CN109708877B - 基于小波模糊识别和图像分析理论的机械故障分析方法 - Google Patents

Abstract

本发明属于信号处理技术领域，涉及基于小波模糊识别和图像分析理论的机械故障分析方法，包括首先采集旋转机械的振动信号作为待分析信号，该振动信号为所述旋转机械的不同位置的多组振动信号，然后对所述振动信号作小波包分解,得到组分量：再判断旋转机械是否存在故障，存在故障则为异常状态，若所述旋转机械为异常状态，判断故障类型，并在旋转机械的异常状态下，利用图像传感器获取其动态图像；最后利用图像理论对获取的动态图像进行分析，确定故障发生的位置及故障程度。本发明能够快速实时地对旋转机械故障进行诊断，且能够利用图像的相关分析理论准确的判断机械故障的具体位置。

Description

基于小波模糊识别和图像分析理论的机械故障分析方法

技术领域

本发明属于信号处理技术领域，涉及一种机械故障检测与诊断分析方法，特别是基于小波模糊识别和图像分析理论的机械故障分析方法。

背景技术

旋转机械在电力、化工等行业的生产中占有重要地位。对旋转机械设备进行状态监测和故障诊断对保证设备的安全运行具有重要的现实意义和经济价值。旋转机械的振动信号是设备故障特征信号的载体，绝大部分旋转机械系统的故障都在振动信号中有所反映，通过对旋转机械振动信号的监测是实现对机械故障的诊断的一种行之有效的方法。故障机械的振动信号往往是非平稳信号，而传统的傅立叶变换虽然是一种重要的信号分析方法，但是难以处理非平稳信号，传统的诊断技术已经无法满足当前复杂机械设备的诊断要求。

发明内容

本发明针对现有技术存在的不足，提出一种基于小波模糊识别和图像分析理论的机械故障分析方法，能够快速实时地对旋转机械故障进行诊断，且能够利用图像的相关分析理论准确的判断机械故障的具体位置。

本发明为了实现上述技术目的采用的技术方案是：基于小波模糊识别和图像分析理论的机械故障分析方法，首先采集旋转机械的振动信号作为待分析信号，该振动信号为所述旋转机械的不同位置的多组振动信号，然后对所述振动信号作小波包分解，得到组分量：再判断旋转机械是否存在故障，存在故障则为异常状态，若所述旋转机械为异常状态，判断故障类型，并在旋转机械的异常状态下，利用图像传感器获取其动态图像；最后利用图像理论对获取的动态图像进行分析，确定故障发生的位置及故障程度。

进一步地，所述基于小波模糊识别和图像分析理论的机械故障分析方法包括如下具体步骤：

步骤1：采集旋转机械的振动信号f_k(t)作为待分析信号_，该振动信号f_k(t)为所述旋转机械的不同位置的K组振动信号{f_k(t),t＝1,2…N,k＝1,2…K}；

步骤2：对所述振动信号f_k(t)作小波包分解,得到2^jK组分量：

其中，j为小波包分解的层数；

步骤3：判断旋转机械是否存在故障，存在故障则为异常状态；

步骤4：若所述旋转机械为异常状态，判断故障类型；

步骤5：在旋转机械的异常状态下，利用图像传感器获取其动态图像；

步骤6：利用图像理论对获取的动态图像进行分析，确定故障发生的位置及故障程度。

进一步地，使用如下方法判断所述步骤3中旋转机械是否存在故障。

(1)计算峰-峰值

将所述步骤2的每一个

上的峰-峰值记为

则

其中，k＝1,2…K，构成第k个测点上的具有2^j个特征的特征集。

(2)计算隶属度

在T_k上构造两个模糊集，包括正常模式的N_k和异常模式的F_k,将它们分别定义成矩阵形式：

其中

和

分别表示第k个测点上旋转机械正常和异常对T_k上的特征

的隶属度。

(3)计算贴近度(B_k,N_k)，如果贴近度(B_k,N_k)≥d_k,则认为B_k为正常模式；如果贴近度(B_k,N_k)＜d_k,则认为B_k为异常模式，其中B_k是第k个测点上旋转机械状态的模糊集，0＜d_k＜1为由统计平均得到的一个贴近度限值；所述贴近度(B_k,N_k)计算方法为：

