基于声阵列信号的转子不平衡故障类型识别方法及系统

本发明属于旋转机械状态监测与故障诊断，具体涉及一种基于声阵列信号的转子不平衡故障类型识别方法及系统。

背景技术：

1、转子不平衡是旋转机械中最常见、最基础的故障类型之一。以风力发电机为例，风轮转子长期暴露于恶劣环境中，易因叶片结冰、表面污染、材料老化或叶片损伤而产生不平衡。该不平衡不仅会引发剧烈振动和噪声，加速轴承、齿轮箱等部件的磨损，更可能引发严重的机械事故，对设备安全运行构成直接威胁。因此，转子不平衡量的精确测量与及时校正，是旋转机械状态监测与故障诊断领域的核心问题之一。

2、目前，在工业现场对于转子不平衡的检测主要依赖于在线状态监测技术。其中最常见的方法是基于振动传感器的监测系统，通过在轴承座或机壳上安装加速度计等振动传感器，测量转子系统在运行过程中的振动响应，并通过分析振动信号的幅值与相位来推断转子是否存在不平衡及其大致量值。

3、然而，该类方法仍存在以下几方面的局限性，难以满足现代工业对设备状态监测高精度、智能化和可解释性诊断的需求：

4、1、测量间接、易受干扰：振动信号通过机械结构传递，受阻尼、共振、连接刚度等影响，无法真实反映转子本体的不平衡状态，降低诊断精度；

5、2、故障类型难以区分：现有技术通常只能判断不平衡量大小，无法区分原始质量不平衡、渐发性不平衡或突发性不平衡，不利于制定针对性维护策略；

6、3、信息维度单一：接触式传感器仅提供有限点信息，难以实现全局监测或早期局部故障感知；

7、4、安装与应用受限：高速、高温或封闭结构转子难以安装振动传感器，可能影响原有动力学特性。

8、特别地，在风力发电机等带有齿轮箱的复杂传动系统中，风轮转子的不平衡激励会通过主轴传递至齿轮箱，并对齿轮啮合频率产生幅值调制，在频谱中形成以齿轮啮合频率为中心、以风轮转频为间隔的对称边带。现有技术未能充分利用这一物理现象，导致对不平衡类型（原始、渐发、突发）的区分能力不足。

9、综上所述，现有技术在应对原始质量不平衡、渐发性不平衡以及突发性不平衡三类机理差异明显的故障时，仍存在测量间接、类型难以区分、预警能力不足等问题。因此，本领域亟需开发一种能够直接感知转子不平衡激励，并能够准确区分不同不平衡类型的方法。

技术实现思路

1、基于现有技术中存在的上述缺点和不足，本发明的目的之一是至少解决现有技术中存在的上述问题之一或多个，换言之，本发明的目的之一是提供满足前述需求之一或多个的一种基于声阵列信号的转子不平衡故障类型识别方法及系统。

2、为了达到上述发明目的，本发明采用以下技术方案：

3、一种基于声阵列信号的转子不平衡故障类型识别方法，包括以下步骤：

4、s1、通过传声器阵列采集转子运行的声场信号，得到声信号数据并进行预处理；

5、s2、对预处理的声信号数据进行特征提取，得到反映信号时间变化规律的时域特征、体现频率分布的频域特征、表征特征量演变趋势的微分特征以及表征声场空间分布的空域特征；

6、s3、基于时域特征、频域特征、微分特征和空域特征，先判断转子运行是否处于异常状态，并在处于异常状态时进行转子不平衡故障类型识别；

7、其中，所述转子不平衡故障类型包括原始质量不平衡、渐发性不平衡和突发性不平衡。

8、作为优选方案，所述步骤s1具体包括以下步骤：

9、s11、初始化与参数配置：加载转子几何参数、设置采集参数；

10、s12、同步数据采集：启动多通道同步采集，同时记录传声器阵列中所有传声器的声信号数据；其中，声信号数据包括声压信号和转速脉冲信号；

11、s13、信号预处理：对声信号数据依次进行时域对齐、带通滤波、降噪处理和数据有效性检验。

12、作为优选方案，所述步骤s12中，连续采集至少10个完整旋转周期的数据。

13、作为优选方案，所述步骤s3中，判断转子运行是否处于异常状态的过程包括：

14、提取当前采集周期的边带总能量，并与转子运行正常状态下的历史能量基线阈值进行比较：

15、若，则判定转子运行处于正常状态；

16、若，则判定转子运行处于异常状态。

17、作为优选方案，对于具有齿轮箱的风力发电机的风轮转子：

18、所述频域特征为边带对称性指数：

19、；

20、其中，al和ar分别为某一边带对的幅值；在齿轮啮合频率fm两侧，出现以转子的旋转频率fr为间隔的对称边带簇：；

21、其中，为边带阶数；

22、所述微分特征包括特征提取的声学特征时间序列f(t)的一阶导数和二阶导数；其中，一阶导数用于表征不平衡量的累积速度，二阶导数用于表征不平衡量变化的加速度特性；

