CN110542557B - 图像积分驱动的机床大数据周期性故障特征分析方法 - Google Patents

图像积分驱动的机床大数据周期性故障特征分析方法 Download PDF

Info

Publication number
CN110542557B
CN110542557B CN201910773948.3A CN201910773948A CN110542557B CN 110542557 B CN110542557 B CN 110542557B CN 201910773948 A CN201910773948 A CN 201910773948A CN 110542557 B CN110542557 B CN 110542557B
Authority
CN
China
Prior art keywords
pixel
image
wavelet packet
fault
index
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
Application number
CN201910773948.3A
Other languages
English (en)
Other versions
CN110542557A (zh
Inventor
王建军
薛文璞
田朝阳
宋世毅
温留伟
何兵
王裕喆
张雷雷
杨小勇
董超峰
王勇
李晨硕
姚斌
陈彬强
李越超
王萌萌
张利敏
高鸣
向玲芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
First Tractor Co Ltd
China Yituo Group Corp Ltd
Original Assignee
First Tractor Co Ltd
China Yituo Group Corp Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by First Tractor Co Ltd, China Yituo Group Corp Ltd filed Critical First Tractor Co Ltd
Priority to CN201910773948.3A priority Critical patent/CN110542557B/zh
Publication of CN110542557A publication Critical patent/CN110542557A/zh
Application granted granted Critical
Publication of CN110542557B publication Critical patent/CN110542557B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H11/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties
    • G01H11/02—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by magnetic means, e.g. reluctance
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis

Abstract

本发明涉及一种图像积分驱动的机床大数据周期性故障特征快速分析方法，对振动信号进行小波包分解实现多种耦合成分的分离，对每一个小波包重构序列的时域包络进行三次样条插值以提高采样密度，对插值后的图像进行二值化转换并进行形态学腐蚀及膨胀处理以消除图像上的非光滑点；选取图像的所有列和相连的部分列进行图像的逐步展开，根据取值非零像素点在空间上的关联性识别周期性特征产生的若干闭合连通区域，计算各区域的加权中心值并平均可以智能地识别周期性特征的出现频率，能够有效避免随机噪声和偶发性冲击的干扰，对振动信号的故障特征快速准确的识别。