设X是模糊集，B_k,N_k∈X,则有：

其中m＝1,2…N。

进一步地，所述步骤4中判断故障类型的方法为：定义在被确定为异常模式的B_k中

与

最贴近，则对第k₀个测点的振动信号

进行j层小波包分解，在

的j层小波包分解的2^j个子带信号

中，以第i₀个子带信号的绝对值

的峰值个数作论域，并在此前提下，取U＝[1，2…L]，其中，U为论域，L为论域的取值范围内的某个正整数。

同时，假设所述旋转机械有M种典型故障R₁,R₂…R_M，在U上构造M个模糊集A₁,A₂…A_M，每一模糊集由下面的模糊向量构成:

其中，

表示第m种典型故障R_m对U上的元素l的隶属度；其中l为U内的某个取值，l的取值范围在1到L之间。

设检测到

的峰值个数为l₀，如果

则l₀相对隶属于模糊集A_m，由此诊断出该旋转机械的异常由典型故障R_m引起。

进一步地，所述步骤6中利用图像理论对获取的动态图像进行分析的方法为：采用模糊自适应中值滤波方法来去除脉冲噪声，同时保留所述动态图像的细节，然后使用直方图均衡化提高动态图像的对比度，最后对获取的动态图像进行边缘检测，把获得所述边缘检测的结果与正常旋转机械的边缘相比较，找出该旋转机械的故障所在位置并估计故障程度。

进一步地，所述模糊自适应中值滤波方法通过模糊技术来判断所述动态图像中某像素点是否属于噪声点。

进一步地，通过模糊技术判断噪声点的方法为：设X_(t)表示把W_ij(I)中的像素值按升序排列后处于第t个位置的值，即X₍₁₎≤X₍₂₎≤......≤X_(LL)，LL＝(2L_d+1)²，其中，I表示一幅待滤波的l₁×l₂数字图片，x_ij表示坐标(i,j)处的像素值，即I＝{x_ij|1≤i≤l₁,1≤j≤l₂}，Wi_j(I)表示中心位于(i，j)处的滤波窗口，其窗口尺寸为(2L_d+1)×(2L_d+1)；定义二值函数：

式中，u是预先定义的常数，并且1≤u≤(LL-1)/2,λ_ij＝1。

x_ij所在的动态图像窗口区域内每个像素与该动态图像中心像素的偏差为：

δ_i-s,j-t＝|x_i-s,j-t-x_ij|，式中，-L_d≤s≤L_d，-L_d≤t≤L_d，0≤δ_i-s,j-t≤255。把δ_i-s,j-t的值按升序排列，即Δ₍₁₎≤Δ₍₂₎≤…Δ_(LL)，其中Δ₍₁₎，Δ₍₂₎，…Δ_(LL)是把δ_i-s,j-t升序排列后对应的值，令

式中，N是预先定义好的常数，N≤(LL+1)/2，根据

的大小判断某个像素是否属于噪声。

进一步地，结合模糊技术采用隶属度判断所述动态图像中某像素点是否属于噪声点。

进一步地，所述结合模糊技术采用隶属度的判断方法为：

结合λ_ij、

提出统计参量ξ_ij：

定义所述动态图像中像素x_ij的隶属函数β_ij，

其中，W₁和W₂是预置的常数，若β_ij＝0，则像素x_ij不是噪声，若β_ij＝1，则像素x_ij被认为是噪声，若0<β_ij<1，则β_ij的值反映了像素x_ij被噪声污染的程度。

进一步地，在所述对获取的动态图像进行边缘检测的过程中，对该动态图像进行局部加强。

本发明的基于小波模糊识别和图像分析理论的机械故障分析方法，将小波模糊识别算法和图像分析理论运用于旋转机械故障检测与诊断中，引入小波包分解，对小波包分解得到的各组分量计算峰-峰值和各特征的隶属度，进而得到模糊集，最终由统计平均得到一个大于0小于1的贴进度限值，由贴进度限值来判断旋转机械是否存在故障隐患。为了确定旋转机械发生的故障程度和故障所处的具体位置，进而对图像传感器获得的动态图像进行图像分析。

小波变换具有优良的时频局部化特性，可以有效的分析和提取具有奇异性特点的旋转机械故障信号。

本发明与现有技术相比产生的有益效果是：本发明将小波模糊识别和图像分析理论相结合，应用到旋转机械的故障分析与判断，能快速实时地对故障进行诊断，且能够利用图像的相关分析理论对在旋转机械异常状态下图像传感器获得的动态图像进行图像分析，准确判断故障程度和故障所处的具体位置，适用于故障机械的非平稳振动信号，满足复杂机械设备的诊断要求。

