馮濤 王杰 方夏 劉劍歌 黃思思

摘要：為解決人耳聽(tīng)音判別微型振動(dòng)馬達(dá)故障困難的局面，提出基于CNN和聲音時(shí)頻特征圖的微型馬達(dá)故障判別方法。通過(guò)采集微型振動(dòng)馬達(dá)運(yùn)轉(zhuǎn)過(guò)程中的聲音信號(hào)，進(jìn)行短時(shí)傅里葉變換獲得二維時(shí)頻特征灰度圖。將通過(guò)經(jīng)驗(yàn)人員反復(fù)聽(tīng)音和相關(guān)設(shè)備辨別的工件制作成訓(xùn)練集和測(cè)試集，通過(guò)CNN對(duì)訓(xùn)練集中時(shí)頻特征圖進(jìn)行學(xué)習(xí)，使網(wǎng)絡(luò)模型能夠具有馬達(dá)故障判別功能，并在測(cè)試集上進(jìn)行驗(yàn)證。在訓(xùn)練集準(zhǔn)確率為99.2%時(shí)，測(cè)試集準(zhǔn)確率為94.1%。為驗(yàn)證模型在實(shí)際壞件判別中的可靠性，對(duì)6種單一破壞的零件進(jìn)行分類，平均判別準(zhǔn)確率達(dá)90%。結(jié)果表明：基于CNN和聲音時(shí)頻特征圖的微型馬達(dá)故障判別方法在微型振動(dòng)馬達(dá)的故障判別上有可靠的效果，能夠運(yùn)用于工業(yè)環(huán)境中取代傳統(tǒng)的人耳聽(tīng)音判別故障的方法。

關(guān)鍵詞：振動(dòng)馬達(dá);故障判別;時(shí)頻特征圖;卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP183 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1674-5124（2019）10-0120-08

收稿日期：2019-01-25;收到修改稿日期：2019-03-04

基金項(xiàng)目：四川省科技計(jì)劃資助（2019YFG0356）;四川省科技廳重點(diǎn)研發(fā)項(xiàng)目（2019YFG0359）

作者簡(jiǎn)介：馮濤（1994-），男，四川南充市人，碩士研究生，專業(yè)方向?yàn)橹悄軝z測(cè)以及深度學(xué)習(xí)算法應(yīng)用。

通信作者：王杰（1964-），男，教授，博士生導(dǎo)師，研究方向?yàn)橛?jì)算機(jī)輔助制造。

0 引言

振動(dòng)電機(jī)作為激振源，從大型的冶金、采礦中所使用的振動(dòng)電機(jī)到手機(jī)交互所使用的微型振動(dòng)馬達(dá)都有應(yīng)用。就手機(jī)微型振動(dòng)馬達(dá)而言，產(chǎn)品出廠時(shí)存在很多的噪聲缺陷，嚴(yán)重影響電機(jī)轉(zhuǎn)動(dòng)的穩(wěn)定性、使用壽命以及用戶體驗(yàn)。但在馬達(dá)故障檢測(cè)上多通過(guò)人耳聽(tīng)音判別，判別依據(jù)主觀，導(dǎo)致產(chǎn)品質(zhì)量稂莠不齊。為改善這種局面，提高企業(yè)的生產(chǎn)效率和馬達(dá)本身的轉(zhuǎn)動(dòng)特性，對(duì)手機(jī)微型振動(dòng)馬達(dá)進(jìn)行故障檢測(cè)具有重要意義。

現(xiàn)階段對(duì)振動(dòng)電機(jī)進(jìn)行了多方面的研究工作，宗榮珍[1]對(duì)振動(dòng)電機(jī)所需要的轉(zhuǎn)動(dòng)偏心塊進(jìn)行了模態(tài)分析和靜態(tài)分析。Li等[2]通過(guò)小波分析的方法對(duì)扁平振動(dòng)馬達(dá)進(jìn)行了噪聲缺陷分析。丘壽玉[3]提出了一種新的根據(jù)手機(jī)振動(dòng)馬達(dá)振動(dòng)量的評(píng)測(cè)方法。古瑩奎[4]等通過(guò)提取時(shí)域、頻域、和希爾伯特變換的36個(gè)特征，實(shí)現(xiàn)對(duì)齒輪箱運(yùn)轉(zhuǎn)過(guò)程中的振動(dòng)信號(hào)特征的壓縮。

