1. 项目背景与核心价值
在工业4.0和智能制造的浪潮下，带式输送机作为矿山、港口、电厂等场景的核心运输设备，其运行稳定性直接影响生产效率和安全。托辊作为输送机关键部件，数量庞大且故障率高（约占输送机故障的70%），传统人工巡检方式存在效率低、漏检率高、危险性大等痛点。
我们团队开发的这套基于声音信号的故障检测系统，通过非接触式采集托辊运行噪声，结合信号处理和机器学习算法，实现了故障类型的自动识别。相比振动检测方案，声音采集具有安装便捷（无需停机）、成本低廉（普通麦克风即可）、信息丰富（包含更多故障特征）三大优势。实测表明，系统对常见托辊故障（轴承损坏、筒皮磨损、润滑不良等）的识别准确率达到92%以上，单点检测耗时小于3秒。
2. 系统架构设计
2.1 硬件组成方案
系统采用模块化设计，硬件部分包含：
- 声音采集模块：选用工业级麦克风阵列（频率响应50Hz-20kHz，信噪比>70dB），每20米布置一组，覆盖输送机全线
- 边缘计算单元：树莓派4B+定制屏蔽外壳，负责原始信号预处理和特征提取
- 云端服务器：阿里云ECS（4核8G配置），运行深度分类模型和数据库
关键选型考量：麦克风需具备抗电磁干扰能力（输送机现场变频器干扰严重），我们最终选择的Audiowell MM-2607D在实测中表现最佳，其金属外壳和差分输出设计有效抑制了环境噪声。
2.2 软件处理流程
mermaid复制graph TD
A[原始声音信号] --> B[预加重滤波]
B --> C[分帧加窗]
C --> D[MFCC特征提取]
D --> E[时频域特征融合]
E --> F[SVM/XGBoost分类]
F --> G[故障类型输出]
3. 核心算法实现（附Matlab代码）
3.1 特征提取关键技术
采用梅尔频率倒谱系数（MFCC）作为核心特征，其优势在于：
- 符合人耳听觉特性（梅尔刻度非线性映射）
- 对背景噪声有一定鲁棒性
- 维度适中（通常取13-26维）
matlab复制% MFCC特征提取核心代码
[audioIn, fs] = audioread('roller.wav');
frameLength = round(0.025*fs); % 25ms帧长
overlap = round(0.01*fs); % 10ms重叠
mfccParams = mfcc('NumCoeffs', 13, 'WindowLength', frameLength,...
'OverlapLength', overlap, 'SampleRate', fs);
coeffs = mfccParams(audioIn);
3.2 故障分类模型对比
我们对比了三种经典算法在500组样本上的表现：
| 算法类型 | 准确率 | 推理速度(ms) | 内存占用(MB) |
|---|---|---|---|
| SVM(RBF核) | 89.2% | 15 | 2.1 |
| XGBoost | 92.7% | 8 | 4.3 |
| 1D-CNN | 94.1% | 22 | 7.8 |
最终选择XGBoost作为生产环境模型，因其在精度和效率间取得最佳平衡。关键参数调优过程：
matlab复制% XGBoost参数网格搜索
params = {'max_depth': [3,5,7],
'learning_rate': [0.01,0.1,0.3],
'n_estimators': [50,100,200]};
best_acc = 0;
for d=params{1}
for lr=params{2}
for n=params{3}
model = fitensemble(X,y,'LSBoost',n,'Tree',...
'LearnRate',lr,'MaxNumSplits',d);
curr_acc = kfoldLoss(crossval(model));
if curr_acc > best_acc
best_params = [d lr n];
end
end
end
end
4. 工程落地挑战与解决方案
4.1 工业现场噪声抑制
输送机现场存在三大干扰源：
- 皮带摩擦噪声（低频连续）
- 电机电磁噪声（高频窄带）
- 环境冲击噪声（瞬态脉冲）
采用复合降噪策略：
- 硬件层面：麦克风加装海绵防风罩
- 算法层面：
matlab复制% 自适应谱减法降噪 noise_profile = mean(abs(fft(noise_only_segment))); clean_spec = max(abs(signal_spec) - 0.8*noise_profile, 0);
4.2 模型持续优化机制
建立闭环迭代系统：
- 部署端记录误判样本
- 每周自动生成增量训练集
- 触发模型再训练流水线
- A/B测试验证后上线新模型
5. 应用效果与扩展方向
在某铁矿的6个月实测数据显示：
- 故障检出率：93.4%（人工巡检对比组为68%）
- 平均预警时间：提前72小时发现潜在故障
- 维护成本降低：37%（减少非计划停机）
未来可扩展方向：
- 声音-振动多模态融合检测
- 基于联邦学习的跨厂区知识共享
- 故障预测（非仅诊断）
实操建议：在Matlab中调试时，务必注意音频采集卡的采样率同步问题。我们曾因声卡默认44.1kHz而硬件实际输出48kHz，导致频域分析完全错误。可通过
audiodevinfo命令验证设备参数。
附录：完整代码结构
code复制/project_root
│── /audio_samples # 原始音频库
│── /feature_extract # 特征工程代码
│ ├── mfcc.m
│ └── spectral.m
│── /models # 机器学习模型
│ ├── xgboost_train.m
│ └── svm_predict.m
│── utils # 辅助工具
│ ├── audio_preprocess.m
│ └── performance_eval.m
└── main.m # 系统入口