CN103033253A - 一种塔式起重机结构的非接触振动检测方法 - Google Patents

Abstract

本发明涉及一种塔式起重机结构的非接触振动检测方法，属于检测技术领域。本方法为非接触式测量，通过配置多个摄像头实现多点和在线测试，无需在被测对象上安装传感器，没有任何负载效应，容易实施。图像信息直接数字化，构成全自动全数字化振动测试处理、记录系统，信息量比传统方法大。其中使用ROI(Regions of Interest)技术，缩小图像跟踪区域和计算量大小，并使用SURF方法加速特征点的提取速度，使用拉伊达准则剔除“离群点”改进SURF方法的精度；提高了现有技术中起重机安全监控系统的可靠性。

Description

一种塔式起重机结构的非接触振动检测方法

技术领域

本发明涉及一种塔式起重机结构的非接触振动检测方法，属于检测技术领域。

背景技术

起重机的金属结构的振动检测方法中最常用的是用电测法对塔机结构进行应变应力测量。应变电测法是用电阻应变片测出构件的应变，再根据应力、应变的关系式来确定构件应力状态的一种实验应力分析方法。其测量系统通常由应变片、应变仪、记录仪及计算分析设备等4部分组成。这种实验方法要求在起重机上贴多个应变片，由于起重机是运动的，而且外形尺寸巨大，不可能完全使用导线把应变片的信号集中起来，所以信号要引入专用无线信号发射设备，再使用接收设备在来接收信号。通过接收到的信号使用专用的分析设备，对信号进行分析，来分析结构的振动，并验证结构的安全可靠性。这种方法设备复杂，操作复杂，实验时还要使用人工敲击的方法，并且会影响起重机的生产，也不能反映真实的工作情况下的振动。

近年来，由于传感器的可靠性大大提高也有人使用加速度传感器对起重机的振动进行检测。这种测试使用了性能比应变片更为可靠稳定的加速度传感器和信号存储和分析系统。可以较好的采集振动信息。然而，这种方法，由于加速度传感器价格昂贵，安装困难，电线敷设都相当复杂；另外，测量的点的数目也很有，使得其应用的范围受限。

随着虚拟仪器技术的兴起，虚拟仪器技术应用于起重机的振动检测系统。该系统可一次测试十几个测点，稍加扩展可测试几十个甚至上百个测点，且具有测试速度快、精度高和成本低等特点。虚拟仪器技术也必须使用应变片或者传感器，只不过它们可以使用总线技术和软件技术，代替了过去昂贵的专用数据存储系统和数据处理硬件，取而代之的是一种虚拟仪器技术。但是，虚拟仪器技术还是无法摆脱安装应变片、加速度传感器，电线敷设复杂，测量的点还是有限。也使得这种技术在起重机中的应用受到限制。

此外，随着计算机技术的进步和大型通用有限元程序的应用，使用软件仿真对起重机的振动的研究变为可能。使用有限元软件对起重机结构建立有限元模型，必须对各个杆件和节点的处理必须根据其真实的受力特点进行合理的分析和优化，这样才可以使计算模型更接近于实际结构，得到的计算结果才更加真实可信，从而可以在一定程度上代替现场测试。而且利用计算机程序进行计算时，只需知道材料的有关性能和结构情况，且能够对不同构件(材料、几何形状和尺寸等)进行优选。有限元法速度快，大大减少了试验经费，提高了工作效率。然后，只有在了解结构的振动特性的基础上，并且使用合理的模型简化才能使起重机的结构振动仿真可信。

振动检测是起重机安全评价重要方面：

在国外，塔机技术中出现的遥控技术、无级调速技术都对塔机的操作安全增加了可靠性，加上微机和电子技术的引入，出现了许多种优秀的安全装置和诊断系统，如利波海尔公司采用的Litronic系统是一种电子式显示监控系统，它通过塔机实际工作时所发生的信号和预先储存的安全工作数值进行比较，达到报警的目的；法国华尔夫公司采用的PLCS控制系统能对各工作机构进行监控并自动诊断故障。从发展趋势来看，国内外生产企业对塔机的安全使用都极为重视，在结构上使用了各种安全装置以保证塔机的安全使用。

