近場(chǎng)聲全息技術(shù)在電機(jī)軸肋板故障檢測(cè)中的應(yīng)用分析

冉天杰 唐天偉

重慶海德世拉索系統(tǒng)（集團(tuán)）有限公司 重慶 401120

電機(jī)是有很多的部件組成的，其中電機(jī)軸肋是電機(jī)比較重要的一個(gè)部件之一，在電機(jī)運(yùn)行的過(guò)程中，電機(jī)的噪聲是比較的大，可以通過(guò)電機(jī)的工作的聲音來(lái)判別出電機(jī)軸肋是否正常。聲學(xué)故障檢測(cè)的技術(shù)就是收取電機(jī)軸肋在正常工作先的聲音的信息，標(biāo)注成狀態(tài)信息，在收集到電機(jī)軸肋出現(xiàn)故障的聲音，把兩者的聲音信息相應(yīng)的對(duì)比。該聲音檢測(cè)的技術(shù)會(huì)很容易的受到外界的干擾，相比傳統(tǒng)的聲音檢測(cè)的方式，可靠性是有所提升的。本文章主要采取的是近場(chǎng)聲全息成像技術(shù)，這個(gè)技術(shù)不僅能夠收集電機(jī)軸肋的聲音，而且還可以結(jié)合圖像，收集到的信息比較的全面。

從電機(jī)企業(yè)發(fā)展的過(guò)程中，對(duì)電機(jī)軸肋的故障的檢測(cè)技術(shù)在不斷的改進(jìn)，目前最為先進(jìn)的檢測(cè)技術(shù)就是近場(chǎng)聲全息技術(shù)。該技術(shù)的主要檢測(cè)的原理是能夠收集周圍的電機(jī)軸肋工作的噪音，結(jié)合聲音的功率，對(duì)聲音進(jìn)行重新的參數(shù)，設(shè)立專業(yè)的阻力指數(shù)和遠(yuǎn)方向的一個(gè)模型。這種先進(jìn)的技術(shù)對(duì)故障的分辨率比較的高，同時(shí)對(duì)于機(jī)械比較微弱的故障信號(hào)都能夠檢測(cè)的到。也充分地說(shuō)明了近場(chǎng)聲全息技術(shù)對(duì)電機(jī)軸肋的故障的檢測(cè)是比較的使用，在具體的應(yīng)用中要加大推廣。

1 近場(chǎng)聲全息算法原理

近場(chǎng)聲全息聲場(chǎng)空間算法是近場(chǎng)聲全息理論的發(fā)展重點(diǎn)。它是實(shí)現(xiàn)近場(chǎng)聲全息的關(guān)鍵，是通信中間結(jié)果與全息表面測(cè)量數(shù)據(jù)之間的橋梁。目前，近場(chǎng)聲全息技術(shù)已經(jīng)開(kāi)發(fā)出適用于不同聲場(chǎng)的各種空間變換算法，因此有必要找到一種適用于車載聲場(chǎng)的近場(chǎng)聲全息空間變換算法。近場(chǎng)聲全息算法的核心思想是測(cè)量聲源的近場(chǎng)全息表面上的復(fù)雜聲壓，然后使用傅里葉變換將其從空間域轉(zhuǎn)換到波數(shù)域，并重建表面通過(guò)操作者G.（源或預(yù)測(cè)平面）接收全息表面信息并最終使用逆傅立葉變換以獲得重建表面上的粒子振動(dòng)速度或復(fù)雜聲壓[1]。

2 近場(chǎng)聲全息技術(shù)故障檢測(cè)流程

當(dāng)使用近場(chǎng)聲像檢測(cè)機(jī)械故障時(shí)，應(yīng)根據(jù)噪聲源的大小，主要頻率范圍和輻射聲信號(hào)的分辨率選擇合適的處理方案。在通過(guò)NAH技術(shù)處理樣本之后，獲得聲源表面重建矩陣。在麥克風(fēng)陣列的測(cè)量中，獲得近場(chǎng)NAH聲像，并獲得聲源表面重建矩陣?；谄娈愄卣鞯闹С窒蛄繖C(jī)用于訓(xùn)練分類。確定最佳識(shí)別特征向量和最優(yōu)分類器參數(shù)，并根據(jù)識(shí)別信息的大小確定故障的類別。

