趙 越，殷 鳴，黃沁元，殷國(guó)富，謝羅峰

（四川大學(xué)制造科學(xué)與工程學(xué)院，四川 成都 610065）

0 引 言

磁瓦是永磁直流電機(jī)中產(chǎn)生恒定磁勢(shì)的關(guān)鍵部件，是一種鐵氧體材料的瓦狀磁鐵，其質(zhì)量直接影響電機(jī)的性能和壽命，所以必須對(duì)磁瓦的表面和內(nèi)部缺陷進(jìn)行嚴(yán)格的檢驗(yàn)。生產(chǎn)廠家在磁瓦的實(shí)際缺陷檢測(cè)中并不注重磁瓦的缺陷類型，只要求判斷缺陷的有無(wú)。

目前已經(jīng)有研究人員利用機(jī)器視覺的方法對(duì)磁瓦表面進(jìn)行檢測(cè)[1]，但由于磁瓦尺寸和種類繁多、磁瓦材料特殊等原因的限制，現(xiàn)在并無(wú)用于檢測(cè)磁瓦內(nèi)部缺陷的成熟方法。綜合考慮磁瓦檢測(cè)低成本、高效率、強(qiáng)適應(yīng)性等多重技術(shù)需求，音頻檢測(cè)是磁瓦內(nèi)部缺陷檢測(cè)的一種可行的技術(shù)手段。

小波包-神經(jīng)網(wǎng)絡(luò)作為一種高效的音頻檢測(cè)方法，被廣泛用于故障診斷和模式識(shí)別領(lǐng)域。文獻(xiàn)[2]和文獻(xiàn)[3]分別利用小波包-神經(jīng)網(wǎng)絡(luò)對(duì)內(nèi)燃機(jī)、發(fā)動(dòng)機(jī)故障實(shí)現(xiàn)了良好的識(shí)別；文獻(xiàn)[4]用小波包-神經(jīng)網(wǎng)絡(luò)對(duì)軸承故障進(jìn)行了診斷；文獻(xiàn)[5]使用小波包-神經(jīng)網(wǎng)絡(luò)檢驗(yàn)玻璃缺陷的有無(wú)；文獻(xiàn)[6]使用小波包-神經(jīng)網(wǎng)絡(luò)對(duì)雷達(dá)目標(biāo)實(shí)現(xiàn)了智能識(shí)別。小波包-神經(jīng)網(wǎng)絡(luò)信號(hào)處理能力強(qiáng)，算法相對(duì)簡(jiǎn)單，便于計(jì)算機(jī)的實(shí)現(xiàn)，在磁瓦內(nèi)部缺陷檢測(cè)中，具有很強(qiáng)的實(shí)用性。但目前尚未有研究人員將此方法應(yīng)用于磁瓦內(nèi)部缺陷檢測(cè)領(lǐng)域。

為驗(yàn)證小波包-神經(jīng)網(wǎng)絡(luò)方法在磁瓦內(nèi)部缺陷檢測(cè)中的效能，設(shè)計(jì)了一套自動(dòng)檢測(cè)裝置，收集磁瓦撞擊金屬塊所產(chǎn)生的聲音信號(hào)，并利用小波包-神經(jīng)網(wǎng)絡(luò)對(duì)信號(hào)是否存在缺陷進(jìn)行分析，提出了一種磁瓦內(nèi)部缺陷檢測(cè)的新方法。

1 試驗(yàn)應(yīng)用的基本理論

1.1 小波包分析

小波包分析是小波分析的演進(jìn)類型，是一種比小波分析更精細(xì)的信號(hào)分析方法，可實(shí)現(xiàn)頻帶的多層次劃分[7]。相比小波分析，小波包能分析細(xì)節(jié)信號(hào)，既能對(duì)信號(hào)的低頻進(jìn)行分解，也能對(duì)高頻部分進(jìn)行細(xì)化，并能根據(jù)需求和信號(hào)特征，自適應(yīng)地提取信號(hào)特定頻段，提高實(shí)頻分辨率[8]。

