在线噪声检测及噪声信号的故障诊断技术研究.doc

传 感 技 术 学 报chin es e j ou rnal o f s ensors and ac tua to rs第 19 卷第 1 期2 006 年 2 月vol . 19n o . 1fe b . 2006on2l ine noise mea surement an d fa ult diagnosisba sed onnoise signalpa n g m ao , z h o u x i ao2j u n , m e n q i n g2h u a ,h u h on g2w ei( m o de rn m an u f act u ri n g en gi nee ri n g i nst i t ut e , z he j i an g u ni ve rsi t y , h an g z hou 310027 , chi na)abstract :beca u se of t he diffic ult y to mea sure t he noi se of a r unni ng mac hi ne a nd dia gno se it s f a ult a mi d st ro ng back gro und noi se s , a met ho d wa s p ropo sed to co r rect t he machi ne s so und level acco r di ng to t hebackgro und noi se , app l y wa velet p ac ka ge deco mpo sitio n to t he noi se si gnal , ge ne rat e t he ti me2freque ncy p ha se p la ne , allocat e diff e re nt wei ght f acto r s to t he diff e re nt f reque ncy ba nds acco r di ng to it s se n sitivit y to all ki nds of f a ult s a nd qua ntize it a boolea n mat ri x . the sa mp le s a re t rai ned to be f a ult t e mp lat e s. the mea sure d dat a were co mp a red wit h t he t e mp lat e s , w hic h realized t he f a ult dia gno si s of machi ne s alo ng t he p ro ductio n li ne . the u se i n t he mai n reduce r p e rfo r ma nce t e st be d develop ed by u s sho w s t hat t he met ho d i s eff ective a nd efficie nt .key words : noi se mea sure me nt ; wavelet p acka ge ; mai n reduce r ; f a ult dia gno si seeacc :7320 z; 0230在线噪声检测及噪声信号的故障诊断技术研究庞茂 ,周晓军 ,孟庆华 ,胡宏伟(浙江大学现代制造工程研究所 ,杭州 310027)摘要 :针对工业现场背景噪声强 、波动大 ,且检测时间受生产节拍限制 ,机械运转噪声在线检测及故障诊断困难的问题 ,提出基于背景噪声修正法进行机械运转噪声在线测量 ,并通过对噪声信号的小波包分解 ,生成时 频相平面 ,将其转化为定量 描述的布尔型矩阵 ,再对样本不同时频段进行加权处理后训练形成故障模板 。将被测对象的噪声信号与模板进行比较 ,实现机械故障的诊断 。该方法在我们研制开发的主减速器性能试验台上取得了良好的使用效果 。关键词 :噪声测量 ;小波包 ;主减速器 ;故障诊断文章编号 :100529490( 2006) 0120142204中图分类号 :tp391 . 4 ; u463 . 218文献标识码 :a等因素 ,难以满足生产线上的工作节拍 3 。且对于有异响的机器 ,也很难进行进一步的故障诊断 。为 此本文提出基于背景噪声的修正方法 ,对强背景下测得的声压值进行修正 。