3 故障特征提取算法

本文利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)特征提取方法提取特征值。同時(shí)，具有完美框架理論，高識(shí)別效果和良好泛化能力的支持向量機(jī)被歸類為模式識(shí)別設(shè)備。

由于奇異值具有旋轉(zhuǎn)，轉(zhuǎn)置，位移和圖像不變性的特征，因此它已被廣泛用于模式識(shí)別和信號(hào)處理。在奇異向量中選擇幾個(gè)大的有效值可以實(shí)現(xiàn)圖像信息的準(zhǔn)確定位[2]。

在故障檢測(cè)過(guò)程中，麥克風(fēng)陣列測(cè)量技術(shù)首先用于疲勞裂紋，如軸場(chǎng)，部件失效故障，應(yīng)力引起的磨損故障，軸承，鍵槽磨損故障和三相電氣不平衡故障。狀態(tài)被集成和聚合以形成樣本庫(kù)。在通過(guò)NAH技術(shù)處理樣本之后，獲得聲源表面重建矩陣。

4 電機(jī)軸肋板振動(dòng)異常的故障檢測(cè)

4.1 振動(dòng)異常的故障檢測(cè)

模擬通過(guò)肋陣列的速度分布確定振動(dòng)源的位置，并通過(guò)故障和正常條件下的振動(dòng)速度來(lái)診斷故障。

通過(guò)近場(chǎng)聲全息術(shù)可以獲得肋的激發(fā)點(diǎn)的振動(dòng)速度，然后處理奇異值以獲得識(shí)別向量。最后，使用支持向量機(jī)訓(xùn)練樣本的特征值，以獲得最佳識(shí)別向量和分類器參數(shù)。這些參數(shù)可用于處理稍后獲得的數(shù)據(jù)以確定故障類型。故障排除時(shí)，您可以通過(guò)觀察特定頻率的幅度來(lái)判斷機(jī)器的運(yùn)行狀態(tài)。每個(gè)點(diǎn)的激振力的大小設(shè)定如下：（1）振動(dòng)點(diǎn)1處的力在6.2和8.2N之間變化；（2）振動(dòng)點(diǎn)2處的力通常為4.6至6.8N，大于6.3N。（3）振動(dòng)點(diǎn)3處的力在5.7和8.7N之間變化一階模式只有兩個(gè)部分，肋板右側(cè)的振動(dòng)最大。當(dāng)肋板1右側(cè)的激勵(lì)點(diǎn)的位置接近峰值位置時(shí)，振動(dòng)源的位置激勵(lì)點(diǎn)與激勵(lì)點(diǎn)一致。當(dāng)激勵(lì)點(diǎn)和峰值位置之間存在一些偏差時(shí)，振動(dòng)源位置和激勵(lì)點(diǎn)偏離并偏向峰值位置。在驗(yàn)證模擬結(jié)果時(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(guò)程中添加了干擾源[3]。

4.2 振動(dòng)異常的故障檢測(cè)實(shí)驗(yàn)設(shè)置

根據(jù)仿真模型，建立試驗(yàn)臺(tái)：激勵(lì)點(diǎn)1（0.12m，-0.09m），激勵(lì)點(diǎn)2（0.22m，0.09m），激勵(lì)點(diǎn)3（-0.18m，0.09m），肋1長(zhǎng)度是0.37米，另一個(gè)肋長(zhǎng)0.56米。在近場(chǎng)聲全息測(cè)試中，麥克風(fēng)之間的距離是0.08米，聲全息圖的范圍是0.8米×0.8米。在每個(gè)過(guò)程中，您可以收集10個(gè)聲道的聲場(chǎng)信號(hào)并記住麥克風(fēng)的坐標(biāo)編號(hào)。這些樣本由NAH處理，并且可以基于處理結(jié)果準(zhǔn)確地定位和處理故障點(diǎn)。

5 結(jié)語(yǔ)

本文收集了電機(jī)工作過(guò)程中肋的振動(dòng)信息，采用近場(chǎng)聲全息成像技術(shù)獲取監(jiān)測(cè)信息。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)特征提取方法用于提取特征值。向量機(jī)充當(dāng)分類器。通過(guò)仿真和實(shí)驗(yàn)驗(yàn)證了該方法的可行性和有效性，明顯提高了識(shí)別效果。