CN101846594A - 基于波束形成声像模式识别的故障检测装置及其检测方法 - Google Patents

Abstract

一种工业检测领域的基于波束形成声像模式识别的故障检测装置及其检测方法，通过声像在定位噪声源位置的同时，使用图像处理的特征提取技术提取敏感特征来表征正常与故障情况下的声像，然后借助模式识别中的支持向量机对这些特征向量进行训练分类进而进行故障诊断和在线监测。本发明兼顾了声源识别和频域分析的特点，同时借鉴图像诊断技术在其他领域的应用，开发了一种基于波束形成声像模式识别的故障检测装置和方法，完善了现有声学故障诊断技术，同时拓展了波束形成声源识别技术的应用范围。

Description

基于波束形成声像模式识别的故障检测装置及其检测方法

技术领域

本发明涉及的是一种工业检测技术领域的装置及方法，具体是一种基于波束形成声像模式识别的故障检测装置及其检测方法。

背景技术

工矿企业中的机械设备故障诊断技术主要是基于振动信号测量与分析的，并形成了一套完整的理论体系和方法，如：频谱分析技术、幅值参数指标分析、冲击脉冲技术、共振解调技术等。基于振动信号的故障诊断方法必须把传感器布置在振动机械的表面，然而对于复杂部件振动表面、运动部件、高温或油垢等恶劣环境下传感器布置比较困难，仅能对振动表面的若干孤立测点的振动信号进行分析，因此只能反应设备局部的振动信息，并在很多情况下得不到所关心部件的振动信息，设备整体振动情形难以再现；同时对于某些需要停机安装振动传感器的场合，因为停机安装将带来较大的经济损失；另外，由于设备故障的多样性，故障特征也各不相同，在某些故障情况下振动特征并不明显，而其他特征(如声学特征)比较明显，因此有必要寻求一种有效的非接触式监测与分析手段。

机械噪声蕴含着机器状态的重要信息，通过噪声信号分析能够对机械运行状态进行监测与故障诊断。基于声信号的故障诊断是近年来故障诊断领域新的发展方向，这种声学诊断技术优点突出：非接触式测量、设备简单、速度快、不影响设备正常工作和在线监测等，尤其可以应用到振动信号不易测量的场合。完善的声学诊断技术要求既能够有效的识别声源位置同时能够进行频谱分析。现有的声源识别方法主要有主观评价法、分部运转法、表面强度法、近场测量法等几种，但容易受到机械结构和工作环境的限制。

经过对现有技术的检索发现，中国专利文献号CN1584433，公开日2005-2-23，记载了一种“基于神经网络的空调器噪声源识别方法”，该技术的原理是在已知几种主要声源频谱分布后引入模式识别算法判断声音主要是由哪个噪声源产生，其缺点是必须预先知道机械的主要声源。

传声器阵列测量技术是研究噪声源的一种重要方法，是基于传声器阵列的指向性原理，对物体表面的声源分布进行测量，找到主要噪声源位置，并得到辐射声场的主要特征以及声源产生的物理机制，兼顾了声源识别和频域分析的特点。波束形成(Beamforming)作为一种基于传声器阵列的声源识别算法，被广泛应用与航空航天技术、汽车行业、工业无损测试技术以及军事目标识别、定位和跟踪，而直接用于故障诊断的文献报道很少。

进一步检索发现，Patricio Ravetta等在inter-noise2009的《Noise Source Identification onRotating Machinery：A Novel Health Monitoring Approach Using Acoustic Phased Arrays》一文中提到把振动信号诊断分析的方法应用到声学信号中，主要是基于声振信号的相关性和频谱分析。阵列声信号经过频域波束形成后可以得到机械表面辐射声压相对大小分布图形，从图中可以得到某一频率下噪声源的位置。

在图像处理领域，基于图像的诊断技术应用很广泛，例如中国专利申请号200710069113.7，发明名称为“基于多光谱图像的纹理分析鉴别不同品种绿茶的方法和装置”，其原理是通过3CCD相机获得不同品种绿茶的图像，计算各种绿茶图像纹理特征放入分类器中进行训练分类，进而对未知绿茶进行诊断分类。借鉴基于图像的诊断技术，形成一种基于波束形成声像模式识别的故障诊断方法，能够拓展波束形成的应用和促进声学诊断技术的发展。

发明内容

本发明针对现有技术存在的上述不足，提供一种基于波束形成声像模式识别的故障检测装置及其检测方法，基于机械在正常与故障状态下某一频率的声压分布或声源位置会发生变化，从而在声像中产生相应的变化，通过声像在定位噪声源位置的同时，使用图像处理的特征提取技术提取敏感特征来表征正常与故障情况下的声像，然后借助模式识别中的支持向量机对这些特征向量进行训练分类进而进行故障诊断和在线监测。