Description

图像积分驱动的机床大数据周期性故障特征分析方法
技术领域
本发明涉机床故障诊断分析领域，具体涉及一种图像积分驱动的机床大数据周期性故障特征分析方法。
背景技术
高精度数控机床的动力由伺服电机作用于机械传动链并最终传递到主轴对工件材料进行去除，常期运行于非平稳工况下，传动链中的齿轮、轴承、转子等不可避免地发生疲劳从而产生局部损伤故障。为了在不停机拆解机床的前提下对传动链的健康状态进行评估，常采用振动测试及振动分析的方法，然而由旋转机械局部损伤故障所产生的微弱特征常淹没于其它成分的干扰中，因此必须通过信号处理方法挖掘其中的异常非平稳特征。
目前常通过时间尺度分析方法对信号进行分解，但分解后小波包信号的周期性冲击特征需要进行进一步分析，如“数控铣床电主轴故障诊断及仿真分析[J]，朱冬，王玲，殷国富，文华.工具技术,2019(1):125-128”；还有一种常见的方法是对小波包时域序列进行希尔伯特包络解调，在包络解调域上识别故障频率及其倍频成分，从而确认故障的发生，如“共振解调与小波降噪在电机故障诊断中的应用[J],张雄希，刘振兴，电机与控制学报,2010(6):66-70”。但由于机床振动测试所产生的数据量巨大，如果对每一条记录的数据都进行人工检验，将耗费大量的人力成本，为了减少分析对人工的依赖并提高特征分析的智能化程度，可以引入统计学中的峭度指标对小波包信号进行冲击性评估，然而这种统计过程中忽略了波形的几何特征，且容易将随机噪声干扰及偶发性冲击作为故障敏感特征进行错误识别。
发明内容
针对现有技术的缺陷，本发明的目的在于提供一种图像积分驱动的机床大数据周期性故障特征分析方法，模拟了周期性特征的人工肉眼识别方法，对图像从上往下逐步展开搜索，通过几何特征的机器视觉读取进行特征自动定位识别，可以在无人工干预的前提下对特征进行快速识别，识别准确且效率高，具有较好的工程应用推广价值。
为了达到上述目的，本发明所采用的技术方案是：
图像积分驱动的机床大数据周期性故障特征分析方法，包括以下步骤：
步骤1)在机床的非旋转部位安装振动加速度传感器采集振动信号，这些部位包括主轴的静止部分，伺服电机及变速齿轮箱的轴承座；振动信号序列{x(n)|n＝1,2,...,N}的采样频率为fs且采样长度为N，根据监测点附近机械传动链结构计算零部件(轴承、齿轮等)可能出现故障的特征频率，该故障特征频率的集合记为
Figure GDA0002812654650000021
其中
Figure GDA0002812654650000022
表示整数集合，M为故障特征频率里总个数。
步骤2)采用Daubechies小波基函数对振动信号进行j层小波包分解并且进行单枝重构，产生2j个小波包子空间：
{wpj,k(n)|j＝1,2,...,J；k＝1,2,...,2j；n＝1,2,...,N}，其中小波包子空间的顺序k按照理论频率通带的能量重心由小到大进行排列。
步骤3)对各重构小波包子空间{wpj,k(n)}进行希尔伯特包络解调，获得时域上的包络序列Env{wpj,k(n)}。
步骤4)采用三次样条插值对时域包络序列Env{wpj,k(n)}进行插值，使插值包络序列Envc{wpj,k(n)|n＝1,2,...,4N-3}的采样频率提升为4fs，令{wpj,k(n)}的上界Mj,k表示为
Figure GDA0002812654650000023
其中算子max{·}表示取序列的最大值。
步骤5)对插值包络序列Envc{wpj,k(n)}进行图像二值化，得到图像Ij,k(u,v)的维度为(1000)×(4N-3),即行索引
Figure GDA0002812654650000024
列索引
Figure GDA0002812654650000025
依次对Ij,k(u,v)中各列的像素进行初始化，初始化的方法为：对于图像中各像素按照如下表达式赋值:
Figure GDA0002812654650000031
步骤6)为了得到较为光滑的几何特征，对二值化图像进行5次形态学腐蚀及5次形态学膨胀处理，得到
Figure GDA0002812654650000032
步骤7)对步骤6)得到的图像进行9次分割，第i次分割选后的图像子集
Figure GDA0002812654650000033
定义为：
Figure GDA0002812654650000034
即选取图像
Figure GDA0002812654650000035
中第1000-100i+1到第1000行的所有像素。采用边界搜索算法对图像分割子集
Figure GDA0002812654650000036
内灰度值为0的像素单联通区域(该区域的边界及内部所有像素的灰度值为0，而区域边界以外的相邻像素点灰度值为255)进行识别，得到mi个闭合区域,表示为
Figure GDA00028126546500000312
当信号的数据点数较多时将造成很大的计算量，为此最多搜索10个单连通区域，对其它的区域停止搜索。计算从
Figure GDA0002812654650000037
中识别的像素单通区域横坐标的加权重心：
Figure GDA0002812654650000038
计算小波包子空间{wpj,k(n)}中单连通区域横坐标加权重心的平均间隔：
Figure GDA0002812654650000039
再判断
Figure GDA00028126546500000313
其对应的频率
Figure GDA00028126546500000314
是否与{fc}中的某个特征频率fc(q)接近。
Figure GDA00028126546500000310
这里的容许误差ε＝3Hz。对于图像分割子集