附图说明

图1是本发明的机械故障分析方法流程图。

图2是本发明机械故障分析方法中图像分析的理论图。

具体实施方式

下面结合附图和实施例对本发明做进一步说明。

如图1，利用本发明的基于小波模糊识别和图像分析理论的机械故障分析方法分析旋转齿轮的故障。

首先，利用测振传感器来获取振动信号f_k(t)作为待分析信号，所述振动信号f_k(t)由置于不同旋转机械位置的K个测振传感器来测定。设旋转齿轮的振动信号由置于不同位置的K个测振传感器来测定，从而得到反映旋转齿轮运转状态的K组振动信号{f_k(t),t＝1,2…N,k＝1,2…K}。

然后，对该对振动信号f_k(t)作4层小波包分解,得到2⁴K组分量

再然后，判断旋转齿轮是否存在故障，方法如下。

1、计算峰-峰值

将上述的每一个

上的峰-峰值记为

则

其中，k＝1,2…K，构成第k个测点上的具有2⁴个特征的特征集。

2、计算隶属度

在T_k上构造两个模糊集，包括正常模式的N_k和异常模式的F_k,将它们分别定义成矩阵形式：

其中

和

分别表示第k个测点上旋转机械正常和异常对T_k上的特征

的隶属度。

本实施例中，设旋转齿轮的待检信号为{f_k(t),t＝1,2…n,k＝1,2…k}，其在T_k(k＝1,2,…k)上构成的模糊矩阵为

其中B_k是第k个测点上旋转齿轮状态的模糊集,

表示第k个测点上待检信号f_k(t)对T_k上的特征

的隶属度。

3、计算贴近度(B_k,N_k)，根据待检模式B_k与正常模式N_k及异常模式F_k之间贴近度的计算，设X是模糊集，B_k,N_k∈X,则有：

其中m＝1,2…N。如果贴近度(B_k,N_k)≥d_k,则认为B_k为正常模式；如果贴近度(B_k,N_k)＜d_k,则认为B_k为异常模式，其中B_k是第k个测点上旋转机械状态的模糊集，0＜d_k＜1为由统计平均得到的一个贴近度限值。

再然后，若判断旋转齿轮为异常状态，则判断其故障类型。

假设在被确定为异常模式的B_k中，

与

最贴近。则现在只需考虑第k₀个测点的振动信号

对第k₀个测点的振动信号

进行4层小波包分解，在

的4层小波包分解的2⁴个子带信号

中，以第i₀个子带信号的绝对值

的峰值个数作论域。

在该子带信号的绝对值

的峰值个数作论域的前提下，取U＝[1，2…L]，其中，U为论域，L为论域的取值范围的某个正整数。这时的峰值主要由旋转齿轮中某个部位的局部缺陷引起的冲击形成。因而峰值的个数与该元件的缺陷频率有密切的关系。但由于种种原因，实际检测到的峰值个数与该缺陷部位的缺陷频率并非一一对应的关系，从而使对旋转齿轮故障的诊断产生一定的模糊性。

设旋转齿轮有M种典型故障R₁,R₂…R_M，于是可在U上构造M个模糊集A₁,A₂…A_M，每一模糊集由下面的模糊向量构成：

其中

表示第m种典型故障R_m对U上的元素l的隶属度；l为U内的某个取值，l的取值范围在1到L之间。

设检测到

的峰值个数为l₀,如果

则根据最大隶属原则，l₀相对隶属于模糊集A_m。由此诊断出旋转齿轮的异常由典型故障R_m引起。

之后，为了确定旋转齿轮发生的故障程度和故障所处的具体位置，使用图像分析理论进行具体分析。

如图2所示，首先在旋转齿轮处于异常状态下，利用图像传感器获取该异常状态的动态图像。

然后，采用模糊技术与中值滤波相结合的模糊自适应中值滤波方法来去除脉冲噪声，同时保留所述动态图像的细节，然后使用直方图均衡化提高动态图像的对比度，最后对获取的动态图像进行边缘检测，把获得的动态图像的边缘检测的结果与正常的旋转齿轮的边缘相比较，找出旋转齿轮的故障所在位置并估计故障程度。

所述的模糊自适应中值滤波方法通过模糊技术来判断所述动态图像中某像素点是否属于噪声点。

设X_(t)表示把W_ij(I)中的像素值按升序排列后处于第t个位置的值，即X₍₁₎≤X₍₂₎≤......≤X_(LL)，LL＝(2L_d+1)²。其中，I表示一幅待滤波的l₁×l₂数字图片，x_ij表示坐标(i,j)处的像素值，即I＝{x_ij|1≤i≤l₁,1≤j≤l₂}，W_ij(I)表示中心位于(i，j)处的滤波窗口，其窗口尺寸为(2L_d+1)×(2L_d+1)。

