基于声信号和一维卷积神经网络的电机故障诊断研究

汪 欣，毛东兴，李晓东

（1.同济大学 声学研究所，上海200092；2.中国科学院 上海高等研究院，上海201210；3.中国科学院 声学研究所，北京100190）

电机作为一种电能转换的电磁装置，在各行各业都有相关的应用。针对电机的故障诊断，目前已有不少研究，按信号采集的手段大致可分为3类：基于电流信号的电机故障诊断；基于振动信号的电机故障诊断；基于声信号的电机故障诊断等。

基于电流信号的电机故障诊断方法是一种常见的诊断手段[1-3]。但基于电流信号的故障诊断法只能对有限的电气故障（比如断棒、短路转子、定子线圈等）进行分析。基于振动信号的电机故障诊断方法是目前主流的故障诊断方法，学界普遍采用振动信号分析法实现对电机故障状态的有效识别[4-7]。但振动信号的采集需要将加速度传感器安装在电机上，这种接触式检测往往受测试条件和测试环境限制，具有一定的局限性。相比而言，基于声信号的电机故障诊断手段属于非接触式测量，能够在一些无法使用加速度传感器的场合使用[8-10]。

电机故障诊断的核心算法主要由特征提取和模式识别组成。传统的特征提取算法包括傅里叶变换、小波变换、经验模式分解以及信号统计学特征等；传统的模式识别算法包括BP 神经网络、支持向量机(SVM)、贝叶斯分类器等。传统的故障诊断方法的优点在于，特征提取方法简单易行，但对人工参与的要求比较高、依赖人工提取和领域内的专家知识，需要人工对不同的应用环境进行特征提取和算法选择，具有一定的主观性[11]。……