一种基于HHT的发动机小样本声音异常故障识别方法及系统

技术领域

本发明涉及故障诊断技术领域，具体涉及一种基于HHT的发动机小样本声音异常故障识别方法及系统。

背景技术

发动机故障检测识别目前常用方法有发动机试车系统检测、振动信号检测、声音信号检测等，其中基于发动机试车系统检测，其成本高而且需要专用场地，不适用于野外环境；振动信号检测一般利用压电加速度计对发动机振动信号进行检测，但加速度计通常有非常专业的性能和可靠性要求，需要与发动机直接接触安装，可测试性和安全性不高；发动机工作产生的声音信号包含着发动机的工作状态信息，利用声音信息进行无接触式的故障识别，对检测成本要求更低。

目前基于声音的故障诊断方法主要有：时域分析、频域分析和时频分析等，时域分析，包括直观的声音震动幅度信息，当信号出现明显的能量变化时，反应变化比较明显，可以对声音中含有异常冲击信号进行分析。频域分析中最常用的傅里叶变换，只适合平稳信号的分析，只能给出信号在整个持续期间的频域特征，对于非平稳信号，不能给出在时间中的演进过程的变化情况。

发动机发生故障时，测得的信号大部分为非线性、非平稳信号，频率是随时间变化的，且信号内包含着丰富的时频信息，因此在故障诊断中有必要采用一种适合于处理非线性非平稳信号的特征提取方法，这时就需要用时频分析的手段来分析信号。常用的时频分析方法有：小波分析、短时傅里叶变换、HHT(希尔伯特-黄变换)

短时傅里叶变换通过窗函数将信号截短，将每小段信号视为平稳过程进行谱估计，从而得到谱随时间变化的大致规律，依旧是以固定函数为基础，将原始信号进行固定的基底映射、受时间窗口的影响，无法做到时间分辨力和频率分辨力同时达到最佳，且对信号突变反应不灵敏。小波变换把傅里叶变换中确定的傅里叶级数换成了可以基于应用设计的母小波函数，提高了变换的时间和频率分辨率，但基底具有可塑性、可选性，这些操作都需要人为完成。

HHT变换能够对非平稳、非线性信号进行平稳化和线性化处理，同时可以在分解的过程中保留数据本身的特性。HHT变换不使用基函数，不受海森堡测不准定理的约束，通过EMD经验模态分解技术，得到各个本征模态函数(IMF)，然后利用Hilbert变换求得相位函数，再对相位函数求导产生瞬时频率，可以较好地提取出声音信号的各个级别的瞬时频率特征，这样求出的瞬时频率是局部性的，能够更好的分析声音信号的某局部特征，可以在事故发生前进行预测，包括问题出现的部位与时间。

HHT分析得出的时频特征，可根据发动机不同状态的工作特点，设置提取特征参数，进而将特征参数输入神经网络进行模式识别，发动机作为动力系统，出现故障情况和正常工作的时长占比低，因而故障样本较少，同时也很难收集全部的故障样本，所以需要一种小样本的学习方式，可将特征值变换结果输入预置VAE网络，并处理获取损失函数MSE，训练后的预置VAE网络标记为适用网络VAEtn，采集获取待检测发动机音频，利用适用网络VAEtn还原并计算损失函数MSE，根据预置异常故障阈值及VAE输出结果判定获取异常声音数据，据以识别故障模式。

公开号为CN111538947A的现有发明专利文献《风力发电机轴承故障分类模型的构建方法》该方法由如下步骤实现：步骤1、预置轴承故障类型及数量，步骤2、原始信号采集与预处理，步骤3、建立深度学习网络，步骤4、验证模型分类结果。本发明使用快速傅里叶变换处理序列数据。该现有专利文献采用传统的数据处理方法，如傅立叶变换只能处理线性非平稳的信号，在其他应用场景的信号处理中的适用性较差。公开号为CN107631877B的现有发明专利文献《一种针对机匣振动信号的滚动轴承故障协同诊断方法》包括以下步骤，在机匣上布置传感器采集振动信号；基于最小熵解卷积增强被测信号中的冲击性成分；基于小波变换提取滚动轴承共振频带；通过自相关分析抑制共振频带内的非周期性成分；基于Hilbert变换包络解调实现滚动轴承故障定位。该现有技术采用的小波变换虽然在理论上能处理非线性非平稳信号，但在实际算法实现中只能处理线性非平稳信号，前述现有技术采用的故障信号识别方式受有线性束缚以及平稳性的束缚，无法完全意义上处理非线性非平稳信号。

