CN110517245B - 一种机械设备故障诊断系统 - Google Patents
一种机械设备故障诊断系统 Download PDFInfo
- Publication number
- CN110517245B CN110517245B CN201910784922.9A CN201910784922A CN110517245B CN 110517245 B CN110517245 B CN 110517245B CN 201910784922 A CN201910784922 A CN 201910784922A CN 110517245 B CN110517245 B CN 110517245B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- mechanical equipment
- edge detection
- fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/002—Thermal testing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/004—Testing the effects of speed or acceleration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Abstract
本发明提供了一种机械设备故障诊断系统,包括故障检测子系统、信息传输子系统和预警子系统,所述故障检测子系统基于红外图像和机械设备振动对机械设备故障进行检测,所述信息传输子系统用于将故障信息发送至预警子系统,所述预警子系统在接收到故障信息后发出警报。有益效果:同以往对机械设备进行人工检测不同,本发明实现了对机械设备故障的自动诊断和报警,故障时机械设备红外图像的会与正常工作时机械设备的红外图像不同,从而基于红外图像实现了机械设备的故障检测,此外,故障时机械设备振动会发生异常,结合机械设备振动进行故障检测,提升了检测准确率和适用范围。
Description
技术领域
本发明涉及故障诊断技术领域,具体涉及一种机械设备故障诊断系统。
背景技术
随着科学技术的发展,机械设备应用急剧增加,出现在生产中的各个领域,机械设备运行时,需要检修人员对机械设备进行故障检测,耗费人力物力,不利于生产效率的提高。
发明内容
针对上述问题,本发明旨在提供一种机械设备故障诊断系统。
本发明的目的采用以下技术方案来实现:
提供了一种机械设备故障诊断系统,包括故障检测子系统、信息传输子系统和预警子系统,所述故障检测子系统基于红外图像和机械设备振动对机械设备故障进行检测,所述信息传输子系统用于将故障信息发送至预警子系统,所述预警子系统在接收到故障信息后发出警报。
有益效果:同以往对机械设备进行人工检测不同,本发明实现了对机械设备故障的自动诊断和报警,故障时机械设备红外图像的会与正常工作时机械设备的红外图像不同,从而基于红外图像实现了机械设备的故障检测。
可选的,所述故障检测子系统包括机械设备图像采集模块、机械设备图像预处理模块、第一目标提取模块、第二目标提取模块和机械设备故障诊断模块,所述机械设备图像采集模块用于采集机械设备的红外图像,所述机械设备图像预处理模块将采集的红外图像转化为灰度图像,所述第一目标提取模块对目标边缘清晰的图像目标进行提取,所述第二目标提取模块对目标边缘不清晰的图像目标进行提取,所述故障检测模块基于图像目标提取结果对机械设备进行故障诊断。
可选的,所述机械设备图像预处理模块将采集的红外图像转化为灰度图像,具体为:
根据下式将采集的机械设备的红外图像转化为灰度图像:
F(x,y)=0.3R(x,y)+0.6G(x,y)+0.1B(x,y)
式中,F(x,y)表示转化后的灰度图像在(x,y)处的灰度值,(x,y)表示图像的空间坐标,R(x,y)、G(x,y)、B(x,y)分别表示红外图像在(x,y)处的红色分量值、绿色分量值和蓝色分量值。
可选的,所述第一目标提取模块包括第一边缘检测单元、第二边缘检测单元和第一目标提取单元,所述第一边缘检测单元对目标边缘进行一次检测,所述第二边缘检测单元对目标边缘进行二次检测,所述第一目标提取单元根据第一边缘检测单元和第二边缘检测单元检测到的目标边缘对目标进行提取。
可选的,所述第一边缘检测单元对目标边缘进行一次检测,具体为:
Ex(x,y)=-2F(x-1,y-1)+2F(x+1,y-1)-3F(x-1,y)+3F(x+1,y)-2F(x-1,y+1)+2F(x+1,y+1)
