近场声全息技术在电机轴肋板故障检测中的应用分析

2019-11-28冉天杰唐天伟

商品与质量 2019年16期

冉天杰唐天伟

重庆海德世拉索系统（集团）有限公司重庆 401120

电机是有很多的部件组成的，其中电机轴肋是电机比较重要的一个部件之一，在电机运行的过程中，电机的噪声是比较的大，可以通过电机的工作的声音来判别出电机轴肋是否正常。声学故障检测的技术就是收取电机轴肋在正常工作先的声音的信息，标注成状态信息，在收集到电机轴肋出现故障的声音，把两者的声音信息相应的对比。该声音检测的技术会很容易的受到外界的干扰，相比传统的声音检测的方式，可靠性是有所提升的。本文章主要采取的是近场声全息成像技术，这个技术不仅能够收集电机轴肋的声音，而且还可以结合图像，收集到的信息比较的全面。

从电机企业发展的过程中，对电机轴肋的故障的检测技术在不断的改进，目前最为先进的检测技术就是近场声全息技术。该技术的主要检测的原理是能够收集周围的电机轴肋工作的噪音，结合声音的功率，对声音进行重新的参数，设立专业的阻力指数和远方向的一个模型。这种先进的技术对故障的分辨率比较的高，同时对于机械比较微弱的故障信号都能够检测的到。也充分地说明了近场声全息技术对电机轴肋的故障的检测是比较的使用，在具体的应用中要加大推广。

1 近场声全息算法原理

近场声全息声场空间算法是近场声全息理论的发展重点。它是实现近场声全息的关键，是通信中间结果与全息表面测量数据之间的桥梁。目前，近场声全息技术已经开发出适用于不同声场的各种空间变换算法，因此有必要找到一种适用于车载声场的近场声全息空间变换算法。近场声全息算法的核心思想是测量声源的近场全息表面上的复杂声压，然后使用傅里叶变换将其从空间域转换到波数域，并重建表面通过操作者G.（源或预测平面）接收全息表面信息并最终使用逆傅立叶变换以获得重建表面上的粒子振动速度或复杂声压[1]。

2 近场声全息技术故障检测流程

当使用近场声像检测机械故障时，应根据噪声源的大小，主要频率范围和辐射声信号的分辨率选择合适的处理方案。在通过NAH技术处理样本之后，获得声源表面重建矩阵。在麦克风阵列的测量中，获得近场NAH声像，并获得声源表面重建矩阵。基于奇异特征的支持向量机用于训练分类。确定最佳识别特征向量和最优分类器参数，并根据识别信息的大小确定故障的类别。

3 故障特征提取算法

本文利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提取特征值。同时，具有完美框架理论，高识别效果和良好泛化能力的支持向量机被归类为模式识别设备。

由于奇异值具有旋转，转置，位移和图像不变性的特征，因此它已被广泛用于模式识别和信号处理。在奇异向量中选择几个大的有效值可以实现图像信息的准确定位[2]。

在故障检测过程中，麦克风阵列测量技术首先用于疲劳裂纹，如轴场，部件失效故障，应力引起的磨损故障，轴承，键槽磨损故障和三相电气不平衡故障。状态被集成和聚合以形成样本库。在通过NAH技术处理样本之后，获得声源表面重建矩阵。

4 电机轴肋板振动异常的故障检测

4.1 振动异常的故障检测

模拟通过肋阵列的速度分布确定振动源的位置，并通过故障和正常条件下的振动速度来诊断故障。

通过近场声全息术可以获得肋的激发点的振动速度，然后处理奇异值以获得识别向量。最后，使用支持向量机训练样本的特征值，以获得最佳识别向量和分类器参数。这些参数可用于处理稍后获得的数据以确定故障类型。故障排除时，您可以通过观察特定频率的幅度来判断机器的运行状态。每个点的激振力的大小设定如下：（1）振动点1处的力在6.2和8.2N之间变化；（2）振动点2处的力通常为4.6至6.8N，大于6.3N。（3）振动点3处的力在5.7和8.7N之间变化一阶模式只有两个部分，肋板右侧的振动最大。当肋板1右侧的激励点的位置接近峰值位置时，振动源的位置激励点与激励点一致。当激励点和峰值位置之间存在一些偏差时，振动源位置和激励点偏离并偏向峰值位置。在验证模拟结果时，为了进一步验证实验结果的准确性，在实验过程中添加了干扰源[3]。

4.2 振动异常的故障检测实验设置

根据仿真模型，建立试验台：激励点1（0.12m，-0.09m），激励点2（0.22m，0.09m），激励点3（-0.18m，0.09m），肋1长度是0.37米，另一个肋长0.56米。在近场声全息测试中，麦克风之间的距离是0.08米，声全息图的范围是0.8米×0.8米。在每个过程中，您可以收集10个声道的声场信号并记住麦克风的坐标编号。这些样本由NAH处理，并且可以基于处理结果准确地定位和处理故障点。