機(jī)器學(xué)習(xí)算法在信號(hào)分析領(lǐng)域有著重要的應(yīng)用。趙越等[5]通過(guò)小波變換結(jié)合人工神經(jīng)網(wǎng)絡(luò)對(duì)磁瓦跌落聲音信號(hào)進(jìn)行檢測(cè)，識(shí)別內(nèi)部缺陷。謝羅峰等[6]結(jié)合雙樹(shù)復(fù)小波變換和臨域成分分析，通過(guò)機(jī)器學(xué)習(xí)算法LSSVM分析磁瓦跌落的聲音信號(hào)檢測(cè)缺陷。Adlen Kerboua[7]通過(guò)兩層LSTM網(wǎng)絡(luò)對(duì)三相鼠籠異步電機(jī)的三相電流信號(hào)進(jìn)行序列檢測(cè)來(lái)對(duì)電機(jī)的運(yùn)行過(guò)程實(shí)時(shí)監(jiān)測(cè)。隨著硬件加速性能的成熟，以卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）為代表的深度學(xué)習(xí)算法逐步成為機(jī)器學(xué)習(xí)算法的核心，如張孟伯等[8]將CNN在圖像處理方面的優(yōu)勢(shì)，運(yùn)用到OFDM進(jìn)行頻譜感知，并對(duì)OFDM信號(hào)進(jìn)行分類。因此用深度卷積網(wǎng)絡(luò)對(duì)信號(hào)進(jìn)行特征的提取總結(jié)有重要的研究意義。

針對(duì)上述問(wèn)題，本文提出一種基于CNN和時(shí)頻圖的微型振動(dòng)馬達(dá)的故障檢測(cè)方法。首先將傳感器采集到的聲音信號(hào)進(jìn)行A計(jì)權(quán)處理，將計(jì)權(quán)之后的時(shí)域信號(hào)進(jìn)行短時(shí)傅里葉變換并繪制出時(shí)頻灰度圖，將信號(hào)特征提取聚類問(wèn)題轉(zhuǎn)化為圖像處理問(wèn)題。通過(guò)有監(jiān)督機(jī)制，將得到的時(shí)頻灰度圖分為訓(xùn)練集和測(cè)試集。再利用CNN網(wǎng)絡(luò)對(duì)訓(xùn)練集中好件與壞件的特征進(jìn)行學(xué)習(xí)，并一邊學(xué)習(xí)一邊將測(cè)試數(shù)據(jù)輸入訓(xùn)練過(guò)的模型中，評(píng)估模型的泛性，并通過(guò)對(duì)未經(jīng)訓(xùn)練的單一破壞的振動(dòng)馬達(dá)進(jìn)行測(cè)試，評(píng)估通過(guò)訓(xùn)練集和測(cè)試集優(yōu)化得到的模型在實(shí)際生產(chǎn)中的可靠性。

1 微型振動(dòng)馬達(dá)聲音信號(hào)時(shí)頻圖構(gòu)建

1.1 測(cè)量原理

本文中測(cè)量的微型馬達(dá)為旋轉(zhuǎn)鐵芯馬達(dá)，該馬達(dá)的振動(dòng)源和動(dòng)力源為為一體，偏心塊安裝于轉(zhuǎn)子的一端，馬達(dá)實(shí)物與偏心塊形狀如圖1所示。

通過(guò)轉(zhuǎn)子的旋轉(zhuǎn)帶動(dòng)偏心塊的高速旋轉(zhuǎn)，從而產(chǎn)生慣性激振力，該力是一個(gè)空間回轉(zhuǎn)力，其值為G，計(jì)算公式[3]如下：

G=mrω²（1）

其中m為偏心塊的質(zhì)量，r為偏心塊質(zhì)心到回轉(zhuǎn)軸心的距離（即偏心距），ω為馬達(dá)旋轉(zhuǎn)角速度。

由上述空間回轉(zhuǎn)力的公式可知，當(dāng)電機(jī)本身，偏振塊和轉(zhuǎn)動(dòng)轉(zhuǎn)速固定的情況下，電機(jī)旋轉(zhuǎn)所產(chǎn)生的空間回轉(zhuǎn)力的大小是一個(gè)定值，其方向指向圓心。為了方便測(cè)量馬達(dá)的運(yùn)轉(zhuǎn)情況，進(jìn)行故障判別，需要將馬達(dá)安裝夾持在載物臺(tái)上，馬達(dá)在x，z兩個(gè)方向都被限位，y軸通過(guò)彈性電極供電。圖2為馬達(dá)的夾持載物臺(tái)以及馬達(dá)在載物臺(tái)上的受力分析。

