近場聲全息技術(shù)在電機(jī)軸肋板故障檢測中的應(yīng)用

張 文，劉 娟，杜崇杰，趙思博，王震洲

(1.樂亭縣氣象局，河北唐山 063600;2.河北科技大學(xué)信息科學(xué)與工程學(xué)院，河北石家莊 050018； 3.國家電網(wǎng)河北省電力公司，河北石家莊 050022；4.河北科技大學(xué)材料科學(xué)與工程學(xué)院，河北石家莊 050018)

?

近場聲全息技術(shù)在電機(jī)軸肋板故障檢測中的應(yīng)用

張 文1，劉 娟2，杜崇杰3，趙思博4，王震洲2

(1.樂亭縣氣象局，河北唐山 063600;2.河北科技大學(xué)信息科學(xué)與工程學(xué)院，河北石家莊 050018； 3.國家電網(wǎng)河北省電力公司，河北石家莊 050022；4.河北科技大學(xué)材料科學(xué)與工程學(xué)院，河北石家莊 050018)

機(jī)械設(shè)備的安裝環(huán)境隨需求的變化而變化。為了實(shí)現(xiàn)電機(jī)軸肋板在各種工況下的故障檢測,通過采集電機(jī)工作時(shí)肋板的振動(dòng)信息，采用圖像處理的方法，將故障下的特征向量與標(biāo)準(zhǔn)正常狀態(tài)下的特征向量對比后進(jìn)行分類，從而辨識出故障的類別。通過模擬仿真和實(shí)驗(yàn)兩種方式對聲成像方法進(jìn)行驗(yàn)證，證明了其正確性和普遍適應(yīng)性。聲成像檢測方法，不僅解決了檢測機(jī)械設(shè)備的傳感器在某些工作環(huán)境中安裝不便的問題，而且進(jìn)一步提高了故障檢測的準(zhǔn)確性。

電機(jī)學(xué)；故障診斷；波束形成；模式識別；近場聲全息；特征提取

張 文，劉 娟，杜崇杰，等.近場聲全息技術(shù)在電機(jī)軸肋板故障檢測中的應(yīng)用[J].河北工業(yè)科技,2016,33(5):428-432.

ZHANG Wen, LIU Juan, DU Chongjie,et al.Application of near field acoustic holography in fault detection of motor shaft floor[J].Hebei Journal of Industrial Science and Technology,2016,33(5):428-432.

電機(jī)軸肋板是電機(jī)的重要部件，在電機(jī)運(yùn)轉(zhuǎn)過程中，運(yùn)行噪聲包含著電機(jī)軸肋板是否正常運(yùn)行的狀態(tài)信息。提取正常狀態(tài)下設(shè)備的噪聲特征作為狀態(tài)信息，將機(jī)械運(yùn)行的狀態(tài)信息與之比對，對電機(jī)軸肋板進(jìn)行故障檢測，這種技術(shù)被稱為聲學(xué)故障檢測技術(shù)[1]。傳統(tǒng)方法采用單點(diǎn)法進(jìn)行測試，這種方法只能得到機(jī)械設(shè)備局部的聲場信息，并且容易受到干擾。本文主要采用近場聲全息成像技術(shù)，結(jié)合圖像處理、特征值提取以及模式識別等技術(shù)，對得到的聲像信息進(jìn)行故障檢測[2]。

近場聲全息技術(shù)(near acoustical holography, NAH)由傳統(tǒng)聲全息技術(shù)發(fā)展而來，通過測量聲源附近的聲壓信號，重構(gòu)聲學(xué)參量，估算空間三維聲場的矢量聲強(qiáng)場分布、結(jié)構(gòu)聲輻射功率、輻射功率、聲場抗性指數(shù)和遠(yuǎn)處指向性模型等。利用近場聲全息聲像進(jìn)行故障檢測，不僅可以提高檢測的分辨率，還可以對機(jī)械當(dāng)中的某些微弱的故障信號進(jìn)行檢測[3]。由于其廣泛的適應(yīng)性，近場聲全息技術(shù)的應(yīng)用領(lǐng)域得到了進(jìn)一步拓展。

1 近場聲全息技術(shù)故障檢測流程

近場聲像對機(jī)械故障進(jìn)行檢測時(shí)，應(yīng)根據(jù)噪聲源的大小、輻射聲信號主要的頻段范圍以及分辨率等多項(xiàng)因素，選擇合適的處理方案，其故障檢測流程如圖1所示。

