欧阳培初
韶关市溢洲水电站有限公司 广东省韶关市512031
摘要：微电机是由永磁同步电机和内置减速箱组成的可逆同步电机。它具有扭矩大、噪音低、体积小、重量轻、使用方便、运行速度恒定等优点。主要用于小型机械设备和各种电动玩具。其基本组成与普通电机相似，包括定子、转子、电枢绕组、电刷等部件。本文对基于声音信号的电厂设备状态监测进行了分析，以供参考．
关键词：声音信号；电厂设备；状态监测
引言
旋转机械故障排除通常是使用加速度传感器收集振动信号，然后进行处理分析。声音也基本上是振动信号，包含大量信息，但对声音信号设备故障排除的研究很少。采集辊声信号进行故障排除，并通过实验验证了从声音信号对辊进行故障排除的方法的有效性。已使用简单麦克风捕获的声音信号成功诊断异步电动机故障。一种声发射检测方法，从滚动轴承中采集低速声频信号，成功地对滚动轴承进行故障排除，提出了一种环境抗干扰设备的声速故障监控方法，并用声频信号进行了测试。
1概述
随着电厂设备逐渐走向大型化、集成化、高速化、自动化和智能化，突发的故障停机造成的损失越来越大。由于大多数设备、备件的故障间隔离散性较大，定期维修会造成较高的维修成本和较多的设备机器失效，因此做到预知维修能有效降低维修成本，降低事故停机率，具有很高的投资收益比。状态监测是一种感知设备健康的技术，使潜在的问题能够在其发展的早期被检测和诊断，并在问题变得严重之前通过适当的恢复措施进行校正。物联网技术和深度学习的快速发展，基于模型驱动的状态监测技术达到新高度。深度学习技术的引入，不再依赖于传统的信号处理技术就可以提取更为精确的信号特征。在实际工业系统中，当设备状工作状态发生改变往往会引起声音信号结构的变化、出现不同的声音信号特征，可以通过设备声音信号特征的变化判断出设备的运行状态，可以采用统计模型理论来分析处理，判别设备故障类型和发生部位．
2测听设备的校准方法
2.1啭声自由场测听的声压级误差
GB/T4854.7-2008规定了自由场测深的参考阈值声压级。啸叫自由场测听声压级误差的校准和测量装置在听力室(自由场或准自由场)进行。测听设备的信号源等部分放置在测听室外，扬声器部分固定放置在测听室内，测量麦克风放置在测听室的基准点。测量麦克风与扬声器参考轴之间的夹角与受试者聆听声场时的声音入射角一致。（即0°、45°或90°入射）。
2.2啭声谐波失真
由于室内声音是一种测试信号，其频率不断变化，因此无法使用常规的辐照仪器校准谐波失真。为此，本文采用标定方法，参照纯水听器的标定方法测量谐波电压。测试频率点的音频输出压力越大，引入的谐波失真越大，其他频率点引入内容的谐波失真越多，影响声场检测的准确性。125Hz收听设备在GB/T16296.2-2016中建议的谐波失真通常不超过5.0%，125Hz以上频率点的谐波失真通常不超过3.0%。因此，为了保证声场检测听力的准确性，必须找出每个频率点可用于声场听力的最高听力水平。
2.3啭声声压级级线性误差
由于环境噪声和测试信号的谐波失真可能会影响测试的收听室，因此有必要校准可供收听设备使用的收听级别范围，并校准该范围内的内部声压级别线性误差。校准时，应首先调整测量和收听设备，使其不发出声音，并将显示的环境噪声记录在声音分析仪上。
然后，将测量监听设备置于连续的声音位置，设置在听力水平上进行谐波失真校准时获得的最大收听率位置，使用标称步长值降低监听设备的收听水平输出值， 记录声音分析仪在每个输出位置显示的频带声压刻度的三分之一，然后计算相邻位置的衰减值，最后计算标称螺距值和衰减值之间的差值。 声呐分析仪输出声压级的声频比小于10dB的速度未校准，但予以记录，最大允许误差一般不超过步进值的±3/10dB或±2.0dB（两者取其较小者），从而可以确定最小听力级档位。应在1kHz频率点进行校准。
