融合声场法向变化的双面声像故障诊断方法研究

侯俊剑 马军 房占鹏

摘要： 声像诊断技术把声诊断问题转化为了图像识别问题，改善了传统的基于单点测试的声诊断鲁棒性，但由于单个声像忽略了三维声场的空间变化信息，在弱故障工况下诊断困难。针对上述问题，基于声场三维特性和信息融合思想，提出了一种基于双面声像模式识别的故障诊断方法。首先基于近场声全息技术构建融合源面声像、全息面声像和两者差值声像的双面声像模型，然后提取Gabor小波纹理特征，并基于随机森林特征选择算法进行特征降维，构建有效声场特征模型进行状态诊断识别。仿真和实验结果表明，基于双面声像模式识别的故障诊断技术是有效可行的，能有效改善弱故障工况的诊断鲁棒性，进一步拓展和改善了基于阵列测量的声像诊断技术。

关键词： 故障诊断; 近场声全息; 小波特征; 随机森林

中图分类号： TH165+.3; TB532 文献标志码： A 文章编号： 1004-4523（2019）05-0927-08

DOI：10.16385/j.cnki.issn.1004-4523.2019.05.021

引 言

基于振动信号测量与分析的诊断技术在机械故障诊断理论体系中占有主导地位，并形成了较为成熟的理论和方法[1]。但由于振动传感器需要安放在设备故障敏感部位上，才能拾取信噪比较好的振动信号，限制了振动分析技术在高温、潮湿和危险工况下的应用。作为机械振动能量传递的另外一种表现方式，机械噪声也蕴含着丰富的机械状态信息。利用噪声信号进行故障诊断称为声学故障诊断技术[2]（Acoustic-Based Diagnosis， ABD），具有非接触式测量、操作简单和不影响设备正常工作等优点，并可借鉴振动信号分析技术进行机械的故障诊断[3-5]。

传统的基于单通道测试的声诊断技术容易受到传声器测量部位和距离的影响，存在诊断鲁棒性较差的问题[6]。文献[7-12]提出了一种基于近场声全息（Near Field Acoustic Holography， NAH）二维声像模式识别的故障诊断方法，通过阵列测试和声成像算法重建声源表面二维声压分布，利用单个源面声像纹理特征进行状态诊断，为声诊断技术提供了新的思路。该方法虽创新地以机械表面声压幅值分布为对象，把故障诊断问题转化成了图像模式识别，但存在信息利用不足，忽略声源表面声压相位信息等问题，限制了其在局部声压幅值变化较小的弱故障工况下的诊断鲁棒性。

针对上述问题，本文基于信息融合思想和视频处理技术中帧差原理[13]，提出了一种基于双面声像模式识别的故障诊断方法。结合阵列全息测量面和声源源面的声压幅值、相位映射关系，综合利用源面声像、全息面声像和两者差值声像（法向测量距离处声压幅值的变化）进行特征提取和诊断分析。声场法向全息测量面声像是声源表面各点共同作用的结果，蘊含着弱故障位置处声场辐射一定距离后的演变信息;同时全息面声像和源面声像的差值声像能够弱化强干扰源的影响，强化弱故障部位的声压变化。因此，融合三维声场空间变化信息的双面声像模式识别故障诊断技术较单个二维声像故障诊断具有更丰富的诊断信息和更高的诊断鲁棒性，进一步完善了基于声成像算法的故障诊断技术。

1 双面声像故障诊断方法

1.1 方法流程  基于双面声像模式识别的故障诊断流程如图1所示。

与声像模式识别故障诊断技术相比，双面声像模式识别故障诊断方法主要的改进：

1）双面声像模型的构建——首先在全息测量面采集声场信号，获得故障敏感频率下的全息声像;其次采用NAH成像算法重构声源表面声像;最后利用源面声像减去全息声像获得法向测量位置处空间声压变化的差值声像，基于三幅声像构建含有三维空间变化信息的双面声像模型。