并应用小波包分解后生成的时2频相平面图构建故障诊断模板 ,进而进行机器 常见故障的识别 。将该方法应用于我们所研制的汽 车驱动桥主减速器 (以下简称主减) 性能试验机上证随着社会工业发展 ,除了安全性外 ,机械产品的振动噪声等舒适性指标也越 来越 受到 人们 的 关 注 。同时 ,机器运转噪声中蕴含着机器状态的重要信息 ,可用于设备的实时检测和快速诊断 。然而在生产线上 ,机器的运转噪声测量常常要在较强的背 景噪声下进行 ,传统的声压级很难直接测得其真实 噪声 ,而较为准确的声强法则由于耗时及操作不便收稿日期 :2005204225作者简介 :庞 茂 (19782) ,男 ,在读博士 ,研究方向为故障诊断 ,信息融合 ,pa ngmao818 163 . co m ;周晓军 (19582) ,男 ,教授 ,博士生导师 ,研究方向为制造过程检测与控制 ,无损检测 ,虚拟现实等 。个声级计分置于测点 b 测量主减与背景噪声的合成噪声及离试验台稍远的测点 c 测量环境噪声的 变化 ,要求测点 c 既能客观反应测试环境内的噪声 变化 ,同时不受主减运转噪声的影响 。将测得的值 进行如下修正 。根据分贝定义 ,分贝级不能线性相加减 ,要先用反对数将分贝级的值转换为相应的线性值 ,将所得 值线性运算后再 将其 转 为分 贝值 。两相 等 分贝 相 减 ,给出的值比总的声级低 3 db ,而如果两噪声级相 差 10 db 或更多 ,从总值减去的修正量小于 0 . 5 db , 即如果两声级间差别 10 db ,背景噪声对主减噪声测量的影响可以忽略不计 。对于两测量差在 10 db ( a) 之内的情况 ,可通过下面的公式进行修正 1 :1 强背景下的噪声获取方法1 . 1 主减测量环境分析及背景噪声获取根据 j b3863 - 84 标 准 , 主 减 在 输 入 转 速 750 r/ mi n ,两侧加载 50n m 时 , 主减的 主 、被动 齿 轮 啮合面正上方 300 mm 处噪声值不应超过 75 db ( a)(文中凡未特别说明均指 a 计权下的分贝值) ,而车 间环境噪声一般都在 80 db ( a ) 以上 , 有 时甚 至 达90 db ( a) 或更高 ,因此要在标准规定工况下准确测 量主减噪声 ,必须进行一定的隔音消噪措施 。但考 虑到时间 、成本等因 素 , 且设 备 安置 在生 产线 的 末端 ,故仅将其与车间进行了简单隔离 ,这样背景噪声 的主要来源是经一定隔音处理后的车间环境噪声和 试验台噪声的合成 。试验台噪声的主要来源是动力 输入的电机噪声 。一般可以将不装入主减时空转试 验台测得的噪声作为试验台自身的噪声 ,但按标准规定 ,主减噪声测量是在一定负载下进行的 ,而试验 台噪声在空载和负载时的差别较大 ,主减不装入又 无法检测试验台在负载情况下的噪声 。为近似测量 试验台在负载时的噪声声级 ,我们采用文献 3 所述 的方法 ,即将动力输入的电机看作一个点声源 ,如图1 所示分别在 a 、b 两点布置两个声级计 ,试验台在 空载和负载时 a 、b 两点噪声值存在如下近似比例关系 3 : 1 l a = l c + 10 l g ( 1 -( 3)( l c - lb ) / 1010式中 : l a 为修正后的主减噪声 , l b 为背景噪声 , l c主减与背景的合成噪声 。也可由图 2 所示的简化图 1 表来进行近似修正。需要指出的是 ,当背景噪声比被测对象声源单独产生的声级小 3 db 或更少时 ,则难以对与此声源有关的变量做出任何有意义的测 量 ,故式 ( 3) 仅适用于背景噪声小于合成噪声 3 db( a) 以上的情况 。l bl l bu=( 1)l al l a u其中 : l au , l bu 分别为空载 ( 传动轴脱开) 时测点 a和 b 的噪声值 , l al 为负载 ( 传动轴啮合且两侧加一 定载荷) 时测点 a 的噪声值 。这样试验台的负载噪声 l 可通过下式计算得到 :bu l b ul( 2)bl = l all au图 2 噪声修正曲线图由于车间噪声环境复杂 ,各噪声值的波动可能 会引起测量的偏差 ,因此对于背景噪声与合成噪声 测量值之差在 3db ( a) 以内的作为异常点剔除或重 新进行测量 ,同时通过多次测量取平均值的方法修 1 正测量结果 ,平均声压级计算公式为:图 1 噪声测量时传感器布置图1 . 