近場聲全息技術在電機軸肋板故障檢測中的應用分析

冉天杰 唐天偉

重慶海德世拉索系統（集團）有限公司 重慶 401120

電機是有很多的部件組成的，其中電機軸肋是電機比較重要的一個部件之一，在電機運行的過程中，電機的噪聲是比較的大，可以通過電機的工作的聲音來判別出電機軸肋是否正常。聲學故障檢測的技術就是收取電機軸肋在正常工作先的聲音的信息，標注成狀態信息，在收集到電機軸肋出現故障的聲音，把兩者的聲音信息相應的對比。該聲音檢測的技術會很容易的受到外界的干擾，相比傳統的聲音檢測的方式，可靠性是有所提升的。本文章主要采取的是近場聲全息成像技術，這個技術不僅能夠收集電機軸肋的聲音，而且還可以結合圖像，收集到的信息比較的全面。

從電機企業發展的過程中，對電機軸肋的故障的檢測技術在不斷的改進，目前最為先進的檢測技術就是近場聲全息技術。該技術的主要檢測的原理是能夠收集周圍的電機軸肋工作的噪音，結合聲音的功率，對聲音進行重新的參數，設立專業的阻力指數和遠方向的一個模型。這種先進的技術對故障的分辨率比較的高，同時對于機械比較微弱的故障信號都能夠檢測的到。也充分地說明了近場聲全息技術對電機軸肋的故障的檢測是比較的使用，在具體的應用中要加大推廣。

1 近場聲全息算法原理

近場聲全息聲場空間算法是近場聲全息理論的發展重點。它是實現近場聲全息的關鍵，是通信中間結果與全息表面測量數據之間的橋梁。目前，近場聲全息技術已經開發出適用于不同聲場的各種空間變換算法，因此有必要找到一種適用于車載聲場的近場聲全息空間變換算法。近場聲全息算法的核心思想是測量聲源的近場全息表面上的復雜聲壓，然后使用傅里葉變換將其從空間域轉換到波數域，并重建表面通過操作者G.（源或預測平面）接收全息表面信息并最終使用逆傅立葉變換以獲得重建表面上的粒子振動速度或復雜聲壓[1]。

2 近場聲全息技術故障檢測流程

當使用近場聲像檢測機械故障時，應根據噪聲源的大小，主要頻率范圍和輻射聲信號的分辨率選擇合適的處理方案。在通過NAH技術處理樣本之后，獲得聲源表面重建矩陣。在麥克風陣列的測量中，獲得近場NAH聲像，并獲得聲源表面重建矩陣。基于奇異特征的支持向量機用于訓練分類。確定最佳識別特征向量和最優分類器參數，并根據識別信息的大小確定故障的類別。

3 故障特征提取算法

本文利用基于灰度共生矩陣的紋理特征和基于矩陣奇異值的代數特征提取方法提取特征值。同時，具有完美框架理論，高識別效果和良好泛化能力的支持向量機被歸類為模式識別設備。

由于奇異值具有旋轉，轉置，位移和圖像不變性的特征，因此它已被廣泛用于模式識別和信號處理。在奇異向量中選擇幾個大的有效值可以實現圖像信息的準確定位[2]。

在故障檢測過程中，麥克風陣列測量技術首先用于疲勞裂紋，如軸場，部件失效故障，應力引起的磨損故障，軸承，鍵槽磨損故障和三相電氣不平衡故障。狀態被集成和聚合以形成樣本庫。在通過NAH技術處理樣本之后，獲得聲源表面重建矩陣。

4 電機軸肋板振動異常的故障檢測

4.1 振動異常的故障檢測

模擬通過肋陣列的速度分布確定振動源的位置，并通過故障和正常條件下的振動速度來診斷故障。

通過近場聲全息術可以獲得肋的激發點的振動速度，然后處理奇異值以獲得識別向量。最后，使用支持向量機訓練樣本的特征值，以獲得最佳識別向量和分類器參數。這些參數可用于處理稍后獲得的數據以確定故障類型。故障排除時，您可以通過觀察特定頻率的幅度來判斷機器的運行狀態。每個點的激振力的大小設定如下：（1）振動點1處的力在6.2和8.2N之間變化；（2）振動點2處的力通常為4.6至6.8N，大于6.3N。（3）振動點3處的力在5.7和8.7N之間變化一階模式只有兩個部分，肋板右側的振動最大。當肋板1右側的激勵點的位置接近峰值位置時，振動源的位置激勵點與激勵點一致。當激勵點和峰值位置之間存在一些偏差時，振動源位置和激勵點偏離并偏向峰值位置。在驗證模擬結果時，為了進一步驗證實驗結果的準確性，在實驗過程中添加了干擾源[3]。

4.2 振動異常的故障檢測實驗設置

根據仿真模型，建立試驗臺：激勵點1（0.12m，-0.09m），激勵點2（0.22m，0.09m），激勵點3（-0.18m，0.09m），肋1長度是0.37米，另一個肋長0.56米。在近場聲全息測試中，麥克風之間的距離是0.08米，聲全息圖的范圍是0.8米×0.8米。在每個過程中，您可以收集10個聲道的聲場信號并記住麥克風的坐標編號。這些樣本由NAH處理，并且可以基于處理結果準確地定位和處理故障點。

5 結語

本文收集了電機工作過程中肋的振動信息，采用近場聲全息成像技術獲取監測信息。基于灰度共生矩陣的紋理特征和基于矩陣奇異值的代數特征提取方法用于提取特征值。向量機充當分類器。通過仿真和實驗驗證了該方法的可行性和有效性，明顯提高了識別效果。