为了判断某个像素点是否是噪声点，定义一个二值函数：

式中，u是一个预先定义好的常数，并且1≤u≤(LL-1)/2,λ_ij＝1。

x_ij所在的动态图像窗口区域内每个像素与该动态图像中心像素的偏差为：

δ_i-s,j-t＝|x_i-s,j-t-x_ij|，

式中，-L_d≤s≤L_d,-L_d≤t≤L_d，显然，0≤δ_i-s,j-t≤255。

把δ_i-s,j-t的值按升序排列，即Δ₍₁₎≤Δ₍₂₎≤…Δ_(LL)，其中Δ₍₁₎，Δ₍₂₎，…Δ_(LL)是把δ_i-s,j-t升序排列后对应的值。令

式中，N是预先定义好的常数。由于δ_ij＝|x_ij-x_ij|＝0，则Δ₍₁₎＝0，因此在计算

时不考虑Δ₍₁₎，因此，取N≤(LL+1)/2。

对于噪声点，

的值一般都比较大，而对于非噪声点，

的值一般都比较小，因此可以用

的大小来判断某个像素是否属于噪声。

进一步地，可结合模糊技术采用隶属度判断当前点是否属于噪声点。

结合λ_ij、

提出一个新的统计参量ξ_ij：

根据ξ_ij的大小，可以更好地预测每个像素点是否属于噪声点。

结合λ_ij、

用隶属度来描述某个像素点是噪声的可能性，根据隶属度计算该像素点进行模糊自适应中值滤波后的值。

定义所述动态图像中像素x_ij的隶属函数β_ij，

式中，W₁和W₂是两个预置的常数。

若β_ij＝0，则像素x_ij不是噪声；若β_ij＝1，则像素x_ij被认为是噪声，若0<β_ij<1，则β_ij的值则反映了像素x_ij被噪声污染的程度。

由每个像素x_ij可能是噪声的隶属度β_ij，以及对应的窗口序列W_ij(I)的中值m_ij(I)得到滤波后的新像素值y_ij，即y_ij＝(1-β_ij)×x_ij+β_ij×m_ij(I)，式中，m_ij(I)＝media[W_ij(I)]。

由上式可以看出，对于非噪声点x_ij(β_ij＝0)，对它进行模糊自适应中值滤波后，滤波后的结果保持不变y_ij＝，x_ij而对于确定的噪声点x_ij(β_ij＝1)，其滤波结果就是窗口序列的中值y_ij＝m_ij，而对于不能完全肯定是否属于噪声的像素x_ij(0＜β_ij＜1)，可以结合隶属度、初值、中值来计算滤波结果。

在另一实施例中，如果在旋转齿轮上粘附着纤细的异物，当进行边缘检测时，可能会被误诊为裂纹，这种情况下要对动态图像进行局部加强，之后再与正常的旋转齿轮的边缘进行对比，保证了检测的准确性。

以上实施例仅用以说明本发明的技术方案，而非对其进行限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，仍然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。

Claims (7)

1.基于小波模糊识别和图像分析理论的机械故障分析方法，其特征在于，该方法包括如下具体步骤：

步骤1：首先采集旋转机械的振动信号作为待分析信号，该振动信号为所述旋转机械的不同位置的多组振动信号，即：

采集旋转机械的振动信号f_k(t)作为待分析信号，该振动信号f_k(t)为所述旋转机械的不同位置的K组振动信号{f_k(t),t＝1,2ΛN,k＝1,2ΛK}；

步骤2：对所述振动信号作小波包分解，得到组分量，即：

对所述振动信号f_k(t)作小波包分解,得到2^jK组分量：

其中，j为小波包分解的层数；

步骤3：判断旋转机械是否存在故障，存在故障则为异常状态，即：

(1)计算峰-峰值

将所述步骤2的每一个

上的峰-峰值记为

则

其中，k＝1,2ΛK，构成第k个测点上的具有2^j个特征的特征集；

(2)计算隶属度

在T_k上构造两个模糊集，包括正常模式的N_k和异常模式的F_k,将它们分别定义成矩阵形式：

其中

和

分别表示第k个测点上旋转机械正常和异常对T_k上的特征

的隶属度；

(3)计算贴近度(B_k,N_k)，

如果贴近度(B_k,N_k)≥d_k,则认为B_k为正常模式；如果贴近度(B_k,N_k)＜d_k,则认为B_k为异常模式，其中B_k是第k个测点上旋转机械状态的模糊集，0＜d_k＜1为由统计平均得到的一个贴近度限值；所述贴近度(B_k,N_k)计算方法为：