本发明是通过以下技术方案实现的：

本发明涉及一种基于波束形成声像模式识别的故障检测装置，包括：传声器、阵列支架、数据采集***，其中：阵列支架位于声源一侧，若干个传声器以阵列方式固定设置于阵列支架上并与数据采集***相连接，存储采集到的时域信号并计算得到检测结果。

本发明涉及上述基于波束形成声像模式识别的故障检测装置的检测方法，包括以下步骤：

第一步、对具有多个噪声源的机械进行正常与故障工作状态划分与设定，设置机械的工作背景噪声相一致，将传声器布置于阵列支架上，然后启动数据采集***并对传声器收集的各个时域信号通道进行同步采集得到声信号p(t)。

第二步、建立对应声信号p(t)的样本库S，进行频谱分析得到敏感频率F，对样本库S每个样本采用基于球面波的频域波束形成：

$B(\stackrel{\→}{\mathrm{\κ}},\mathrm{\ω})=\frac{1}{M}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{P}_m\left(\mathrm{\ω}\right)e^{-\mathrm{j\ω}{\mathrm{\Δ}}_m\left(\stackrel{\→}{\mathrm{\κ}}\right)}---\left(1\right)$

其中：ω表示敏感圆频率，M为传声器个数，P_m(ω)为第m个传声器声压信号在频率ω处的频谱幅值，

当聚焦到

方向时，第m个传声器相对于参考点的时延，B为波束形成聚焦点的频域输出。

第三步、针对多个聚焦点的频域输出组合成源像重构矩阵A，将源像重构矩阵A可视化为声压分布图像B并定位主要噪声源位置，实现故障检测定位。

第四步、对波束形成结果进行特征提取，得到特征向量样本库后，放入支持向量机内进行训练分类，对比各种条件下的识别率，得到优化后的分类器参数，即惩罚参数C和核函数系数γ，对实时采集到的阵列信号进行特征提取并采用优化后的分类器进行识别，实现故障诊断。

所述的特征提取，是通过以下两种方式中的任意一种进行处理：

a)对重构矩阵A进行奇异值分解得到奇异值特征：

$A=\mathrm{U\Λ}{V}^T=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\α}}_i{u}_i{v}_i^T=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\α}}_i{A}_i---\left(2\right)$

其中：k为矩阵A的秩，α_i是矩阵A的第i个奇异值，令α₁≥α₂≥…≥α_n，取前m个奇异值构成特征向量，用于训练分类。

b)已知图像灰度级为n，通过求取图像的二阶联合概率密度函数P(i，j，d，θ)得到灰度共生矩阵：

M(d，θ)＝[P(i，j，d，θ)]                                        (3)

其中：函数P描述了图像在θ方向上距离为d的一对像素分别具有灰度i和j的出现的概率。

所述的特征向量包括：角二阶矩、对比度、相关度、熵、方差、逆差距、平均值、和方差、差平均、差方差和差熵。

本发明利用机械正常与故障状态下声压幅值和分布的变化，借鉴图像诊断技术在其他领域的应用，采用图像处理、特征提取和模式识别技术对波束形成声像进行处理。实验表明方法的有效性，同时验证了配合声成像技术的噪声源定位、识别功能，把图像处理特征提取和模式识别技术与声成像技术结合，拓宽声成像技术的应用范围，形成一套有效的声学故障诊断技术并在工程中广泛应用的可行性。

附图说明

图1为本发明流程示意图。

图2为实施例装置示意图。

图3为实施例得到的声像示意图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图2所示，本实施例的实验装置包括：传声器1、阵列支架2、数据采集***3，其中：阵列支架2位于声源4一侧，若干个传声器1以阵列方式固定设置于阵列支架2上并与数据采集***3相连接，存储采集到的时域信号并有计算机5计算得到检测结果。

如图1所示，本实施例包括以下步骤：

1、采用三个扬声器模拟机械的主要噪声源，扬声器相互之间距离应大于声源识别***的分辨率，其中声源1中心坐标(-0.325m，0.025m)、声源2中心坐标(0.325m，-0.325m)、声源3中心坐标(0.325m，0.325m)。

2、设定频率为2000Hz时为敏感频率，通过调整扬声器的声压级大小来模拟各噪声源正常与故障状态，如：声源1声压级在94dB～100dB之间变化时处于正常运行状态，其余情形为故障状态；声源2声压级在80dB～90dB之间变化时处于正常运行状态，其余情形为故障状态；声源3声压级在65dB～75dB之间变化时处于正常运行状态，其余情形为故障状态。共设定正常状态样本66个，各种故障运行状态样本63个。