小波包[9]可以表示為

式中：i——頻率參數(shù)；

j——尺度因子；

k——平移參數(shù)。

小波包ψi[9]通過(guò)下式獲得：

式中：ψ0（t）——尺度函數(shù)；

ψ1（t）——母小波；

{hk}k∈Z、{gk}k∈Z——一組共軛鏡像濾波器（QMF）[10]。

下面以一個(gè)三層小波包分解來(lái)說(shuō)明，小波包分解樹如圖1所示。

A、D分別表示低頻和高頻，末尾序號(hào)表示小波包分解層數(shù)。分解層數(shù)越高，小波包尺度越大，小波包系數(shù)對(duì)應(yīng)的空間分辨率就越低，這樣就能在不同的分辨率上對(duì)信號(hào)進(jìn)行細(xì)致分析。

圖1 三層小波包分解樹

原信號(hào)S[9]可以表示為：

1.2 神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)是應(yīng)用最廣泛的人工神經(jīng)網(wǎng)絡(luò)，它是基于誤差反向傳播算法的多層前饋網(wǎng)絡(luò)，包含輸入層、隱含層和輸出層[11]。同一層的神經(jīng)元之間沒(méi)有聯(lián)接，而相鄰層的神經(jīng)元之間完全聯(lián)接。給定一輸入模式，輸入向量經(jīng)輸入層傳遞到隱含層，經(jīng)過(guò)隱含層的處理，在輸出層得到輸出。神經(jīng)元的傳遞函數(shù)為S型函數(shù)，保證輸出可以為0~1的連續(xù)量。為得到期望的輸入-輸出映射關(guān)系，BP神經(jīng)網(wǎng)絡(luò)根據(jù)上一層傳遞的誤差，不斷調(diào)節(jié)網(wǎng)絡(luò)權(quán)值和閾值來(lái)修正誤差，適用于函數(shù)逼近、模式識(shí)別和分類等問(wèn)題[12]。典型的三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

2 檢測(cè)方法與流程

2.1 樣本準(zhǔn)備

實(shí)驗(yàn)?zāi)康氖菂^(qū)分磁瓦有無(wú)缺陷，從磁瓦生產(chǎn)廠家收集了3類磁瓦（簡(jiǎn)稱A類、B類、C類），且收集的磁瓦只區(qū)分有缺陷和無(wú)缺陷兩類，樣本缺陷都為生產(chǎn)過(guò)程中的實(shí)際缺陷，每種類型中有缺陷樣本、無(wú)缺陷樣本各120個(gè)，樣本有、無(wú)缺陷已通過(guò)特定方法嚴(yán)格界定，為敘述方便，以下簡(jiǎn)稱為合格樣本和缺陷樣本。把每類磁瓦中合格、缺陷樣本按一定數(shù)量分成兩類，一類作為訓(xùn)練樣本，用于分析磁瓦內(nèi)部缺陷特征、建立識(shí)別方法；另一類作為測(cè)試樣本，用于驗(yàn)證識(shí)別方法的準(zhǔn)確性和可行性。

2.2 檢測(cè)系統(tǒng)

為了實(shí)現(xiàn)自動(dòng)檢測(cè)的要求，該檢測(cè)系統(tǒng)包括機(jī)械系統(tǒng)和數(shù)據(jù)處理系統(tǒng)。機(jī)械系統(tǒng)用于模擬人工檢測(cè)磁瓦內(nèi)部缺陷，使磁瓦撞擊金屬塊產(chǎn)生聲音。數(shù)據(jù)處理系統(tǒng)用于采集磁瓦與金屬塊的撞擊聲，通過(guò)識(shí)別算法判斷磁瓦是否存在內(nèi)部缺陷，并對(duì)磁瓦進(jìn)行分類。設(shè)計(jì)的檢測(cè)系統(tǒng)如圖3所示。

調(diào)速電機(jī)以計(jì)算好的速度帶動(dòng)傳送帶勻速運(yùn)動(dòng)，并排磁瓦通過(guò)傳送帶輸送到跌落臺(tái)，在傳送帶摩擦力的作用下，磁瓦從跌落臺(tái)上被推下。跌落臺(tái)與激振塊之間的高度設(shè)置為0.02m，這樣保證了磁瓦可以橫向翻轉(zhuǎn)并跌落在激振塊上，也保證了磁瓦無(wú)損壞地撞擊激振塊并產(chǎn)生聲音。激光傳感器安裝在跌落臺(tái)與激振塊之間，激振塊下方的隔音室中安裝有傳聲器。

