基于声学噪声的滚动压缩机制造过程诊断

《CMES - Computer Modeling in Engineering and Sciences》：Acoustic Noise-Based Scroll Compressor Diagnosis during the Manufacturing Process

基于MFCC和STFT的非接触声学检测方法在制造环境中有效诊断滚动压缩机缺陷，准确率达95%以上。

　　在现代制造业中，产品质量控制是确保产品可靠性和提升生产效率的关键环节。然而，传统的无损检测（NDT）方法，如视觉检测和超声波检测，尽管已被广泛应用，但在检测缺陷特征方面仍存在一定的局限性。视觉检测高度依赖于操作员的经验，而超声波检测则需要物理接触和稳定的耦合条件，这些在生产线中往往难以满足。特别是在缺陷相关信息有限或背景噪声干扰信号采集的情况下，这些方法的局限性更加明显。为此，本研究提出了一种非接触式的声学诊断方法，用于在制造过程中识别螺旋压缩机的缺陷。该方法利用梅尔频率倒谱系数（MFCC）和短时傅里叶变换（STFT）参数，以捕捉螺旋压缩机的旋转频率及其谐波特征。这些参数使得即使在背景噪声干扰的情况下，也能有效提取与缺陷相关的特征信息。通过构建卷积神经网络（CNN）模型，以MFCC和频谱图作为图像输入，实现对正常运行状态和三种缺陷类型的分类识别。该方法在实际制造环境中得到了验证，显示出其在噪声环境下诊断缺陷的适用性，并为提高产品质量、制造可靠性和生产效率提供了新的解决方案。

### 1. 引言

随着产品复杂性的增加和质量要求的提升，确保产品在制造过程中的质量变得尤为重要。制造过程中可能出现的意外缺陷，如组件装配错误或外来物质侵入，都会影响产品的性能和质量。这些缺陷不仅降低了产品的合格率，还对生产效率产生了负面影响。因此，缺陷诊断技术在制造业中具有重要的应用价值，它能够通过高效地分配资源和时间，提高产品合格率和生产效率。在制造业中，缺陷检测通常归类为无损检测（NDT）的一种形式，包括视觉检测和超声波检测等技术。这些方法虽然在某些情况下表现出色，但在实际应用中仍面临诸多挑战。

例如，Aust等人研究了飞机发动机叶片的视觉和视觉-触觉检测方法，指出这些方法在复杂环境下可能受到限制。Katunin等人则比较了四种无损检测技术，以替代X射线断层扫描（XCT），并推荐了红外热成像和超声波检测作为有效的解决方案。Mian等人利用声学信号对旋转机械的轴承故障进行诊断，并结合基于HATS的数据采集和支持向量机（SVM）算法，开发了一种自适应故障诊断方法。Farag等人则利用涡流传感器检测增材制造过程中可能出现的缺陷，如空洞、裂纹和熔合不良等。然而，现有的诊断方法大多依赖于人工判断，导致诊断标准不一致，并且在缺陷信息不足和背景噪声干扰的情况下，难以准确识别缺陷特征。因此，开发一种能够有效识别信号中缺陷特征的方法成为亟需解决的问题。

### 2. 方法论

为了克服传统方法的局限性，本研究提出了一种基于非接触式声学信号的缺陷诊断框架。该框架利用麦克风采集压缩机运行过程中的声学信号，而不依赖于传感器的物理接触。通过对信号进行时频域特征提取，该方法能够有效捕捉旋转频率及其谐波信息，从而引导模型关注与机械行为相关的信号区域。提取的特征随后通过一个紧凑型的卷积神经网络（CNN）进行分类，以实现对缺陷的稳健诊断。

