天衡智造承接的某精密设备维护项目，采集振动、声音、声发射信号，通过各种信号处理手段提取信号特征，建立设备正常运转模型，实现对精密设备的在线监测和预测性维护。
1.精密设备振动监测
选取关键部位，部署振动传感器，采集对应部位的三向振动数据，以振动信号特征数据作为设备正常、非正常运转数据的识别。
图1-1 振动信号采集处理过程
振动数据采集流如图所示，数据流组成：
- 振动传感器：每个传感器包括X、Y、Z轴，每个轴使用独立的采集通道，一共21传感器，共需要64通道；
- 数据采集：按照一秒采集2k原始数据点，作为原始数据，数据采集卡采用1k作为数据缓存，按照63通道，每秒采集63x2K个浮点数据作为原始数据；
- 加速度换算：通过采集卡采集的原始数据为电压值，参考传感器的技术手册，使用40mv/g将原始数据换算为加速度值；
- 特征值计算：对加速度原始数据进行特征值计算，特征值包括峰峰值、均方根，具体计算公式；
- 根据各特征值的变化趋势，判定设备运转状态是否正常。
图1-2 振动特征计算公式
2.精密设备运转声纹监测
在精密设备的四周，部署专业级麦克风，采集设备运转的声音信号，提取声音信号的声纹特征，建立正常运转的声纹特征模型，实现监测设备运行状态。
图2-1 声纹处理过程框图
设备声音在线监测系统主要分为音频信息获取模块、音频信息预处理模块、音频特征值提取模块以及异常检测模型识别模块四大模块。其中，音频信息获取模块主要实现获取摄像头音频信息并存储；音频信息预处理模块实现对音频的降噪、分帧、加窗等操作，以便进行特征值提取；音频特征值提取模块主要用计算时域和频域内的多种特征值，其中主要涉及傅里叶变换、滤波等多种处理方式；模型识别模块主要用于模型的定时训练及根据音频特征值检测音频是否存在异常，当前使用的模型主要是高斯混合模型。
图2-2 声纹信号处理算法后台配置页面
声纹信号处理算法基于地听IIOS-Coco功能实现迅速开发，IIOS-Coco通过对标准模块进行配置连线的方式，实现数据流处理算法，能清晰明确看出整个处理流程，并提供外部模型加载模块加载已有模型，作为机器学习处理的功能模块。
图2-3 模型识别概率分布
散点图显示了两类声音数据的分布情况。蓝色点代表类别正常声音数据，红色点代表异常的声音数据。通过散点图可以直观地看出这两类声音数据在特征空间中的分布情况。等高线图显示了 GMM 模型拟合后的概率分布情况。在等高线图中，颜色越深的地方代表概率密度越高，而颜色越浅的地方代表概率密度越低。通过等高线图可以看出 GMM 模型对两类声纹数据的拟合程度，以及模型对数据的分类边界。在测试集中，使用模型进行检测时，100条测试集的数据检测准确率超过95%。在正常音频的基础上叠加异常音频进行检测，100条异常音频的准确率超过98%。
3.精密设备声发射监测
选取精密设备的易损部件，部署声发射传感器检测声发射信号，抓取易损部件在结构变化时产生的微小声发射信号，以次作为预警。
声发射（Acoustic Emission，简称 AE）是指在外部荷载作用下，材料内部局部发生损伤时，损伤位置释放的弹性能量以应力波的形式传播出来的一种物理现象。在应用声发射技术进行材料损伤监测的过程中，材料的局部损伤被视作声发射源。这种损伤会引起材料表面的微小振动，声发射传感器内的压电元件能够检测到这些振动信息，并将其转换为电信号。随后，这些信号通过前置放大器进行处理，并存储在计算机中。最终，通过对信号参数和波形的分析，可以提取出包含材料损伤信息的声发射信号，从而对材料的损伤情况进行评估。
声发射技术在无损检测领域得到了广泛应用，因为它能够监测到大多数材料在塑性变形、裂纹扩展、断裂等损伤过程中产生的声发射信号。例如，金属材料的裂纹扩展、碳纤维的断裂、岩石的破损等都会产生声发射信号。
图3-1 声发射应用场景
声发射信号特征与材料种类密切相关。在该项目中，通过对监测部件进行拉伸实验的方式，提取拉伸过程产生的全部声发射信号，再分析不同阶段部件声发射特征，从而设计匹配的声发射噪声滤除算法和不同阶段的声发射特征识别算法。
图3-2 易损材料拉伸实验
图3-3 易损材料在拉伸过程的信号分类
通过对拉伸实验过程采集的全部声发射信号进行FFT变换，得到声发射信号的频谱，在利用频谱聚类的模式，发现实验过程中存在多种不同的频谱特征信号。从上图左侧可以看出，其中很多类信号在材料形变的弹性阶段呈线性增长，到材料形变的屈服阶段之后几乎不增长，而其中一个信号则在屈服阶段之后仍呈周期性增长，由此可确认该信号为关注的声发射信号。
图3-4 声发射信号的频谱分布特征
基于声发射信号的频谱分布特征，可以实现在线监测过程的干扰信号的剔除，本次项目选择了上图中较高的3个频率尖峰作为干扰识别特征。
为了区别在不同拉伸阶段的详细特征，对频谱分布特征进行了再次细分，查找不同阶段的频谱特征区别。
图3-5 根据拉伸过程载荷划分为四个不同的形变阶段
图3-6 四个不同形变阶段瀑布图及频谱
从图3-6可看出，易损材料声发射信号在不同的形变阶段呈现微小差距：
弹性阶段特征频率范围：43.9-47.7k，55.4-57.3k，72.4-73.6k
过渡阶段特征频率范围：26.3-29.8k，37.3-39.1k，66.8-69.6k
屈服阶段特征频率范围：29.7-31.8k，52.6-55.4k，67.8k-71.2k
强化阶段特征频率范围：27.3k-28.8k，39.6k-41.4k，45.2k-46.7k
由此，设计对应的频谱特征识别算法，可准确判断哪些信号是易损材料的声发射信号，并准确得出当前声发射信号属于形变的哪一个阶段，从而实现精准预测性维护。