Figure GDA00028126546500000311
如果某个
Figure GDA00028126546500000315
满足上述条件，则将其原重构信号wpj,k(n)及其对应的故障特征频率加入特征备选集合E中。如果对于小波包子空间的所有
Figure GDA0002812654650000041
内的单连通区域都不存在满足条件(1)，则说明wpj,k(n)中不存在故障特征，继续搜索其它小波包子空间。
步骤9)若集合E非空，计算E中各小波包子空间的时域峭度值，选出峭度值最大的成分对应的小波包子空间的波形及特征频率进行观察，确认故障周期性冲击故障特征。如果特征备选集合E为空集，则说明信号中不存在故障特征。
进一步地，所述的区域边界搜索方法，具体包括以下步骤：
a)初始化图像子集的索引i＝1；
b)针对图像子集
Figure GDA0002812654650000042
初始化单连通区域的索引
Figure GDA00028126546500000412
初始化行方向的索引u＝1000，列方向的索引v＝0；
c)则针对图像子集
Figure GDA0002812654650000043
中第
Figure GDA00028126546500000413
个单连通区域，对输入的二值图像子集
Figure GDA0002812654650000044
中的像素p(u,v)为起点进行从上往下，从左往右的搜索。当搜索到一个取值为0的像素点，表示为
Figure GDA0002812654650000045
更新
Figure GDA0002812654650000046
即在保持列索引v的值不变前提下对行索引的值逐次进行自减(u←u-1)搜索灰度值为0的像素，若该列不存在像素为0的点，则对列索引进行自加(v←v+1)。重复上述步骤直到发现灰度值为0的像素，然后进入步骤e)；若不存在这样的像素，则对图像子集索引i进行自加(i←i+1),并返回步骤b)。
d)在p(u,v)所在的行向下搜索所有灰度值连续为0的像素点，该连续灰度值为0像素集合的最下方像素记为
Figure GDA0002812654650000047
满足下式的约束条件：
Figure GDA0002812654650000048
将上述所有满足要求的像素点加入集合
Figure GDA00028126546500000414
e)对于步骤d)中的取值为0集合
Figure GDA0002812654650000049
的各像素逐一检索其右边相邻的像素。如果对于某个行索引
Figure GDA00028126546500000410
满足
Figure GDA00028126546500000411
则停止搜索并以该像素为起点在该行同时向上向下两个方向搜索灰度值连续取为0的其它像素点，更新
Figure GDA0002812654650000051
及
Figure GDA0002812654650000052
的数值，更新条件为：
Figure GDA0002812654650000053
如果上述更新条件无法满足，即该列像素中所有像素灰度值都为255，则对v进行自加(v←v+1)，对
Figure GDA0002812654650000055
进行自加
Figure GDA0002812654650000056
若j≤1000且
Figure GDA0002812654650000057
则返回步骤c)；否则结束计算并将通过上述步骤得到图像子集
Figure GDA0002812654650000054
中总数为mi各灰度值为0的像素单连通区域表示为
Figure GDA0002812654650000058
有益效果：
1、本发明对振动信号进行小波包分解实现多种耦合成分的分离，对每一个小波包重构序列的时域包络进行三次样条插值以提高采样密度，对插值后的图像进行二值化转换并进行形态学腐蚀及膨胀处理以消除图像上的非光滑点；选取图像的所有列和相连的部分列进行图像的逐步展开，根据取值非零像素点在空间上的关联性识别周期性特征产生的若干闭合连通区域，计算各区域的加权中心值并平均可以智能地识别周期性特征的出现频率，如果与机床的故障特征频率相接近则可以确定周期性特征的存在性，再结合备选特征的时域峭度值可以找到最优特征，能够有效避免随机噪声和偶发性冲击的干扰，对振动信号的故障特征快速准确的识别。
2、本发明模拟了周期性冲击故障特征的人工肉眼识别方法，对图像从上往下逐步展开搜索，通过几何特征的机器视觉读取进行特征自动定位识别，本发明所提出的方法可以在无人工干预的前提下对特征进行快速识别，适用于机床传动系统的轴承、齿轮及蜗轮蜗杆等机械零部件的机械故障诊断，具有较好的工程应用推广价值。
附图说明
图1振动信号的小波包子空间包络曲线；
图2对细化后包络曲线进行二值转换得到的二维灰度图像；
图3从图像子集中搜索到的灰度值为0的所有像素单连通区域。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细的说明。
本发明在高速铣削工艺系统的非加工区域安装振动加速度传感器获取动态信号，信号采集过程中需要使用抗混叠滤波处理。
本发明图像积分驱动的机床大数据周期性故障特征分析方法具体包括以下步骤
步骤1).在机床的非旋转部位安装振动加速度传感器采集振动信号，这些部位包括主轴的静止部分，伺服电机及变速齿轮箱的轴承座；振动信号序列{x(n)|n＝1,2,...,N}的采样频率为fs且采样长度为N，根据监测点附近机械传动链结构计算零部件(轴承、齿轮等)可能出现故障的特征频率，该故障特征频率的集合记为
Figure GDA0002812654650000061