由圖2和式（1）可知轉(zhuǎn)動(dòng)過(guò)程中回轉(zhuǎn)力可在豎直方向和水平方向產(chǎn)生兩個(gè)分力FX，F(xiàn)z，分力的計(jì)算公式為

F_x=Gcos（ωt）

F_z=Gsin（ωt）}（2）

根據(jù)（2）式可知，水平方向和豎直方向的分力大小隨時(shí)間正弦變換和余弦變化，這兩個(gè)力之間相位相差90°。

所以振動(dòng)馬達(dá)在轉(zhuǎn)動(dòng)過(guò)程中會(huì)沿x，z方向上產(chǎn)生兩個(gè)簡(jiǎn)諧力。在測(cè)量載物臺(tái)其他參數(shù)固定的情況下，其本身各個(gè)方向的剛度是恒定的，因此會(huì)在x，z兩個(gè)方向上產(chǎn)生簡(jiǎn)諧受迫振動(dòng)，從而引起周圍空氣激振動(dòng)，產(chǎn)生聲音信號(hào)。因此在理論層面上，聲音與振動(dòng)兩者之間是相互聯(lián)系的，測(cè)量聲音與測(cè)量振動(dòng)從本質(zhì)看也是相似的[9]。結(jié)合工廠實(shí)踐中以人耳聽(tīng)音為判斷依據(jù)，以及聲音傳感器簡(jiǎn)單易安裝不需要外置數(shù)據(jù)采集卡等優(yōu)點(diǎn)，本文以聲音信號(hào)為基礎(chǔ)進(jìn)行故障檢測(cè)。

1.2 信號(hào)采集

本文搭建的數(shù)據(jù)采集系統(tǒng)克服了傳統(tǒng)的噪聲頻譜分析儀中數(shù)據(jù)采集卡使用麻煩、連線復(fù)雜和代價(jià)高昂等缺點(diǎn)?？芍苯邮褂肬SB數(shù)據(jù)線將噪聲傳感器連至電腦，經(jīng)內(nèi)置聲卡的DSP處理器即可得到高效、準(zhǔn)確的圖形和專業(yè)的聲學(xué)頻譜測(cè)量數(shù)據(jù)，簡(jiǎn)化聲學(xué)測(cè)試過(guò)程。

根據(jù)前期實(shí)驗(yàn)測(cè)試，傳感器的安裝設(shè)計(jì)方案如圖3所示。

將電機(jī)安裝在測(cè)量載物臺(tái)上夾持住，音頻傳感器置于側(cè)面。采集的信號(hào)為馬達(dá)轉(zhuǎn)動(dòng)過(guò)程中的聲音信號(hào)。被測(cè)馬達(dá)是由工廠有經(jīng)驗(yàn)工人反復(fù)聽(tīng)音篩選的，其中好件350個(gè)，壞件350個(gè)。

為了保證足夠多的采樣點(diǎn)來(lái)反映馬達(dá)轉(zhuǎn)動(dòng)過(guò)程聲音信號(hào)的變換情況，本文所使用信號(hào)的采樣率為51200Hz，采樣時(shí)間為0.5s，在電壓為2.7V，轉(zhuǎn)速為250rad/s的正常工作情況下，電機(jī)轉(zhuǎn)動(dòng)一圈能夠采集200個(gè)采樣點(diǎn)。

1.3 時(shí)頻圖灰度圖構(gòu)建

目前工廠只在人耳聽(tīng)音環(huán)境下辨識(shí)微型振動(dòng)電機(jī)是否故障，為了保證數(shù)據(jù)的可靠性，用于制作數(shù)據(jù)集的馬達(dá)，在經(jīng)過(guò)經(jīng)驗(yàn)工人的反復(fù)聽(tīng)音辨別之后，再使用電流波形設(shè)備和分貝計(jì)進(jìn)行進(jìn)一步辨別。所以需要對(duì)獲得的聲音信號(hào)進(jìn)行人耳聽(tīng)音特性的預(yù)處理。