傅立叶变换的基是三角函数，小波变换的基是满足“可容性条件”的小波基，小波基也是预先选定的。在实际工程中，如何选择小波基不是一件容易的事，选择不同的小波基可能产生不同的处理结果。我们也没有理由认为所选的小波基能够反映被分析数据或信号的特性。

傅立叶变换、短时傅立叶变换、小波变换都受Heisenberg测不准原理制约，即时间窗口与频率窗口的乘积为一个常数。这就意味着如果要提高时间精度就得牺牲频率精度，反之亦然，故不能在时间和频率同时达到很高的精度，这就给信号分析处理带来一定的不便。

综上，现有技术存在非线性非平稳信号处理困难以及时间精度、频率精度无法兼顾的技术问题。

发明内容

本发明所要解决的技术问题在于如何解决非线性非平稳信号处理困难且时间精度与频率精度无法兼顾的技术问题。

本发明是采用以下技术方案解决上述技术问题的：一种基于HHT的发动机声音异常故障识别方法包括：

S1、获取并预处理声音分片数据、原始声音数据、声音片段截取长度，据以获取声音预处理数据，以将原始声音数据分割调整为统一时间长度，以得到分割时间数据；

S2、使用HHT中的经验模态分解工具EMD对分割时间数据进行经验模态分解，据以得到分割时间数据的IMF曲线；

S3、计算IMF的瞬时频率、Hilbert谱及Hilbert能量谱，提取并统计Hilbert谱和Hilbert能量谱中的声音特征值，汇总声音特征值，以得到不少于2组的特征值变换结果。

S4、将特征值变换结果输入预置VAE网络，并处理获取损失函数MSE，以校验特征值变换结果，在校验一致性超过阈值TY时，判定预置VAE网络有效；

S5、将经过步骤S4训练后的预置VAE网络标记为适用网络VAEtn，采集获取待检测发动机音频，利用适用网络VAEtn还原并计算损失函数MSE，据以获取VAE输出结果；

S6、根据预置异常故障阈值及VAE输出结果判定获取异常声音数据，据以启动故障检测流程。

本发明使用HHT中EMD进行经验模态分解，分解得到的IMF曲线，计算Hilbert谱和Hilbert能量谱，经提取各自的统计特征值，计入特征值，多组特征值汇总后，进入VAE网络进行计算，并通过MSE进行校验。本发明彻底摆脱了线性和平稳性束缚，适用于分析非线性非平稳信号。

在更具体的技术方案中，步骤S1中，采用下述逻辑处理声音分片数据、原始声音数据、声音片段截取长度，以得到分割时间数据：

V(t

其中，V(t

在更具体的技术方案中，步骤S2中，对分割时间数据进行经验模态分解，据以得到IMF曲线：

其中IMF

本发明采用的HHT能够自适应产生“基”，即由“筛选”过程产生的IMF，不同于傅立叶变换和小波变换。解决了在实际信号识别处理过程中，选择小波基难度大的问题，本发明通过对分割时间数据进行经验模态分解得到IMF曲线，能够充分反映被分析数据或信号的特性。

在更具体的技术方案中，步骤S3包括：

S31、以下述逻辑获取声音特征值的分量表示：

C

S32、对C

S33、构建解析信号，由以上C

其中：

A

S34、计算瞬时频率，解析信号包含信号瞬时幅度和瞬时相位信息，据此可求得第j阶IMF的瞬时角频率和瞬时频率为：

本发明通过借助Hilbert变换求得相位函数，再对相位函数求导产生瞬时频率。这样求出的瞬时频率是局部性的，使得本发明更加适用于分析突变信号。

S35、进行信号重组后，原始信号可表示为：

此处忽略了残余量R

Hilbert谱H(ω,t)描述了信号的幅值随时间和频率的分布情况；

S36、进一步定义Hilbert边际谱如下：

S37、基于HHT边际谱，定义Hilbert边际能量谱：Hilbert边际谱则表征了信号的幅值随频率的变化情况。在Hilbert边际谱中某一频率上出现了振动能量，说明在信号中包含该种频率的振动。其具体出现的位置则在Hilbert谱中给出：

