CN101865789A - 近场声全息声像模式识别故障检测装置及其检测方法 - Google Patents

Abstract

一种工业检测领域的近场声全息声像模式识别的故障检测装置及其检测方法，包括：传声器阵列、扫描架、参考源、固支肋板、激振源和数据采集***。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近场声全息图像进行处理。实验表明方法的有效性，同时验证了配合全息成像技术的振源定位、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。

Description

近场声全息声像模式识别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，具体是一种近场声全息声像模式识别故障检测装置及其检测方法。

背景技术

基于振动信号的故障诊断技术在某些场合下具有局限性，而机械噪声蕴含着丰富的机器状态信息，具有非接触式测量的优点，可以部分地替代振动信号作为故障诊断的手段。利用噪声信号进行故障诊断的技术称之为声学诊断技术。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。传统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，但容易受到机械结构和工作环境的限制。声全息作为声源识别的一种技术近年来发展迅速，主要是通过测量一个二维面(全息面)上的声压，运用重构算法来重构声源表面的三维声场(包括声压、声强和法向振速)。声全息方法利用了声的强度信息和相位信息，结果直观，能够很容易对噪声源进行定位、量化，并能显示噪声的传播途径，同时声全息在频域进行，也继承了频域分析的特点。中国专利申请号200910039395.5，发明名称为“空调器噪声源可视化识别的统计最优近场声全息法及其操作方法”，公开了一种声全息在空调噪声源识别中的应用；中国专利申请号03129405.7，发明名称为“采用近场声全息技术辨识非平稳声源的方法”，进一步拓展了近场声全息应用的范围，通过采用循环平稳理论替代传统的傅立叶变化技术，选择谱相关密度函数作为声场重建的物理量，提出了循环平稳声场的近场声全息技术。

作为一种声源识别算法，近场声全息优势明显，但直接用于故障诊断的文献报道很少。阵列声信号经过频域近场声全息后可以得到机械表面振速、声压和声强的分布图形，从图中可以得到某一频率下振源的位置。

在图像处理领域，基于图像的诊断技术应用很广泛。经过对现有技术的检索发现，中国专利申请号200710069113.7，记载了一种“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”，该技术通过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，形成一种基于近场声全息声像模式识别的故障诊断方法，能够拓展声全息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，提供一种近场声全息声像模式识别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振速分布会发生变化，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：

本发明涉及一种近场声全息声像模式识别的故障检测装置，包括：扫描架、传声器阵列、参考源和数据采集***，其中：参考源紧贴机械，布置在机械可能的噪声源位置，扫描架位于声源一侧，传声器阵列根据所测声源声场位置以不同方式固定在扫描架上，可以对声源进行侧面和顶部扫描测量，参考源传声器和扫描阵列传声器同时与数据采集***相连接，存储采集到的时域信号并计算得到检测结果。

本发明涉及上述近场声全息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，对于故障时振源个数以及位置发生明显变化的情形比较容易从全息图中判断；

第二步、根据声源面大小(lx，ly)确定全息测量面尺寸(Lx，Ly)，并预估敏感频率F范围确定全息面与源面的距离Z以及全息测量面传声器之间的采样间隔(Δx，Δy)；

所述的确定全息测量面尺寸是指：Lx≥1.2＊lx&Ly≥1.2＊ly

为提高全息重建精度，Δx≤λ/6，Δy≤λ/6，Z≤λ/6且Z≥max(Δx，Δy)，其中λ是由F确定的波长。

第三步、在背景噪声一致的条件下测量机械正常与故障状态下的声压信号P(t)，并成立样本库S，进行频谱分析找到敏感频率f(f≤F)，对每个正常声场样本、故障声场样本采用近场声全息。

所述的声场中任一点p的声压信号可表示成Helmholtz积分方程的形式：

$p\left({\stackrel{\→}{r}}_p\right)=\underset{S}{\∫\∫}[p\left({\stackrel{\→}{r}}_Q\right)\frac{\∂G({\stackrel{\→}{r}}_p,{\stackrel{\→}{r}}_Q)}{\∂n}+\mathrm{j\ρck}{u}_n\left({\stackrel{\→}{r}}_Q\right)G({\stackrel{\→}{r}}_p,{\stackrel{\→}{r}}_Q)]\mathrm{dS}\left({\stackrel{\→}{r}}_Q\right)---\left(1\right)$

其中：S表示声源表面，Q表示边界，U_n表示法向振速，G表示格林函数。根据声源结构选择合适全息算法：正交共形结构的声全息利用测量面上的声压为源面声压与格林函数的卷积，将二维快速傅立叶变换用于Helmholtz方程，实现了由全息测量面的声压重建源面上的声压、振速及声强的分布；任意形结构的近场声全息有基于数值求解Helmholtz积分方程的BEM-based NAH以及等效源方法。