1.3.1 A-計(jì)權(quán)

模擬人耳對(duì)40方純音的響度特性叫做A一計(jì)權(quán)，它能夠模擬人耳對(duì)高低頻有不同靈敏度的頻率特性，以及不同響度時(shí)改變頻率特性的特點(diǎn)[10]，通過(guò)對(duì)馬達(dá)聲音信號(hào)A-計(jì)權(quán)之后能夠獲得模擬人耳聽(tīng)音特性的時(shí)域波形。圖4和圖5分別為A-計(jì)權(quán)后好件與壞件的時(shí)域波形。

由圖可知，從時(shí)域信號(hào)上很難去辨別工件的好壞。經(jīng)過(guò)反復(fù)測(cè)量發(fā)現(xiàn)，通過(guò)人耳聽(tīng)音得到的好件與壞件在頻域分布上有一定的區(qū)分。圖6和圖7分別為A-計(jì)權(quán)后好件和壞件的頻譜分布。

1.3.2 短時(shí)傅里葉變換

振動(dòng)電機(jī)屬于旋轉(zhuǎn)機(jī)械，結(jié)構(gòu)復(fù)雜，產(chǎn)生的聲音信號(hào)是多種信號(hào)相互耦合的結(jié)果[4]，它由一系列簡(jiǎn)諧分量、其他分量和隨機(jī)噪聲疊加而成，頻譜一般由工頻、倍頻、分頻等若干譜線組成[11]。通過(guò)頻譜分析能夠?qū)⑦@些信號(hào)的成分分解開(kāi)來(lái)，變成各種振幅頻率和相位的簡(jiǎn)諧振動(dòng)。在轉(zhuǎn)子的偏心轉(zhuǎn)動(dòng)過(guò)程中，對(duì)應(yīng)的聲音信號(hào)頻譜上，不同的頻率分布往往對(duì)應(yīng)著不同的振動(dòng)原因，不同的倍頻能量幅值反應(yīng)了對(duì)應(yīng)的故障形式。

對(duì)于故障馬達(dá)而言，轉(zhuǎn)動(dòng)的過(guò)程中頻譜隨時(shí)間并非穩(wěn)定分布的，而會(huì)產(chǎn)生一定的波動(dòng)。因此，為了更好地檢測(cè)馬達(dá)的運(yùn)行狀況，需要獲取局部時(shí)段對(duì)應(yīng)的主要頻率特性，以及特定頻率信息所對(duì)應(yīng)的時(shí)段。

由于傳統(tǒng)傅里葉變換缺乏時(shí)間和頻率的定位功能，在分辨率上和對(duì)非平穩(wěn)信號(hào)分析時(shí)具有局限性[12]，1946年Gabor提出短時(shí)傅里葉變換（short-time Fourier transform，STFT），基本思想是在信號(hào)進(jìn)行傅里葉變換之前先乘以一個(gè)時(shí)間有限的窗函數(shù)，并假定信號(hào)在窗內(nèi)是平穩(wěn)的，以此來(lái)確定窗內(nèi)存在的頻率成分，然后通過(guò)窗在時(shí)間軸上的移動(dòng)逐段分析信號(hào)，最后得到所需的時(shí)頻分布[13]。信號(hào)x（t）的短時(shí)傅里葉變換為其中x（t）為被分析的信號(hào)g以t）為窗函數(shù)，當(dāng)窗函數(shù)g（t）取值為常數(shù)1時(shí)，短時(shí)傅里葉變換退化為傳統(tǒng)的傅里葉變換。

1.3.3 聲音信號(hào)的時(shí)頻圖灰度圖構(gòu)建

為提高聲音采樣信號(hào)的品質(zhì)，取1024個(gè)采樣點(diǎn)為一幀信號(hào)，保證每一幀中有5圈以上的馬達(dá)轉(zhuǎn)動(dòng)聲音信號(hào)，取幀重疊長(zhǎng)度為幀長(zhǎng)的3/4，利用漢寧窗，對(duì)時(shí)域信號(hào)進(jìn)行短時(shí)傅里葉變換。根據(jù)采樣幀的長(zhǎng)度和重疊幀的長(zhǎng)度將時(shí)域波形切分為97個(gè)窗。窗中的每幀信號(hào)進(jìn)行傅里葉變換的公式為其中x（n）為第i幀信號(hào)，n的取值為;N為每幀數(shù)據(jù)的長(zhǎng)度;L為數(shù)據(jù)的長(zhǎng)度;符號(hào)「」表示取整[14]。其中k=1，2，…，w;w、h分別表示構(gòu)造時(shí)頻譜圖的尺寸;w_n^kn為傅里葉變換的旋轉(zhuǎn)因子。