S38、提取声音信号特征参数，提取多组特征值。

S38.1计算Hilbert谱中主频率成分。

提出时间分段主频率计算算法：

A.信号分割

先将Hilbert谱分在时域上将总时长分为k段，分别计为{T

B.求Hilbert谱时间分段频谱能量重心y

a.求Hilbert谱时间分段频谱能量重心m

在第k个时间分段内，求该时间分段的总能量重心m

其中M为第k个时间段内的二次时间分段个数，N为频率段的分段个数。

b.时间能量重心m

M为第k个时间段内的二次时间分段个数。

c.求频谱能量重心m

在第k个时间分段内，求频谱能量的重心m

N为频率段的分段个数。

d.求Hilbert谱分段能量重心x

其中x

C.计算各分段频率能量重心偏离度u

D.判断分段频率能量重心偏离度u

如果条件满足，则认为该分段时间与下一分段时间为同一工作状态，此工作状态主频率成分y

如果条件不满足，刚认为该分段时间与下一分段时间为工作状态转换间。需要对此时间分段进一步做时间切割，回到步骤A，再次执行时间分割直至满足重心偏离度u

最终得出整个时间段内的多个主频率成分，即可能对应的多个工作状态。

S38.2根据Hilbert谱中主频率成分，区分不同工作状态D

D

S38.2计算某工作状态参数：

在第k个主频率范围内，即发动机某工作状态下的状态参数，如发动机设定在3000转/分钟工作状态下时的状态参数。

A.频率变化量f

f

其中

f

f

式中f

B.频率抖动率f

频率抖动率f

频率)/主频率来计算：

S38.3计算不同工作状态转换参数：

状态转换时间t

t

其中x

工作状态变化量D

D

频率变化速率f

状态转换速率D

在更具体的技术方案中，将S3计算的特征参数输入步骤S4中的预置VAE网络中，网络结构包括：Dense网络。在更具体的技术方案中，步骤S4包括：

S41、以下述逻辑构建线性回归模型：

h

其中，x为特征参数输入值，θ

S42、根据线性回归模型，以预置逻辑处理得到损失函数MSE。

在更具体的技术方案中，步骤S42中，利用下述逻辑处理得到损失函数MSE：

其中，x

本发明不同于傅立叶变换、短时傅立叶变换、小波变换，由于采用了HHT，摆脱了Heisenberg测不准原理的制约。本发明可以在故障信号识别处理过程中同时兼顾时间精度与频率精度，便于进行信号分析处理。

在更具体的技术方案中，步骤S6包括：

S61、设定异常故障阈值GY；

S62、在VAE输出结果大于异常故障阈值GY时，将声音分类为异常声音，启动故障检测流程。

在更具体的技术方案中，一种基于HHT的发动机声音异常故障识别系统包括：

预处理模块，用以获取并预处理声音分片数据、原始声音数据、声音片段截取长度，据以获取声音预处理数据，以将原始声音数据分割调整为统一时间长度，以得到分割时间数据；

分割模块，用以使用HHT中的经验模态分解工具EMD对分割时间数据进行经验模态分解，据以得到分割时间数据的IMF曲线，分割模块与预处理模块连接；

特征变换模块，使用HHT中EMD进行经验模态分解，分解得到的IMF曲线，计算Hilbert谱和Hilbert能量谱，经提取各自的分布统计，计入特征值，汇总声音特征值，以得到不少于2组的特征值变换结果，特征变换模块与分割模块连接；

VAE网络模块，用以将特征值变换结果输入预置VAE网络，并处理获取损失函数MSE，以校验特征值变换结果，在校验一致性超过阈值TY时，判定预置VAE网络有效，VAE网络模块与特征变换模块连接；

MSE处理模块，用以将经过步骤S4训练后的预置VAE网络标记为适用网络VAEtn，采集获取待检测发动机音频，利用适用网络VAEtn还原并计算损失函数MSE，据以获取VAE输出结果，MSE处理模块与VAE网络模块连接；

异常检测触发模块，用以根据预置异常故障阈值及VAE输出结果判定获取异常声音数据，据以启动故障检测流程，异常检测触发模块与MSE处理模块连接。

本发明相比现有技术具有以下优点：本发明使用HHT中EMD进行经验模态分解，分解得到的IMF曲线，计算Hilbert谱和Hilbert能量谱，在小样本状态下，利用时间分段算法，结合发动机工作状态，利用时间能量重心和频率能量重心的方法，提取相关分析统计数值，计入特征值，多组特征值汇总后，进入VAE网络进行计算，并通过MSE进行校验。避免现有技术中因采用传统的数据处理方法，例如傅立叶变换导致只能处理线性非平稳的信号，本发明通过采用HHT，它彻底摆脱了线性和平稳性束缚，适用于分析非线性非平稳信号。

