一种机械设备异音监测方法及系统与流程

1.本发明涉及设备检测技术领域，尤其涉及一种机械设备异音监测方法及系统。


背景技术：

2.在核电站中，机械设备种类繁多，且连续工作时间长，机械设备难免会出现故障。通常机械设备出现故障，会导致设备产生异响，而这种异响通常作为判断故障存在的基础。比如，当响声处于沉闷状态并伴有一定的振动现象时，较容易判断识别出故障是存在的。当设备所发出的异常噪声很轻微或复杂时，工作人员将无法有效地识别其是否存在异常噪声，给故障诊断带来难度，不能及时准确识别设备的早期故障。异响问题时有发生，严重影响核电站机组运行安全性、稳定性、可靠性及负荷率。


技术实现要素：

3.本发明要解决的技术问题在于，针对现有技术存在的至少一个缺陷，提供一种机械设备异音监测方法及系统。
4.本发明解决其技术问题所采用的技术方案是：构造一种机械设备异音监测方法，包括：
5.s1：采集被测机械设备的声音信号和图像信号；
6.s2：识别所述声音信号是否含有异常噪声；
7.s3：若存在，则对所述异常噪声进行声源定位处理，以确认所述异常噪声的产生方向和噪声强度；
8.s4：根据所述异常噪声的产生方向和噪声强度、以及所述图像信号，进行声场成像处理，以实现对所述异常噪声的产生方向及噪声强度的成像化；
9.s5：对所述声音信号以及声场成像处理后的信息进行数据分析及故障诊断，以识别出所述机械设备发生机械故障的部件。
10.优选地，在本发明所述的机械设备异音监测方法中，所述s1还包括：
11.s11：对所述声音信号进行预处理；
12.s12：对所述图像信号进行图像矢量化处理和像素角度转换处理。
13.优选地，在本发明所述的机械设备异音监测方法中，所述s11包括：
14.对所述声音信号进行去除直流分量、归一化处理、滤波和预加重处理中的一种或多种处理措施组合。
15.优选地，在本发明所述的机械设备异音监测方法中，所述s11之后还包括：参照所述机械设备中的部件在正常工作或工作异常时发出的声音特点，对预处理后的声音信号进行特征提取，以提取所述声音信号的特征分量，从而为后续识别预处理后的声音信号是否含有异常噪声提供检测依据。
16.优选地，在本发明所述的机械设备异音监测方法中，所述s2包括：
17.对所述特征分量进行深度神经网络检测算法或无监督异常声音检测算法，以识别
预处理后的声音信号是否含有异常噪声。
18.优选地，在本发明所述的机械设备异音监测方法中，所述s3中的声源定位处理包括：
19.通过传感器阵列采集所述声音信号，对采集到的阵列信号的相位进行补偿求和，得到初步方向信息；同时根据所述异常噪声的频域特征，在所述声音信号里寻找所述异常噪声对应的波束峰值；根据所述初步方向信息和所述波束峰值，进行对应的相位补偿与加权求和处理，以得到用于表征所述异常噪声的产生方向及其对应方向的声场强度的三维波束图。
20.优选地，在本发明所述的机械设备异音监测方法中，所述s4中的声场成像处理包括：
21.将所述三维波束图转换为二维彩色等高图谱；其中，所述二维彩色等高图谱中的表征点用于显示所述视频图像中的像素点发生异常噪声的产生方向，以及利用所述表征点的颜色的深浅显示声场强度；对所述二维彩色等高图谱进行透明化处理，将所述表征点与所述像素点进行叠加，以实现对所述异常噪声的产生方向及噪声强度的成像化。
22.优选地，在本发明所述的机械设备异音监测方法中，所述s5中的数据分析及故障诊断包括：
23.设置用于模拟所述机械设备的各种部件发生故障的故障模拟测试台，对不同故障模式所产生的样本数据进行标定及记录，作为故障样本模型，对所述声音信号进行时域分析、频谱分析以及包络分析，将分析后的声音信号和成像处理后的数据信息与所述故障样本模型进行比对，以实现对所述被测机械设备的故障诊断。
