[发明专利]近场声全息声像模式识别故障检测装置及其检测方法无效
申请号: | 201010214406.1 | 申请日: | 2010-06-30 |
公开(公告)号: | CN101865789A | 公开(公告)日: | 2010-10-20 |
发明(设计)人: | 蒋伟康;侯俊剑 | 申请(专利权)人: | 上海交通大学 |
主分类号: | G01M19/00 | 分类号: | G01M19/00;G01H17/00;G06K9/62 |
代理公司: | 上海交达专利事务所 31201 | 代理人: | 王锡麟;王桂忠 |
地址: | 200240 *** | 国省代码: | 上海;31 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 近场 全息 声像 模式识别 故障 检测 装置 及其 方法 | ||
1.一种近场声全息声像模式识别的故障检测装置,包括:扫描架、传声器阵列、参考源和数据采集系统,其特征在于:参考源紧贴机械,布置在机械可能的噪声源位置,扫描架位于声源一侧,传声器阵列根据所测声源声场位置以不同方式固定在扫描架上,可以对声源进行侧面和顶部扫描测量,参考源传声器和扫描阵列传声器同时与数据采集系统相连接,存储采集到的时域信号并计算得到检测结果。
2.一种根据权利要求1所述的近场声全息声像模式识别的故障检测装置的检测方法,其特征在于,包括以下步骤:
第一步、对具有多个噪声源的机械进行正常与故障工作状态划分与设定,对于故障时振源个数以及位置发生明显变化的情形比较容易从全息图中判断;
第二步、预估敏感频率范围F确定全息面与源面的距离Z以及全息测量面传声器之间的采样间隔(Δx,Δy),根据声源面大小确定全息测量面尺寸(Lx,Ly);
第三步、在背景噪声一致的条件下测量机械正常与故障状态下的声压信号P(t),并成立样本库S,进行频谱分析找到敏感频率f,对每个正常声场样本、故障声场样本采用近场声全息;
第四步、对近场声全息结果进行特征提取,构造特征向量样本库,便于分类器进行训练识别;
第五步、得到特征向量样本库后,放入支持向量机内进行训练分类,对比各种条件下的识别率,得到最佳的分类器参数:惩罚参数C和核函数系数γ,以及特征提取方式,对实时采集到的阵列信号进行特征提取并采用优化后的分类器进行识别,实现故障诊断。
3.根据权利要求2所述的近场声全息声像模式识别的故障检测装置的检测方法,其特征是,所述的确定全息测量面尺寸是指:Lx≥1.2*lx&Ly≥1.2*ly,其中:Δx≤λ/6,Δy≤λ/6,Z≤λ/6且Z≥max(Δx,Δy),λ是由F确定的波长。
4.根据权利要求2所述的近场声全息声像模式识别的故障检测装置的检测方法,其特征是,所述的声压信号为:
其中:S表示声源表面,Q表示边界,Un表示法向振速,G表示格林函数,根据声源结构选择合适全息算法:正交共形结构的声全息利用测量面上的声压为源面声压与格林函数的卷积,将二维快速傅立叶变换用于Helmholtz方程,实现了由全息测量面的声压重建源面上的声压、振速及声强的分布;任意形结构的近场声全息有基于数值求解Helmholtz积分方程的BEM-based NAH以及等效源方法。
5.根据权利要求2所述的近场声全息声像模式识别的故障检测装置的检测方法,其特征是,所述的特征提取是指:采用以下两种方式中的任意一种:
a)直接对重构矩阵A进行奇异值分解得到奇异值特征:
其中:k为矩阵A的秩,αi是矩阵A的第i个奇异值,令α1≥α2≥…≥αn,取前m个奇异值构成特征向量,用于训练分类;
b)是利用图像处理技术提取图像B的纹理统计特征:
已知图像灰度级为n,通过求取图像的二阶联合概率密度函数P(i,j,d,θ)得到灰度共生矩阵:
M(d,θ)=[P(i,i,j,d,θ)],
其中:函数P描述了图像在θ方向上距离为d的一对像素分别具有灰度i和j的出现的概率,d=1,θ分别取0°、45°、90°和135°,得到四个方向的灰度共生矩阵,并求取基于灰度共生矩阵的12种纹理特征系数:角二阶矩值、对比度值、相关值、熵值、方差值、逆差距值、和平均值、和方差值、和熵值、差平均值、差方差和差熵值,并用于模式识别。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于上海交通大学,未经上海交通大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201010214406.1/1.html,转载请声明来源钻瓜专利网。