目前机械设备的故障诊断主要是基于振动信号测量和分析的,但由于振动传感器在某些设备上或工况环境中安装不便,使得基于振动信号的故障诊断方法的应用受到限制。机械噪声是机械振动通过弹性媒质向外界传播的结果,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诊断技术,它具有非接触式测量和操作简单快捷等优点,可以部分的代替振动信号作为故障诊断的手段。常规的声诊断技术主要是基于单通道测试的,只能得到机械局部的声学特征随时间或频率的变化规律,而且声信号抗干扰能力较差,特别是在相干声场中,其测点位置的选择需要丰富的经验,因此,声学故障诊断虽然具有巨大的潜力和价值,但其发展一直比较滞后。根据声振关系,机械的辐射声场是由机械表面的振动产生的,机械故障在造成机械异常振动的同时也会引起辐射声场的变化。当测点位置选择不当,局部的声学特征对故障不敏感时,诊断效果就会受到影响,特别是在相干工况下,故障源的声信号如果被干扰源的声信号湮没,那么常规的声诊断技术将不再适用。如果能够充分利用整个辐射声场的声压或机械表面振速分布在不同工况下的变化,同时能适当的突出机械关键部件处声场的变化、忽略干扰部件处声场的变化,将有效提高诊断效果,根据上述故障诊断思路,本文提出了一种基于声像模式识别的故障诊断方法。该诊断方法在不同的机械工况下,通过阵列测量和适当的声成像算法重建声源表面或声场某处的声压或振速分布,在进行声源识别和定位的基础上,利用图像处理与特征提取技术对声像进行处理及特征提取,进而构造可用于识别分类的特征向量,把各种工况下得到的特征向量放入分类器中进行训练并得到最佳的分类器参数,然后利用这个最佳分类器对未知工况下的声像进行分类,从而辨识具体的故障。声像诊断方法有效综合了声成像、特征提取和模式识别等学科的研究成果,在扩大声像应用范围的基础上,也为声诊断技术提供了新的思路和选择。本文根据声成像技术适用的频段、测量距离、声源结构特征及声场特性,把声像故障诊断方法具体为基于远场波束形成(Beamforming)、近场声全息(NAH: Near field Acoustic Holography)和循环平稳声全息(CYNAH: Cyclostationary NAH))声像的故障诊断方法,并把通过齿轮箱的故障诊断实验来验证声像诊断方法的有效性。本文的具体研究内容如下:首先,简要介绍了故障诊断的发展状况,强调了智能故障诊断是故障诊断发展和研究的方向。对基于单通道测试的声学故障诊断技术的发展状况进行了概述,发现声学故障诊断虽然具有很大的潜力,但声信号易受干扰的特性导致了声诊断技术发展缓慢。在对目前声学领域应用较广泛的声成像技术进行总结之后,发现声成像技术具有一定的抗干扰能力,能够通过阵列测量重建声源表面的声压和振速分布,同时通过声振关系的分析,认为利用声像中所描述的声压分布变化进行故障诊断是可行的,为声像故障诊断方法的提出奠定了理论基础。其次,通过对比声像和图像、故障诊断和模式识别的关系,提出了基于声像模式识别的故障诊断方法。该诊断方法借鉴了图像检索和人脸识别的技术思路,通过对不同工况下的声像进行图像处理、特征提取和模式识别,进而进行故障诊断。这一新型声诊断方法综合了声成像、图像处理、特征提取和模式识别领域的研究成果,因此其研究、发展与完善需要从各个学科和领域不断的补充新的研究成果,由此可以看到声像故障诊断方法具有较大的发展潜力。声像的分辨率和精度关系到声像对故障的敏感程度以及所包含故障信息量的多少,声像对故障越敏感、信息量越丰富,则越有利于机械微弱故障的诊断,反之,只能进行初步的状态判断,因此,不同成像技术得到的声像在故障诊断中的应用是不同的。