侯俊劍 馬軍 房占鵬

摘要： 聲像診斷技術(shù)把聲診斷問題轉(zhuǎn)化為了圖像識別問題，改善了傳統(tǒng)的基于單點測試的聲診斷魯棒性，但由于單個聲像忽略了三維聲場的空間變化信息，在弱故障工況下診斷困難。針對上述問題，基于聲場三維特性和信息融合思想，提出了一種基于雙面聲像模式識別的故障診斷方法。首先基于近場聲全息技術(shù)構(gòu)建融合源面聲像、全息面聲像和兩者差值聲像的雙面聲像模型，然后提取Gabor小波紋理特征，并基于隨機森林特征選擇算法進行特征降維，構(gòu)建有效聲場特征模型進行狀態(tài)診斷識別。仿真和實驗結(jié)果表明，基于雙面聲像模式識別的故障診斷技術(shù)是有效可行的，能有效改善弱故障工況的診斷魯棒性，進一步拓展和改善了基于陣列測量的聲像診斷技術(shù)。

關(guān)鍵詞： 故障診斷; 近場聲全息; 小波特征; 隨機森林

中圖分類號： TH165+.3; TB532 文獻標志碼： A 文章編號： 1004-4523（2019）05-0927-08

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

引 言

基于振動信號測量與分析的診斷技術(shù)在機械故障診斷理論體系中占有主導(dǎo)地位，并形成了較為成熟的理論和方法[1]。但由于振動傳感器需要安放在設(shè)備故障敏感部位上，才能拾取信噪比較好的振動信號，限制了振動分析技術(shù)在高溫、潮濕和危險工況下的應(yīng)用。作為機械振動能量傳遞的另外一種表現(xiàn)方式，機械噪聲也蘊含著豐富的機械狀態(tài)信息。利用噪聲信號進行故障診斷稱為聲學(xué)故障診斷技術(shù)[2]（Acoustic-Based Diagnosis， ABD），具有非接觸式測量、操作簡單和不影響設(shè)備正常工作等優(yōu)點，并可借鑒振動信號分析技術(shù)進行機械的故障診斷[3-5]。

傳統(tǒng)的基于單通道測試的聲診斷技術(shù)容易受到傳聲器測量部位和距離的影響，存在診斷魯棒性較差的問題[6]。文獻[7-12]提出了一種基于近場聲全息（Near Field Acoustic Holography， NAH）二維聲像模式識別的故障診斷方法，通過陣列測試和聲成像算法重建聲源表面二維聲壓分布，利用單個源面聲像紋理特征進行狀態(tài)診斷，為聲診斷技術(shù)提供了新的思路。該方法雖創(chuàng)新地以機械表面聲壓幅值分布為對象，把故障診斷問題轉(zhuǎn)化成了圖像模式識別，但存在信息利用不足，忽略聲源表面聲壓相位信息等問題，限制了其在局部聲壓幅值變化較小的弱故障工況下的診斷魯棒性。

針對上述問題，本文基于信息融合思想和視頻處理技術(shù)中幀差原理[13]，提出了一種基于雙面聲像模式識別的故障診斷方法。結(jié)合陣列全息測量面和聲源源面的聲壓幅值、相位映射關(guān)系，綜合利用源面聲像、全息面聲像和兩者差值聲像（法向測量距離處聲壓幅值的變化）進行特征提取和診斷分析。聲場法向全息測量面聲像是聲源表面各點共同作用的結(jié)果，蘊含著弱故障位置處聲場輻射一定距離后的演變信息;同時全息面聲像和源面聲像的差值聲像能夠弱化強干擾源的影響，強化弱故障部位的聲壓變化。因此，融合三維聲場空間變化信息的雙面聲像模式識別故障診斷技術(shù)較單個二維聲像故障診斷具有更豐富的診斷信息和更高的診斷魯棒性，進一步完善了基于聲成像算法的故障診斷技術(shù)。