圖3 磁瓦內(nèi)部缺陷檢測(cè)系統(tǒng)

數(shù)據(jù)處理系統(tǒng)由傳聲器、信號(hào)調(diào)理儀、數(shù)據(jù)采集卡和個(gè)人計(jì)算機(jī)（PC）組成。磁瓦跌落的過(guò)程中會(huì)遮擋住激光傳感器的光路，從而觸發(fā)激光傳感器，激光傳感器將接收到的信號(hào)傳送給計(jì)算機(jī)，計(jì)算機(jī)控制傳聲器開始采集聲音。采集到的音頻信號(hào)經(jīng)過(guò)信號(hào)調(diào)理儀的放大和濾波后通過(guò)數(shù)據(jù)采集卡被計(jì)算機(jī)保存，最后通過(guò)識(shí)別算法判斷磁瓦有無(wú)缺陷。檢測(cè)完畢后，安裝在跌落臺(tái)下方的氣缸推桿動(dòng)作，將磁瓦推出激振臺(tái)，然后氣缸反向動(dòng)作回位，完成一個(gè)磁瓦的檢測(cè)。

2.3 檢測(cè)流程

圖4是磁瓦內(nèi)部缺陷檢測(cè)的基本流程：

1）通過(guò)機(jī)械裝置讓磁瓦跌落，并撞擊金屬塊激振產(chǎn)生聲音。

2）采集激振聲音信號(hào)，并將磁瓦按訓(xùn)練樣本和測(cè)試樣本分成兩類。

3）利用小波包變換提取信號(hào)特征。

4）用訓(xùn)練樣本提取的特征訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，并利用此訓(xùn)練的神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試樣本進(jìn)行缺陷判別。

5）結(jié)合試驗(yàn)結(jié)果對(duì)系統(tǒng)檢驗(yàn)評(píng)估。

圖4 檢測(cè)流程

3 試驗(yàn)與分析

3.1 小波包特征提取

根據(jù)Nyquist采樣原理，在采樣頻率為40000Hz時(shí)，可以采集到20 000 Hz以內(nèi)的聲音信號(hào)，每段聲音信號(hào)采集了8000個(gè)點(diǎn)，在此信號(hào)下進(jìn)行特征提取，以下以A樣本為例進(jìn)行說(shuō)明。對(duì)A樣本信號(hào)進(jìn)行小波包分解。系列小波正交、緊支、對(duì)不規(guī)則信號(hào)敏感、消失矩階數(shù)適中[13]。多次試驗(yàn)小波基函數(shù)選用dB 20小波包、Shanno熵標(biāo)準(zhǔn)，經(jīng)6層小波包變換后，得到64個(gè)小波包終端節(jié)點(diǎn)。

若將64個(gè)小波包終端節(jié)點(diǎn)全部作為分析節(jié)點(diǎn)，信息處理量大、冗余信息多、系統(tǒng)運(yùn)行速度慢，所以有必要對(duì)64個(gè)終端節(jié)點(diǎn)進(jìn)行篩選。信號(hào)的時(shí)域分析只能反映信號(hào)能量隨時(shí)間的變化，而快速傅里葉變換（FFT）能將信號(hào)變換到頻域，反映出信號(hào)能量與頻率的關(guān)系。經(jīng)過(guò)大量測(cè)試，其頻域圖表現(xiàn)出在特定頻段能量出現(xiàn)峰值的特征。圖5為其中一組具有代表性的合格、缺陷樣本的頻域圖。