Ey(x,y)=2F(x-1,y+1)+3F(x,y+1)+2F(x-1,y+1)-2F(x-1,y-1)-3F(x,y-1)-2F(x-1,y-1)
确定图像第一边缘检测值E(x,y):E(x,y)=|Ex(x,y)|+|Ey(x,y)|;
设定第一边缘检测阈值,若E(x,y)大于第一边缘检测阈值,则将该点作为边缘点,遍历图像所有像素点,并据此确定目标第一边缘检测结果;
所述第二边缘检测单元对目标边缘进行二次检测,具体为:
Kx(x,y)=-2F(x-1,y-1)+2F(x+1,y-1)-5F(x-1,y)+5F(x+1,y)-2F(x-1,y+1)+2F(x+1,y+1)
Ky(x,y)=2F(x-1,y+1)+5F(x,y+1)+2F(x-1,y+1)-2F(x-1,y-1)-5F(x,y-1)-2F(x-1,y-1)
确定图像第二边缘检测值K(x,y):K(x,y)=|Kx(x,y)|+|Ky(x,y)|;
设定第二边缘检测阈值,若E(x,y)大于第二边缘检测阈值,则将该点作为边缘点,遍历图像所有像素点,并据此确定目标第二边缘检测结果;
将第一边缘检测结果和第二边缘检测结果中均为边缘点的像素点作为目标边缘对目标进行提取。
可选的,所述第二目标提取模块包括第一区域检测单元、第二区域检测单元和第二目标提取单元,所述第一区域检测单元用于检测第一目标区域,所述第二区域检测单元用于检测第二目标区域,所述第二目标提取单元第一目标区域和第二目标区域确定目标;
所述第一区域检测单元用于检测第一目标区域,具体为:
在图像横向和纵向采用三分线对图像进行划分,将图像分成3×3个子块;在每个子块选取灰度值最大的点作为该子块基准点,设定生长阈值,若其3×3邻域内像素点灰度值与基准点灰度值的差值小于设定的生长阈值,则该邻域内像素点也作为基准点继续与3×3邻域内像素点灰度值进行比较,直到每个子块内基准点的数量不再变化,将所有基准点所构成的区域作为第一目标区域。
可选的,所述第二区域检测单元用于检测第二目标区域,具体为:
确定图像分割函数:
式中,Z表示图像分割函数,L表示图像灰度级总数,L=256,i表示图像的第i个灰度级,w表示图像的分割阈值,pi表示灰度级i的像素点的个数与图像总像素点的比值,pw表示灰度级w的像素点的个数与图像总像素点的比值;
图像的最佳分割阈值根据下式确定:w1=max0≤w≤L-1Z,式中,w1表示图像的最佳分割阈值;
将灰度值大于最佳分割阈值的像素点作为目标点,遍历图像所有像素点,所有灰度值大于最佳分割阈值的像素点作为图像第二目标区域;
将第一目标区域和第二目标区域重合部分作为图像目标进行提取。
可选的,所述故障检测子系统还包括振动检测模块,所述振动检测模块基于机械设备的振动对机械设备故障进行检测。
所述振动检测模块基于机械设备的振动对机械设备故障进行检测,具体为:
采集机械设备的振动信号,并采用小波分解对机械设备的振动信号进行处理,利用相关性算法剔除无关信号对振动信号的影响,对振动信号进行降维处理并根据信息熵确定振动信号的分布状态,提取振动信号在正常运行时和故障时的信号特征,基于实际运行数据与提取的正常运行时的信号特征进行比对,完成机械故障的检测。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明的结构示意图;
图2是本发明故障检测子系统的结构示意图。
附图标记:
故障检测子系统1、信息传输子系统2、预警子系统3、机械设备图像采集模块4、机械设备图像预处理模块5、第一目标提取模块6、第二目标提取模块7、机械设备故障诊断模块8。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1,本实施例提供了一种机械设备故障诊断系统,包括故障检测子系统1、信息传输子系统2和预警子系统3,所述故障检测子系统1基于红外图像和机械设备振动对机械设备故障进行检测,所述信息传输子系统2用于将故障信息发送至预警子系统,所述预警子系统3在接收到故障信息后发出警报。任何物体都会向外辐射红外线,且物体状态不同,其辐射不同,红外图像不同,这就导致机械设备正常运行时和发生故障时的红外图像不同,发生故障的局部红外图像会发生变化,从而实现对机械设备的故障检测。检测到的信息通过网络或者线缆传输至预警子系统,预警子系统通过警灯或者警铃发出预警,引起工作人员的注意,及时避免机械设备故障引发事故。
本实施例与以往对机械设备进行人工检测不同,实现了对机械设备故障的自动诊断和报警,故障时机械设备红外图像的会与正常工作时机械设备的红外图像不同,从而基于红外图像实现了机械设备的故障检测,此外,故障时机械设备振动会发生异常,结合机械设备振动进行故障检测,提升了检测准确率和适用范围。