2）有效声场特征分析——首先提取机械声场模型中三幅声像的Gabor小波特征，并顺序排列，初步构建特征向量;其次利用随机森林（Random Forest， RF）算法对特征向量重要性进行分析;最后基于特征对分类结果的显著性影响和诊断效率，进一步构建有效的特征向量。

双面声像模式识别故障诊断技术基于信息融合的思想构建双面声像模型，丰富了声场故障信息，同时利用随机森林特征降维技术，保留有效信息、去除冗余信息，进一步提升诊断的鲁棒性。

1.2 近场声全息

近场声全息技术在包围声源的全息测量面上采集声压，借助声源表面和全息面之间的空间场变换关系，重建声源面的声场，典型成像原理如图2所示。

在识别过程中，样本集进行5次的随机排序，对每次随机排序的样本抽取3/4作为训练样本，余下1/4作为测试样本，构建5重交叉验证样本库，并以5次识别率的平均值作为最终的识别效果。

2 相干工况声场诊断模拟仿真

相干声场由两个同频率的声源共同作用产生，设定其中一个声源为关键声源（由重点监测部件产生的声源），另一个为干扰源（非重点监测部件产生的）。机械不同的运行工况由相干辐射声场状态来模拟，而相干辐射声场的变化通过改变两个声源的大小来实现。得到相干工况下不同的声场样本后，利用双面声像模式识别诊断技术进行分析，并与单声像诊断技术进行对比，验证双面声像故障诊断技术的有效性和优越性。

2.1 相干声场仿真工况

两个声源均为正方形音箱声源，法向辐射表面位于同一平面，尺寸均为0.05 m×0.05 m，声源1中心坐标（0.125 m，0.025 m）、声源2中心坐标（-0.125 m，0.025 m），其位置分布和全息测量面如图3所示。

全息测量面与声源表面平行，并位于声源表面法向0.05 m处，尺寸为0.7 m×0.7 m，各测点上下和左右间隔均为0.05 m，全息测点为15×15;声源重建面尺寸、重建点个数和间隔与全息面一致。机械的正常状态和故障状态由声源振速幅值来模拟标识，假设机械运行时关键部件工作频率恒定为300 Hz，关键声源1处于正常状态时振速幅值在0.012-0.017 m/s范围内变化，故障状态时振速幅值分别处于0.009-0.011 m/s和0.018-0.020 m/s的范围内;干扰源2为非重点监测对象，但由于工作频率与关键部件同频，其辐射声场会严重影响关键声源的声场分布变化，设定干扰源振速幅值在0.05-0.10 m/s范围内变化，远大于关键声源的振速幅值范围，利用强干扰工况来验证诊断的有效性。从关键声源1的正常和故障工况中各随机抽取6个样本，干扰源2运行工况中抽取6个样本。因此，仿真实验共模拟6（正常工况）×6（干扰工况）=36种正常状态和6（故障工况）×6（干扰工况）=36种故障状态。

2.2 双面声像模型及其特征分析

随机抽取正常和故障状态下各1个样本，源面声像、全息面声像和两者的差值声像如图4所示。

源像图4（a）和（b）中声源1和声源2位置能基本辨识出来，但由于干扰源2声压幅值较大，声源1几乎被淹没，使得正常和故障工况下源像相似度较高，声源1的微弱变化辨识困难。全息面声像图4（c）和（d）是声源空间辐射一定距离后的结果，正常和故障状态下声源1位置处的声压分布差异逐渐明显。从差值声像图4（e）和（f）中可以看到声源1位置处的差异非常显著。声像差异程度的不断提升意味着有效故障信息量的增大，这为诊断鲁棒性的改善提供了基础。因此，基于双面声像模型的声像诊断技术比基于源像的声像诊断技术在诊断效果上具有更大的潜力。

基于双面声像模型的声像诊断技术在融合更多有效故障信息的同时，也融合了大量冗余无效信息。基于信息融合思想，只有当有效信息量大于冗余信息量时，诊断鲁棒性才能得到有效改善。

对双面声像模型的每个声像的声压分布直接提取80维的Gabor小波纹理特征，三个面共240维纹理特征，并顺序排列，然后通过随机森林算法对各维度的Gabor小波纹理特征进行重要度分析，如图5所示。