3、在距声源面0.5m处布置传声器阵列，本实施例采用方形阵列，阵列面0.5m×0.5m，测量点6×6个，每次同步采集36个通道的声场信号，并记录传声器的空间坐标位置。扬声器与传声器阵列的布置如图3所示。

4、对128个声场样本进行波束形成计算得到源像重构矩阵和声像，图3a和图3b分别为正常与故障状态下的声像。重构矩阵是包含相位信息的复数矩阵，并在灰度级n分别取8、16、32、64和128时把矩阵可视化成声像。

5、观察主要声源位置，与实际声源位置对比，其中由于声源声压级相差较大及成像算法原因，主要声源1、2可以定位，声源3无法识别。对重构矩阵直接提取奇异值特征、对确定灰度级后的声像计算基于灰度共生矩阵的纹理特征，形成特征向量样本库。

6、使用Libsvm对样本进行训练分类，其中基于纹理特征的分类结果如表1所示，基于奇异值特征的分类结果如表2所示：

表1基于统计特征的各灰度级下识别率对比(％)

由表1可以看到识别率在灰度级为128、90°方向时最高，达到86.0％，此时惩罚参数C＝128，核函数系数γ＝0.5。

表2基于奇异值的识别率对比(％)

由表2，奇异值个数为4时识别效果最好达到89.1％，惩罚参数C＝2048，核函数系数γ＝0.125。

通过实验发现，直接提取重构矩阵的奇异值特征进行训练分类得到的识别率最高，在本实施例条件下，选取前4个较大奇异值构成特征向量进行训练分类得到的识别效果最好，达到了89.1％，样本数量的限制和各声源声压级差别较大影响了识别效果，但接近90％的识别率说明了方法的有效性。

Claims (4)

1.一种基于波束形成声像模式识别的故障检测装置，其特征在于，包括：传声器、阵列支架、数据采集***，其中：阵列支架位于声源一侧，若干个传声器以阵列方式固定设置于阵列支架上并与数据采集***相连接，存储采集到的时域信号并计算得到检测结果。

2.一种根据权利要求1所述的基于波束形成声像模式识别的故障检测装置的检测方法，其特征在于，包括以下步骤：

第一步、对具有多个噪声源的机械进行正常与故障工作状态划分与设定，设置机械的工作背景噪声相一致，将传声器布置于阵列支架上，对启动数据采集***并对传声器收集的各个时域信号通道进行同步采集得到声信号p(t)；

第二步、建立对应声信号p(t)的样本库S，进行频谱分析得到敏感频率F，对每个样本库S采用基于球面波的频域波束形成：

$B(\stackrel{\→}{\mathrm{\κ}},\mathrm{\ω})=\frac{1}{M}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{P}_m\left(\mathrm{\ω}\right)e^{-\mathrm{j\ω}{\mathrm{\Δ}}_m\left(\stackrel{\→}{\mathrm{\κ}}\right)}$

其中：ω表示敏感圆频率，M为传声器个数，P_m(ω)为第m个传声器声压信号在频率ω处的频谱幅值，

当聚焦到

方向时，第m个传声器相对于参考点的时延，B为波束形成聚焦点的频域输出；

第三步、针对多个聚焦点的频域输出组合成源像重构矩阵A，将源像重构矩阵A可视化为声压分布图像并定位主要噪声源位置，实现故障检测定位；

第四步、对波束形成结果进行特征提取，得到特征向量样本库后，放入支持向量机内进行训练分类，对比各种条件下的识别率，得到优化后的分类器参数，即惩罚参数和核函数系数，对实时采集到的阵列信号进行特征提取并采用优化后的分类器进行识别，实现故障诊断。

3.根据权利要求2所述的基于波束形成声像模式识别的故障检测装置的检测方法，其特征是，所述的特征提取，是通过以下两种方式中的任意一种进行处理：

a)对重构矩阵A进行奇异值分解得到奇异值特征：

$A={\mathrm{U\ΛV}}^T=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\α}}_i{u}_i{v}_i^T=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\α}}_i{A}_i$

其中：k为矩阵A的秩，α_i是矩阵A的第i个奇异值，令α₁≥α₂≥…≥α_n，取前m个奇异值构成特征向量，用于训练分类；

b)已知图像灰度级为n，通过求取图像的二阶联合概率密度函数P(i，j，d，θ)得到灰度共生矩阵：

M(d，θ)＝[P(i，j，d，θ)]

其中：函数P描述了图像在θ方向上距离为d的一对像素分别具有灰度i和j的出现的概率。

4.根据权利要求3所述的基于波束形成声像模式识别的故障检测装置的检测方法，其特征是，所述的特征向量包括：角二阶矩、对比度、相关度、熵、方差、逆差距、平均值、和方差、差平均、差方差和差熵。

Images