24.优选地，在本发明所述的机械设备异音监测方法中，对所述声音信号进行时域分析还包括：
25.通过判断时域分析后的时域特征参数是否超过预设值来诊断部件是否发生机械故障；
26.其中，所述时域特征参数包括均值、峰值、均方根、波峰因数、峰峰值和峭度中的一种或多种组合。
27.本发明还构造了一种机械设备异音监测系统，所述监测系统包括：
28.采集单元，用于采集被测机械设备的声音信号和图像信号；
29.异常噪声识别单元，用于识别所述声音信号是否含有异常噪声；
30.声音定位单元，用于对所述异常噪声进行声源定位处理；
31.成像处理单元，用于根据所述异常噪声的产生方向和噪声强度、以及所述图像信号，进行声场成像处理；
32.数据分析及故障诊断单元，用于对所述声音信号以及声场成像处理后的信息进行数据分析及故障诊断。
33.实施本发明具有以下有益效果：本发明通过对机械设备的异音进行监测与故障诊断，通过声源定位处理感知机械设备的异响，确定机械设备的具体故障部件，还能有效地诊断其故障原因，使维修有目的地进行，以减少计划外停堆，从而尽可能地避免影响到核电机组的正常运作。
附图说明
34.下面将结合附图及实施例对本发明作进一步说明，附图中：
35.图1是本发明提供的机械设备异音监测方法的第一实施例；
36.图2是本发明提供的机械设备异音监测方法的第二实施例流程图；
37.图3是本发明提供的机械设备异音监测方法中的像素角度转换处理的示意图；
38.图4是本发明提供的机械设备异音监测方法中的三维波束图；
39.图5是本发明提供的机械设备异音监测方法中的二维彩色等高图谱；
40.图6是本发明提供的机械设备异音监测方法中的声场成像处理后的示意图；
41.图7是本发明提供的机械设备异音监测方法中的表征点与像素点进行叠加后的示意图；
42.图8是本发明提供的机械设备异音监测方法中的可视化处理的对比图。
具体实施方式
43.为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
44.图1是本发明提供的机械设备异音监测方法的第一实施例。如图1所示，本发明构造了一种机械设备异音监测方法，包括：步骤s1、步骤s2、步骤s3、步骤s4和步骤s5。
45.s1：采集被测机械设备的声音信号和图像信号。
46.图2是本发明提供的机械设备异音监测方法的第二实施例流程图，与第一实施例相比，其区别在于步骤s1还包括：步骤s11和步骤s12。
47.s11：对声音信号进行预处理，包括对声音信号进行去除直流分量、归一化处理、滤波和预加重处理中的一种或多种处理措施组合，以保证声音信号的完整性，以及防止声音信号失真。对声音信号进行预处理之后还参照机械设备中的部件在正常工作或工作异常时发出的声音特点，对预处理后的声音信号进行特征提取，以提取声音信号的特征分量，从而为后续识别预处理后的声音信号是否含有异常噪声提供检测依据。
48.特征提取是对预处理后的声音信号进行分析处理的手段。特征提取的原理是：由于不同设备或部件本身的发声机理不尽相同，使不同设备或部件在正常工作或发生异常故障时具备独特的特征分量，因此可以通过提取特征分量作为声音信号是否含有异常噪声的检测依据。本方法中特征提取的特征分量包括stft、mfcc和hpss。
49.s12：对图像信号进行图像矢量化处理和像素角度转换处理，以得到视频图像。其中，对图像信号进行图像矢量化处理使图像信号转换为矢量矩阵。图3是本发明提供的机械设备异音监测方法中的像素角度转换处理的示意图，如图3所示，对图像信号进行像素角度转换处理是使图像信号中的各像素点及其各自在声场中的角度形成对应关系，并映射到矢量矩阵上，最终形成一个变换矩阵。对图像信号进行图像矢量化处理和像素角度转换处理后，以得到视频图像，为后续的声场成像处理作准备。