23、所述空域特征为空域热点相位角及其变化率；其中，空域热点相位角为预处理的声信号数据进行波束形成算法运算后，提取出的声源能量最大的热点在极坐标系下的相位角，其变化率为。

24、作为优选方案，所述原始质量不平衡的识别逻辑为：

25、在多个采集周期内监测，对一阶导数进行线性拟合，其拟合斜率位于趋近于零的预设误差区间内，且边带对称性指数位于接近1的预设区间内，空域热点角度固定。

26、作为优选方案，所述渐发性不平衡的识别逻辑为：

27、在多个采集周期内监测，若一阶导数均为正值且超出预设的微小波动范围，进一步判断二阶导数：

28、若位于接近零的预设区间内，提示不平衡累积呈线性增长，对应典型的质量附着过程；

29、若为正值且逐渐增大，提示不平衡累积呈加速增长，对应潜在的部件松动或材料退化过程；

30、边带对称性指数整体保持稳定或目标预设区间内的轻微下降；

31、空域热点角度存在目标角度区间的极缓慢漂移。

32、作为优选方案，所述突发性不平衡的识别逻辑为：

33、实时监控预设秒级区间的特征变化率：

34、一阶导数在单个旋转周期内超过预设的突变阈值或二阶导数出现陡峭脉冲尖峰；

35、边带对称性指数在突变瞬间出现陡降；

36、空域热点角度在突变时刻发生快速跳变。

37、作为优选方案，转子不平衡故障类型识别方法，还包括输出维护策略：

38、若识别结果为原始质量不平衡，则维护策略为计划性停机校正；

39、若识别结果为渐发性不平衡，则维护策略为建议预测性维护；

40、若识别结果为突发性不平衡，则维护策略为紧急停机维护。

41、本发明还提供一种基于声阵列信号的转子不平衡故障类型识别系统，应用如上任一项所述方案的转子不平衡故障类型识别方法，所述转子不平衡故障类型识别系统包括：

42、采集模块，用于通过传声器阵列采集转子运行的声场信号，得到声信号数据；

43、预处理模块，用于对声信号数据进行预处理；

44、特征提取模块，用于对预处理的声信号数据进行特征提取，得到反映信号时间变化规律的时域特征、体现频率分布的频域特征、表征特征量演变趋势的微分特征以及表征声场空间分布的空域特征；

45、判断识别模块，用于基于时域特征、频域特征、微分特征和空域特征，先判断转子运行是否处于异常状态，并在判断结果为是时进行转子不平衡故障类型识别；其中，所述转子不平衡故障类型包括原始质量不平衡、渐发性不平衡和突发性不平衡。

46、本发明与现有技术相比，有益效果是：

47、本发明克服传统接触式振动监测受限于机械结构传递路径造成的信号衰减与畸变误差，通过声阵列直达声波实现转子激励源的非接触式直接感知，并通过对声阵列信号进行时域、频域、微分以及空域多维特征分析，实现对转子不平衡量大小与相位的精确估计，解决现有技术只知其量，不知其因的缺陷，通过分析声学信号的时域、频域及空域等多维度特征，构建能够自动区分原始质量不平衡、渐发性不平衡与突发性不平衡这三种不同故障机理的智能识别逻辑。在此基础上，本发明进一步建立不平衡故障的早期预警与趋势分析机制。特别针对渐发性不平衡故障，通过长期监测声学特征的变化趋势，可在故障严重之前提前发现潜在风险，从而为设备维护提供充分的预警时间，变事后维修为预见性维护。最终，本发明构建了一套从声信号采集-特征提取-故障识别-不平衡量量化-维护决策输出的完整技术闭环，使诊断结果能够直接服务于设备运维决策，例如转子重新配平、表面清理或紧急停机检查，从而显著提升设备运行的安全性与经济性。