本发明采用的HHT能够自适应产生“基”，即由“筛选”过程产生的IMF，不同于傅立叶变换和小波变换，解决了在实际信号识别处理过程中，选择小波基难度大的问题，本发明通过对分割时间数据进行经验模态分解得到IMF曲线，能够充分反映被分析数据或信号的特性。

本发明通过借助Hilbert变换求得相位函数，再对相位函数求导产生瞬时频率。这样求出的瞬时频率是局部性的，使得本发明更加适用于分析突变信号。

本发明不同于傅立叶变换、短时傅立叶变换、小波变换，由于采用了HHT，摆脱了Heisenberg测不准原理的制约。本发明可以在故障信号识别处理过程中同时兼顾时间精度与频率精度，便于进行信号分析处理，解决了现有技术中存在的非线性非平稳信号处理困难且时间精度与频率精度无法兼顾的技术问题。

附图说明

图1为本发明实施例1的发动机声音采集及处理示意图；

图2为本发明实施例1的发动机声音识别训练示意图；

图3为本发明实施例1的发动机声音智能识别结果及Hilbert-Huang频谱图；

图4为本发明实施例1的基于HHT的发动机声音异常故障识别方法步骤示意图；

图5为本发明实施例1的Hilbert特征参数提取流程图；

图6本发明实施例1的标准VEA网络示意图；

图7为本发明实施例1的音频50次训练损失函数结果示意图；

图8为本发明实施例1的音频训练50次精度结果示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

如图1所示，在本实施例中，某无人机起飞前需对其发动机进行检测。对其基本几种工作状态进行分类检测，包括低转速2500转/分钟、高转速3000转/分钟、低速转高速2500-3000转/分钟、高速转低速3000-2500转/分钟等四种正常工作状态，先利用本发明声音采集设备对各种状态进行分类采集。

如图2所示，在本实施例中，根据不同工作状态分类不同文件夹，多次采集该状态的声音数据，并进行多次训练，不断提高其识别精度。

如图3所示，在本实施例中，经训练后，可以对发动机状态进行智能识别。如图所示，可分析声音信号的语谱图，小波变换图和Hilbert-Huang频谱图，通过VAE网络识别发动机状态，对正常状态下发动机和异常工作状态智能识别。

在另一具体实施例中，某发动机试验提高转速，转速设定由2500转/分钟设置提高为3000转/分钟，通过分析声音信号的语谱图，小波变换图和Hilbert-Huang频谱图可得，此发动机处理两种工作状态，一个状态是工作频率较低，稳定在2.8kHz，频率抖动率小于3％，另一种状态是频率较高，稳定在3.2Khz，频率抖动率小于2％，两种状态转换即低转高用时1.32s，频率变化量为0.8hz/转，频率变化率为0.303Khz/s，且上升时观察Hilbert-Huang频谱图无明显频率突变(频率抖动率2％以内)，经VAE网络判断为低转高正常工作状态。

在另一实施例中，另一发动机试验提高转速，转速设定由2500转/分钟设置提高为3000转/分钟，通过分析声音信号的语谱图，小波变换图和Hilbert-Huang频谱图可得发动机处理两种工作状态，一个状态是工作频率较高，稳定在2.76kHz，，频率抖动率小于6％，另一种状态是频率较高，稳定在3.23Khz，频率抖动率小于5％，，两种状态转换即低转高用时2.74s，频率变化量为0.98hz/转，频率变化斜率为0.171Khz/s，且上升时观察Hilbert-Huang频谱图，有3处明显频率突变(频率抖动率达10％以上)，经VAE网络判断为低转高异常工作状态。