50.s2：识别声音信号是否含有异常噪声，其识别方法包括：对特征分量进行深度神经网络检测算法或无监督异常声音检测算法，以识别预处理后的声音信号是否含有异常噪声。
51.进一步地，本方法可以根据信号检测是否需要大量正负样本进行前期学习，分为
两种检测方法，包括基于crnn的深度神经网络检测算法和基于autoencoder的无监督异常声音检测算法。
52.基于crnn的深度神经网络检测算法适用于设备的异常噪声的正负样本较为充足，且正负样本数量较为平衡的检测环境下。可以通过采集被测机械设备的声音信号的特征分量进行模型训练，以对一种或多种异常噪声的进行识别及诊断，在发生非正常状态下还能进行迅速预警。由于该算法需要大量的正负样本作为深度学习的基础，所以该算法最终识别的准确率受设备的异常噪声的正负样本的全面性与泛化性影响较高，因此该算法的特点如下：适用于正负样本数量较充足的情况；检测针对性强，可以直接根据声音信号的特征分量诊断异常类型；前期数据积累时间长，对样本要求高。
53.基于autoencoder的无监督异常声音检测算法则是利用autoencoder自编码器对正常时声音信号的特征分量进行编码与解码，通过深度神经网络训练形成一个仅检测正样本的编码器。当系统采集到被测机械设备异常工作状态的存在异常噪声时，编码器的输出结果则会产生明显偏离，因此编码器的输出结果可以作为被测机械设备是否存在异常噪声的主要依据。由于该算法仅需要少量的正样本即可以实现自编码器的神经网络的构造，且不依赖于大量的负样本的支持。因此该算法易用性较高，影响算法的准确率的核心点则是正样本的泛化性与复杂程度，对于工作噪声状态稳定的设备，该算法具有优越的检测性能。因此该算法的特点如下：适用于样本数量少，无监督状态下的声音检测；不依赖于各种负样本，算法部署周期快；仅可以预警噪声状态的变化，对于实际的故障类型无法精确诊断。
54.s3：若存在，则对异常噪声进行声源定位处理，以确认异常噪声的产生方向和噪声强度。其中，声音定位处理包括通过传感器阵列采集声音信号，对采集到的阵列信号的相位进行补偿求和，得到初步方向信息；同时根据异常噪声的频域特征，在声音信号里寻找异常噪声对应的波束峰值；根据初步方向信息和波束峰值，进行对应的相位补偿与加权求和处理，以得到用于表征异常噪声的产生方向及其对应方向的声场强度的三维波束图。
55.s4：根据异常噪声的产生方向和噪声强度、以及图像信号，进行声场成像处理，以实现对异常噪声的产生方向及噪声强度的成像化。如图4、图5、图6和图7所示，声场成像处理包括：将三维波束图转换为二维彩色等高图谱；其中，二维彩色等高图谱中的表征点用于显示视频图像中的像素点发生异常噪声的产生方向，以及利用表征点的颜色的深浅显示声场强度；对二维彩色等高图谱进行透明化处理，将表征点与像素点进行叠加，以实现对异常噪声的产生方向及噪声强度的成像化。
56.进一步地，声场成像处理后还包括可视化处理；可视化处理用于截取声场成像处理后的图像中彩色等高值较高的部分成像。图8是本发明提供的机械设备异音监测方法中的可视化处理的对比图。如图8所示，左边为被测机械设备正常工作时的图像，右边则为发生故障时的图像，对比可知，进行可视化处理后，可以突显异常噪声在图像上的位置。
57.s5：对声音信号以及声场成像处理后的信息进行数据分析及故障诊断，以识别出机械设备发生机械故障的部件。其中，数据分析及故障诊断包括：设置用于模拟机械设备的各种部件发生故障的故障模拟测试台，对不同故障模式所产生的样本数据进行标定及记录，作为故障样本模型，对声音信号进行时域分析、频谱分析以及包络分析，将分析后的声音信号和成像处理后的数据信息与故障样本模型进行比对，以实现对被测机械设备的故障诊断。