通過(guò)對(duì)97個(gè)窗的傅里葉變換構(gòu)造出三維的時(shí)頻圖。橫坐標(biāo)x表示97個(gè)時(shí)窗，每幀信號(hào)為1024個(gè)采樣點(diǎn)，采樣率為51200Hz，根據(jù)奈奎斯特采樣定律可得，經(jīng)短時(shí)傅里葉變換之后的每一幀信號(hào)所能測(cè)量的最大頻率為25600Hz，覆蓋了人耳的聽(tīng)音范圍，每一幀信號(hào)的頻帶長(zhǎng)度用513個(gè)點(diǎn)來(lái)表示，每個(gè)點(diǎn)之間間隔了50Hz，所以縱坐標(biāo)Y的范圍為0～25600Hz，z軸表示每幀信號(hào)在經(jīng)過(guò)傅里葉變換之后的幅值，最終獲得三維時(shí)頻瀑布圖，如圖8和圖9所示。

由于卷積神經(jīng)網(wǎng)絡(luò)對(duì)于三維圖像進(jìn)行特征提取時(shí)數(shù)據(jù)量較大，不容易擬合，而卷積神經(jīng)網(wǎng)絡(luò)對(duì)于二維圖像有一個(gè)較好的特征提取能力，所以將三維時(shí)頻瀑布圖在頻率軸和時(shí)間軸構(gòu)成的平面作投影，并將得到的大小為513×97的二維特征向量圖進(jìn)行歸一化：其中I"（i，k）表示構(gòu)造的時(shí)頻圖在坐標(biāo)（i，k）歸一化后的像素值，最后得到的大小為513×97的灰度圖。圖10～圖13分別為好件和不同壞件的二維時(shí)頻灰度圖。

2 基于CNN和時(shí)頻灰度圖的故障識(shí)別

基于CNN和聲音時(shí)頻圖的微型振動(dòng)馬達(dá)故障識(shí)別核心是采集通過(guò)人耳聽(tīng)音分好類的工件聲音信號(hào)，進(jìn)行時(shí)頻映射之后，獲得二維時(shí)頻灰度圖并制作成訓(xùn)集和測(cè)試集，將訓(xùn)練集中的好件與壞件的時(shí)頻灰度圖經(jīng)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征學(xué)習(xí)，并提取出更高層次和更容易分類的特征，通過(guò)有監(jiān)督學(xué)習(xí)的方式，使用損失函數(shù)進(jìn)行反向優(yōu)化模型，將測(cè)試集的中的工件聲音的時(shí)頻灰度圖輸入訓(xùn)練過(guò)的模型中測(cè)試優(yōu)化效果，將訓(xùn)練集和測(cè)試集均表現(xiàn)良好的模型作為最終的分類模型，將單一破壞的故障件的時(shí)頻灰度圖輸入網(wǎng)絡(luò)中評(píng)估檢測(cè)方法的可靠性?？傮w框架如圖14所示，包括對(duì)訓(xùn)練模型的評(píng)估和對(duì)人耳聽(tīng)音判別數(shù)據(jù)集的評(píng)估。

將獲得的工件時(shí)頻灰度圖分為測(cè)試集和訓(xùn)練集。其中訓(xùn)練集300張好件，300張壞件。測(cè)試集50張好件，50張壞件。

2.1 CNN的網(wǎng)絡(luò)結(jié)構(gòu)

CNN網(wǎng)路是深度學(xué)習(xí)的重要模型之一，通過(guò)CNN搭建的深度網(wǎng)絡(luò)，能夠?qū)μ卣饔懈邔哟蔚奶崛?，讓特征更加容易被分類，與傳統(tǒng)的BP網(wǎng)絡(luò)等相比，通過(guò)多層卷積和池化產(chǎn)生的感受野能夠?qū)^(qū)域特征進(jìn)行總結(jié)，有助于頻譜鄰域和倍頻的相關(guān)性特征提取，通過(guò)“權(quán)值共享”減少映射需要的參數(shù)和運(yùn)算量，縮短優(yōu)化時(shí)間減少過(guò)擬的發(fā)生。CNN一般由多層構(gòu)建而成，每層由卷積層，激活函數(shù)和池化層組成，層的最后往往由全連接層進(jìn)行連接對(duì)卷積層提取的特征總結(jié)并完成分類。