如图4所示，在本实施例中，本发明提供的一种基于HHT的发动机声音异常故障识别方法包括以下步骤：

S1、发动机声音实时输入；

S2、预处理发动机声音；在本实施例中，进行声音预处理并对声音分割

V(t

其中V(t

S3、判断是否需要训练；

S4、若是，则对发动机声音进行声音切片，若否，执行步骤S10；

S5、使用HHT中的经验模态分解工具EMD经验模态分解经过声音切片的音频数据，在本实施例中，Hilbert-Huang Transform，简称HHT，即希尔伯特-黄变换HHT主要内容包含两部分，第一部分为经验模态分解(Empirical Mode Decomposition，简称EMD)，它是由Huang提出的；第二部分为Hilbert谱分析(Hilbert Spectrum Analysis，简称HSA)。简单说来，HHT处理非平稳信号的基本过程是：首先利用EMD方法将给定的信号分解为若干固有模态函数(以Intrinsic Mode Function或IMF表示，也称作本征模态函数)，这些IMF是满足一定条件的分量；然后，对每一个IMF进行Hilbert变换，得到相应的Hilbert谱，即将每个IMF表示在联合的时频域中；最后，汇总所有IMF的Hilbert谱就会得到原始信号的Hilbert谱；在本实施例中，对第一步的声音片段做EMD分解：

其中r

S6.处理EMD分解后的音频数据，以得到IMF曲线；

令第j阶固有模态函数imf(t)为C

由以上C

其中：

A

IMF的瞬时频率，即时频谱图。可以看出在信号每间隔50ms处出现明显的高频频率成分。

经提取有效的IMF后，进行重组后，原始信号可表示为：

此处忽略了残余量r

综合上述两步，原信号表达为，为一个时间-频率-能量三维分布图。

S7、根据Hilbert能量谱提取特征值，包括：

频率变化量f

f

其中

f

f

式中，f

频率抖动率f

状态转换时间t

t

其中x

工作状态变化量D

D

频率变化速率f

状态转换速率D

如图5所示，在本实施例中，Hilbert特征参数提取流程还包括：

S71、时间分段为k段；

S72、分段总能量重心m

S73、获取时间能量重心x

S74、获取频谱能量重心y

S75、判断频率能量重心偏离度u

S76、若否，则获取主频率成分y

S77、获取对应发动机设定工作状态D

S78、获取转换时间t

S79、获取状态转换量D

S710、计算f

S711、获取频率变化量f

S712、获取频率变化速率f

S713、获取状态转化速率f

S714、获取频率抖动率f

S8、进行VAE网络训练；在本实施例中，新建VAE自编码神经网络，将S7的变换结果导入到VAE；

S9、将提取得到的特征值的变换结果输入VAE网络，并处理获取损失函数MSE，以校验特征值变换结果，判断校验一致性是否超过阈值TY；

S10、若是，则将经过训练后的所述预置VAE网络标记为适用网络VAEtn，若否，继续训练VAE网络；

在本实施例中，如图6所示，S11、采集获取待检测发动机音频，，利用所述适用网络VAEtn还原并计算所述损失函数MSE，据以获取VAE输出结果，根据预置异常故障阈值及VAE输出结果判定获取异常声音数据，启动故障检测流程。在本实施例中，检测结果输入MSE判断结果：

假设我们的模型是二维平面的线性回归模型：

h

其中θ

其中，xi为VAE的输出结果，h

如图7所示，在本实施例中，准确度是指预测结果与真实结果完全一致的比例，比例越高代表预测精度越高，以50次训练为例。

如图8所示，在本实施例中，训练50次的精度约为65％，为了提高精度，初步的方案是加大训练次数，500次训练结果如下所示，精度接近90％。

综上，本发明使用HHT中EMD进行经验模态分解，分解得到的IMF曲线，经提取各自的统计特征值，计入特征值，多组特征值汇总后，进入VAE网络进行计算，并通过MSE进行校验。避免现有技术中因采用传统的数据处理方法例如傅立叶变换导致只能处理线性非平稳的信号，本发明通过采用HHT，它彻底摆脱了线性和平稳性束缚，适用于分析非线性非平稳信号。

本发明采用的HHT能够自适应产生“基”，即由“筛选”过程产生的IMF，不同于傅立叶变换和小波变换，解决了在实际信号识别处理过程中，选择小波基难度大的问题，本发明通过对分割时间数据进行经验模态分解得到IMF曲线，能够充分反映被分析数据或信号的特性。

本发明通过借助Hilbert变换求得相位函数，再对相位函数求导产生瞬时频率。这样求出的瞬时频率是局部性的，使得本发明更加适用于分析突变信号。

本发明不同于傅立叶变换、短时傅立叶变换、小波变换，由于采用了HHT，摆脱了Heisenberg测不准原理的制约。本发明可以在故障信号识别处理过程中同时兼顾时间精度与频率精度，便于进行信号分析处理，解决了现有技术中存在的非线性非平稳信号处理困难且时间精度与频率精度无法兼顾的技术问题。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。