优选的,所述故障检测子系统1包括机械设备图像采集模块4、机械设备图像预处理模块5、第一目标提取模块6、第二目标提取模块7和机械设备故障诊断模块8,所述机械设备图像采集模块4用于采集机械设备的红外图像,所述机械设备图像预处理模块5将采集的红外图像转化为灰度图像,所述第一目标提取模块6对目标边缘清晰的图像目标进行提取,所述第二目标提取模块8对目标边缘不清晰的图像目标进行提取,所述故障检测模块9基于图像目标提取结果对机械设备进行故障诊断。
故障检测具体过程为,首先通过红外摄像机获取机械设备的红外图像,由于红外图像的获取并不需要接触机械设备,这就使得机械设备可以在工作状态下进行红外图像采集,由于一些机械设备的危险性,红外图像采集进行故障检测同时也保证了人员的安全,且对机械设备进行测量时不会对机械设备本身产生影响。
将红外图像首先转化为灰度图像,能够降低图像处理维度,加快图像处理速度,为后续目标提取提供了方便,针对目标种类不同,采用不同的方式对边缘清晰的目标和边缘不清晰的目标分别进行提取,在目标提取结果的基础上,比较机械设备正常工作状态下和故障时的区别,完成机械设备的故障诊断。
本优选实施例提供了更加完备的机械设备故障检测方法,针对不同的目标,采用不同的方式进行提取,实现了各种目标的提取,即使对于轮廓不清晰的机械设备,也能进行很好的目标提取,为各种复杂机械设备的故障诊断奠定了基础。
优选的,所述机械设备图像预处理模块5将采集的红外图像转化为灰度图像,具体为:
根据下式将采集的机械设备的红外图像转化为灰度图像:
F(x,y)=0.3R(x,y)+0.6G(x,y)+0.1B(x,y)
式中,F(x,y)表示转化后的灰度图像在(x,y)处的灰度值,(x,y)表示图像的空间坐标,R(x,y)、G(x,y)、B(x,y)分别表示红外图像在(x,y)处的红色分量值、绿色分量值和蓝色分量值。
本优选实施例实现了红外图像向灰度图像的快速转化,与以往的图像转化算法不同,在转化过程中仅保留小数点后一位,提高了计算效率,从而提升了故障检测速度,同时,将红外图像转化为灰度图像,为后续快速提取目标奠定了基础。
优选的,所述第一目标提取模块6包括第一边缘检测单元、第二边缘检测单元和第一目标提取单元,所述第一边缘检测单元对目标边缘进行一次检测,所述第二边缘检测单元对目标边缘进行二次检测,所述第一目标提取单元根据第一边缘检测单元和第二边缘检测单元检测到的目标边缘对目标进行提取。
本优选实施例针对边缘清晰的目标进行提取,通过对目标边缘进行一次检测和二次检测,得到的目标更为准确。
优选的,所述第一边缘检测单元对目标边缘进行一次检测,具体为:
Ex(x,y)=-2F(x-1,y-1)+2F(x+1,y-1)-3F(x-1,y)+3F(x+1,y)-2F(x-1,y+1)+2F(x+1,y+1)
Ey(x,y)=2F(x-1,y+1)+3F(x,y+1)+2F(x-1,y+1)-2F(x-1,y-1)-3F(x,y-1)-2F(x-1,y-1)
确定图像第一边缘检测值E(x,y):E(x,y)=|Ex(x,y)|+|Ey(x,y)|;
设定第一边缘检测阈值,若E(x,y)大于第一边缘检测阈值,则将该点作为边缘点,遍历图像所有像素点,并据此确定目标第一边缘检测结果;
所述第二边缘检测单元对目标边缘进行二次检测,具体为:
Kx(x,y)=-2F(x-1,y-1)+2F(x+1,y-1)-5F(x-1,y)+5F(x+1,y)-2F(x-1,y+1)+2F(x+1,y+1)
Ky(x,y)=2F(x-1,y+1)+5F(x,y+1)+2F(x-1,y+1)-2F(x-1,y-1)-5F(x,y-1)-2F(x-1,y-1)
其中,F(x-1,y+1)、F(x,y+1)、F(x-1,y+1)、F(x-1,y-1)、F(x,y-1)、F(x-1,y-1分别表示图像在x-1,y+1、x,y+1、x-1,y+1、x-1,y-1、x,y-1、Fx-1,y-1处的灰度值;
确定图像第二边缘检测值K(x,y):K(x,y)=|Kx(x,y)|+|Ky(x,y)|;
设定第二边缘检测阈值,第二边缘检测阈值介于0至255之间,可以根据情况进行选取,若E(x,y)大于第二边缘检测阈值,则将该点作为边缘点,遍历图像所有像素点,并据此确定目标第二边缘检测结果;
将第一边缘检测结果和第二边缘检测结果中均为边缘点的像素点作为目标边缘对目标进行提取。