设X是模糊集，B_k,N_k∈X,则有：

其中m＝1,2ΛN；

步骤4：若所述旋转机械为异常状态，判断故障类型，即：

定义在被确定为异常模式的B_k中

与

最贴近，则对第k₀个测点的振动信号

进行j层小波包分解，在

的j层小波包分解的2^j个子带信号

中，以第i₀个子带信号的绝对值

的峰值个数作论域，并在此前提下，取U＝[1，2ΛL]，其中，U为论域，L为论域的取值范围内的某个正整数；

同时，假设所述旋转机械有M种典型故障R₁,R₂ΛR_M，在U上构造M个模糊集A₁,A₂ΛA_M，每一模糊集由下面的模糊向量构成:

其中

表示第m种典型故障R_m对U上的元素l的隶属度；其中l为U内的某个取值，l的取值范围在1到L之间；

设检测到

的峰值个数为l₀，如果

则l₀相对隶属于模糊集A_m，由此诊断出该旋转机械的异常由典型故障R_m引起；

步骤5：在旋转机械的异常状态下，利用图像传感器获取其动态图像；

步骤6：利用图像理论对获取的动态图像进行分析，确定故障发生的位置及故障程度。

2.如权利要求1所述的机械故障分析方法，其特征在于，所述步骤6中利用图像理论对获取的动态图像进行分析的方法为：采用模糊自适应中值滤波方法来去除脉冲噪声，同时保留所述动态图像的细节，然后使用直方图均衡化提高动态图像的对比度，最后对获取的动态图像进行边缘检测，把获得所述边缘检测的结果与正常旋转机械的边缘相比较，找出该旋转机械的故障所在位置并估计故障程度。

3.如权利要求2所述的机械故障分析方法，其特征在于，所述模糊自适应中值滤波方法通过模糊技术来判断所述动态图像中某像素点是否属于噪声点。

4.如权利要求3所述的机械故障分析方法，其特征在于，通过模糊技术判断噪声点的方法为：设X_(t)表示把W_ij(I)中的像素值按升序排列后处于第t个位置的值，即X₍₁₎≤X₍₂₎≤......≤X_(LL)，LL＝(2L_d+1)²，其中，I表示一幅待滤波的l₁×l₂数字图片，x_ij表示坐标(i,j)处的像素值，即I＝{x_ij|1≤i≤l₁,1≤j≤l₂}，W_ij(I)表示中心位于(i，j)处的滤波窗口，其窗口尺寸为(2L_d+1)×(2L_d+1)；定义二值函数：

式中，u是预先定义的常数，并且1≤u≤(LL-1)/2,λ_ij＝1；

x_ij所在的动态图像窗口区域内每个像素与该动态图像中心像素的偏差为：

δ_i-s,j-t＝|x_i-s,j-t-x_ij|，式中，-L_d≤s≤L_d，-L_d≤t≤L_d，0≤δ_i-s,j-t≤255；把δ_i-s,j-t的值按升序排列，即Δ₍₁₎≤Δ₍₂₎≤ΛΔ_(LL)，其中Δ₍₁₎，Δ₍₂₎，ΛΔ_(LL)是把δ_i-s,j-t升序排列后对应的值，令

式中，N是预先定义好的常数，N≤(LL+1)/2，根据

的大小判断某个像素是否属于噪声。

5.如权利要求4所述的机械故障分析方法，其特征在于，结合模糊技术采用隶属度判断所述动态图像中某像素点是否属于噪声点。

6.如权利要求5所述的机械故障分析方法，其特征在于，所述结合模糊技术采用隶属度的判断方法为：结合λ_ij、

提出统计参量ξ_ij：

定义所述动态图像中像素x_ij的隶属函数β_ij，

其中，W₁和W₂是预置的常数，若β_ij＝0，则像素x_ij不是噪声，若β_ij＝1，则像素x_ij被认为是噪声，若0<β_ij<1，则β_ij的值反映了像素x_ij被噪声污染的程度。

7.如权利要求2所述的机械故障分析方法，其特征在于，在所述对获取的动态图像进行边缘检测的过程中，对该动态图像进行局部加强。

Images