圖1 故障檢測流程圖Fig.1 Flow chart of fault detection

NAH技術(shù)對樣本進(jìn)行處理后，得到聲源面重構(gòu)矩陣。在傳聲器陣列測量中，獲取近場NAH聲像，得到聲源面重構(gòu)矩陣，根據(jù)奇異特征值得出的支持向量機(jī)進(jìn)行訓(xùn)練分類[4]。判斷出最佳識別特征向量和最佳分類器參數(shù)，根據(jù)這些識別信息的量值判斷出該故障的類別[5]。

2 故障特征提取算法

本文主要采用基于灰度共生矩陣的紋理特征和基于矩陣奇異值的代數(shù)特征的提取方法來提取特征值，同時(shí)把框架理論完善、識別效果高、泛化能力好的支持向量機(jī)作為模式識別的分類器[6]。特征提取算法流程圖如圖2所示。

圖2 機(jī)械設(shè)備的故障診斷流程圖Fig.2 Flow chart of fault diagnosis of mechanical equipment

由于奇異值具有旋轉(zhuǎn)、轉(zhuǎn)置、位移和鏡像不變的特性，使其在模式識別，信號處理方面得到了廣泛應(yīng)用[7]。在奇異向量中選取若干個(gè)大的有效數(shù)值，可以實(shí)現(xiàn)圖像信息的準(zhǔn)確定位[8]。

故障檢測過程中，首先利用傳聲器陣列測量技術(shù)，將諸如軸場產(chǎn)生的疲勞裂紋、零件斷裂失效故障[9]，受應(yīng)力導(dǎo)致的磨損類故障，軸承、鍵槽間的磨損故障[10]，三相電不平衡故障等各種狀況整合匯總，形成一個(gè)樣本庫。采用NAH技術(shù)對樣本進(jìn)行處理后，得到聲源面重構(gòu)矩陣[11]。

根據(jù)奇異值理論，可以分析，A是m×n(首先假定m>n)，并且它的秩為r(r

UTAV=Σ。

(1)

A=UΣVT。

(2)

在對圖像進(jìn)行處理時(shí)，若對奇異值k=|i-j|向量的前若干項(xiàng)進(jìn)行處理，選取有效項(xiàng)，可以降低識別特征信息的冗余度[13]。

在聲像紋理識別時(shí)經(jīng)常采用灰度共生矩陣法，所以在提取特征值的時(shí)候，首先需要對圖像區(qū)域的灰度共生矩陣進(jìn)行統(tǒng)計(jì)[14]。

灰度共生矩陣主要是通過研究灰度的空間相關(guān)特性來描述紋理，獲取圖像上保持某特定距離的2個(gè)像素值。在對像素進(jìn)行處理后，需根據(jù)12種紋理特性來組成特征識別向量[15]。

角二階矩陣

(3)

對比度

(4)

相關(guān)

(5)

熵

(6)

方差

(7)

u為p(i,j)的均值。

逆差距

(8)

和平均

(9)

和方差

(10)

和熵

(11)

差平均

(12)

差方差

(13)

k=|i-j| 。

差熵

(14)

k=|i-j| 。

不同的紋理特性組成不同特征識別向量后，用于不同的故障檢測。

3 電機(jī)軸肋板振動(dòng)異常的故障檢測

3.1 振動(dòng)異常的故障檢測仿真

通過肋板陣速的分布來判斷振源的位置，也可以通過故障和正常情形狀態(tài)下的振速對故障進(jìn)行診斷。肋板的激振點(diǎn)分布如圖3所示。

圖3 肋板振點(diǎn)分布圖Fig.3 Distribution map of floor vibration

肋板的激振點(diǎn)的振速可以通過近場聲全息技術(shù)獲取，然后對奇異值進(jìn)行處理，得到識別向量，最后采用支持向量機(jī)訓(xùn)練樣本的特征值得到最佳的識別向量和分類器參數(shù)，利用這些參數(shù)可以對后邊得到的數(shù)據(jù)進(jìn)行處理，進(jìn)而判斷故障的類別(見圖4)。在進(jìn)行故障診斷時(shí)可以通過觀察特殊頻率處的幅度來判斷機(jī)械設(shè)備的運(yùn)行狀況。各點(diǎn)激振力大小設(shè)定如下：1)振點(diǎn)1處的作用力在6.2～8.2 N之間變化；2)振點(diǎn)2處的作用力在4.6～6.8 N為正常狀態(tài)，大于6.3 N為故障狀態(tài)；3)振點(diǎn)3處的作用力在5.7～8.7 N之間變化。