设定特征重要性占比超过1.5%的为高占比特征，则源像中高占比纹理特征相对较多，但全息面声像和差值声像高占比特征个数之和比源像的多，这意味着全面声像和差值声像的特征信息对于诊断分类是有重要价值的。通过对纹理特征重要性进行分析，挑选出有效的和重要的纹理特征，摒弃一些冗余无效的纹理特征，在特征降维的同时改善诊断鲁棒性。

2.3 仿真实验结果分析

对已经划分好的5组样本集采用基于单源像纹理特征的声像诊断技术进行诊断分析，得到的平均识别效果为77.7%。

在采用本文提出的基于双面声像模式识别的故障诊断技术进行诊断分析时，利用随机森林算法对特征重要性进行排序，并按照不同数量比例、顺序挑选特征组合，构建有效声场特征模型。5组样本集的平均识别率随不同特征数量比例的变化如图6所示。在特征比例分别为3%，5%和75%时识别率最高达到84.4%。

通过对比两种识别技术诊断结果和分析图6中识别率随特征数量百分比变化可以得到：

①基于双面声像模式识别的声像诊断技术最高识别率比基于单源像的声像诊断技术提高了6.7%，说明本文提出的融合三维声场空间变化信息的双面声像模式识别故障诊断技术具有更丰富的诊断信息和更好的诊断效率。

②在采用所有240维纹理特征构建双面声像模型时得到的识别率为72.2%，比基于单源像诊断技术的识别率要低，说明在有效诊断信息增加的同时，冗余信息也在增加，且比前者增加的多。

③识别率随有效纹理特征数量比例波动变化，说明有效信息和冗余信息不断交替上升，只有两者达到一定平衡时才能获得最佳的诊断效果。

3 音箱实验

基于仿真实验工况，在空旷的混响厂房环境中进行了音箱实验，进一步验证基于双面声像模式识别故障诊断技术的有效性和优越性。

3.1 实验台参数及工況设定

实验流程主要包括：信号产生→阵列测量→数据分析。其中单频噪声信号为Agilent 81150A高精度脉冲发生器产生的频率为300 Hz正弦信号，强弱由功率放大器进行调节;利用LMS信号采集系统阵列测量声压信号;采用基于双面声像模式识别诊断技术对噪声样本数据进行处理分析。

音箱及传声器分布如图7所示，采用线阵扫描方法：音箱表面尺寸都为0.18 m×0.18 m，两者中心相距0.23 m;线阵扫描测量面与音箱表面距离Z=0.05 m;线阵传声器之间的间隔为0.05 m，共布置15支传声器，长0.7 m;线阵水平扫描方向步长0.05 m，共15步，长0.7 m，因此全息测量面尺寸为0.7 m×0.7 m。

以距离音箱中心法向距离0.05 m处的声压级大小为噪声测试基准条件，基于仿真实验工况假设，调节音箱辐射噪声声压级来模拟不同工况：

①音箱1作为关键声源，其声压级在77-80 dB之间变化时处于正常运行状态，随机选取6个样本;声压级处于75-76.5 dB和80.5-81.5 dB时均为故障状态，在两个声压级范围内各选取3个样本，共6个故障样本。

②音箱2作为干扰声源，其声压级在90-96 dB之间变化，在声压级范围内随机抽取6个干扰样本。

因此，正常和故障状态各为6×6=36种。

3.2 音箱实验结果分析

随机抽取正常和故障状态下各1个样本，源面声像、全息面声像和两者的差值声像如图8所示。与仿真工况结果近似，干扰源2几乎把关键声源1淹没，全息面声像和差值声像中声压幅值分布的差异性能够通过肉眼辨识出来。

实验工况下双面声像模型的240维Gabor小波纹理特征重要度分析结果如图9所示。

采用基于双面声像模式识别故障诊断技术的识别率随不同特征数量比例的变化如图10所示：在特征比例为15%时识别率达到93.3%，比基于单源像的声像诊断技术提高了5.6%;采用100%的特征向量进行诊断时，识别率为88.8%，在小于100%比例的范围内，诊断识别率波动变化。实验结果和仿真结果十分吻合，表明了基于双面声像模式识别故障诊断方法的有效性和可行性，同时也验证了该方法比单声像诊断方法具有更好的鲁棒性。

Lu W B， Jiang W K， Hou J J. Approach of mechanical fault diagnosis based on textural features of beamforming acoustic images[J]. Journal of Vibration Engineering， 2011， 24（04）： 428-434.