58.故障模拟测试台包括试验台基座、小型驱动电机、电机安装架、电机、转轴、联轴器、轴承负载套件、转轴碰摩套件、转轴振动测量套件。故障模拟测试台的故障模式包括：不对中故障模拟，模拟各种部件的轴不对中时的工作状态，还包括模拟不同刚度的联轴器对转子的动力及振动产生影响时的工作状态；旋转机械设备的转轴碰磨模拟，通过使用转轴碰磨套件，以模拟轴或者转子发生碰磨的工作状态；共振模拟，通过在转轴不同位置安装不同数目的转子，激起共振频率，以模拟转子和转轴发生共振现象的工作状态，还能通过调整转子及支撑的位置研究质量和刚度对共振频率和模态振型的影响；轴承故障模拟，利用滚动轴承套件来模拟滚动轴承的内圈、外圈、滚动体和保持架发生故障的工作状态；转轴偏心故障模拟，使用转轴径向振动套件模拟转轴发生偏心故障的工作状态。
59.在本实施例中，为了确保声源定位处理的准确性，可以利用故障模拟测试台模拟各种部件的故障模式，对本方法中的声源定位处理的准确度进行验证。例如，使用故障模拟测试台模拟轴承外圈故障时，将轴承外圈故障套件安装在振动试验台上，模拟轴承外圈故障，对比本方法在不同测试点的测试结果，若不同测点上测试结果均显示问题轴承部位出现异常，则证明声源定位处理的功能正常。
60.进一步地，还可以利用故障模拟测试台模拟各种部件的故障模式，对本方法的测试准确性进行验证及调试，通过利用故障模拟测试台模拟各种故障模式，依次执行本方法中的步骤s1-s5，最后将本方法的测试结果与故障模拟测试台的故障部件进行比对，以验证本方法是否准确。在各种故障模式的测试过程中，还可以对测试过程的具有代表性的数据进行标定及储存，以此作为比对用的故障样本模型。
61.进一步地，对声音信号进行时域分析还包括：通过判断时域分析后的时域特征参数是否超过预设值来诊断部件是否发生机械故障；其中，时域特征参数包括均值、峰值、均方根、波峰因数、峰峰值和峭度中的一种或多种组合。
62.均值用于反映声音信号中的静态部分，对诊断不起作用，但是对计算其他参数有很大影响，因此在计算时先从声音信号中取出均值，剩下对诊断有用的动态部分。
63.峰值用于表征某个时间段内噪声强度的最大值，是一个随时间变化很大，因此可以用来检测冲击信号。
64.均方根为表征声音强度的有效值，是监测过程中最重要的指标，可作为判断磨损类故障重要指标。
65.波峰因数为峰值与均方根之比，可以根据波峰因数变化和大小来预测被测机械设备的故障原因。例如，当波峰因数增大时，可能是点蚀故障，当波峰因数减小时，可能是磨损故障。而正常的轴承波峰因子值大约在4～5，当波峰因数大于10时，表示因某部件存在局部缺陷而引起冲击；当波峰因数变小时，则表示轴承润滑不良及磨损等异常情况，使噪声变大。
66.峰峰值用于表征振动的幅值，因此可以采用峰峰值描述部件的位移值，从而判断部件是否发生剥落故障。
67.峭度是用于表征波形尖峰度，对突然变化的声音信号特别敏感，在正常情况下，峭度指标应该在3以下，当该指标大于3.5时，一般预示着故障的出现，因此可以利用峭度进行早期故障的诊断，尤其适用于表面损伤类故障。例如，当轴承出现早期故障时，峭度值会立即增大，随着轴承故障的发展，峭度值反而会不变或者渐渐变小。
68.频谱分析是研究故障特征方法中基础的方法之一，针对本方法的监测对象，可在频谱中获得比较全面及准确的故障信息。
69.包络分析用于提取轴承发生故障时发出的周期性冲击信号，以此可以对部件故障进行诊断。
70.进一步地，本方法对被测机械设备的完成故障诊断后，还包括进行趋势分析处理。趋势分析处理的目的是要视实际情况安排维修工作，在合适的时机安排维修，使得决策科学化，以尽可能地减小经济损失。故障诊断是趋势分析处理的基础，根据采集到的声音信号的特征分量绘制出被测机械设备的时间历程曲线，以分析被测机械设备的近远期趋势状态。