随着我国塔机的生产量、拥有量不断增加的同时，事故也在不断增加，所造成的损失也越来越大。由于塔机不仅具有一般建筑机械都有的不利因素：工作环境恶劣、连续作业、频繁转换场地等，同时还有比一般建筑机械更高的安全要求，其突出的特点有二：①塔机本身是高达几十米到百余米、重十几吨到几十吨的庞然大物，且不论在工作状态还是非工作状态，其结构件都处于受力状态，这样一个处于不平衡状态的高大结构件一旦发生事故，其损失十分巨大，影响甚为恶劣；②塔机的转场必须拆卸运输和重新安装，因此其安全度和质量不是设计或制造出厂就能永久得到保证，维修正确与否或操作使用都可能影响其安全性和可靠性，因此塔机的安全问题应提高到首要的位置，安全指标应是考察塔机性能最重要的指标。

在起重机金属结构当中广泛存在着振动疲劳问题，严重危及起重机的结构安全可靠性，振动又往往又是造成疲劳的直接原因。由于塔机的工作情况复杂，其性能安全检测评价标准较难确定。我国GB13752“塔式起重机设计规范”中要求循环次数大于16000的塔机结构件要进行疲劳计算，设计寿命按15～30年计算，GB3811“起重机设计规范”中也没有提出使用年限问题，仅规定A6级以上级别应进行疲劳强度验算。

由于塔机的工作环境较为恶劣，因此对塔机的结构性能要求很高，在其它环境工作正常的零部件在塔机系统中就不能保证其可靠性，为此需对系统的安全性进行定性和定量的评价，对事故发生的可能性进行预测，从而向决策人提供可靠的信息，以采取适当的保护措施。建立在用塔机技术安全状况评价系统的整体模型，构建评价系统的框架结构。

目前正在服役的不少老式起重机并没有进行疲劳寿命计算，然而随着高层建筑结构的增多，塔机的工作频率加重、满载率加大，有些已在高应力水平下运行，部分塔机工作年限已达到15年以上，疲劳问题日益严重。塔式起重机的剩余寿命的估计就变得非常重要了。

通常采用反向推理法进行塔机剩余疲劳寿命估算，基本步骤为：①通过对塔机群的疲劳试验分析、载荷谱统计、疲劳可靠性分析，获得塔机钢结构的疲劳可靠度曲线，建立在用塔机技术安全评价标准的确定原则；②分析在用塔机的历史数据、工作级别和应力水平等数据，采用反向推理法计算在用塔机金属结构的剩余寿命。另外，根据Miner线性累积损伤理论，机械的寿命由S-N曲线确定。但是，若各应力循环造成裂纹的扩展，通过无损检测手段可以检测得到的最小裂纹称为初始裂纹，从初始裂纹长度扩展到临界裂纹长度，所经历的载荷循环测试疲劳载荷谱编制则要按结构疲劳裂纹扩展寿命来确定结构的寿命。目前也有使用基于概率的寿命计算方法，也有基于未确知理论的起重机的安全评价方法。

但是这些方法必须要获得塔式起重机的载荷谱统计，进行塔机疲劳试验的才能对塔式起重机的剩余寿命进行评估计，而且我国的塔式起重机生产厂家多，生产质量水平高低不一。因此在现有的生产工艺和技术手段下载荷谱的获取较为困难，这里使用一种非接触的振动检测方法来对塔式起重机的振动进行检测，进而通过后处理程序可以获得塔式起重机的载荷谱的统计，另外，这种非接触的方法还可以对塔式起重机的实时状态进行监测，提出状态预警。