圖4 肋板陣速響應(yīng)分布圖Fig.4 Rib array response speed distribution

由圖4可以直觀地看出有3個(gè)振源，一階振型只有肋1的右側(cè)時(shí)有兩處振動(dòng)最大的部分，當(dāng)肋1右側(cè)的激振點(diǎn)位置與峰值位置相近時(shí)，振源和激振點(diǎn)位置吻合，當(dāng)激振點(diǎn)與峰值位置有些偏差時(shí)，振源位置和激振點(diǎn)偏離，并且偏向峰值位置。在驗(yàn)證仿真結(jié)果的同時(shí)，為了進(jìn)一步驗(yàn)證實(shí)驗(yàn)結(jié)果的準(zhǔn)確性，在實(shí)驗(yàn)過程中增加了干擾振源，對不同奇異值識別結(jié)果如表1所示，以此證明了近場聲成像診斷方法的有效性和可行性。

表1 有干擾振源實(shí)驗(yàn)時(shí)的識別結(jié)果

3.2 振動(dòng)異常的故障檢測實(shí)驗(yàn)設(shè)置

根據(jù)仿真模型來搭建試驗(yàn)臺(見圖5)。激振點(diǎn)位置見圖6。圖6中：激振點(diǎn)1(0.12 m，-0.09 m)，激振點(diǎn)2(0.22 m，0.09 m)，激振點(diǎn)3(-0.18 m，0.09 m)，肋板1的長度為0.37 m，另一個(gè)肋板的長度為0.56 m。

圖5 試驗(yàn)臺Fig.5 Table of experiment

圖6 激振點(diǎn)位置Fig.6 The excitation point

近場聲全息試驗(yàn)過程中，傳聲器之間的距離為0.08 m,聲全息掃描的范圍為0.8 m×0.8 m，每一個(gè)過程中可以采集10個(gè)通道的聲場信號，并且記住傳聲器的坐標(biāo)編號。利用NAH對這些樣本進(jìn)行處理，根據(jù)處理結(jié)果可以精確地找出故障點(diǎn)，并對這些故障進(jìn)行處理。

4 結(jié) 語

本文通過采集電機(jī)工作時(shí)肋板的振動(dòng)信息，應(yīng)用近場聲全息成像技術(shù)獲得監(jiān)測信息；采用基于灰度共生矩陣的紋理特征和基于矩陣奇異值的代數(shù)特征提取方法來提取特征值，同時(shí)應(yīng)用支持向量機(jī)作為分類器。通過仿真和實(shí)驗(yàn)2種方式，驗(yàn)證了該方法的可行性和有效性,識別效果明顯提高。

[1] 葉明星, 焦斌. 風(fēng)力發(fā)電機(jī)組狀態(tài)監(jiān)測和故障診斷系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J]. 上海電機(jī)學(xué)院學(xué)報(bào), 2014, 17(2): 83-88.

YE Mingxing, JIAO Bin. Design and implementation of condition monitoring and fault diagnosis for wind turbine[J].Journal of Shanghai Dianji University, 2014, 17(2): 83-88.

[2] 陳雪峰, 李繼猛, 程航, 等. 風(fēng)力發(fā)電機(jī)狀態(tài)監(jiān)測和故障診斷技術(shù)的研究與進(jìn)展[J]. 機(jī)械工程學(xué)報(bào), 2011, 47(9): 45-52.

CHEN Xuefeng, LI Jimeng, CHENG Hang, et al. Research and application of condition monitoring and fault diagnosis technology in wind turbines[J]. Journal of Mechanical Engineering, 2011, 47(9): 45-52.

[3] 張海艷，夏飛.艦船電力系統(tǒng)故障診斷綜述[J].艦船科學(xué)技術(shù),2010,32(4):134-137.

ZHANG Haiyan, XIA Fei. A survey of marine power system fault diagnosis[J]. Ship Science and Technology, 2010,32(4):134-147.

[4] ZHANG H B, JIANG W K, WAN Q, et al. The application of wave superposition algorithm to identify cyclostationary sound source[J]. Acta Acustica united with Acustica, 2008, 94(5): 649-655.

[5] 王慧濱．基于規(guī)則和案例推理的汽輪發(fā)電組故障診斷專家系統(tǒng)[D]．蘭州：蘭州理工大學(xué)，2014.

WANG Huibin. Fault Diagnosis Expert System of Turbine Generator Sets based on Rule Reasoning and Case Reasoning [D]. Lanzhou: Lanzhou University of Technology, 2014.

[6] SAMANTA B. Gear fault detection using artificial neural networks and support vector machines with genetic algorithms[J]. Mechanical Systems and Signal Processing, 2004, 18(3): 625-644.

[7] 蔣云飛, 楊宣訪, 張超. 發(fā)電機(jī)轉(zhuǎn)子繞組匝間短路的故障分析[J]. 電機(jī)與控制應(yīng)用, 2011, 38(11): 45-50.