結(jié)合圖像對(duì)比發(fā)現(xiàn)，合格磁瓦和缺陷磁瓦的振動(dòng)頻率在頻域圖上有差別，但能量峰值集中出現(xiàn)在8000~10000Hz和11500~12000Hz頻率段，該頻段信息豐富，最能反映信號(hào)頻譜特征。雖然圖5中反映出合格樣本和缺陷樣本的能量峰值大小和峰值頻點(diǎn)位置稍有不同，但該信息相似度很高，仍需進(jìn)一步分析，故選取8000~10000Hz和11500~12000Hz頻段所對(duì)應(yīng)的13個(gè)終端節(jié)點(diǎn)作為提取特征信息的節(jié)點(diǎn)。首先對(duì)這13個(gè)節(jié)點(diǎn)信號(hào)重構(gòu)，然后計(jì)算出節(jié)點(diǎn)能量，最后為降低各節(jié)點(diǎn)特征量的差異性，對(duì)能量進(jìn)行歸一化。具體表示如下：

各子頻帶重構(gòu)信號(hào)的能量為

xik（k=0，1，2，…，8000）——第i個(gè)節(jié)點(diǎn)里第k個(gè)離散點(diǎn)的幅值。

Ei（i=0，1，2，…，13）數(shù)值較大且各數(shù)據(jù)間數(shù)值差異大，所以作歸一化處理：

圖5 磁瓦撞擊信號(hào)歸一化頻域圖

式（6）即為所提取的特征向量，在樣本中隨機(jī)抽取一合格樣本和一缺陷樣本，作出所篩選終端節(jié)點(diǎn)的歸一化能量圖，如圖6所示。

能量圖中可以反映出合格、缺陷樣本存在差異，但從圖像中還不能對(duì)差異準(zhǔn)確量化。分別在120個(gè)好樣本和120個(gè)壞樣本中各抽取60個(gè)樣本組成訓(xùn)練特征向量，其余的120個(gè)樣本作為測(cè)試樣本特征向量，用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類。

3.2 BP神經(jīng)網(wǎng)絡(luò)分類

用120組訓(xùn)練樣本的特征向量（合格樣本及缺陷樣本各60組）對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練函數(shù)選用traingdm。訓(xùn)練結(jié)果如圖7所示。

圖6 終端節(jié)點(diǎn)歸一化能量圖

圖7 訓(xùn)練誤差曲線

從圖中的誤差訓(xùn)練曲線可以看出，網(wǎng)絡(luò)在8步內(nèi)訓(xùn)練誤差就達(dá)到了3.025×10-8，訓(xùn)練速度和訓(xùn)練準(zhǔn)確度都達(dá)到了理想的效果。

用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)對(duì)120個(gè)測(cè)試樣本進(jìn)行驗(yàn)證，從測(cè)試樣本中隨機(jī)抽取5個(gè)好樣本和5個(gè)壞樣本，表1列出了測(cè)試結(jié)果。

從表中數(shù)據(jù)結(jié)果可以看出，1~5號(hào)樣本輸出單元1都大于0.84，輸出單元2都小于0.12，容易判別為無(wú)缺陷樣本；而6~10號(hào)樣本輸出單元1都非常接近0，輸出單元2都大于0.99，能明顯判別為內(nèi)部有缺陷的樣本。

重復(fù)此方法，依次對(duì)B、C兩類磁瓦也進(jìn)行了驗(yàn)證，表2列出了3類磁瓦測(cè)試的統(tǒng)計(jì)結(jié)果。

表1 A類樣本測(cè)試結(jié)果

表2 3類樣本測(cè)試結(jié)果統(tǒng)計(jì)

從表2中數(shù)據(jù)可以看出，該方法對(duì)現(xiàn)有的3類樣本都達(dá)到了較高的識(shí)別率，能100%識(shí)別出有缺陷樣本，對(duì)于無(wú)缺陷樣本也能達(dá)到98%以上的識(shí)別效果。對(duì)于實(shí)際生產(chǎn)而言，若將有缺陷樣本判定為合格樣本，一旦在合格樣本供貨抽檢中抽檢到缺陷樣本，整批磁瓦會(huì)判定為不合格品，導(dǎo)致買家退貨等問(wèn)題，使制造廠家蒙受巨大經(jīng)濟(jì)損失；而將極少數(shù)合格樣本檢測(cè)為缺陷樣本，制造廠家可以將不合格品二次利用，是完全可以接受的。

4 結(jié)束語(yǔ)