2主减声级测量及修正因为生产车间噪声比较大 ,再加上试验台自身 的负载噪声 ,背景噪声对测点 b 所测的声级也有一 定的作用 ,因此要得到主减自身的噪声 ,必须对其进 行修正处理 。用上述方法测得主减在规定工况下的n1( l ci / 10)lc = 10 l g10 -( 4)n i = 1式中 : l ci ( i = 1 , 2 , n ) 为第 i 次测量的声压值 。2小波包分解及其表示形式小波包 是由 coif ma n 、meyer 及 wic ke r ha u se r144传感技术学报2006 年所引入的 。因为小波分析只对信号的低频成分进行了递推分解 ,而没有对高频部分分解 ,也就是说 ,随 着分解层数的增大 ,相应小波函数的空间局部性变 好 ,其频域的局部性变差 。而小波包方法能够对多 分辨率分析后的小波子空间进行再分解 ,实现对随 尺度变小而变宽的频率窗口再划分 ,以提高信号高 频的分辨率 。设 hk k z 、 gk k z 是一对共轭镜像滤波器 , 满 足关系 : g ( n) = ( - 1) ( 1 - n) h ( 1 - n) , 定义一列递归函数 2 :首先计算 m n 图块的样本间每对像素点的灰度差绝对值 , 如果这个差值小于某个给定的门限 , 那 么就认为这两点相似 , 将其值置为 1 , 否则置为 0 , 计算公式为 :( | s i j - t i j | ti j ) ( 其它)10r ( i , j)=( i = 1 , 2 , m ; j = 1 , 2 , n)( 7)从而得到一个反映两图像每个像素相似情况的布尔型矩阵 :rrr11121 nw 2 n ( t) = 2 h k w n ( 2 t - k)( 5)r21r22r2 n( 8)r =r i j 0 , 1k zw 2 n+1 ( t) = 2 g k w n ( 2 t - k)( 6)r m1r m2r mnk z式中 w 0 ( t) 为尺度函数 ( t) , w 1 ( t) 为小波基函数( t) 。称由标准正交化的多尺度生成元 ( t) 导出的 函数为关于( t) 的小波包 。小波包空间由 ( t) 的 伸缩平移系组成 。对一个给定的信号 , 其通过一组低 、高通组合的共轭正交滤波器不断地将信号划分 到不同的频段上 。信号经小波包分解后常以时 2频相平面图表示 。 相平面是以时间 t 为横轴 , 频率 为纵轴的二维坐标平面 。信号 s ( t) 就可表示为该平面上一个两边分别与坐标轴平行的矩形 。在相平面中我们将其称为 构成灰度图的一个像素 。矩形的面积t f 等于 信号的 hei se n be r g 积 。矩形内填充明暗程度不同 的灰度色来代表信号的幅值大小 。能量越大 , 矩形 填充色越暗 。信号的时频特性就可以清晰的在时 2频相平面上表示出来 。然后统计整个灰度图区域中的相似像素点 , 就可以确定两幅图像的相似程度或称匹配率 :mnw ( i , j) r ( i , j)i = 1 j = 1( 9)r =100 %m n式中 w ( i , j) 是根据像素点灰度值对故障敏感程度进行的权重分配 。这样计算出的匹配率越大 , 说明 两灰度图越相似 。通过设定一定的匹配率门限就可以对被测件进行故障识别 。其中几个关键问题分述如下 :( 1) 鉴于故障信号的原始幅值差异较大 , 我们 先对其进行归一化处理 , 并折算到灰度值范围内 , 如灰度值为 128 , 则将归一化后的值乘以 128 , 这样在 保证能量守恒的前提下 , 增强图像之间的可比性 。( 2) 考虑不同等级背景噪声对运转噪声影响较大 , 首先将背景噪声分为 n 段 , 并在各自背景噪声 下采集各类故障样本 , 分别训练得到其故障模板 , 以 最大限度减少背景噪声对故障识别的影响 。( 3) 对于分辨率较高的灰度图 , 每个像素点分 配的权重系数很小 , 对于匹配率的评价没有太大的 意义 。为此可以按 照样 本 训练 时像 素灰 度 变化 幅 度 , 即统计样本的灰度值的方差大小排序 , 将其分为n3 基于声信号分析的故障监测及诊断3 . 1 故障模板生成方法声信号经小波包分解后 , 以相平面的形式表达 时 , 对于故障特征较明显的被测件 , 从灰度图上可以较直观的分辨 , 但在生产线上进行检测和故障诊断时 , 人为判断会存在模糊性和评判个体差异 , 而且大 多数故障的灰度图也没有特别直观的区别 , 为此我们将相平面图转化为定量描述的故障模板 , 再进行故障诊断 。选择好的相似性度量方法对于故障识别 的效果至关重要 。