《Sensors》：Real-World Airborne Sound Analysis for Health Monitoring of Bearings in Railway Vehicles
Matthias Kreuzer,
David Schmidt,
Simon Wokusch and
Walter Kellermann
编辑推荐：
本文聚焦轨道交通关键部件（轴承）的实时故障诊断难题。针对传统振动监测传感器（加速度传感器）安装侵入性强、在现有机车平台上改造困难的局限，研究人员探讨了一种基于空气声（airborne sound）分析的、侵入性更小的新型状态监测方法。通过在实际运营的通勤列车（Desiro HC RRX）上开展专门的测量活动获取真实数据，研究验证了梅尔频率倒谱系数（MFCC）特征结合多层感知器（MLP）分类器，能够可靠检测轴承损伤，包括训练中未见的损伤类型，为列车等旋转机械的在线、低成本健康监测提供了实用方案。
在繁忙的城市通勤线路上，一列列车每天要承载成千上万的乘客。确保其安全、准点运行，背后离不开对列车“心脏”——动力系统——每个零部件的精密监护。其中，轴承作为旋转机械（如电机的核心部件，其健康状况直接关系到列车的安危。一个小小的轴承损伤，若未能被及时发现，便可能引发连锁反应，导致设备完全失效，造成计划外的停运和巨大的经济损失。因此，轴承损伤的早期、可靠检测至关重要。
传统的检测“金标准”是分析结构声（振动）。这就像给机器做“心电图”，通过在轴承外壳上安装加速度传感器，捕捉其因内部损伤（如内圈、外圈、滚动体、保持架缺陷）而产生的周期性振动信号变化。然而，这套“心电图”设备安装起来颇为麻烦：传感器必须紧贴被监测的轴承安装，在空间局促、安全法规严格的列车转向架上操作尤其困难，对既有车辆平台进行传感器加装改造更是充满挑战。有没有一种更“友好”、更不“打扰”设备的监测方式呢？
答案或许就藏在“声音”里。除了通过固体传播的振动（结构声），机器运行还会产生在空气中传播的声音（空气声，airborne sound）。想象一下，经验丰富的老师傅用听音棒贴近设备，就能大致判断其运行状态。本研究正是要将这种“听音辨病”的经验，升级为基于数据的智能诊断系统。与需要“紧贴”监测的加速度传感器不同，麦克风只需放置在部件附近即可拾音，安装要求宽松，成本也显著降低，甚至有望用一个麦克风同时监听多个部件。更重要的是，结合空气声和结构声的多模态分析，可能带来更可靠的诊断结果。
尽管已有一些研究探索了利用空气声进行轴承故障分类，但据本文作者所知，这些方法此前大多在受控的实验室台架环境下进行评估，且未考虑现实世界中必然会出现的、训练时未见过的新型故障。相比之下，本研究将目光投向了极为挑战的真实测量环境：一辆在现代通勤铁路上正常运营的列车。研究团队在一辆Desiro HC RRX型列车上开展了专门的测量活动。他们选取了两节车厢（A车和B车）进行监测，其中A车被安装了三处不同类型、不同发展阶段的损伤轴承（涉及电机和齿轮箱），而B车则完全装配健康轴承，作为健康状态的“参照物”。麦克风被安装在每套驱动总成组件上方约30厘米处，用以采集真实的运营噪声（混杂了来自制动器、减震器、轨道等多种干扰源的声音）。数据以25.6 kHz的频率采样，并分割成非重叠的80毫秒帧进行分析。
为了回答“能否用空气声可靠检测轴承故障”以及“如何最优实现”这两个核心问题，研究人员遵循了一套两阶段的“寻优”流程。他们首先从时域、频域以及声学场景分类任务中选取了多种特征，在相同的分类器上“同台竞技”，以找出最适合轴承故障分类的空气声特征。胜出者是梅尔频率倒谱系数（Mel Frequency Cepstral Coefficients, MFCCs）——一种在语音识别中广泛应用、能有效模拟人耳听觉特性的特征。随后，他们用表现最佳的MFCC特征集，测试了多种分类器，最终一个相对简单的多层感知器（Multi-Layer Perceptron, MLP）被证明是最优选择。