1 雙面聲像故障診斷方法

1.1 方法流程 ?基于雙面聲像模式識別的故障診斷流程如圖1所示。

與聲像模式識別故障診斷技術(shù)相比，雙面聲像模式識別故障診斷方法主要的改進：

1）雙面聲像模型的構(gòu)建——首先在全息測量面采集聲場信號，獲得故障敏感頻率下的全息聲像;其次采用NAH成像算法重構(gòu)聲源表面聲像;最后利用源面聲像減去全息聲像獲得法向測量位置處空間聲壓變化的差值聲像，基于三幅聲像構(gòu)建含有三維空間變化信息的雙面聲像模型。

2）有效聲場特征分析——首先提取機械聲場模型中三幅聲像的Gabor小波特征，并順序排列，初步構(gòu)建特征向量;其次利用隨機森林（Random Forest， RF）算法對特征向量重要性進行分析;最后基于特征對分類結(jié)果的顯著性影響和診斷效率，進一步構(gòu)建有效的特征向量。

雙面聲像模式識別故障診斷技術(shù)基于信息融合的思想構(gòu)建雙面聲像模型，豐富了聲場故障信息，同時利用隨機森林特征降維技術(shù)，保留有效信息、去除冗余信息，進一步提升診斷的魯棒性。

1.2 近場聲全息

近場聲全息技術(shù)在包圍聲源的全息測量面上采集聲壓，借助聲源表面和全息面之間的空間場變換關(guān)系，重建聲源面的聲場，典型成像原理如圖2所示。

在識別過程中，樣本集進行5次的隨機排序，對每次隨機排序的樣本抽取3/4作為訓(xùn)練樣本，余下1/4作為測試樣本，構(gòu)建5重交叉驗證樣本庫，并以5次識別率的平均值作為最終的識別效果。

2 相干工況聲場診斷模擬仿真

相干聲場由兩個同頻率的聲源共同作用產(chǎn)生，設(shè)定其中一個聲源為關(guān)鍵聲源（由重點監(jiān)測部件產(chǎn)生的聲源），另一個為干擾源（非重點監(jiān)測部件產(chǎn)生的）。機械不同的運行工況由相干輻射聲場狀態(tài)來模擬，而相干輻射聲場的變化通過改變兩個聲源的大小來實現(xiàn)。得到相干工況下不同的聲場樣本后，利用雙面聲像模式識別診斷技術(shù)進行分析，并與單聲像診斷技術(shù)進行對比，驗證雙面聲像故障診斷技術(shù)的有效性和優(yōu)越性。

2.1 相干聲場仿真工況

兩個聲源均為正方形音箱聲源，法向輻射表面位于同一平面，尺寸均為0.05 m×0.05 m，聲源1中心坐標（0.125 m，0.025 m）、聲源2中心坐標（-0.125 m，0.025 m），其位置分布和全息測量面如圖3所示。

全息測量面與聲源表面平行，并位于聲源表面法向0.05 m處，尺寸為0.7 m×0.7 m，各測點上下和左右間隔均為0.05 m，全息測點為15×15;聲源重建面尺寸、重建點個數(shù)和間隔與全息面一致。機械的正常狀態(tài)和故障狀態(tài)由聲源振速幅值來模擬標識，假設(shè)機械運行時關(guān)鍵部件工作頻率恒定為300 Hz，關(guān)鍵聲源1處于正常狀態(tài)時振速幅值在0.012-0.017 m/s范圍內(nèi)變化，故障狀態(tài)時振速幅值分別處于0.009-0.011 m/s和0.018-0.020 m/s的范圍內(nèi);干擾源2為非重點監(jiān)測對象，但由于工作頻率與關(guān)鍵部件同頻，其輻射聲場會嚴重影響關(guān)鍵聲源的聲場分布變化，設(shè)定干擾源振速幅值在0.05-0.10 m/s范圍內(nèi)變化，遠大于關(guān)鍵聲源的振速幅值范圍，利用強干擾工況來驗證診斷的有效性。從關(guān)鍵聲源1的正常和故障工況中各隨機抽取6個樣本，干擾源2運行工況中抽取6個樣本。因此，仿真實驗共模擬6（正常工況）×6（干擾工況）=36種正常狀態(tài)和6（故障工況）×6（干擾工況）=36種故障狀態(tài)。