本文設(shè)計(jì)的用于時(shí)頻圖感知的網(wǎng)絡(luò)在經(jīng)典CNN深度網(wǎng)絡(luò)ALEX[15]的基礎(chǔ)上進(jìn)行修改，在保證準(zhǔn)確率的同時(shí)，提高檢測(cè)的速度，以達(dá)到工業(yè)運(yùn)用目的。

網(wǎng)絡(luò)結(jié)構(gòu)模型如圖15所示，其中輸入層是大小為513×97×1的時(shí)頻灰度圖，輸出為對(duì)于好件和壞件的分類。

在各個(gè)卷積層的后面都連接有激活函數(shù)ReLU，使線性映射變?yōu)榉蔷€性映射，更有利于非線性特征的提取和學(xué)習(xí)。在卷積層1、卷積層2，卷積層4的ReLU層后均連接有池化層MaxPool，有利于進(jìn)行下采樣減少運(yùn)算量的同時(shí)，增大感受野，提高CNN網(wǎng)絡(luò)對(duì)于區(qū)域特征的提取效果。

卷積層1是由%個(gè)特征圖組成的。使用11×11的卷積核對(duì)大小為513×97×1的時(shí)頻灰度圖進(jìn)行卷積，得到的特征圖的大小為129×25×96o

卷積層2由256個(gè)特征圖組成。使用5X5的卷積核對(duì)MaxPooll層的特征圖進(jìn)行卷積，得到的特征圖大小為64×12×256。

卷積層3由384個(gè)特征圖組成。使用3X3的卷積核在MaxPool2層的特征圖進(jìn)行卷積，得到的特征圖大小為31×5×384a其后連接激活函數(shù)使提取的特征非線性化。

卷積層4由256個(gè)特征圖組成。使用3X3的卷積核在卷積層3經(jīng)激活函數(shù)之后的特征圖進(jìn)行卷積，得到的特征圖大小為31×5×256o

將卷積層4經(jīng)過(guò)MaxPool之后得到的15×2×256的特征圖拉伸層長(zhǎng)度為7680的向量，再經(jīng)過(guò)3層全連接層，將最后的輸出連接到一個(gè)softmax分類器，輸出結(jié)果為兩類，判別結(jié)果為分?jǐn)?shù)較高的一類。

與傳統(tǒng)的ALEX層相比，本文需要識(shí)別的特征并不復(fù)雜，所以在改變輸入特征維度和全連接層單元個(gè)數(shù)的同時(shí)，去掉了一層卷積特征提取層。由于轉(zhuǎn)動(dòng)機(jī)械的頻譜會(huì)在倍頻關(guān)聯(lián)上表現(xiàn)出一些特征，所以保留11×11的大卷積核，并且保留3層MaxPool層來(lái)保證全連接層每一個(gè)單元有足夠大的感受野去提取時(shí)頻區(qū)域的關(guān)聯(lián)性。并去掉LRN層，和dropout層，在激活函數(shù)之前使用BN層來(lái)防止梯度彌散加速網(wǎng)絡(luò)收斂，并在損失函數(shù)中加入正則化項(xiàng)，讓迭代得到的權(quán)重參數(shù)足夠小，減小過(guò)擬合。

2.2 CNN訓(xùn)練過(guò)程

CNN訓(xùn)練過(guò)程主要分為前向傳播和反向傳播兩部分。輸入圖像經(jīng)過(guò)卷積神經(jīng)網(wǎng)絡(luò)之后，會(huì)產(chǎn)生分類的輸出值，通過(guò)監(jiān)督學(xué)習(xí)的方法，使用損失函數(shù)加正則化項(xiàng)構(gòu)成最終的損失函數(shù)，通過(guò)優(yōu)化損失函數(shù)的值的方式，對(duì)各個(gè)權(quán)重進(jìn)行鏈?zhǔn)角笃珜?dǎo)，并進(jìn)行權(quán)重更新。前向傳播樣本的損失函數(shù)表達(dá)式為其中m為樣本的數(shù)量，f_W，b（x^（i））為經(jīng)過(guò)CNN網(wǎng)絡(luò)之后得到的預(yù)測(cè)值，yⁱ為輸入xⁱ對(duì)應(yīng)的期望值。式（8）前半部分為訓(xùn)練樣本的期望值與預(yù)測(cè)值之間誤差的平方;后半部分為正則化懲罰項(xiàng)。