JIANG Yunfei, YANG Xuanfang, ZHANG Chao. Fault analysis of inter-turn short circuit in rotor winding of generator[J]. Electric Machines & Control Application, 2011, 38(11): 45-50.

[8] 薛山花, 葉青華, 黃海寧, 等. 利用近場MVDR雙聚焦波束成形方法實(shí)現(xiàn)被動(dòng)測距[J]. 應(yīng)用聲學(xué), 2005, 24(3): 177-181.

XUE Shanhua, YE Qinghua, HUANG Haining, et al. Passive-range estimation using near-field mvdr dual focused beamformers[J]. Applied Acoustics, 2005, 24(3): 177-181.

[9] 葉芳，白雪蓮．電機(jī)設(shè)備故障檢測原理及診斷方法初探[J].中國電子商務(wù)，2010(4):166.

YE Fang, BAI Xuelian. Fault detection principle and diagnosis method of motor equipment[J]. Chinese Electronic Commerce, 2010 (4): 166.

[10]張宏濤, 王仲生. 飛機(jī)電氣系統(tǒng)故障診斷技術(shù)新進(jìn)展[J]. 航空制造技術(shù), 2012(20): 66-69.

ZHANG Hongtao, WANG Zhongsheng. Advance in fault diagnosis for aircraft electrical system[J]. Aeronautical Manufacturing Technology, 2012(20): 66-69.

[11]王永生. 淺談不平衡機(jī)械振動(dòng)機(jī)理及控制[J]. 農(nóng)家科技(下旬刊), 2011(6): 56.

[12]高春良．滾動(dòng)軸承故障的顯式動(dòng)力學(xué)仿真與振動(dòng)特征分析[D]．西安：西安電子科技大學(xué),2010.

GAO Chunliang. Explicit Dynamic Simulation and Vibration Characteristics of Rolling Bearing Fault [D]. Xi’an:Xidian University, 2010.

[13] 韓明, 周國強(qiáng), 王震洲. 基于COM組件的電機(jī)轉(zhuǎn)子繞組匝間短路故障診斷[J]. 河北科技大學(xué)學(xué)報(bào),2011, 32(1): 30-33.

HAN Ming, ZHOU Guoqiang, WANG Zhenzhou. Fault detection of inter-turn short-circuit in rotor windings based on COM component[J]. Journal of Hebei University of Science and Technology, 2011, 32(1): 30-33.

[14]王晨輝, 郭立煒, 劉玉坤, 等. 基于ARM和μC/OS-Ⅱ的嵌入式電機(jī)測試系統(tǒng)的設(shè)計(jì)[J]. 河北工業(yè)科技,2010, 27(6): 468-470.

WANG Chenhui, GUO Liwei, LIU Yukun, et al. Design of embedded motor testing system based on ARM and μC/OS-Ⅱ[J]. Hebei Journal of Industrial Science and Technology , 2010, 27(6): 468-470.

[15]DITTRICH M G, JANSSENS M H A. Improved measurement methods for railway rolling noise[J]. Journal of Sound and Vibration, 2000, 231(3): 595-609.

Application of near field acoustic holography in fault detection of motor shaft floor

ZHANG Wen1, LIU Juan2, DU Chongjie3, ZHAO Sibo4， WANG Zhenzhou2

(1.Laoting County Meteorological Bureau, Tangshan, Hebei 063600,China; 2. School of Information Science and Engineering, Hebei University of Science and Technology, Shijiazhuang, Hebei 050018,China; 3. State Grid Hebei Electric Power Company,Shijiazhuang, Hebei 050022,China; 4. School of Materials Science and Engineering, Hebei University of Science and Technology, Shijiazhuang, Hebei 050018,China)

The installation environment of mechanical equipment varies with demands. In order to realize fault detection of the motor shaft floor under various conditions, the vibration information of the motor shaft floor is collected when motor works, and by the method of image processing, the eigenvector under fault condition and the eigenvector under normal condition are compared and classified, so that the fault category is known. the method is verified by simulation and experiment, respectively, and the correctness and general adaptation of the method are proved. The acoustic imaging detection method not only solves the problem that the sensor is constantly installed in some working environment, but also improves the accuracy of fault detection.

electrical machinery; fault diagnosis; beam forming; pattern recognition; near field acoustic holography; feature extraction

1008-1534(2016)05-0428-05

2016-06-26;

2016-09-06；責(zé)任編輯：李 穆

河北省科技支撐計(jì)劃項(xiàng)目(16273705D)

張 文(1983-)，男，河北唐山人，工程師，主要從事故障檢測相關(guān)方面的研究。

劉 娟。E-mail:1660779101@qq.com

TM07

A

10.7535/hbgykj.2016yx05012