●数字图像处理算法在起重机振动中的应用

数字图像测量技术把目标图像作为检测和传递信息的载体并加以利用。测量基本原理是：取结构状态变化前的一幅图像作为参考图像，对应结构的各种状态采集一幅或多幅图像，比较结构状态变化前后的数字图像，计算图像上特征区域的变形，经换算得到对应的结构的实际变形。目前采用的主要方法有数字图像相关法和数字图像边缘检测法。基于视频图像技术的众多优点，该技术近年来发展迅速，已有众多的学者将该技术应用到了土木工程领域，例如有力学实验中材料表面形变测量、钢结构挠度变形监测、岩体裂隙测量、砼变形量测、预应力反拱度测量、海洋平台结构模型振动位移测量、隧道沉降监测、桥梁变形检测等等。

检测塔机振动时，首先经过图像增强和滤波处理，图像质量得到提高。再经过灰度处理和二值化处理，数据计算量可以极大的减少，之后使用矩法可以得到振动的曲线，但这种运算精度不能达到亚像素级别。所以提出一种改进的SURF算法，可用于检测塔机的振动，检测的精度可以达到亚像素的精度。

要测量视频图像中可动部分的振动，实际就是图像序列中指定可动目标的跟踪。目标的跟踪必然涉及图像匹配的问题。传统的模板匹配法是最小平方优化法(least-square optimization)不仅仅计算量大，而且对于运动物体在不同的拍摄条件下，仅管图像序列间隔较短，还是经常容易发生误匹配，定位精度不高的问题。虽然，有很多改进算法，但是，定位精度不高，计算量仍然巨大。另外，图像匹配方法还有基于直方图匹配的图像匹配，Mean Shift法和基于特征点的SURF(Scale-Invariant Features Transform)匹配算法。

Mean Shift算法可以用来检测概率密度函数中存在的模态。Mean Shift是由Fukunaga等人于1975年在一篇关于概率密度梯度函数的估计中提出来的。1995年，Yizong Cheng推广了Mean Shift算法，使得该算法可以应用于模式识别。Comaniciu等人把Mean Shift成功的运用的特征空间的分析，图像平滑和图像分割中。Comaniciu等人还把非刚体的跟踪问题近似为一个Mean Shift最优化问题，使得跟踪可以实时的进行。国内在物体的跟踪方面也多有类似的方法，也有人把卡尔曼滤波法与Mean Shift结合对图像中的人像和物体进行跟踪，都取得了不错的效果。

但由于目前对Mean Shift算法收敛的本质还不是很清楚，无法做到图像的精确定位。在振动视频经过处理后，所得到的数据结果会无故的发生跳跃和波动。对于振动测量，特别是频率的测量会引入随机的频率，这是算法本身的局限造成的，故而无法用作振动的测量。

D.G.Lowe等人提出的SIFT(Scale-Invariant Features Transform)算法是一种鲁棒性好的尺度不变特征描述方法，它可以提取局部特征，在尺度空间寻找极值点，提取位置、尺度、旋转不变量。广泛用于人脸识别、图像拼接、图像配准等领域。但SIFT算法计算数据量大、时间复杂度高、算法耗时长。

Bay等人提出的SURF(Speeded-Up Robust Features)算法，使用不同大小的矩形滤波器对原始图像进行卷积，代替了SIFT算法中使用高斯函数不同尺度的图像卷积。SURF算法在感兴趣点使用Harr小波计算响应，代替了SIFT算法在邻域内使用直方图的计算。SURF算法使用Harr小波算法降低了描述向量的维数，大大加快了匹配计算的速度。目前，SURF算法，已经用于人像的追踪，图像的拼接和图像的配准。

塔式起重机(以下简称塔机)因其具有工作效率高、适用范围广、回转半径大、起升高度高、操作方便、安装与拆卸也比较方便等特点，广泛应用于建筑施工和工业起重。近些年来，随着高层、超高层建筑的兴起，塔机的塔身高度也越来越高，因此，塔式起重机发生故障的危险就更大，据统计我国近年来塔式起重机事故呈逐年上升趋势。从2012年起国家对塔式起重机也提出了在线的安全监测的要求。在众多事故中，金属结构部分约占塔机自身质量的70％～80％，其中金属结构材料材质，焊接质量，以及结构的安装质量都可能造成塔机重大安全事故。金属结构在各工况下都会产生振动，结构在振动作用下易疲劳破坏，因此塔机的振动也成为当今研究的热点。如果能使用非接触的方法振动检测塔式起重机的振动的频率，振型，就可以对塔式起重机的强度，刚度，可靠性，安全性进行间接的分析，从而可以对起重机的安全进行评价，可以对起重的寿命做出预测。