2.2 雙面聲像模型及其特征分析

隨機抽取正常和故障狀態(tài)下各1個樣本，源面聲像、全息面聲像和兩者的差值聲像如圖4所示。

源像圖4（a）和（b）中聲源1和聲源2位置能基本辨識出來，但由于干擾源2聲壓幅值較大，聲源1幾乎被淹沒，使得正常和故障工況下源像相似度較高，聲源1的微弱變化辨識困難。全息面聲像圖4（c）和（d）是聲源空間輻射一定距離后的結(jié)果，正常和故障狀態(tài)下聲源1位置處的聲壓分布差異逐漸明顯。從差值聲像圖4（e）和（f）中可以看到聲源1位置處的差異非常顯著。聲像差異程度的不斷提升意味著有效故障信息量的增大，這為診斷魯棒性的改善提供了基礎(chǔ)。因此，基于雙面聲像模型的聲像診斷技術(shù)比基于源像的聲像診斷技術(shù)在診斷效果上具有更大的潛力。

基于雙面聲像模型的聲像診斷技術(shù)在融合更多有效故障信息的同時，也融合了大量冗余無效信息?；谛畔⑷诤纤枷?，只有當(dāng)有效信息量大于冗余信息量時，診斷魯棒性才能得到有效改善。

對雙面聲像模型的每個聲像的聲壓分布直接提取80維的Gabor小波紋理特征，三個面共240維紋理特征，并順序排列，然后通過隨機森林算法對各維度的Gabor小波紋理特征進行重要度分析，如圖5所示。

設(shè)定特征重要性占比超過1.5%的為高占比特征，則源像中高占比紋理特征相對較多，但全息面聲像和差值聲像高占比特征個數(shù)之和比源像的多，這意味著全面聲像和差值聲像的特征信息對于診斷分類是有重要價值的。通過對紋理特征重要性進行分析，挑選出有效的和重要的紋理特征，摒棄一些冗余無效的紋理特征，在特征降維的同時改善診斷魯棒性。

2.3 仿真實驗結(jié)果分析

對已經(jīng)劃分好的5組樣本集采用基于單源像紋理特征的聲像診斷技術(shù)進行診斷分析，得到的平均識別效果為77.7%。

在采用本文提出的基于雙面聲像模式識別的故障診斷技術(shù)進行診斷分析時，利用隨機森林算法對特征重要性進行排序，并按照不同數(shù)量比例、順序挑選特征組合，構(gòu)建有效聲場特征模型。5組樣本集的平均識別率隨不同特征數(shù)量比例的變化如圖6所示。在特征比例分別為3%，5%和75%時識別率最高達到84.4%。

通過對比兩種識別技術(shù)診斷結(jié)果和分析圖6中識別率隨特征數(shù)量百分比變化可以得到：

①基于雙面聲像模式識別的聲像診斷技術(shù)最高識別率比基于單源像的聲像診斷技術(shù)提高了6.7%，說明本文提出的融合三維聲場空間變化信息的雙面聲像模式識別故障診斷技術(shù)具有更豐富的診斷信息和更好的診斷效率。

②在采用所有240維紋理特征構(gòu)建雙面聲像模型時得到的識別率為72.2%，比基于單源像診斷技術(shù)的識別率要低，說明在有效診斷信息增加的同時，冗余信息也在增加，且比前者增加的多。