第一边缘检测单元和第二边缘检测单元的边缘检测算子能够实现对图像噪声的有效平滑,减少噪声对图像造成的影响,提高了目标提取准确性,将第一边缘检测结果和第二边缘检测结果进行融合,能够剔除不确定的边缘点,进一步提升了目标提取的准确性。实现了边缘清晰的目标准确提取,为机械设备故障诊断奠定了基础。
优选的,所述第二目标提取模块7包括第一区域检测单元、第二区域检测单元和第二目标提取单元,所述第一区域检测单元用于检测第一目标区域,所述第二区域检测单元用于检测第二目标区域,所述第二目标提取单元第一目标区域和第二目标区域确定目标;
所述第一区域检测单元用于检测第一目标区域,具体为:
在图像横向和纵向采用三分线对图像进行划分,将图像分成3×3个子块;在每个子块选取灰度值最大的点作为该子块基准点,设定生长阈值,若其3×3邻域内像素点灰度值与基准点灰度值的差值小于设定的生长阈值,则该邻域内像素点也作为基准点继续与3×3邻域内像素点灰度值进行比较,直到每个子块内基准点的数量不再变化,将所有基准点所构成的区域作为第一目标区域。
本优选实施例针对边缘不清晰的目标进行了提取,为了防止目标提取不全,将图像分为大小完全相同的九个子块,在每个子块进行目标区域生长,生长阈值的取值范围为30到100具体取值可以根据实际情况确定,最终将每个子块的所有基准点构成了第一目标区域。
优选的,所述第二区域检测单元用于检测第二目标区域,具体为:
确定图像分割函数:
式中,Z表示图像分割函数,L表示图像灰度级总数,L=256,i表示图像的第i个灰度级,w表示图像的分割阈值,pi表示灰度级i的像素点的个数与图像总像素点的比值,pw表示灰度级w的像素点的个数与图像总像素点的比值;
图像的最佳分割阈值根据下式确定:w1=max0≤w≤L-1Z,式中,w1表示图像的最佳分割阈值;
将灰度值大于最佳分割阈值的像素点作为目标点,遍历图像所有像素点,所有灰度值大于最佳分割阈值的像素点作为图像第二目标区域;
通过合理设计图像分割阈值,单一的图像分割阈值,实现了第二目标区域的快速提取;
将第一目标区域和第二目标区域重合部分作为图像目标进行提取。
本优选实施例同第一目标提取模块类似,采用第一目标区域和第二目标区域重合部分作为图像目标,提升了目标提取的准确率,实现了边缘不清晰的目标的有效提取,对于机械设备的故障诊断奠定了坚实的基础。
优选的,所述故障检测子系统还包括振动检测模块,所述振动检测模块基于机械设备的振动对机械设备故障进行检测。
振动检测具有精度高、诊断效率高、可靠性强、定位准确的特点。普遍适用于旋转机械。
周期冲击振动,发生故障时,运行过程中产生周期冲击振动,并引起高频自然振动,在时域上显示为弱阻尼的自由衰减振动。
振幅调制现象,正常工作状态时,调制现象不明显,出现故障时,调制现象非常明显,特别是幅值的调制现象。
本优选实施例在红外检测的基础上增加振动检测,有助于提高机械设备故障发现的概率和准确性,为后续机械设备预警提供更多的有效信息。
优选的,所述振动检测模块基于机械设备的振动对机械设备故障进行检测,具体为:
采集机械设备的振动信号,并采用小波分解对机械设备的振动信号进行处理,利用相关性算法剔除无关信号对振动信号的影响,对振动信号进行降维处理并根据信息熵确定振动信号的分布状态,提取振动信号在正常运行时和故障时的信号特征,基于实际运行数据与提取的正常运行时的信号特征进行比对,完成机械故障的检测。
具体的,可以采用以下方式进行信号分析:
1)时域分析法:通过振动波形与时间的关系来了解信息特征。
有量纲特征参数指标有:
(1)均值:用于发现趋势;
(2)均方根值:分析振动速度快慢与振动能量大小之间的关系,判断振动等级高低。能够准确高效反应振动能量的变化趋势,准确反应振动与时间的关系;
(3)信号峰值;
无量纲特征参数指标有:
(1)峭度:它与轴承转速、尺寸、载荷等无关,对冲击信号特别敏感,特别适用于表面损伤类故障、尤其是早期故障的诊断。在轴承无故障运转时,由于各种不确定因素的影响,振动信号的幅值分布接近正态分布,峭度指标值K≈3,随着故障的出现和发展,振动信号中大幅值的概率密度增加,信号幅值的分布偏离正态分布,正态曲线出现偏斜或分散,峭度值也随之增大。峭度指标的绝对值越大,说明轴承偏离其正常状态,故障越严重,如当其K>8时,则很可能出现了较大的故障;
(2)峰值因数:用于判断采集到的信号中是否存在冲击现象,正常振动峰值因数相对较低,为4-5之间,发生故障时可达到10;
(3)脉冲因子:衡量脉冲的一种指标,主要针对脉冲类故障。当发生脉冲类故障时,脉冲因子值会在短期内明显上升,随着时间变化而降低;
(4)波形因子:能够表征点击轴承的故障类型。当波形因子的值偏小时,损伤形式为磨损故障,反之损伤形式为点蚀故障;