研究结果显示，即使在包含强烈干扰的真实世界噪声环境中，基于MFCC和MLP的分类方法也展现出了强大的故障检测能力。它不仅能够有效区分健康轴承与已知的（训练集中包含的）损伤轴承，更重要的是，对于训练时从未“见过”的未知损伤类型，该系统也表现出了可靠的检测能力。这证明了MFCC特征对于轴承故障的强表征力，以及所提方法在实际工况监测设置中的鲁棒性和泛化潜力。
主要技术方法：
本研究的技术核心在于特征工程与机器学习分类的结合。数据获取于真实运营的Desiro HC RRX通勤列车（样本队列），通过安装在转向架部件附近的M 370型全向驻极体麦克风，以25.6 kHz采样率采集空气声信号。信号被分割为80毫秒的非重叠帧用于分析。研究的关键是提取并评估了多种特征，最终确定梅尔频率倒谱系数（MFCC）为最优特征。随后，使用该特征集训练并比较了多种分类器，包括k-最近邻（k-NN）、支持向量机（SVM）和多层感知器（MLP），以确定最佳的故障诊断模型。
研究结果：
3.1. 空气声 vs. 结构声
通过对比健康与损伤轴承的声谱图，研究发现空气声信号的谱图与结构声（振动）信号在表现轴承故障特征频率（如轴承通过频率）方面具有高度相似性。这表明，尽管传播介质不同，但轴承损伤产生的周期性激励信息同样能够通过空气声被有效捕获，从而从原理上论证了利用空气声进行轴承故障诊断的可行性。
3.2. 特征选择
研究人员系统评估了来自时域（如均方根、峰度）、频域（如谱重心、滚降点）以及声学场景分类（如梅尔频率倒谱系数MFCC、伽马通频率倒谱系数GFCC）的多种特征。在所有测试的特征中，MFCC在区分健康与损伤轴承的任务上表现最为出色，取得了最高的分类准确率。这表明MFCC能够有效地从复杂的背景噪声中提取出与轴承状态相关的判别性信息。
3.3. 分类器选择
在确定了MFCC作为最佳特征集后，研究进一步比较了k-NN、SVM和MLP三种分类器的性能。结果表明，MLP分类器在绝大多数测试场景下都取得了最佳或接近最佳的分类结果。结合其相对简单的结构、较低的计算和内存需求，MLP被选为与该MFCC特征集搭配的最优分类器，构成了一个高效实用的轴承故障检测方案。
3.4. 对可见与不可见损伤的评估
这是本研究的关键验证环节。系统不仅在“可见损伤”（即训练集中包含的损伤类型）上表现出高准确率，更重要的是，在“不可见损伤”（训练时未出现过的损伤类型）的检测任务上也取得了可靠的性能。例如，系统能够成功检测出在训练阶段仅接触过早期阶段故障的轴承上出现的、更严重阶段的同类故障。这证明了所提出的MFCC-MLP方法不仅有效，而且具备良好的泛化能力，能够应对实际运维中可能出现的、未被预先录入数据库的新型或演进中的故障。
研究结论与意义：
本研究表明，利用空气声（airborne sound）分析进行轴承故障检测在实际、高噪声的铁路运营环境中是可行的。梅尔频率倒谱系数（MFCC）被证明是用于此目的的高度有效的特征，当与一个多层感知器（MLP）分类器结合时，能够实现可靠的轴承损伤检测。该方法的成功之处在于，即使对于训练过程中未遇到过的、不熟悉的故障条件，系统也展现出了检测能力，这在实际的状态监测场景中至关重要。与基于结构声（振动）的方法相比，空气声监测具有传感器（麦克风）安装侵入性小、位置要求宽松、成本较低以及可能实现多部件同时监测等潜在优势。因此，这项工作为轨道交通车辆以及其他旋转机械的在线、低成本、非侵入式状态监测提供了一种具有现实应用前景的解决方案。虽然端到端的深度神经网络方法在其他领域表现卓越，但在车载设备内存和处理能力有限的实际场景下，本文所采用的这种基于精心设计特征（MFCC）的轻量级机器学习（MLP）方法，在性能、资源消耗和可解释性之间取得了更好的平衡，更适合于工程实践。