71.本发明还构造了一种机械设备异音监测系统，监测系统包括：采集单元、异常噪声识别单元、声音定位单元、成像处理单元和数据分析及故障诊断单元。
72.采集单元，用于采集被测机械设备的声音信号和图像信号。
73.在一些实施例中，本系统还包括用于对声音信号进行预处理以及对图像信号进行图像矢量化处理和像素角度转换处理的预处理单元。
74.预处理单元对声音信号进行预处理包括对声音信号进行去除直流分量、归一化处理、滤波和预加重处理中的一种或多种处理措施组合，以保证声音信号的完整性，以及防止声音信号失真。对声音信号进行预处理之后还参照机械设备中的部件在正常工作或工作异常时发出的声音特点，对预处理后的声音信号进行特征提取，以提取声音信号的特征分量。
75.预处理单元对图像信号进行图像矢量化处理是对图像信号进行图像矢量化处理使图像信号转换为矢量矩阵，对图像信号进行像素角度转换处理则是使图像信号中的各像素点及其各自在声场中的角度形成对应关系，并映射到矢量矩阵上，最终形成一个变换矩阵。对图像信号进行图像矢量化处理和像素角度转换处理后，以得到视频图像。
76.异常噪声识别单元，用于识别声音信号是否含有异常噪声，其识别方法包括：对特征分量进行深度神经网络检测算法或无监督异常声音检测算法，以识别预处理后的声音信号是否含有异常噪声。
77.声音定位单元，用于对异常噪声进行声源定位处理，以确认异常噪声的产生方向和噪声强度。其中，声音定位单元还包括用于声音信号的采集传感器阵列、以及定位分析处理器。定位分析处理器将采集到的阵列信号的相位进行补偿求和，以得到初步方向信息；同时根据异常噪声的频域特征，在声音信号里寻找异常噪声对应的波束峰值；根据初步方向信息和波束峰值，进行对应的相位补偿与加权求和处理，以得到用于表征异常噪声的产生方向及其对应方向的声场强度的三维波束图。
78.成像处理单元，用于根据异常噪声的产生方向和噪声强度、以及图像信号，进行声场成像处理，以实现对异常噪声的产生方向及噪声强度的成像化。成像处理单元将三维波束图转换为二维彩色等高图谱；其中，二维彩色等高图谱中的表征点用于显示视频图像中的像素点发生异常噪声的产生方向，以及利用表征点的颜色的深浅显示声场强度；对二维彩色等高图谱进行透明化处理，将表征点与像素点进行叠加，以实现对异常噪声的产生方向及噪声强度的成像化。
79.进一步地，成像处理单元还用于将声场成像处理后的数据进行可视化处理。
80.数据分析及故障诊断单元，用于对声音信号以及声场成像处理后的信息进行数据
分析及故障诊断，以识别出机械设备发生机械故障的部件。其中，数据分析及故障诊断单元包括用于模拟机械设备的各种部件发生故障的故障模拟测试台、以及用于数据分析及故障诊断的上位机。上位机对不同故障模式所产生的样本数据进行标定及记录，作为故障样本模型，对声音信号进行时域分析、频谱分析以及包络分析，将分析后的声音信号和成像处理后的数据信息与故障样本模型进行比对，以实现对被测机械设备的故障诊断。
81.实施本发明具有以下有益效果：本发明通过对机械设备的异音进行监测与故障诊断，通过声源定位处理感知机械设备的异响，确定机械设备的具体故障部件，还能有效地诊断其故障原因，使维修有目的地进行，以减少计划外停堆，从而尽可能地避免影响到核电机组的正常运作。
82.可以理解的，以上实施例仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制；应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，可以对上述技术特点进行自由组合，还可以做出若干变形和改进，这些都属于本发明的保护范围；因此，凡跟本发明权利要求范围所做的等同变换与修饰，均应属于本发明权利要求的涵盖范围。