(5)裕度因子:适用于早起预测,非常有代表性。故障程度的增加,裕度因子饱和,丧失诊断能力。
2)频域分析法:运用傅里叶变换原理
重心频率、均方频率、均方根频率、频率方差、频率标准差,可以对轴承损伤识别进行简单评定;
3)时频分析:实际应用中,机械固有振动信号是非平稳性,只有得到信号随时间变化的频谱变化情况,才能更好的了解和利用这些信号,因此将时间和频率进行关联,用联合函数来标识这些信号;
小波变换分析:非平稳信号占绝大多数,小波分析解决了傅里叶变换的难题。采用多分辨率分析方法实现不同时间、不同频段条件下振动信号的分析,以便于得到信号异常点的准确信息。
本优选实施例利用小波分解对采集的振动信号进行处理,进而得到特定的小波系数,方便后续进行信号处理,为去噪音、提取振动特征提供基础。
经过小波变换之后不同信号在不同尺度下,传播特性也不同,噪声信号相关性较弱,利用相关性剔除噪声等无关信号对振动信号的影响,
信号降维采用奇异值分解算法进行,降维的过程就是舍弃不重要的特征向量的过程,而剩下的特征向量组成的空间即为降维后的空间。奇异值分解是机器学习领域广泛应用的算法,它可以用于降维算法中的特征分解。
信息熵可以来反映信号的复杂程度,确定信号状态分布、定量分析、挖掘隐藏信息。
提取机械设备振动信号在正常运行时和故障时的信号特征,基于机械设备振动进行故障检测时,具体的:
(1)基于实际运行数据与正常运行特征数据进行比对,超出范围进行预警。
(2)基于实际运行数据与故障特征进行比对,符合特征进行预警。
(3)基于正常特征与故障特征,形成故障渐变预警。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解应当理解,可以以硬件、软件、固件、中间件、代码或其任何恰当组合来实现这里描述的实施例。对于硬件实现,处理器可以在一个或多个下列单元中实现:专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理机械设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、设计用于实现这里所描述功能的其他电子单元或其组合。对于软件实现,实施例的部分或全部流程可以通过计算机程序来指令相关的硬件来完成。实现时,可以将上述程序存储在计算机可读介质中或作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。计算机可读介质可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储介质或者其他磁存储机械设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术目的地应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (6)
1.一种机械设备故障诊断系统,其特征在于,包括故障检测子系统、信息传输子系统和预警子系统,所述故障检测子系统基于红外图像和机械设备振动对机械设备故障进行检测,所述信息传输子系统用于将故障信息发送至预警子系统,所述预警子系统在接收到故障信息后发出警报;
所述故障检测子系统包括机械设备图像采集模块、机械设备图像预处理模块、第一目标提取模块、第二目标提取模块和机械设备故障诊断模块,所述机械设备图像采集模块用于采集机械设备的红外图像,所述机械设备图像预处理模块将采集的红外图像转化为灰度图像,所述第一目标提取模块对目标边缘清晰的图像目标进行提取,所述第二目标提取模块对目标边缘不清晰的图像目标进行提取,所述故障检测模块基于图像目标提取结果对机械设备进行故障诊断;
所述机械设备图像预处理模块将采集的红外图像转化为灰度图像,具体为:
根据下式将采集的机械设备的红外图像转化为灰度图像:
F(x,y)=0.3R(x,y)+0.6G(x,y)+0.1B(x,y)
式中,F(x,y)表示转化后的灰度图像在(x,y)处的灰度值,(x,y)表示图像的空间坐标,R(x,y)、G(x,y)、B(x,y)分别表示红外图像在(x,y)处的红色分量值、绿色分量值和蓝色分量值;
所述第一目标提取模块包括第一边缘检测单元、第二边缘检测单元和第一目标提取单元,所述第一边缘检测单元对目标边缘进行一次检测,所述第二边缘检测单元对目标边缘进行二次检测,所述第一目标提取单元根据第一边缘检测单元和第二边缘检测单元检测到的目标边缘对目标进行提取;
所述第一边缘检测单元对目标边缘进行一次检测,具体为:
Ex(x,y)=-2F(x-1,y-1)+2F(x+1,y-1)-3F(x-1,y)+3F(x+1,y-2F(x-1,y+1)+2F(x+1,y+1)
Ey(x,y)=2F(x-1,y+1)+3F(x,y+1)+2F(x-1,y+1)-2F(x-1,y-1)-3F(x,y-1-2F(x-1,y-1)
确定图像第一边缘检测值E(x,y):E(x,y)=|Ex(x,y)|+|Ey(x,y)|;
设定第一边缘检测阈值,若E(x,y)大于第一边缘检测阈值,则将该点作为边缘点,遍历图像所有像素点,并据此确定目标第一边缘检测结果。
2.根据权利要求1所述的机械设备故障诊断系统,其特征在于,所述第二边缘检测单元对目标边缘进行二次检测,具体为:
Kx(x,y)=-2F(x-1,y-1)+2F(x+1,y-1)-5F(x-1,y)+5F(x+1,y-2F(x-1,y+1)+2F(x+1,y+1)
Ky(x,y)=2F(x-1,y+1)+5F(x,y+1)+2F(x-1,y+1)-2F(x-1,y-1)-5F(x,y-1-2F(x-1,y-1)
确定图像第二边缘检测值K(x,y):K(x,y)=|Kx(x,y)|+|Ky(x,y)|;
设定第二边缘检测阈值,若E(x,y)大于第二边缘检测阈值,则将该点作为边缘点,遍历图像所有像素点,并据此确定目标第二边缘检测结果;
将第一边缘检测结果和第二边缘检测结果中均为边缘点的像素点作为目标边缘对目标进行提取。
3.根据权利要求2所述的机械设备故障诊断系统,其特征在于,所述第二目标提取模块包括第一区域检测单元、第二区域检测单元和第二目标提取单元,所述第一区域检测单元用于检测第一目标区域,所述第二区域检测单元用于检测第二目标区域,所述第二目标提取单元第一目标区域和第二目标区域确定目标;
所述第一区域检测单元用于检测第一目标区域,具体为:
在图像横向和纵向采用三分线对图像进行划分,将图像分成3×3个子块;在每个子块选取灰度值最大的点作为该子块基准点,设定生长阈值,若其3×3邻域内像素点灰度值与基准点灰度值的差值小于设定的生长阈值,则该邻域内像素点也作为基准点继续与3×3邻域内像素点灰度值进行比较,直到每个子块内基准点的数量不再变化,将所有基准点所构成的区域作为第一目标区域。
4.根据权利要求3所述的机械设备故障诊断系统,其特征在于,所述第二区域检测单元用于检测第二目标区域,具体为:
确定图像分割函数:
式中,Z表示图像分割函数,L表示图像灰度级总数,L=256,i表示图像的第i个灰度级,w表示图像的分割阈值,pi表示灰度级i的像素点的个数与图像总像素点的比值,pw表示灰度级w的像素点的个数与图像总像素点的比值;
图像的最佳分割阈值根据下式确定:w1=max0≤w≤L-1Z,式中,w1表示图像的最佳分割阈值;
将灰度值大于最佳分割阈值的像素点作为目标点,遍历图像所有像素点,所有灰度值大于最佳分割阈值的像素点作为图像第二目标区域;
将第一目标区域和第二目标区域重合部分作为图像目标进行提取。
5.根据权利要求4所述的机械设备故障诊断系统,其特征在于,所述故障检测子系统还包括振动检测模块,所述振动检测模块基于机械设备的振动对机械设备故障进行检测。
6.根据权利要求5所述的机械设备故障诊断系统,其特征在于,所述振动检测模块基于机械设备的振动对机械设备故障进行检测,具体为:
采集机械设备的振动信号,并采用小波分解对机械设备的振动信号进行处理,利用相关性算法剔除无关信号对振动信号的影响,对振动信号进行降维处理并根据信息熵确定振动信号的分布状态,提取振动信号在正常运行时和故障时的信号特征,基于实际运行数据与提取的正常运行时的信号特征进行比对,完成机械故障的检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910784922.9A CN110517245B (zh) | 2019-08-20 | 2019-08-20 | 一种机械设备故障诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910784922.9A CN110517245B (zh) | 2019-08-20 | 2019-08-20 | 一种机械设备故障诊断系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110517245A CN110517245A (zh) | 2019-11-29 |
CN110517245B true CN110517245B (zh) | 2021-09-07 |
Family