③識別率隨有效紋理特征數(shù)量比例波動變化，說明有效信息和冗余信息不斷交替上升，只有兩者達到一定平衡時才能獲得最佳的診斷效果。

3 音箱實驗

基于仿真實驗工況，在空曠的混響廠房環(huán)境中進行了音箱實驗，進一步驗證基于雙面聲像模式識別故障診斷技術(shù)的有效性和優(yōu)越性。

3.1 實驗臺參數(shù)及工況設(shè)定

實驗流程主要包括：信號產(chǎn)生→陣列測量→數(shù)據(jù)分析。其中單頻噪聲信號為Agilent 81150A高精度脈沖發(fā)生器產(chǎn)生的頻率為300 Hz正弦信號，強弱由功率放大器進行調(diào)節(jié);利用LMS信號采集系統(tǒng)陣列測量聲壓信號;采用基于雙面聲像模式識別診斷技術(shù)對噪聲樣本數(shù)據(jù)進行處理分析。

音箱及傳聲器分布如圖7所示，采用線陣掃描方法：音箱表面尺寸都為0.18 m×0.18 m，兩者中心相距0.23 m;線陣掃描測量面與音箱表面距離Z=0.05 m;線陣傳聲器之間的間隔為0.05 m，共布置15支傳聲器，長0.7 m;線陣水平掃描方向步長0.05 m，共15步，長0.7 m，因此全息測量面尺寸為0.7 m×0.7 m。

以距離音箱中心法向距離0.05 m處的聲壓級大小為噪聲測試基準條件，基于仿真實驗工況假設(shè)，調(diào)節(jié)音箱輻射噪聲聲壓級來模擬不同工況：

①音箱1作為關(guān)鍵聲源，其聲壓級在77-80 dB之間變化時處于正常運行狀態(tài)，隨機選取6個樣本;聲壓級處于75-76.5 dB和80.5-81.5 dB時均為故障狀態(tài)，在兩個聲壓級范圍內(nèi)各選取3個樣本，共6個故障樣本。

②音箱2作為干擾聲源，其聲壓級在90-96 dB之間變化，在聲壓級范圍內(nèi)隨機抽取6個干擾樣本。

因此，正常和故障狀態(tài)各為6×6=36種。

3.2 音箱實驗結(jié)果分析

隨機抽取正常和故障狀態(tài)下各1個樣本，源面聲像、全息面聲像和兩者的差值聲像如圖8所示。與仿真工況結(jié)果近似，干擾源2幾乎把關(guān)鍵聲源1淹沒，全息面聲像和差值聲像中聲壓幅值分布的差異性能夠通過肉眼辨識出來。

實驗工況下雙面聲像模型的240維Gabor小波紋理特征重要度分析結(jié)果如圖9所示。

采用基于雙面聲像模式識別故障診斷技術(shù)的識別率隨不同特征數(shù)量比例的變化如圖10所示：在特征比例為15%時識別率達到93.3%，比基于單源像的聲像診斷技術(shù)提高了5.6%;采用100%的特征向量進行診斷時，識別率為88.8%，在小于100%比例的范圍內(nèi)，診斷識別率波動變化。實驗結(jié)果和仿真結(jié)果十分吻合，表明了基于雙面聲像模式識別故障診斷方法的有效性和可行性，同時也驗證了該方法比單聲像診斷方法具有更好的魯棒性。

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] 侯俊劍，蔣偉康， 魯文波. 基于分塊特征提取的近場聲全息故障診斷方法在相干故障下的應(yīng)用研究[J]. 振動工程學(xué)報， 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. 基于空間聲場變換的近場聲全息參數(shù)選取及重建誤差研究[D]. 合肥：合肥工業(yè)大學(xué)， 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] 姚登舉，楊 靜，詹曉娟. 基于隨機森林的特征選擇算法[J]. 吉林大學(xué)學(xué)報（工學(xué)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] 楊 凱，張認成，楊建紅，等. 基于分形維數(shù)和支持向量機的串聯(lián)電弧故障診斷方法[J]. 電工技術(shù)學(xué)報，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： 侯俊劍（1982-），男，副教授。電話： （0371）63556785; E-mail： houjunjian@zzuli.edu.cn

通訊作者： 馬 軍（1977-），男，教授。電話： （0371）63556785; E-mail： majun@zzuli.edu.cn