[12] 侯俊剑，蒋伟康， 鲁文波. 基于分块特征提取的近场声全息故障诊断方法在相干故障下的应用研究[J]. 振动工程学报， 2011， 24（5）： 555-561.

Hou Junjian， Jiang Weikang， Lu Wenbo. The application of NAH-based fault diagnosis method based on blocking feature extraction in coherent fault conditions[J]. Journal of Vibration Engineering， 2011，24（5）：555-561.

[13] Yin J， Liu L， Li H， et al. The infrared moving object detection and security detection related algorithms based on W4 and frame difference[J]. Infrared Physics & Technology， 2016， 77：302-315.

[14] Williarms E G， Maynard J D， Skudrzyk E. Sound source reconstructions using a microphone array[J]. Journal of the Acoustical Society of America， 1980， 68 （1）：340-344.

[15] Maynard J D， Willams E G， Lee Y. Near-field acoustic holography： Theory of generalized holography and the development of NAH[J]. Journal of the Acoustical Society of America， 1985， 78 （4）：1395-1413.

[16] 辛 雨. 基于空间声场变换的近场声全息参数选取及重建误差研究[D]. 合肥：合肥工业大学， 2009.

Xin Yu. Research on selection of parameters and reconstruction error in the NAH based on STSF[D]. Hefei： Hefei University of Technology， 2009.

[17] Raja K B， Madheswaran M， Thyagarajah K. Texture pattern analysis of kidney tissues for disorder identification and classification using dominant Gabor wavelet[J]. Machine Vision and Applications， 2010， 21（03）： 287-300.

[18] 姚登举，杨 静，詹晓娟. 基于随机森林的特征选择算法[J]. 吉林大学学报（工学版），2014，44（1）：137-141.

Yao Dengju， Yang Jing， Zhan Xiaojuan. Feature selection algorithm based on random forest[J]. Journal of Jilin University（Engineering and Technology Edition）， 2014，44（1）：137-141.

[19] 杨 凯，张认成，杨建红，等. 基于分形维数和支持向量机的串联电弧故障诊断方法[J]. 电工技术学报，2016， 31（2）：70-77.

Yang Kai， Zhang Rencheng， Yang Jianhong， et al. Series arc fault diagnostic method based on fractal dimension and support vector machine[J]. Transactions of China Electratechnical Society， 2016， 31（2）：70-77.

Abstract： The near field acoustic holography （NAH）-based fault diagnosis method transforms acoustic-based diagnosis （ABD） problem into image identification. It improves the robustness of traditional ABD technique using single-channel test analysis. But due to neglecting sound spatial change information， the acoustic diagnostic technique is difficult to be implemented in weak conditions. Aiming at the problems above， an acoustic fault diagnosis technique based on dual audio-visual images is proposed， in which the physical properties of sound field and the information fusion are adopted. The dual audio-visual model including source image， holographic sound image and their difference image is constructed. Then Gabor wavelet texture features are extracted from the dual audio-visual model and the random forest feature selection algorithm is implemented to construct an effective sound field feature model for recognition and diagnosis. The simulation and experimental results show that the robustness for the weak fault states are improved effectively by the new fault diagnosis method based on dual audio-visual images. The engineering application of acoustic imaging technology based on array measurement is further expanded， and a new idea is provided for ABD technique.

Key words： fault diagnosis; near-field acoustic holography; wavelet feature; random forest

作者簡介： 侯俊剑（1982-），男，副教授。电话： （0371）63556785; E-mail： houjunjian@zzuli.edu.cn

通讯作者： 马 军（1977-），男，教授。电话： （0371）63556785; E-mail： majun@zzuli.edu.cn