ID=68626608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910784922.9A Active CN110517245B (zh) | 2019-08-20 | 2019-08-20 | 一种机械设备故障诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110517245B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112241599A (zh) * | 2020-11-18 | 2021-01-19 | 中国联合网络通信集团有限公司 | 故障分析模型的建立方法和装置 |
CN113358154A (zh) * | 2021-06-03 | 2021-09-07 | 广东工业大学 | 一种农机设备故障监控溯源系统和方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102243706A (zh) * | 2011-08-18 | 2011-11-16 | 杭州海康威视软件有限公司 | 基于目标边缘方向的目标分类方法和系统 |
CN103049904A (zh) * | 2012-11-30 | 2013-04-17 | 北京华夏力鸿商品检验有限公司 | 一种图像提取方法及其系统、电子证书制作方法及其系统 |
CN106586796A (zh) * | 2016-11-15 | 2017-04-26 | 王蕊 | 一种自动扶梯状态监测系统及方法 |
CN107272637A (zh) * | 2017-06-06 | 2017-10-20 | 武汉瑞科兴业科技有限公司 | 一种视频监控系统故障自检自恢复控制系统及方法 |
JP2018116431A (ja) * | 2017-01-17 | 2018-07-26 | 株式会社デンソーテン | 区画線検出装置、区画線検出システム、及び区画線検出方法 |
CN108389137A (zh) * | 2018-02-06 | 2018-08-10 | 国网山西省电力公司电力科学研究院 | 基于红外图谱技术的电力故障诊断预警系统 |
CN108872252A (zh) * | 2018-08-06 | 2018-11-23 | 深圳市益鑫智能科技有限公司 | 一种钢梁裂纹检测系统 |
CN109708877A (zh) * | 2018-12-27 | 2019-05-03 | 昆明理工大学 | 基于小波模糊识别和图像分析理论的机械故障分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7006881B1 (en) * | 1991-12-23 | 2006-02-28 | Steven Hoffberg | Media recording device with remote graphic user interface |
-
2019
- 2019-08-20 CN CN201910784922.9A patent/CN110517245B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102243706A (zh) * | 2011-08-18 | 2011-11-16 | 杭州海康威视软件有限公司 | 基于目标边缘方向的目标分类方法和系统 |
CN103049904A (zh) * | 2012-11-30 | 2013-04-17 | 北京华夏力鸿商品检验有限公司 | 一种图像提取方法及其系统、电子证书制作方法及其系统 |
CN106586796A (zh) * | 2016-11-15 | 2017-04-26 | 王蕊 | 一种自动扶梯状态监测系统及方法 |
JP2018116431A (ja) * | 2017-01-17 | 2018-07-26 | 株式会社デンソーテン | 区画線検出装置、区画線検出システム、及び区画線検出方法 |
CN107272637A (zh) * | 2017-06-06 | 2017-10-20 | 武汉瑞科兴业科技有限公司 | 一种视频监控系统故障自检自恢复控制系统及方法 |
CN108389137A (zh) * | 2018-02-06 | 2018-08-10 | 国网山西省电力公司电力科学研究院 | 基于红外图谱技术的电力故障诊断预警系统 |
CN108872252A (zh) * | 2018-08-06 | 2018-11-23 | 深圳市益鑫智能科技有限公司 | 一种钢梁裂纹检测系统 |