常见 相似 性 度量 方法 有距 离 度 量 , 矢量夹角 , 及模板匹配等 。这些算法中 , 图像中 的每一对点都对匹配结果做出同样的贡献 , 因此其 算法性能容易受到个别点噪声的影响 。另外故障也不会对各个时频段都表现出很敏感的变化 。为此本 文通过构造评价各像素点相似性的布尔型矩阵 , 并 进行加权处理得到匹配率 , 来评价两者的相似性 :n 段 , 各段权重 w k ( k = 1 , 2 , n ) , 有 w k = 1 。k= 1( 4) 各像素门限值和故障诊断门限值的确定 。首先计算灰度图中各像素灰度值的均值 s( i , j ) 和方差( i , j) , 据此确定各像素域值 :t( i , j) = 3( i , j)( 10)式中 :为松弛系数 。匹配率的门限值则根据实验样本对于不同模板的实验情况确定 。3 . 2在线故障识别得到各类故障模板后 ,将采集到的被测主减的化处理 ,由式 (7) 得到相似性矩阵 ,分别与模板库中的故障模板比较 ,并按式 ( 9) 计算两者的匹配率 ,确 定故障类型 。但考虑到以单独声信号采集样本易受噪声干 扰 ,将其作为故障诊断的依据缺乏代表性 ,可采用参 数平均法 ,从而在一定程度上减小噪声干扰 。对于不能与现有故障模板库中任一模板进行匹 配的主减 ,则认为其为一种系统未知的新故障 。记 录其数据作为以后训练新的模板的样本 ,并通过系 统提示用户 。表 1 部分样本与模板之间的匹配率 ( %) 及噪声修正样本模板正常啮合不良 间隙过小 轴承过紧 诊断结果 合成噪声 修正噪声123492 . 54645 . 43237 . 53266 . 72954 . 64788 . 97668 . 59771 . 09072 . 48266 . 67590 . 00565 . 33464 . 067正常72 . 278 . 774 . 579 . 269 . 877 . 374 . 178 . 675 . 865 啮合不良66 . 754 间隙过小79 . 877 垫片不当 啮合不良72 . 567间隙过小556 . 67579 . 86689 . 56482 . 180 . 15结论(1) 经过基于背景噪声修正后的声级值可以更真实的反映主减实际运行时的噪声 ,但该方法仅适 用于背景噪声小于合成噪声 3 db ( a ) 以上的情况 ,这在一定程度上限制了该方法的使用 ,也对测量环 境提出了更高的要求 。(2) 利用声信号的小波包分解得到的时 频分布图包含大量反映机器运行状态的信息 。运用合适 的相似性度量方法可以很好的识别其运行时的各种状态 。(3) 较之传统用两图像所有像素点之间欧氏距 离的和来评判相似性 ,本方法采用的布尔型模板矩 阵可以清晰反映各像素间相似情况 ,并通过对不同 时频段的加权能更好的表达故障特征 。(4) 对于模板的域值 、权重的确定目前仅通过 样本统计训练得到 ,事实上可以采用一些智能优化 和模糊评判等方法得到更合理的门限值和权重分配 系数 ,这也是笔者下一步要完成的工作 。(5) 本方法在主减的在线检测中取得了良好的使用效果 ,对于其它机器的在线检测和故障识别也 有一定的参考意义和推广价值 。实例分析在我们研制开发的主减性能试验台上对该方法 的有效性进行了试验 。进行一定的隔音处理后 ,现 场监测的背景噪声一般在 5269 db ( a ) 之间 。根 据实验数据将背景噪声分为 60 以下 、6066 、66 69 三个级别 。先按文中所述方法测定主减速器实 验台的背景噪声 ,再在标准规定的工况下 ,测试并修 正主减噪声 ,同时由工控机的 ad 高速采样通道采 集主减与背景的合成噪声信号 。信号采样频率 64 k hz ,采样点数为 8 192 。采用 db5 小波函数对信号进行五层小波包分解 。首先通过在不同背景噪声级 下采集几种常见故障的主减运转时噪声信号 ( 包括 合格 、主从动锥齿轮啮合不良 、齿轮啮合间隙过小 、 差速器调整垫片选择不当) ,按文中所述方法训练得 到故障模板 ,进而在生产线上对主减进行噪声测量和故障识别 。表 1 是生产线上获取的部分样本的识别情况 。 由表 1 看出 ,由任一故障在对应的背景噪声下两灰 度图之间的匹配率都较高 ,而与其它模板的匹配率 则较低 ,足以区分主减的各种故障状态且样本相对较多的合格主减的模板匹配率比其它故障下的模板 匹配率更高 。而多故障同时存在的情况下 ,故障频 率可能会有一定程度的叠加 ,计算得的匹配率也较 为接近 ,但同时被测件也会与多个故障