下式為梯度下降法權(quán)重更新表達(dá)式：

2.3 CNN的測(cè)試過(guò)程

當(dāng)卷積網(wǎng)絡(luò)對(duì)訓(xùn)練集不斷學(xué)習(xí)更新網(wǎng)絡(luò)權(quán)重后，在訓(xùn)練集上不斷優(yōu)化，為了有效驗(yàn)證訓(xùn)練模型的泛性，需要在訓(xùn)練的同時(shí)進(jìn)行測(cè)試集驗(yàn)證，驗(yàn)證的時(shí)頻灰度圖只經(jīng)過(guò)前向傳播而不經(jīng)過(guò)反向傳播更新權(quán)重。測(cè)試放在每次訓(xùn)練集優(yōu)化網(wǎng)絡(luò)之后。

2.4 訓(xùn)練測(cè)試結(jié)果及模型評(píng)估

圖16為訓(xùn)練過(guò)程中網(wǎng)絡(luò)的訓(xùn)練集和測(cè)試準(zhǔn)確率隨迭代次數(shù)epoch的變換情況。圖17為訓(xùn)練過(guò)程中訓(xùn)練集和測(cè)試集loss值隨迭代次數(shù)epoch的變化情況。

可以看出，隨著迭代次數(shù)epoch的增加，準(zhǔn)確率越來(lái)越高，loss值越來(lái)越小，模型呈現(xiàn)收斂趨勢(shì)。最優(yōu)模型的訓(xùn)練集準(zhǔn)確率為0.992，loss值為0.037;測(cè)試集準(zhǔn)確率為0.941，loss值為0.280。

表1為本文網(wǎng)絡(luò)與傳統(tǒng)AlexNet的對(duì)比。由表中看以看出，本文所使用的網(wǎng)絡(luò)所需訓(xùn)練的參數(shù)減少了10317734個(gè)，在相同的訓(xùn)練集和測(cè)試集上，能夠達(dá)到相同的準(zhǔn)確率，在1080TiGPU上測(cè)試，每張圖像的測(cè)試速度提高3倍，對(duì)于論文所提的時(shí)頻圖有更好的檢測(cè)效果。

由于本文訓(xùn)練集和測(cè)試集所使用的好件和壞件模型信號(hào)均由人耳聽(tīng)音辨識(shí)，為了防止模型只在人耳判別的工件上表現(xiàn)良好，對(duì)一批工件進(jìn)行單一破壞，采集這些馬達(dá)的信號(hào)做成時(shí)頻圖輸入網(wǎng)絡(luò)進(jìn)行驗(yàn)證。表2為驗(yàn)證的結(jié)果。

可以看出本文提出的判別方案能夠在實(shí)際工業(yè)使用中表現(xiàn)良好，各種單一破壞的壞件可達(dá)到80%準(zhǔn)確率以上的判別效果，平均準(zhǔn)確率為90%，提高了工件故障識(shí)別的準(zhǔn)確度，減少主觀誤差，節(jié)約了勞動(dòng)成本，避免了噪音對(duì)人耳的影響。

3 結(jié)束語(yǔ)