目前研究的方法中，一种是使用软件仿真的方法对塔式起重机进行振动模态分析计算，另一种使用试验模态分析的方法获取结构的模态参数。把两种方法结合起来对塔式起重机的振动模态进行校核能相互验证。使用非接触的方法进行试验模态分析是一种新的途径。

现有的起重机的振动检测技术中多使用应变片，加速度传感器作为信号的采集单元；还要敷设大量的导线来传导信号或者使用无线来传送信号；当然也有使用无线传输的方法来传送信号，这些装置安装和使用都比较复杂；还容易出故障；由于起重的工况比较特殊，故障的排除还很麻烦；这种架构的价格也很昂贵；测量的点数也很有限；并且影响起重机的生产。因而这种技术的使用受到很大的局限。

另外，使用有限元的方法来仿真起重机的对理论研究有一定的意义，即使模型的简化和建立可与实际的起重机相符合，对现实中使用的起重机振动的测量，这种方法是无能为力的。

如果能使用一种非接触的方法，有效、可靠地检测出起重机金属结构的振动信息，可以为起重机安全监控系统的提供可靠依据，并且也可真实地反映起重机的运行状态。

发明内容

本发明的目的是为提高现有技术中起重机安全监控系统的可靠性，提供一种塔式起重机结构的非接触振动检测方法。

本发明方法的技术方案具体包括如下步骤：

步骤1，采用工业级CCD摄像头对塔式起重机结构进行拍摄，得到一幅目标图像和一路塔机运行过程中的视频，并对视频进行分解，得到多幅连续的视频分解图像。

所述视频摄制过程中塔式起重机的臂架与立柱在同一摄像平面内，不发生臂架的回转。

步骤2，对目标图像和视频分解图像分别使用ROI(Regions of Interest)方法获取感兴趣区域；将目标图像的感兴趣区域作为对比图像，将视频分解图像的感兴趣区域作为图像跟踪区域。

所述感兴趣区域的确定原则为：包含一个或多个最能体现塔式起重机结构中不同构件振动特性的结构点。

步骤3，根据步骤2得到的图像跟踪区域，在步骤1得到的每一幅视频分解图像中，选取对应区域的图像作为待匹配图像。

步骤4，对步骤2得到的对比图像以及步骤3得到的多幅待匹配图像，分别进行Hessian变换，并从中提取兴趣点。

兴趣点提取采用标准SURF方法中的兴趣点提取方法。

步骤5，对步骤4得到的两组兴趣点分别进行Harr小波变换，并提取特征点，得到两个特征点集。

步骤6，对步骤5得到的两个特征点集进行粗匹配，得到各个待匹配图像与对比图像之间的匹配点集。

粗匹配采用最邻近向量匹配方法，具体实现过程如下：

采用特征点的特征向量的欧式距离作为相似性测度，设N₁和N₂分别是对比图像P和任意一幅待匹配图像Q的特征点集合，对于N₁中的第m个特征点p_m，在N₂中与p_m的特征向量的欧氏距离最小的特征点是q_mj和q′_mj，对应的欧氏距离分别为d_mj和d′_mj，如果d_mj/d′_mj≤T(T为阈值)，则认为p_m和q_mj为对应匹配点。T＜1。

步骤7，采用拉伊达准则，对步骤6得到的多个匹配点集分别进行精确匹配，剔除“离群”点。

对其中一个匹配点集的精确匹配方法具体为：

求得该匹配点集中所有粗匹配点的欧氏距离平均值

令常数

设y_i＝x_i-a₀，其中x_i为第i对粗匹配点的欧氏距离；则x_i＝y_i+a₀。

从而得到用常数a₀以及所有粗匹配对的欧氏距离与a₀的差来表示的平均值表达式： $\stackrel{\‾}{x}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(y_i+a_0)=a_0+\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i.$