通过近场声全息计算得到频率为F时声源表面振速分布矩阵A，A为复数矩阵。选取合适灰度级n，矩阵A可视化为图像B，图像B为振速分布图形，从中可以辨识主要振源的位置。

第四步、对近场声全息结果进行特征提取，构造特征向量样本库，便于分类器进行训练识别；

所述的特征提取是指：采用以下两种方式中的任意一种：

a)直接对重构矩阵A进行奇异值分解得到奇异值特征：

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

其中：k为矩阵A的秩，α_i是矩阵A的第i个奇异值，令α₁≥a₂≥…≥α_n，取前m个奇异值构成特征向量，用于训练分类。

b)是利用图像处理技术提取图像B的纹理统计特征：

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，d＝1，θ分别取0°、45°、90°和135°，得到四个方向的灰度共生矩阵，并求取基于灰度共生矩阵的12种纹理特征系数：角二阶矩值、对比度值、相关值、熵值、方差值、逆差距值、和平均值、和方差值、和熵值、差平均值、差方差和差熵值，并用于模式识别。

第五步、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，得到最佳的分类器参数：惩罚参数C和核函数系数γ，以及特征提取方式，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。

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近场声全息图像进行处理。实验表明方法的有效性，同时验证了配合全息成像技术的振源定位、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是本发明结构示意图。

图2是激振点位置及肋板示意图。

图3是本发明流程示意图。

图4是实施例测试声像比较图。

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1所示，本实施例包括：扫描架1、传声器阵列2、固支肋板3、参考源4、激振源5、数据采集***6和电脑7，其中：传声器阵列布置在肋板声源的侧面，距离声源表面Z；由于肋板激振源激振频率相同，三个振源相干，采用一个参考源；通过扫描架控制传声器阵列的位置，形成全息测量面；在每个扫描步通过数据采集***采集肋板声源的声场信息。

如图2所示，所述的激振点位置及肋板：实施例对肋板进行三点激振，各激振点距离大于近场全息的分辨率；肋板固支在实验台架上。

如图3所示，上述装置通过以下方式进行工作：

实验在半消声室中进行，采用多点激振固支肋板来模拟机械的主要噪声源，如图2所示。肋板和肋的厚度都为4mm；肋板面积640mm×440mm；肋1面积360mm×40mm；肋2面积560mm×60m。肋板中心为坐标原点，激振点1(-180mm，87mm)，激振点2(20mm，87mm)，激振点3(120mm，-87mm)。

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：

激振器和肋板之间通过力传感器连接，通过测量并调整激振力大小来模拟各振源正常与故障状态，如：振源1激振力在6N～8.8N之间变化时处于正常运行状态，大于8.8N的情形为故障状态；振源2激振力在4N～5.8N之间变化时处于正常运行状态，大于5.8N的情形为故障状态；振源3激振力在5N～7.4N之间变化时处于正常运行状态，大于7.4N的情形为故障状态。共设定正常状态样本30个，各种故障运行状态样本35个。

第二步、预估敏感频率范围F，低于固支肋板的一阶固有频率473Hz。由敏感频率F确定全息面与源面的距离Z以及全息测量面传声器之间的采样间隔(Δx，Δy)，根据声源面大小确定全息测量面尺寸(Lx，Ly)；

如图1所示：由于声源是规则的，实施例采用基于正交共形结构的FFT-based NAH；同时由于采集仪器设备的限制，实施例采用线阵扫描测量的方法采集声信号；在距声源面Z＝0.1m处布置传声器线阵，线阵由9个传声器构成，相邻传声器相距Δx＝Δy＝0.1m；声源面为0.64m×0.44mm，扫描全息面0.9m×0.8m；声场是相干的，在振源2附近放置一个传声器作为参考源；每次同步采集10个通道的声场信号，并记录传声器的空间坐标位置。

第三步、在背景噪声一致的条件下测量机械正常与故障状态下的声压信号P(t)，并成立样本库S，设定敏感频率f＝300Hz，对每个正常声场样本、故障声场样本采用近场声全息。

声场中任一点p的声压可表示成Helmholtz积分方程的形式：

$p\left({\stackrel{\→}{r}}_p\right)=\underset{S}{\∫\∫}[p\left({\stackrel{\→}{r}}_Q\right)\frac{\∂G({\stackrel{\→}{r}}_p,{\stackrel{\→}{r}}_Q)}{\∂n}+\mathrm{j\ρck}{u}_n\left({\stackrel{\→}{r}}_Q\right)G({\stackrel{\→}{r}}_p,{\stackrel{\→}{r}}_Q)]\mathrm{dS}\left({\stackrel{\→}{r}}_Q\right)---\left(1\right)$

其中：S表示声源表面，Q表示边界，U_n表示法向振速，G表示格林函数。根据声源结构选择合适全息算法：正交共形结构的声全息利用测量面上的声压为源面声压与格林函数的卷积，将二维快速傅立叶变换用于Helmholtz方程，实现了由全息测量面的声压重建源面上的声压、振速及声强的分布；任意形结构的近场声全息有基于数值求解Helmholtz积分方程的BEM-based NAH以及等效源方法。

