近场声全息技术在电机轴肋板故障检测中的应用

张 文，刘 娟，杜崇杰，赵思博，王震洲

(1.乐亭县气象局，河北唐山 063600;2.河北科技大学信息科学与工程学院，河北石家庄 050018； 3.国家电网河北省电力公司，河北石家庄 050022；4.河北科技大学材料科学与工程学院，河北石家庄 050018)



近场声全息技术在电机轴肋板故障检测中的应用

张 文1，刘 娟2，杜崇杰3，赵思博4，王震洲2

(1.乐亭县气象局，河北唐山 063600;2.河北科技大学信息科学与工程学院，河北石家庄 050018； 3.国家电网河北省电力公司，河北石家庄 050022；4.河北科技大学材料科学与工程学院，河北石家庄 050018)

机械设备的安装环境随需求的变化而变化。为了实现电机轴肋板在各种工况下的故障检测,通过采集电机工作时肋板的振动信息，采用图像处理的方法，将故障下的特征向量与标准正常状态下的特征向量对比后进行分类，从而辨识出故障的类别。通过模拟仿真和实验两种方式对声成像方法进行验证，证明了其正确性和普遍适应性。声成像检测方法，不仅解决了检测机械设备的传感器在某些工作环境中安装不便的问题，而且进一步提高了故障检测的准确性。

电机学；故障诊断；波束形成；模式识别；近场声全息；特征提取

张 文，刘 娟，杜崇杰，等.近场声全息技术在电机轴肋板故障检测中的应用[J].河北工业科技,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.

电机轴肋板是电机的重要部件，在电机运转过程中，运行噪声包含着电机轴肋板是否正常运行的状态信息。提取正常状态下设备的噪声特征作为状态信息，将机械运行的状态信息与之比对，对电机轴肋板进行故障检测，这种技术被称为声学故障检测技术[1]。传统方法采用单点法进行测试，这种方法只能得到机械设备局部的声场信息，并且容易受到干扰。本文主要采用近场声全息成像技术，结合图像处理、特征值提取以及模式识别等技术，对得到的声像信息进行故障检测[2]。

近场声全息技术(near acoustical holography, NAH)由传统声全息技术发展而来，通过测量声源附近的声压信号，重构声学参量，估算空间三维声场的矢量声强场分布、结构声辐射功率、辐射功率、声场抗性指数和远处指向性模型等。利用近场声全息声像进行故障检测，不仅可以提高检测的分辨率，还可以对机械当中的某些微弱的故障信号进行检测[3]。由于其广泛的适应性，近场声全息技术的应用领域得到了进一步拓展。

1 近场声全息技术故障检测流程

近场声像对机械故障进行检测时，应根据噪声源的大小、辐射声信号主要的频段范围以及分辨率等多项因素，选择合适的处理方案，其故障检测流程如图1所示。

图1 故障检测流程图Fig.1 Flow chart of fault detection

NAH技术对样本进行处理后，得到声源面重构矩阵。在传声器阵列测量中，获取近场NAH声像，得到声源面重构矩阵，根据奇异特征值得出的支持向量机进行训练分类[4]。判断出最佳识别特征向量和最佳分类器参数，根据这些识别信息的量值判断出该故障的类别[5]。

2 故障特征提取算法

本文主要采用基于灰度共生矩阵的纹理特征和基于矩阵奇异值的代数特征的提取方法来提取特征值，同时把框架理论完善、识别效果高、泛化能力好的支持向量机作为模式识别的分类器[6]。特征提取算法流程图如图2所示。

图2 机械设备的故障诊断流程图Fig.2 Flow chart of fault diagnosis of mechanical equipment

由于奇异值具有旋转、转置、位移和镜像不变的特性，使其在模式识别，信号处理方面得到了广泛应用[7]。在奇异向量中选取若干个大的有效数值，可以实现图像信息的准确定位[8]。

故障检测过程中，首先利用传声器阵列测量技术，将诸如轴场产生的疲劳裂纹、零件断裂失效故障[9]，受应力导致的磨损类故障，轴承、键槽间的磨损故障[10]，三相电不平衡故障等各种状况整合汇总，形成一个样本库。采用NAH技术对样本进行处理后，得到声源面重构矩阵[11]。

根据奇异值理论，可以分析，A是m×n(首先假定m>n)，并且它的秩为r(r

UTAV=Σ。

(1)

A=UΣVT。

(2)

在对图像进行处理时，若对奇异值k=|i-j|向量的前若干项进行处理，选取有效项，可以降低识别特征信息的冗余度[13]。

在声像纹理识别时经常采用灰度共生矩阵法，所以在提取特征值的时候，首先需要对图像区域的灰度共生矩阵进行统计[14]。

灰度共生矩阵主要是通过研究灰度的空间相关特性来描述纹理，获取图像上保持某特定距离的2个像素值。在对像素进行处理后，需根据12种纹理特性来组成特征识别向量[15]。