CN109708877A (zh) * | 2018-12-27 | 2019-05-03 | 昆明理工大学 | 基于小波模糊识别和图像分析理论的机械故障分析方法 |
Non-Patent Citations (2)
Title |
---|
Infrared Image Combined with CNN Based Fault Diagnosis for Rotating Machinery;Ziwang Liu 等;《2017 International Conference on Sensing, Diagnostics, Prognostics, and Control (SDPC)》;20171214;全文 * |
煤矿机械设备的使用维修与故障诊断;谭艾明;《机械管理开发》;20180430;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110517245A (zh) | 2019-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6173074B1 (en) | Acoustic signature recognition and identification | |
CN110517245B (zh) | 一种机械设备故障诊断系统 | |
US9741116B2 (en) | System and method for boundary classification and automatic polyp detection | |
CN107832525B (zh) | 一种信息熵优化vmd提取轴承故障特征频率的方法及其应用 | |
CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
CN109029999B (zh) | 基于增强调制双谱分析的滚动轴承故障诊断方法 | |
CN105319537A (zh) | 基于空间相关性的航海雷达同频干扰抑制方法 | |
CN110991564B (zh) | 基于多尺度分散熵偏均值与非线性模式分解的变工况轴承故障诊断方法 | |
CN117272210A (zh) | 一种建筑施工异常隐患数据检测方法及系统 | |
JP4664839B2 (ja) | 探知距離算出方法およびこれを用いたレーダシステム | |
CN109523543A (zh) | 一种基于边缘距离的导线断股检测方法 | |
CN110660065A (zh) | 一种红外故障检测识别算法 | |
CN111046025B (zh) | 无人机信号探测方法及装置 | |
US5102218A (en) | Target-aerosol discrimination by means of digital signal processing | |
CN109948629B (zh) | 一种基于sift特征的gis设备x射线图像故障检测方法 | |
Nelson et al. | Fractal dimension, wavelet shrinkage and anomaly detection for mine hunting | |
CN116758056B (zh) | 一种电器端子生产缺陷检测方法 | |
Wang et al. | Study on edge extraction methods for image-based icing on-line monitoring on overhead transmission lines | |
CN106153363A (zh) | 一种基于声像监测的机械设备故障自动识别方法 | |
CN108594156B (zh) | 一种改进的电流互感器饱和特性识别方法 | |
KR101497557B1 (ko) | 다차원 특징벡터 추정을 이용한 능동소나 단일 핑 클러터 제거기법 | |
CN107194377B (zh) | 一种cotdr曲线平滑及事件检测方法及装置 | |
CN115909028A (zh) | 一种基于梯度图像融合的高压隔离开关状态识别方法 | |
JPH0843539A (ja) | 埋設物探知に用いる受信信号の処理方法 | |
CN112799029B (zh) | 一种基于分水岭分割的高频海洋雷达一阶回波提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |