基于声场空间分布特征的齿轮箱故障诊断研究

作者:鲁文波;蒋伟康;张一麟;张文正 刊名:振动与冲击 上传者:韩蕾蕾

【摘要】结合对近场声全息(NAH)与空间分布特征提取的研究,提出基于声场空间分布特征的齿轮箱故障诊断方法。鉴于齿轮箱运行状态与声场分布的对应关系,利用NAH算法重建声源附近声场,由所得声像图中提取反映声场分布特性的纹理特征,建立声场分布与各运行状态间内部联系,结合支持向量机模式分类实现故障诊断,获得满意的诊断结果,并通过实验证实该方法的有效性与优越性。

全文阅读

基于振动信号的测量与分析为目前主要机械故障诊断方法,而振动信号的获取大多受接触式测量限制,基于声学测量的故障诊断(AcousticBasedDiagnosis,ABD)能克服此缺点。目前齿轮箱故障诊断主要以振动信号分析为基础,并已有较多基于振动信号的齿轮箱诊断技术,如频谱分析、小波分析、经验模式分解、时频分析等[1-3]。但很多情况下设备的振动信号并不易测取,如高温、高湿或腐蚀性环境等,单通道信号分析处理也仅限于局部诊断,存在局限性。机器噪声蕴含机器运行状态的重要信息,ABD方法具有测量仪器简单、非接触式测量、不影响设备正常工作等优点,已得到一定应用[3-6]。但在缺乏先验知识条件下,传统ABD方法较难确定合适的测量位置[4];基于单通道处理与分析的ABD方法只能利用部分声学信息,存在局部诊断的局限。基于声场重建技术的声学诊断能克服此缺陷,通过多通道声信号的同步测量与分析重建整个声场,再利用整个声场的空间分布信息进行机械状态监测与故障诊断,即使单通道声信号不稳定,整个声场空间分布特征亦能保持较好的稳定性。近场声全息(Near-fieldAcousticHolography,NAH)是声场重建的主要技术[7-8],但工程应用仍限于声源辨识,较少用于故障诊断。目前已有研究[6]对NAH在机械故障诊断中的应用进行初步研究。文理分析是对各类图像进行分析与分类的主要技术[9-12]。因易于理解、计算便性,描述图像中邻近像素空间位置关系的共生特征被广泛用于提取图像纹理特征;而灰度共生矩阵(GrayLevelCo-occurrenceMatrix,GLCM)与灰度-梯度共生矩阵(GrayLevelGradientCo-occurrenceMatrix,GLGCM)则为反映共生特征的有效工具之一[10-12]。支持向量机(SupportVectorMachine,SVM)已广泛用于人工智能与模式识别领域,采用基于统计学习理论的结构风险最小化原则,能对线性不可分的小样本数据获得较高的分类正确率和可靠的泛化能力,在很多故障诊断应用中,其性能均优于诸如神经网络等其它传统模式识别方法[1,13]。本文提出基于声场空间分布特征的齿轮箱故障诊断方法,分别在背景噪声简单的消声室及背景噪声复杂的实验大厅搭建故障诊断实验台,通过多通道声信号同步采集与分析,应用NAH技术重建齿轮箱各运行状态下声场,获得描述声场分布特性的声像图,从中提取反应声场空间分布的纹理特征-GLCM与GLGCM特征,建立齿轮箱各运行状态与辐射声场的内在联系,结合SVM模式分类实现多类故障诊断,并通过实验研究证实该方法的可行性与有效性及相比传统ABD方法的优越性。1FFT-basedNAHNAH为可视化声场的主要技术,通过声源面附近(即全息测量面)声压测量重建整个三维声场[7]。FFT-basedNAH为简单有效的频域重建方法,主要思路为:假设全息测量面Sh位于z=zh,重建面Sc位于z=zc,声源面Ss位于z=zs,Sh和Sc上的声压分别为(x,y,zh,f)、(x,y,zc,f),f为重建频率。给定满足Dirichlet边界条件的格林函数GD(x,y,zh-zc,f),可得Sc上的广义重建式为:(x,y,zc,f)=F-1[~(kx,ky,zh,f)G~-1D(kx,ky,zh-zc,f)](1)~(kx,ky,zh,f)=F[(x,y,zh,f)](2)~(kx,ky,zc,f)=F[(x,y,zc,f)](3)G~D(kx,ky,zh-zc,f)=F[GD(x,y,zh-zc,f)](4)式中:F为二维

参考文献

引证文献

问答

我要提问