3基于声音信号的机械设备故障诊断
3.1技术路线
由于环境噪声和其他噪声的影响，机械故障声信号的提取十分困难。在本文中，我们将建立傅里叶算法模型来解决这个问题。根据信号所能显示的形式，将其分为三种特征进行提取。根据三种不同的表达形式，可以对声音信号样本进行优化提取。大部分采集到的声音信号存在没有良好的标注与识别分类，这样会使得数据无法进行故障识别与标注。建立一个卷积神经网络模型来解决这个问题。首先对正常齿轮、齿轮断裂、齿轮磨损、齿轮点蚀试样进行训练。对声音信号的原时域和频域信息特征提取构建基于时域、频域信号的样本矩阵，输入到卷积神经网络进行判别输出分类标注。最后，通过实验数据对实验结果进行分析和解释。
3.2基于卷积神经网络的齿轮故障诊断
单声道声音信号即采用的是单个传感器采集的多个特征信息量，单通道端到卷积神经网络的齿轮故障诊断流程。通过声压测量法进行声音信号采集，构建基于时域、频域信号的样本数据矩阵并输入到卷积神经网络。设置网络层数及始化参数，通过卷积层的卷积核与输入特征矩阵进行卷积计算，得到输出是否收敛，若无法收敛则需优化参数并再次进行损失值计算和输出。若收敛合适则判别故障识别率是否很高，若高则进行最终输出故障类型，若不高则返回到输入层进行修正再次卷积计算。
3.3声音信号的采集过程
研究的对象取自于机械设备中最常见的减速器，减速器由齿轮、轴、轴承、箱体等结构组成。减速器所出现的故障主要表现在齿轮、轴和轴承中，这些占据齿轮箱的绝大部分，而且齿轮故障占比最高。常见的齿轮故障主要有四种，依据现有出现的概率高低分别为轮齿折断、点蚀、磨损与胶合。利用建立的故障状态模拟实验平台，模拟了减速器齿轮在加工过程中的三种典型故障状态：齿面磨损、齿面点蚀、齿轮断裂。通过故障状态模拟实验平台模拟出减速机齿轮故障的自然状态，经过传声器将噪音信号转化为电信号，再经过数据采集卡模数转换传到计算机的MATLAB软件进行分析．
4异常检测后故障识别的诊断方案
基于历史数据训练的故障诊断模型一定会将新型故障判别到某一类已有的类别中。而且设备运行中正常运行数据远远高于故障类型数据，造成非均衡的训练样本。模型对这些非常小量的故障数据会造成误判或漏判。首先通过异常检测将少量的故障样本与正常样本区分。先异常检测后故障识别的诊断方案的建立。本文提出“先异常检测后故障识别”的诊断方案，去除原始声音信号中正常数据，只用异常的故障数据训练诊断模型。异常检测后的数据作为故障诊断模型的输入，由于检测后的数据可能包含已知故障类型和新型故障，在故障识别模型后添加判断条件。1D-CNN模型的Softmax层输出为对某一故障判定的概率值。多次试验分析，设定Softmax输出值为0.9作为能否准确判断的分界点，当输出值大于等于0.9，认为模型可以对故障类型做出准确判断；当输出值小于0.9，认定模型无法对信号做出准确判断，该信号为新型故障，可结合实际情况通过专家经验给定标签重新输入到1D-CNN诊断模型进行训练更新.
结束语
微型电机的声音信号易受环境影响，信噪比较高。提出的MCKD－小波变换的滤波方法，可以有效地降低信号中的环境干扰噪声，同时增强信号中的冲击成分。
参考文献
[1]蔡超.基于智能移动终端声音传感器的低延迟室内定位技术研究[D].华中科技大学,2019.
[2]常飞.基于信号特征提取的设备健康状态预测与评估[D].中国矿业大学,2018.
[3]蔡利忠.无人值班变电站电气设备智能监控系统[D].吉林大学,2017.
[4]李云焕.基于声音识别的交通信息检测技术研究[D].长安大学,2017.
[5]吕娜.基于电弧声信号的铝合金脉冲GTAW熔透特征识别及其实时控制研究[D].上海交通大学,2017.