#### 2.1 螺旋压缩机

本研究中使用的螺旋压缩机如图1所示，它通过两个螺旋组件的旋转和往复运动来压缩空气。在压缩过程中，这两个组件以一定的偏心运动方式相互配合，以减少它们之间的间隙，从而实现气体的逐步压缩。在正常运行状态下，压缩机的各个部件协同工作，以确保其稳定性和效率。然而，如果存在组件加工误差、焊接飞溅污染或缺少关键部件，如滑动轴承，那么压缩机可能无法按照设计要求运行，并在运行过程中产生异常的杂音。因此，对螺旋压缩机进行缺陷检测对于确保其正常运行至关重要。

#### 2.2 时频域特征提取

为了提取与缺陷相关的特征，本研究在不同运行条件下对声学信号进行处理，并从中提取时频域特征。这些特征能够捕捉频率随时间的变化情况，并已被广泛应用于缺陷诊断研究。STFT和MFCC参数的设置基于螺旋压缩机的已知旋转频率。旋转频率及其谐波决定了窗口大小和采样频率，以确保信号在时频域中的有效表示。

在声学信号处理领域，STFT被广泛用于机器学习模型的输入特征，并在分类任务中取得了较高的准确率。STFT将信号分割为短的重叠时间段，对每个时间段应用傅里叶变换，并将结果重新组合成一个时频域表示。通过调整窗口函数的位置，可以计算出每个时间段的傅里叶变换结果。频率分辨率由采样频率和窗口长度决定，并且需要满足奈奎斯特采样定理，以避免频率混叠现象。为了确保旋转频率及其谐波在时频谱中能够被清晰识别，频率分辨率必须小于或等于目标设备的运行频率。

MFCC作为一种模拟人类听觉机制的时频域特征，适用于表示螺旋压缩机的缺陷状态。在MFCC中，横轴表示时间信息，纵轴则表示频率成分的强度，以分贝为单位。MFCC的提取过程包括将一维声学信号分割为固定长度的帧，然后对每个帧进行傅里叶变换以获得频率谱。为了提高MFCC的分辨率，特别是在高频段，使用了梅尔滤波器组。这些滤波器在低频段具有较窄的三角形带通滤波器，而在高频段则具有较宽的滤波器，以更好地模拟人类听觉的频率感知机制。最终，通过离散余弦变换（DCT）对频率谱进行处理，得到MFCC特征。

#### 2.3 使用卷积神经网络进行诊断

为了实现对螺旋压缩机状态的诊断，本研究构建了一个基于AlexNet的卷积神经网络（CNN）模型。AlexNet是一种经典的CNN结构，能够自动从输入图像中提取相关的特征，并在存在背景噪声的情况下识别重要的模式。通过这种方式，模型可以自动检测异常特征，而无需人工选择特征，从而提高了其在制造环境中的适用性。该模型的浅层结构使得训练和检测时间较短，进一步增强了其在生产线中的可行性。

### 3. 实验与验证

为了验证所提出方法的有效性，本研究收集了螺旋压缩机在制造过程中的运行数据。这些数据是在额定转速和负载条件下采集的，用于检测是否存在缺陷。每个压缩机的运行速度设定为3600转每分钟（rpm），对应的基频为60赫兹。为了确保实验数据的代表性，本研究采用了合成少数过采样技术（SMOTE）对数据集进行扩充，使得每个类别中的样本数量均衡。通过这种方式，数据集被扩展至1600个样本，其中每个类别有400个样本。

#### 3.1 数据收集与增强

实验数据是在螺旋压缩机的运行测试阶段收集的。该阶段用于验证每个压缩机是否存在问题，通过在额定转速和负载条件下运行，确保数据的代表性。每个压缩机的运行时间为2秒，采样频率设定为51.2 kHz，以满足奈奎斯特采样定理并确保能够捕捉到与缺陷相关的频率成分。采集的信号包括来自制造过程的背景噪声，如其他设备运行时的噪声、警报声和人员活动产生的噪声。在实验过程中，没有对信号进行额外的降噪处理，以保持其原始特性。