磁瓦跌落撞擊金屬塊產(chǎn)生聲音信號(hào)，利用此信號(hào)，應(yīng)用小波包結(jié)合BP神經(jīng)網(wǎng)絡(luò)對(duì)樣本缺陷進(jìn)行判別，可以得到較好的識(shí)別效果。結(jié)論如下：

1）小波包分析可以有效提取磁瓦缺陷信號(hào)的成分，并能針對(duì)特定頻段信息局部細(xì)化，放大信號(hào)中的有用信息。

2）BP神經(jīng)網(wǎng)絡(luò)對(duì)于磁瓦內(nèi)部缺陷的識(shí)別率達(dá)到了98%以上，且該方法具有較快的訓(xùn)練速度，非常適用于磁瓦內(nèi)部缺陷的自動(dòng)化檢測(cè)。

3）利用小波包-神經(jīng)網(wǎng)絡(luò)原理，開發(fā)的磁瓦內(nèi)部缺陷音頻檢測(cè)設(shè)備結(jié)構(gòu)簡(jiǎn)單、檢測(cè)速度快、成本低、可靠性高、具有一定的可行性，可進(jìn)一步推廣。

4）現(xiàn)階段沒(méi)能通過(guò)有效的手段對(duì)缺陷的類型進(jìn)行準(zhǔn)確鑒定，該方法只能用于判斷磁瓦內(nèi)部缺陷的有無(wú)，對(duì)于磁瓦內(nèi)部缺陷的種類目前尚無(wú)法準(zhǔn)確判別，有待進(jìn)一步深入研究。

[1]Li X， Jiang H， Yin G.Detection of surface crack defects on ferrite magnetic tile[J].NDT&E International，2014（ 62）：6-13.

[2]Wu J，Liu C.An expert system for fault diagnosis in internal combustion engines using wavelet packet transform and neural network[J].Expert Systems with Applications，2009，36（ 3）：4278-4286.

[3]司景萍，郭麗娜，牛家驊.基于小波包神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)振動(dòng)信號(hào)分析[J].振動(dòng)、測(cè)試與診斷，2013，33（ 5）：763-769.

[4]Wang G，Wang Z，Qin X，et al.Accurate diagnosis of rolling bearing based on wavelet packet and RBF neural networks[J].Beijing Keji Daxue Xuebao/Journal of University of Science and Technology Beijing，2004，26（ 2）：184-187.

[5]Gokmen G.The defect detection in glass materials by using discrete waveletpackettransform and artificial neural network[J].Journal of Vibroengineering，2014，16（ 3）：1434-1443.

[6]Avci E， Turkoglu I， Poyraz M.Intelligent target recognition based on wavelet packet neural network[J].Expert Systems with Applications，2005，29（ 1）：175-182.

[7]Bahoura M，Simard Y.Blue whale calls classification using short-time Fourier and wavelet packet transforms and artificial neural network[J].Digital Signal Processing:A Review Journal，2010，20（ 4）：1256-1263.

[8]Sengur A， Turkoglu I， Ince M C.Wavelet packet neural networks for texture classification[J].Expert Systems with Applications，2007，32（ 2）：527-533.

[9]宋知用.Matlab在語(yǔ)音信號(hào)分析與合成中的應(yīng)用 [M].北京：北京航空航天大學(xué)出版社，2013：44-45.

[10]Zamani Hosseinabadi H，Amirfattahi R，Nazari B，et al.GUW-based structural damage detection using WPT statistical features and multiclass SVM[J].Applied Acoustics，2014（ 86）：59-70.

[11]陳恬，孫健國(guó).粗糙集與神經(jīng)網(wǎng)絡(luò)在航空發(fā)動(dòng)機(jī)氣路故障診斷中的應(yīng)用[J].航空動(dòng)力學(xué)報(bào)，2006，21（ 1）：207-212.

[12]Bin G F， Gao J J， Li X J， et al.Early fault diagnosis of rotating machinery based on wavelet packets-Empirical mode decomposition feature extraction and neural network[J].Mechanical Systems and Signal Processing，2012，27（ 1）：696-711.

[13]顧文龍，胡業(yè)林，鄭曉亮.基于小波包神經(jīng)網(wǎng)絡(luò)的電機(jī)故障診斷分析與研究[J].煤礦機(jī)械，2011，32（ 9）：263-265.