把上式带入到贝赛尔公式

得到标准差为：

$\mathrm{\σ}=\sqrt{\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-a_0-\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i)}^2}$

根号里面的求和项展开，得到标准差的优化表达式为：

$\mathrm{\σ}=\sqrt{\frac{1}{n-1}[\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i^2-\frac{1}{n}{\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i\right)}^2]}$

计算欧氏距离值x_i的偏差

设定一个动态参数k＝k₀+k_w，k₀为一个恒定的初始值，k_w为k的变化梯度。若|v_i|＞kσ，则判定此匹配点为离群点，剔除其对应的匹配对。

k₀通常取1.3，当k取值过大时，会漏剔除一些野值。当k取值过小时，会错误剔除部分有效值。一般情况下k值范围为k∈[1.3，5]。为了适应滤波的需要，滤波过程中实时调整k_w。若发现滤波器把大量正常值当作野值剔除掉，则逐渐增大k值，直到滤波处理后数据的有效匹配点个数小于滤波前个数且大于滤波前个数的3/4，得到精确匹配点集。

步骤8，对步骤7得到的多个精确匹配点集进行特征点亚像素内插。

步骤9，用最近领域法，在步骤8得到的亚像素内插点找到最匹配的亚像素内插点。

步骤10，用待匹配图像中亚像素内插点与目标图像中的亚像素内插点作减法，得到图像跟踪区域内塔式起重机感兴趣区域的振动曲线。

有益效果

本发明方法属于非接触式测量，通过配置多个摄像头实现多点和在线测试，无需在被测对象上安装传感器，没有任何负载效应，省去了传感器的安装和传输线布局等大量工作。图像信息直接数字化，构成全自动全数字化振动测试处理、记录系统，信息量比传统方法大得多。其中使用ROI(Regions of Interest)技术，缩小图像跟踪区域和计算量大小，并使用SURF方法加速特征点的提取速度，使用拉伊达准则剔除“离群点”改进SURF方法的精度。

附图说明

图1为具体实施方式中图像方法系统的架构；

图2为塔式起重机结构的非接触振动检测方法的流程图；

图3为具体实施方式中测量点的位置图；

图4为具体实施方式中各测量点时间-位移曲线图；

图5为具体实施方式中各测量点测量点频率特性；

图6为具体实施方式中四个点时间-位移曲线及X方向振动频率。

具体实施方式

为了更好的说明本发明的目的和优点，下面结合附图和实施例对本技术方案做进一步说明。

●图像处理的算法

本发明方法使用一种基于ROI(Regions of Interest)技术的SURF算法，可以缩小图像跟踪区域，和减少计算量，还可以达到较高的亚像素的精度。其次，用视频分解出的ROI图像与目标图像的ROI区域分别进行快速Hessian变换，再对所求解的兴趣点进行匹配。

SURF特征匹配算法采用的是最邻近向量匹配算法，该算法采用关键点特征向量的欧式距离作为相似性测度，设N₁和N₂分别是图像P和Q的SURF特征点集合，对于N₁中的任一特征点p_1i，在N₂中与p_1i的特征向量的欧氏距离最小的特征点是q_ij和q′_ij，对应的欧氏距离分别为d_ij和d′_ij，如果d_ij/d′_ij≤T(T为阈值)，则认为p_1i和q_ij为对应匹配点，不同的应用可以取不同的T(取值小于1，一般取0.75)通过匹配可以得到两个特征点集之间的粗匹配。粗匹配缺乏对特征点集的全局描述，含有较多的无匹配或错匹配，对图像序列的匹配造成不利影响。