在数据增强方面，本研究采用了SMOTE技术，以生成更多的合成样本。这种方法可以有效解决数据不平衡问题，使得每个类别中的样本数量趋于一致。通过这种方式，可以确保模型在训练过程中不会偏向于某些类别，从而提高其泛化能力。数据增强并未改变特征提取或模型结构，仅对数据集进行了扩展，以提高模型的训练效果。

#### 3.2 时频域图像提取

为了提取时频域特征，本研究使用了STFT和MFCC方法。STFT将信号分割为短时间段，并对每个时间段进行傅里叶变换，以获得时间-频率表示。MFCC则进一步对频率谱进行处理，以获得更符合人类听觉机制的特征表示。为了确保旋转频率及其谐波在时频谱中能够被清晰识别，参数设置进行了优化，以提高频率分辨率。

在实验中，STFT和MFCC的参数设置经过调整，以确保在旋转频率及其谐波区域的分辨率足够。采样频率和窗口长度的选择遵循奈奎斯特采样定理，以避免频率混叠。窗口长度设定为854个样本，以确保能够捕捉到旋转频率及其谐波。为了保持信号的连续性并减少重复计算，窗口之间设置了50%的重叠。FFT点数设定为854，与窗口长度相同，以保持频率分辨率并控制计算负载。

MFCC的提取过程同样经过优化，以确保能够准确捕捉缺陷相关的频率成分。通过调整滤波器组的参数，使得MFCC能够在低频段具有更高的分辨率，从而更好地表示旋转频率及其谐波。实验中生成的MFCC图像显示了不同状态下的频率成分分布情况。正常运行的压缩机在低频段表现出较强的频率成分，而在高频段则较为微弱。对于缺陷状态，MFCC图像则显示出更多的频率成分，特别是在低频段，这反映了机械故障或摩擦相互作用产生的连续声学信号。

#### 3.3 缺陷诊断结果

为了评估模型的性能，本研究使用了准确率、宏精度、宏召回率和宏F1分数作为评价指标。这些指标用于衡量模型在不同条件下的诊断效果。在实验中，STFT模型在考虑旋转频率的情况下达到了95.00%的准确率，而在不考虑旋转频率的情况下则降至79.17%。这表明，将旋转频率信息纳入特征提取过程能够显著提高模型的诊断性能。

对于MFCC模型，无论是否考虑旋转频率，所有性能指标均达到了100%。这是因为梅尔滤波器组的配置能够有效捕捉缺陷相关的频率成分，特别是在低频段，其中旋转频率及其谐波占据主导地位。通过基于旋转频率的参数调整，模型能够聚焦于与机械行为相关的信号区域，从而减少背景噪声对诊断结果的影响。在样本数量较少的情况下，这种方法能够有效提高模型的稳健性。

### 4. 结论

本研究提出了一种非接触式的声学诊断方法，用于在制造过程中识别螺旋压缩机的缺陷。通过基于旋转频率的STFT和MFCC参数设置，该方法能够有效提取缺陷特征，并在存在背景噪声的情况下实现稳健的诊断。构建的卷积神经网络模型在实验中表现良好，特别是在数据量有限的情况下，仍然能够保持较高的分类准确率。

旋转频率及其谐波的定义使得模型能够专注于与机械行为相关的信号区域，从而提高诊断的一致性。这种方法避免了传统方法对传感器安装和设备干扰的依赖，使其适用于制造过程中的螺旋压缩机测试。此外，该方法在噪声环境下仍能保持较高的可靠性，为工厂测试线的集成提供了支持。

尽管本研究在实验中取得了良好的结果，但尚未评估其在实时环境中的表现。因此，未来的工作将包括在实际生产环境中进行原型实现和延迟测试。此外，进一步的研究可以探索如何在不同的运行条件下（如速度和负载）调整模型，并结合领域适应策略，以提高其在不同设备和环境中的泛化能力。这些改进将有助于推动该方法在实际制造业中的应用，并提高产品质量和生产效率。