基于远场测试的声成像技术,受到瑞利准则的限制,声源分辨率低,同时丢失了“倏逝波”等高波数成分,使得声像对细节纹理信息的描述能力降低,且无法重构出声场声压的真实幅值和相位分布,反之,近场声像能够描述声场的细微变化,分辨高,且能够重构出声场真实的声压幅值和相位,重构精度高,因此,远场声像比较适用于机械故障引起机械声场声压分布变化较为明显时的机械状态判断,而近场声像不仅能够进行状态判断,也能对机械故障的微弱故障进行诊断。虽然近场声像包含的信息丰富,但同时其测量、计算的成本也比较高,且适用的场合和频段范围受一定的限制,而远场声成像的测量和计算都比较方便、快捷,因此,在具体应用时要根据诊断需求、测量和计算的成本综合考虑。本文按照声像故障诊断方法的思路,首先发展了基于远场波束形成声像的故障诊断方法,这是对声像故障诊断方法的初步实现。波束形成是一种简单易行的声成像算法,具有广泛的工程应用背景,但由于其属于远场测量,分辨率不高,比较适用于离散和大型结构声源的识别和定位。本文通过声源异常辨识的仿真和实验对远场声像故障诊断方法的诊断机理进行了研究。针对波束形成分辨率低、重建精度差、不适用于机械弱故障诊断等缺点,本文进一步发展了基于近场声全息声像的故障诊断方法。近场声全息属于近场测量,能够得到声源表面真实的声压和振速分布,分辨率高,能够对不同工况下声源表面声压或振速分布的细微变化进行描述,为机械微弱故障的诊断提供了可能。本文利用肋板结构振动异常识别的仿真和实验,对近场声像故障诊断方法的诊断机理进行了研究,并通过和基于单通道测试的声诊断技术进行对比,证明了声像故障诊断方法在相干工况下的优越性。本文在声像诊断过程中主要使用了基于灰度共生矩阵(SGLCM: Spatial Gray-Level Co-occurrence Matrices)的图像纹理特征和基于重构矩阵的奇异值特征,在模式识别阶段采用了支持向量机(SVM: Support Vector Machine)。本文选择的特征提取技术和模式识别算法是各自领域比较常用的技术,可不断的引入和尝试其领域内新的研究成果,从而可以提高诊断效果,不断的完善和改进声像故障诊断方法。针对声像不仅能够进行声源识别和定位,又能够反映声源声压分布和大小变化这一独特物理特征,本文引入了分块特征提取方式,有效突出了声源位置和声场局部声压分布的变化信息,提高了诊断效果。同时针对奇异值特征的先天性缺点,如奇异值特征对局部变化不敏感和奇异值投影基空间不统一等,本文引入并改进了类估计奇异值特征,进一步提高了诊断结果。特征提取方式和技术的改进,都是围绕声像的物理特征,这为今后的特征提取技术的研究提供了思路和方向,同时也证明了声像故障诊断方法不断完善和发展的潜力。为进一步验证声像诊断方法的有效性,在理论和模拟实验研究之后,本文把声像故障诊断方法用于齿轮箱的故障诊断。实验在半消声室内进行,实验环境和故障模拟都比较理想化,使得随机干扰降至最低,较好的诊断效果验证了方法的有效性,同时为其进一步的应用研究做好了铺垫。由于齿轮箱是典型的旋转机械,其辐射声场具有循环平稳性质,特别是本文模拟的齿轮点蚀和局部断齿故障,这些齿轮故障信号是特殊的循环平稳信号。虽然利用传统的基于平稳声场的近场声全息得到了较好的结果,但由于传统的频谱分析忽略了某些频率成分的能量随时间变化的信息,使得某些频率处的声全息图像包含的信息不够完整。因此,针对齿轮箱声场的循环平稳特性,本文进一步引入了循环平稳声全息,发展了基于循环平稳声场声像的齿轮箱故障诊断方法,并通过实验验证了该诊断方法的可行性,进而为旋转机械的故障诊断提出了一条新的思路。本文通过不断引入新的声成像技术,发展和完善了适用于不同场合、机械结构和频段的声像故障诊断方法,并利用仿真和实验对这些声像诊断方法进行了机理性研究,初步构建了声像故障诊断方法的雏形。这项新型声诊断方法充分利用了声像的物理意义,拓展了声像的应用领域,并为声学故障诊断技术提供了一条新的思路和方法,进一步推动了故障诊断技术的多领域交叉性的发展。