SURF算法在提取特征与匹配的过程中，主要是针对图像特征点处的局部信息即图像的尺度变化和旋转变化，对图像的几何信息没有考虑，导致粗匹配的过程中存在大量的误匹配。特征点的查找和匹配算法的准确性决定配准的精度和稳定度。根据机械振动的序列影像，正确匹配特征两幅画像的像点连线的方向和长度是大致相同的，而错误匹配的特征点连线呈现明显的“离群”特点。这些“离群”的特征点包含了一种粗大误差，由于测试数据中包含了粗大误差，所以导致测试数据不能准确反映被没对象的特性，对于振动测试来说，可能会歪曲测试试验结果，因此，在图像匹配中，要把这些包含粗大误差的“离群”点剔除。但是在剔除粗大误差时又要特别小心谨慎，不能因为剔除粗大误差而错误地将有用的、反映测量对象真实特征的有效数据值剔除，从而影响对被测量对象的认识，粗大误差的剔除要遵循一定的准则，科学地进行剔除数据的工作。剔除粗大误差的准则主要有拉伊达

准则、格拉布斯(Grubss)准则、狄克逊(Dixon)准则、t检验法和肖维勒(Chauvenet)准则等。

这里采用拉伊达准则对特征点的查找和匹配进行改进，实现特征点的精确匹配。剔除“离群”点的方法是考察样本特征连线方向和长度的均值。对一组匹配的欧氏距离分别为x₁，x₂……x_n，设某一值x₁的测量误差为v_i，

v_i又称为残余误差或残差。若给定此组数据的置信水平为p＝99.7，即α＝0.3，则此时对应的门限值为±3σ，即落在±3σ以外的概率为0.3％，如果误差超过这个范围，则认为此数据是由于各个因素产生的粗大误差，这个数据应予剔除。测量数据x₁，x₂……x_n的标准偏差为σ，标准差可以由贝赛尔公式计算：

$\mathrm{\σ}=\sqrt{\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2}---\left(1\right)$

则拉伊达准则剔除残余误差应满足下式：

|v_i|＞3σ                       (2)

(1)式即为拉伊达准则的标准表达式。

由拉伊达算法可知，每剔除一个粗大数据，需要计算一次n-1个测量数据的平均值，残差v_i以及标准差σ。这样造成计算的工作量非常大，重复计算太多，必须将算法进行简化优化，减少计算工作量，提高运行速度。

设a₀为一常数，a₀值与测量数据比较接近，也可取测量数据序列中的某一个值，a₀值尽量靠近平均值设y_i＝x_i-a₀，则x_i＝y_i+a₀，进一步推导求出

为： $\stackrel{\‾}{x}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(y_i+a_0)=a_0+\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i.$ 上式表明平均值

由常数a₀与所有测量数据序列x_i与a₀值的差的平均值构成。

把上面求平均值的公式带入到贝赛尔公式，得到：

根号里面的求和项可以展开为下面的算式：

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-a_0-\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i)}^2=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i^2-\frac{1}{n}{\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i\right)}^2,$ 从而得到标准差的优化算法为：

$\mathrm{\σ}=\sqrt{\frac{1}{n-1}[\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i^2-\frac{1}{n}{\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i\right)}^2]}---\left(3\right)$

式(3)即为优化的标准差计算公式。用这个公式计算标准差σ更加方便。并且在连续处理中，由于a₀是常数，y_i＝x_i-a₀在每次计算中数值不变，这样因不需要反复计算y_i可以大大减少重复计算工作；并且可以节约程序中数据的存储空间，在循环计算时可以大大提高运算效率。采用上面的(3)式计算标准差可以大大减少重复计算的次数，对测量数据的实时处理和循环剔除异常值可以大大提高功效。

由于拉伊达准则中固定判据|v_i|＞3σ，也就是以相同的置信水平处理数据。在实际处理中显得灵活性不足，影响数据的实时处理，为此进行如下的改进。将拉伊达准则中的判据3σ改为kσ，令k＝k₀+k_w，k₀为一个恒定的初始值，k_w为k的变化梯度。当k取值过大时，会漏剔除一些野值。当k取值过小时，会错误剔除一些有效值。k值选取应适中，为了适应滤波中的这些需要，可以通过改变梯度k_w来进行调整。当k值过小时，滤波器会把大量的正常值当作野值剔除掉，此时应逐渐增大k值，每次使k＝k+k_w直到滤波器处理后数据的有效个数大于滤波前数据个数的3/4倍为止。一般情况下k值范围为k∈[1.3，5]此时判别准则表达式为：

|v_i|＞kσ                             (4)