通过近场声全息计算得到频率为f时声源表面振速分布矩阵A，A为复数矩阵。选取合适灰度级n，矩阵A可视化为图像B，图像B为振速分布图形，从中可以辨识主要振源的位置。

对65个声场样本进行FFT-based NAH计算得到源像重构矩阵和声像，图4a为正常与故障状态下的声像。其中基于扫描法的近场声全息算法理论可以参见专利03129405.7，专利名称为“采用近场声全息技术辨识非平稳声源的方法”，平稳声场的循环频率为0。振速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。观察振源位置，与实际激振位置对比，由于肋板一阶模态振型及测量误差的影响，振源和实际激振位置没有重合，但从振速分布图像可以准确定位主要振源的大***置。

第四步、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。

第五步、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，得到最佳的分类器参数：惩罚参数C和核函数系数γ，以及特征提取方式，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。

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32、45°方向时最高，达到90.7％，此时惩罚参数C＝2048，核函数系数γ＝0.0078125。

表2基于奇异值的识别率对比(％)

由表2，奇异值个数为8时识别效果最好达到92.3％，惩罚参数C＝32768，核函数系数γ＝0.0078125。

在本实施例条件下，选取前8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92.3％，样本数量的限制影响了识别效果，但超过90％的识别率说明了方法的有效性。

Claims (5)

1.一种近场声全息声像模式识别的故障检测装置，包括：扫描架、传声器阵列、参考源和数据采集***，其特征在于：参考源紧贴机械，布置在机械可能的噪声源位置，扫描架位于声源一侧，传声器阵列根据所测声源声场位置以不同方式固定在扫描架上，可以对声源进行侧面和顶部扫描测量，参考源传声器和扫描阵列传声器同时与数据采集***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所述的近场声全息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，对于故障时振源个数以及位置发生明显变化的情形比较容易从全息图中判断；

第二步、预估敏感频率范围F确定全息面与源面的距离Z以及全息测量面传声器之间的采样间隔(Δx，Δy)，根据声源面大小确定全息测量面尺寸(Lx，Ly)；

第三步、在背景噪声一致的条件下测量机械正常与故障状态下的声压信号P(t)，并成立样本库S，进行频谱分析找到敏感频率f，对每个正常声场样本、故障声场样本采用近场声全息；

第四步、对近场声全息结果进行特征提取，构造特征向量样本库，便于分类器进行训练识别；

第五步、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，得到最佳的分类器参数：惩罚参数C和核函数系数γ，以及特征提取方式，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所述的近场声全息声像模式识别的故障检测装置的检测方法，其特征是，所述的确定全息测量面尺寸是指：Lx≥1.2＊lx&Ly≥1.2＊ly，其中：Δx≤λ/6，Δy≤λ/6，Z≤λ/6且Z≥max(Δx，Δy)，λ是由F确定的波长。

4.根据权利要求2所述的近场声全息声像模式识别的故障检测装置的检测方法，其特征是，所述的声压信号为：

$p\left({\stackrel{\→}{r}}_p\right)=\underset{S}{\∫\∫}[p\left({\stackrel{\→}{r}}_Q\right)\frac{\∂G({\stackrel{\→}{r}}_p,{\stackrel{\→}{r}}_Q)}{\∂n}+\mathrm{j\ρ}{\mathrm{cku}}_n\left({\stackrel{\→}{r}}_Q\right)G({\stackrel{\→}{r}}_p,{\stackrel{\→}{r}}_Q)]\mathrm{dS}\left({\stackrel{\→}{r}}_Q\right),$

其中：S表示声源表面，Q表示边界，Un表示法向振速，G表示格林函数，根据声源结构选择合适全息算法：正交共形结构的声全息利用测量面上的声压为源面声压与格林函数的卷积，将二维快速傅立叶变换用于Helmholtz方程，实现了由全息测量面的声压重建源面上的声压、振速及声强的分布；任意形结构的近场声全息有基于数值求解Helmholtz积分方程的BEM-based NAH以及等效源方法。

5.根据权利要求2所述的近场声全息声像模式识别的故障检测装置的检测方法，其特征是，所述的特征提取是指：采用以下两种方式中的任意一种：

a)直接对重构矩阵A进行奇异值分解得到奇异值特征：

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

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)是利用图像处理技术提取图像B的纹理统计特征：

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，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，d＝1，θ分别取0°、45°、90°和135°，得到四个方向的灰度共生矩阵，并求取基于灰度共生矩阵的12种纹理特征系数：角二阶矩值、对比度值、相关值、熵值、方差值、逆差距值、和平均值、和方差值、和熵值、差平均值、差方差和差熵值，并用于模式识别。

Images