角二阶矩阵

(3)

对比度

(4)

相关

(5)

熵

(6)

方差

(7)

u为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| 。

不同的纹理特性组成不同特征识别向量后，用于不同的故障检测。

3 电机轴肋板振动异常的故障检测

3.1 振动异常的故障检测仿真

通过肋板阵速的分布来判断振源的位置，也可以通过故障和正常情形状态下的振速对故障进行诊断。肋板的激振点分布如图3所示。

图3 肋板振点分布图Fig.3 Distribution map of floor vibration

肋板的激振点的振速可以通过近场声全息技术获取，然后对奇异值进行处理，得到识别向量，最后采用支持向量机训练样本的特征值得到最佳的识别向量和分类器参数，利用这些参数可以对后边得到的数据进行处理，进而判断故障的类别(见图4)。在进行故障诊断时可以通过观察特殊频率处的幅度来判断机械设备的运行状况。各点激振力大小设定如下：1)振点1处的作用力在6.2～8.2 N之间变化；2)振点2处的作用力在4.6～6.8 N为正常状态，大于6.3 N为故障状态；3)振点3处的作用力在5.7～8.7 N之间变化。

图4 肋板阵速响应分布图Fig.4 Rib array response speed distribution

由图4可以直观地看出有3个振源，一阶振型只有肋1的右侧时有两处振动最大的部分，当肋1右侧的激振点位置与峰值位置相近时，振源和激振点位置吻合，当激振点与峰值位置有些偏差时，振源位置和激振点偏离，并且偏向峰值位置。在验证仿真结果的同时，为了进一步验证实验结果的准确性，在实验过程中增加了干扰振源，对不同奇异值识别结果如表1所示，以此证明了近场声成像诊断方法的有效性和可行性。

表1 有干扰振源实验时的识别结果

3.2 振动异常的故障检测实验设置

根据仿真模型来搭建试验台(见图5)。激振点位置见图6。图6中：激振点1(0.12 m，-0.09 m)，激振点2(0.22 m，0.09 m)，激振点3(-0.18 m，0.09 m)，肋板1的长度为0.37 m，另一个肋板的长度为0.56 m。

图5 试验台Fig.5 Table of experiment

图6 激振点位置Fig.6 The excitation point

近场声全息试验过程中，传声器之间的距离为0.08 m,声全息扫描的范围为0.8 m×0.8 m，每一个过程中可以采集10个通道的声场信号，并且记住传声器的坐标编号。利用NAH对这些样本进行处理，根据处理结果可以精确地找出故障点，并对这些故障进行处理。

4 结 语

本文通过采集电机工作时肋板的振动信息，应用近场声全息成像技术获得监测信息；采用基于灰度共生矩阵的纹理特征和基于矩阵奇异值的代数特征提取方法来提取特征值，同时应用支持向量机作为分类器。通过仿真和实验2种方式，验证了该方法的可行性和有效性,识别效果明显提高。

[1] 叶明星, 焦斌. 风力发电机组状态监测和故障诊断系统的设计与实现[J]. 上海电机学院学报, 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] 陈雪峰, 李继猛, 程航, 等. 风力发电机状态监测和故障诊断技术的研究与进展[J]. 机械工程学报, 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] 张海艳，夏飞.舰船电力系统故障诊断综述[J].舰船科学技术,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] 王慧滨．基于规则和案例推理的汽轮发电组故障诊断专家系统[D]．兰州：兰州理工大学，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] 蒋云飞, 杨宣访, 张超. 发电机转子绕组匝间短路的故障分析[J]. 电机与控制应用, 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, 叶青华, 黄海宁, 等. 利用近场MVDR双聚焦波束成形方法实现被动测距[J]. 应用声学, 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] 叶芳，白雪莲．电机设备故障检测原理及诊断方法初探[J].中国电子商务，2010(4):166.

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

[10]张宏涛, 王仲生. 飞机电气系统故障诊断技术新进展[J]. 航空制造技术, 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. 浅谈不平衡机械振动机理及控制[J]. 农家科技(下旬刊), 2011(6): 56.

[12]高春良．滚动轴承故障的显式动力学仿真与振动特征分析[D]．西安：西安电子科技大学,2010.

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

[13] 韩明, 周国强, 王震洲. 基于COM组件的电机转子绕组匝间短路故障诊断[J]. 河北科技大学学报,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]王晨辉, 郭立炜, 刘玉坤, 等. 基于ARM和μC/OS-Ⅱ的嵌入式电机测试系统的设计[J]. 河北工业科技,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；责任编辑：李 穆

河北省科技支撑计划项目(16273705D)

张 文(1983-)，男，河北唐山人，工程师，主要从事故障检测相关方面的研究。

刘 娟。E-mail:1660779101@qq.com

TM07

A

10.7535/hbgykj.2016yx05012