通过拉伊达准则对匹配图像中的“离群”点进行去除，可以使SURF算法所匹配的关键点的精度大大提高，从而提高了图像匹配的精度，进而提高了利用图像匹配法测量振动的精度。另外，通过使用亚像素插值技术使得图像匹配的精度运算速度提高，经过坐标变换进而得到振动曲线。方法流程如图3所示。

使用改进的SURF算法与ROI(Region of Interest)技术相结合的一种图像处理算法，对塔机的振动进行测量，算法简单，处理精度也较高。

●基于振动视频检测的塔式起重机金属结构的振动测量系统

首先，是使用CCD摄像机来摄取塔机在运行时的图像数据。一般来说塔机高度较大，臂架较长，需要在距离较远的地方才可以将其全部摄入图像内。其次，由于塔机的外形体积，图像拍摄距离远，需要采用镜头畸变系数较小的镜头，应当选用百万分辨率的镜头；再者，根据过去的理论计算和实践经验，塔机的低阶振动频率一般都在1Hz以下，所以，采用的摄像机采样频率15Hz就可以捕捉到塔机的振动特征，工业摄像机基本都可达到这个采集速率。相机所拍摄的图像经过数据线传到计算机中，经过数字图像处理后，通过对比连续的图像间的相对位移(像素)，再通过像素对应空间的距离，得到塔机的振动特性。图1所示为这种测量方法的架构。选用Tamron百万分辨率镜头和Allied visiontechnology的Stringray系列的F146B ASG CCD相机，采集速率为15Hz。图像经过1394数据线传到计算机中，经过Matlab数字图像处理可得到塔机的振动特性。

下面是对某塔式起重机在下放重物时的工况选择四个测试点进行测试。

测量的原理如图2所示。实际工程运用中，将视频分解图像的第一帧作为目标图像。本实施例选取最具代表性的塔顶，回转台，小车和吊钩所确定的区域范围作为感兴趣区域。所测试的塔式起重机及测量点如图3所示。采用的最邻近向量匹配方法中的阈值T＝0.75。

改进的SURF法应用在塔式起重机非接触振动检测中与普通的图像矩法处理结果相比亚像素的定位精度从0.1像素提高到了0.05像素，精度提高了20倍，由于塔式起重机结构尺寸巨大，这对于结构的精确位移测量提供了可靠保障。如图4所示为1，2，3点振动在图像上的位移曲线。

通过傅立叶变换，可以得到各点振动的频率特性。如图5所示是1，2，3点的频率特性图。这里使用塔机的非接触测量法所测出的振动频率与有限元法计算出的一阶频率进行对比。由于有限元法的简化和假设，使得计算与测量的误差为15％，说明使用有限元法不能完全代替实验的方法，塔机的振动必须进行实验测量才能安全可靠。另外，用从图5中可以看出3点的一阶频率是0.1724Hz，而二阶频率才是0.2915Hz，这说明了3点的振动受臂架的刚度影响，也说明了塔机的臂架刚度要比塔身刚度要大，对于高耸塔机，塔身的安全要引起格外注意。

图6中所示为4点的X和Y方向的振动曲线和X方向的频率特性图。从图中可以看出此时塔机正在以近似匀速下放重物，所以在计算振动的频率时就不计入Y方向的竖直运动，而只考虑X方向的振动，从频率特性图上可以看到低阶的振动频率0.1183Hz和0.1760Hz，可以认为是风振频率和臂架的振动频率叠加在了重物上的结果。

从表1中可以看出基于非接触的视频测量方法能测量出塔机整体结构的低阶振动频率，且可对结构上不同位置点进行测量，另外不同点的低阶频率与结构整体的低阶频率不相同，说明了使用这种方法可比较容易的测量多点的振动。

表1有限元计算和试验测试各点频率对比(单位：Hz)

Claims (6)