本工作提出了一種針對(duì)微型振動(dòng)馬達(dá)故障判別的方法并進(jìn)行了實(shí)驗(yàn)驗(yàn)證。在實(shí)驗(yàn)中，聲音信號(hào)是由傳感器采集獲取的一個(gè)復(fù)雜的原始信號(hào)，并根據(jù)人耳聽(tīng)音特性進(jìn)行A-記權(quán)處理后進(jìn)行短時(shí)傅里葉變換，得到時(shí)頻灰度圖。將復(fù)雜的信號(hào)分析轉(zhuǎn)化到圖像處理領(lǐng)域，利用卷積網(wǎng)絡(luò)在圖像特征提取領(lǐng)域的優(yōu)勢(shì)，對(duì)時(shí)頻特征圖進(jìn)行了特征提取并分類，達(dá)到94.1%的判別效果。在單一破壞的可確定壞件中，模型也表現(xiàn)出90%以上的平均準(zhǔn)確率。結(jié)果證明所提出的研究方法可靠并可以用于實(shí)際工業(yè)檢測(cè)中。對(duì)于馬達(dá)本身而言，考慮微型振動(dòng)馬達(dá)聲音信號(hào)的復(fù)雜度和體積小的特點(diǎn)，難以通過(guò)現(xiàn)有的自動(dòng)檢測(cè)手段探究損壞的具體原因及現(xiàn)象。因此，微型振動(dòng)馬達(dá)故障原因的檢測(cè)與判定將是下一步工作開(kāi)展的方向。

參考文獻(xiàn)

[1]宗榮珍.振動(dòng)電機(jī)偏心塊動(dòng)態(tài)特性研究[J].煤礦機(jī)械，2010，31（7）：47-49.

[2]LI C，F(xiàn)ENGI」N L.Application of wavelet analysis in faultdetection of cell phone vibration motor[C]//2009 InternationalAsia Conference on Informatics in Control，Automation，andRobotics，2009.

[3]丘壽玉.一種手機(jī)振動(dòng)馬達(dá)振動(dòng)量評(píng)測(cè)方法淺析[J].電子質(zhì)量，2018（3）：15-18.

[4]古瑩奎，潘高平，朱繁瀧，等.基于鄰域?qū)傩灾匾扰c主成分分析的齒輪箱故障特征約簡(jiǎn)[J].中國(guó)機(jī)械工程，2016，27（13）：1783-1789.

[5]趙越，殷鳴，黃沁元，等.基于WPT-ANN的磁瓦內(nèi)部缺陷音頻檢測(cè)[J].中國(guó)測(cè)試，2015，41（6）：81-85.

[6]謝羅峰，徐慧寧，黃沁元，等.應(yīng)用雙樹(shù)復(fù)小波包和NCA-LSSVM檢測(cè)磁瓦內(nèi)部缺陷[J].浙江大學(xué)學(xué)報(bào)（工學(xué)版），2017，51（1）：184-191.

[7]KERBOUA A，METATLA A，KELAIAIA R，et al.Real-timesafety monitoring in the induction motor using deep hierarchiclong short-term memory[J].The International Journal ofAdvanced Manufacturing Technology，2018，99（9-12）：2245-2255.

[8]張孟伯，王倫文，馮彥卿.基于卷積神經(jīng)網(wǎng)絡(luò)的OFDM頻譜感知方法[J].系統(tǒng)工程與電子技術(shù)，2019，41（1）：178-186.

[9]張振華，井棟.基于聲音振動(dòng)信號(hào)分析的產(chǎn)品品質(zhì)測(cè)試[J].戰(zhàn)術(shù)導(dǎo)彈技術(shù)，2011（2）：115-118.

[10]唐求，賈楊威，滕召勝，等.基于粒子群優(yōu)化的聲級(jí)計(jì)A計(jì)權(quán)設(shè)計(jì)[J].儀器儀表學(xué)報(bào)，2015，36（4）：856-862.

[11]劉紅星，左洪福，姜澄宇，等.信號(hào)頻譜的二維向量及其應(yīng)用[J].中國(guó)機(jī)械工程，1999（5）：537-539.

[12]熊星，孔凡讓，張海濱，等.基于WPl]～川“的滾動(dòng)軸承故障診斷[J].機(jī)械與電子，2014（1）：8-11.

[13]李岳，韓賓，魯云.基于聲卡和LabVIEW的聲音信號(hào)EMI]時(shí)頻分析系統(tǒng)[J].微型機(jī)與應(yīng)用，2016，35（7）：73-75.

[14]劉炳集.基于時(shí)頻圖和CNN的直升機(jī)自動(dòng)傾斜器滾動(dòng)軸承故障診斷方法研究[D].南昌：南昌航空大學(xué)，2018.

[15]KRIZHEVSKY A，SUTSKEVER I，HINTON G E.ImageNetclassification with deep convolutional neural networks[C]//International Conference on Neural Information ProcessingSystems.Amsterdam：Springer International Publishing，2012.

（編輯：莫婕）