器组足够精细,同时考虑计算效率,滤波器个数选取为24。选取的
16、Gammatone滤波器组的幅频响应如图2所示。图 2 Gammatone滤波器组幅频响应柱塞泵音频信号经过Gammatone滤波器后,再通过短时傅里叶变换(Short-time Fourier transform,STFT)生成Gammatone声谱图:STFT(,)=-x(t)(t-)e-itdt(2)式中:为归一化角频率,为时延系数,使用长度为128的汉宁窗作为窗函数(t),并显示信号的单边频谱。滤波前后的声谱图对比如图3所示。图3展示了正常状态下的柱塞泵音频信号声谱图,可以看出,柱塞泵运行时的声音信号覆盖频率范围广,在整个频段上存在较大的噪声干扰。而经过Gammatone滤波后,柱塞泵
17、音频信号的中低频部分被显著增强,高频部分过渡更为平滑,类似于通过人耳对强弱信号的对比分辨能力,使得信号的有效信息更加突出,有利于后续的故障识别。而且,将柱塞泵故障音频信号转换为Gammatone声谱图像,故障诊断问题就被转化为图像分类的问题,可以引入技术更为成熟的图像分类方法进行处理。2.2 柱塞泵音频小样本数据集构建首先,由于能采集到的柱塞泵故障音频信号有限,需要对其进行数据扩充,将每种故障状态下采集到的柱塞泵音频信号切割为多段信号样本,为了让信号样本能够充分表现柱塞泵的动态特征,应保证每段切割后的信号至少包含2次柱塞泵往复运动。将切割后的柱塞泵各段音频信号转换为Gammatone声谱图后,
18、构建出柱塞泵音频故障数据集。然后,需要从原始数据集中划分出训练集Dtrain、验证集Dval和测试集Dtest。首先,为了后续验证模型的跨任务故障识别能力,先预留出几类数据作为Dtest,剩下数据按照6:4的比例划分为Dtrain和Dval。然后,根据MTL的训练模式,还需要分别在各类数据中随机采样,组合为多个任务。2.3 柱塞泵音频故障诊断模型训练根据MTL方法,首先使用大规模数据集预训练一个DNN网络用作特征提取器。这一阶段要求尽可能提高模型对图像通用特征的提取能力,而无须关注图像中具体内容。为了使DNN不过快地在这1阶段过拟合,选用类别足够多、复杂度足够高的miniImageNet数据集
19、,该数据集常用于小样本分类,包含100类不同物体RGB图像。在众多DNN中,残差网络(Residual Neural Network,Resnet)通过引入了残差结构有效解决了深层网络的退化问题,并在图像分类领域取得了突破性的成绩,是一种性能强大的DNN。同时,小样本条件下并不适合使用过深的网络,因此选用Resnet-12作为基础网络模型。按照第1节中所述的MTL训练方法,在miniImageNet数据集上开展预训练后,再通过SS操作在所构建的柱塞泵音频小样本数据集上训练新的分类器。2.4 柱塞泵故障诊断模型适应性改进经过上述阶段训练的故障诊断模型虽已基本具(a)滤波前(b)滤波后图 3 滤波
20、前后柱塞泵音频信号声谱图144第5期备了故障识别的能力,但无法识别未经训练过的新故障类。为了有效利用MTL快速适应新类的优势,需要对训练好的模型进行适应性改进。本文根据柱塞泵故障诊断的实际需求,提出了能够自适应处理新故障类的测试方法,用于MTL-PAFD方法的测试和实施,技术路线如图4所示。图 4 MTL-PAFD测试流程图首先,需要先复制一个训练完成的柱塞泵音频故障分类模型的副本(称为模型b),该模型用于输出故障分类结果,原模型(称为模型a)用于在出现未训练的新类时进行MTL训练,两个模型的参数全程共享。开始测试时,先将采集到的一段柱塞泵音频信号分割为多帧信号,然后按照第2.1小节所述的方法
21、提取出信号的Gammatone声谱图,将各帧声谱图按照监督学习的测试方法,逐一输入网络模型b进行分类。如果各帧分类结果基本一致,则认为该信号属于训练过的故障类别,直接输出一致性较高的故障分类结果。如果分类结果不一致,则将当前信号视为未见类,按照MTL的方法,将各帧信号样本作为新类,并赋予新的标签编号,与其他类样本组成新的任务输入模型a进行微调。微调后模型b的结构和参数也会得到相应改变,再使用更新后的模型b重新对该信号进行分类,并输出故障分类结果。由于柱塞泵音频训练样本数量均衡,直接采用准确率作为分类结果一致性的判断标准,判断规则如下:分类结果一致性=基本一致,pmax accth不一致,pma
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 小样 音频 信号 柱塞 故障诊断
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。