1.一种塔式起重机结构的非接触振动检测方法，其特征在于：包括以下步骤：

步骤1，采用工业级CCD摄像头对塔式起重机结构进行拍摄，得到一幅目标图像和一路塔机运行过程中的视频，并对视频进行分解，得到多幅连续的视频分解图像；

步骤2，对目标图像和视频分解图像分别使用ROI方法获取感兴趣区域；并将目标图像的感兴趣区域作为对比图像，将视频分解图像的感兴趣区域作为图像跟踪区域；

步骤3，根据步骤2得到的图像跟踪区域，在步骤1得到的每一幅视频分解图像中，选取对应区域的图像作为待匹配图像；

步骤4，对步骤2得到的对比图像以及步骤3得到的多幅待匹配图像，分别进行Hessian变换，并从中提取兴趣点；

步骤5，对步骤4得到的两组兴趣点分别进行Harr小波变换，并提取特征点，得到两个特征点集；

步骤6，对步骤5得到的两个特征点集进行粗匹配，得到各个待匹配图像与对比图像之间的匹配点集；

粗匹配采用最邻近向量匹配方法，具体实现过程如下：

采用特征点的特征向量的欧式距离作为相似性测度，设N₁和N₂分别是对比图像P和任意一幅待匹配图像Q的特征点集合，对于N₁中的第m个特征点p_m，在N₂中与p_m的特征向量的欧氏距离最小的特征点为q_mj和q′_mj，对应的欧氏距离分别为d_mj和d′_mj，如果d_mj/d′_mj≤T，T为阈值，则认为p_m和q_mj为对应匹配点；

步骤7，采用拉伊达准则，对步骤6得到的多个匹配点集分别进行精确匹配，剔除“离群”点；

对其中一个匹配点集的精确匹配方法为：

求得该匹配点集中所有粗匹配点的欧氏距离平均值

令常数

设y_i＝x_i-a₀，其中x_i为第i对粗匹配点的欧氏距离；则x_i＝y_i+a₀；

得到用常数a₀以及所有粗匹配对的欧氏距离与a₀的差表示的平均值表达式：

$\stackrel{\‾}{x}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(y_i+a_0)=a_0+\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i;$

带入到贝赛尔公式

得到标准差为： $\mathrm{\σ}=\sqrt{\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-a_0-\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i)}^2}=\sqrt{\frac{1}{n-1}[\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i^2-\frac{1}{n}{\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i\right)}^2]}$

计算欧氏距离值x_i的偏差

设定一个动态参数k＝k₀+k_w，k₀为一个恒定的初始值，k_w为k的变化梯度；滤波过程中实时调整k_w，直到滤波处理后数据的有效匹配点个数小于滤波前个数且大于滤波前个数的3/4；

若|v_i|＞kσ，则判定此匹配点为离群点，剔除其对应的匹配对，得到精确匹配点集；

步骤8，对步骤7得到的多个精确匹配点集进行特征点亚像素内插；

步骤9，用最近领域法，在步骤8得到的亚像素内插点找到最匹配的亚像素内插点；

步骤10，将待匹配图像中亚像素内插点与目标图像中的亚像素内插点相减，得到图像跟踪区域内塔式起重机感兴趣区域的振动曲线。

2.根据权利要求1所述的一种塔式起重机结构的非接触振动检测方法，其特征在于：步骤1所述视频摄制过程中塔式起重机的臂架与立柱在同一摄像平面内，不发生臂架的回转。

3.根据权利要求1所述的一种塔式起重机结构的非接触振动检测方法，其特征在于：步骤2所述感兴趣区域的确定原则为：包含一个或多个最能体现塔式起重机结构中不同构件振动特性的结构点。

4.根据权利要求1所述的一种塔式起重机结构的非接触振动检测方法，其特征在于：兴趣点提取采用标准SURF方法。

5.根据权利要求1所述的一种塔式起重机结构的非接触振动检测方法，其特征在于：T＜1。

6.根据权利要求1所述的一种塔式起重机结构的非接触振动检测方法，其特征在于：k₀＝1.3，k∈[1.3，5]。

Images