其中
Figure GDA0002812654650000062
表示整数集合，M为故障特征频率里总个数。
步骤2).采用Daubechies小波基函数对振动信号进行j层小波包分解并且进行单枝重构，产生2j个小波包子空间：
{wpj,k(n)|j＝1,2,...,J；k＝1,2,...,2j；n＝1,2,...,N}，其中小波包子空间的顺序k按照理论频率通带的能量重心由小到大进行排列。
步骤3).对各重构小波包子空间{wpj,k(n)}进行希尔伯特包络解调，获得时域上的包络序列Env{wpj,k(n)}，如图1所示。
步骤4).采用三次样条插值对时域包络序列Env{wpj,k(n)}进行插值，使插值包络序列Envc{wpj,k(n)|n＝1,2,...,4N-3}的采样频率提升为4fs，令{wpj,k(n)}的上界Mj,k表示为：
Figure GDA0002812654650000063
其中算子max{·}表示取序列的最大值。
步骤5).对插值包络序列Envc{wpj,k(n)}进行图像二值化，得到图像Ij,k(u,v)的维度为(1000)×(4N-3),即行索引
Figure GDA0002812654650000064
列索引
Figure GDA0002812654650000065
依次对Ij,k(u,v)中各列的像素进行初始化，初始化的方法为：对于图像中各像素按照如下表达式赋值:
Figure GDA0002812654650000071
依照该步骤得到的二值图像如图2所示。
步骤6).为了得到较为光滑的几何特征，对二值化图像进行5次形态学腐蚀及5次形态学膨胀处理，得到
Figure GDA0002812654650000072
步骤7).对于输入的小波包子空间wpj,k(n)，按照步骤6)的图像进行9次分割，第i次分割选后的图像子集
Figure GDA0002812654650000073
表示为：
Figure GDA0002812654650000074
即选取图像
Figure GDA0002812654650000075
中第1000-100i+1到第1000行的所有像素。依照该步骤得到的二值图像子集如图3所示。采用边界搜索算法对图像分割子集
Figure GDA0002812654650000076
内灰度值为0的像素单联通区域(该区域的边界及内部所有像素的灰度值为0，而区域边界以外的相邻像素点灰度值为255)进行识别，得到mi个闭合区域,表示为
Figure GDA00028126546500000713
由于故障特征体现为一系列冲击波包，在图像上体现为一系列单连通区域，识别了这些区域，就可以计算冲击的平均间隔。当信号的数据点数较多时,搜索所有的像素单连通区域计算量很大。因此当实际存在的像素单连通区域数量超过10个时，仅搜索前10个像素单连通区域。像素单连通区域的边界搜索算法步骤如下：
a)初始化图像分割子集
Figure GDA0002812654650000077
的索引i＝1；
b)针对图像子集
Figure GDA0002812654650000078
初始化单连通区域的索引
Figure GDA00028126546500000714
初始化行方向的索引u＝1000，列方向的索引v＝0；
c)则针对图像子集
Figure GDA0002812654650000079
中第
Figure GDA00028126546500000715
个单连通区域，对输入的二值图像子集
Figure GDA00028126546500000710
中的像素p(u,v)为起点进行从上往下，从左往右的搜索。当搜索到一个取值为0的像素点，表示为
Figure GDA00028126546500000711
更新
Figure GDA00028126546500000712
即在保持列索引v的值不变前提下对行索引的值逐次进行自减(u←u-1)搜索灰度值为0的像素，若该列不存在像素为0的点，则对列索引进行自加(v←v+1)。重复上述步骤直到发现灰度值为0的像素，然后进入步骤e)；若不存在这样的像素，则对图像子集索引i进行自加(i←i+1),并返回步骤b)。
d)在p(u,v)所在的行向下搜索所有灰度值连续为0的像素点，该连续灰度值为0像素集合的最下方像素记为
Figure GDA0002812654650000081
满足下式的约束条件：
Figure GDA0002812654650000082
将所有满足上述要求的像素点加入集合
Figure GDA00028126546500000812
e)对于步骤d)中的取值为0集合
Figure GDA0002812654650000083
的各像素逐一检索其右边相邻的像素。如果对于某个行索引
Figure GDA0002812654650000084
满足
Figure GDA0002812654650000085
则停止搜索并以该像素为起点在该行同时向上向下两个方向搜索灰度值连续取为0的其它像素点，更新
Figure GDA0002812654650000086
及
Figure GDA0002812654650000087
的数值，更新条件为：
Figure GDA0002812654650000088
如果上述更新条件无法满足，即该列像素中所有像素灰度值都为255，则对v进行自加(v←v+1)，对
Figure GDA00028126546500000813
进行自加
Figure GDA00028126546500000814
若j≤1000且
Figure GDA00028126546500000815
则返回步骤c)；否则结束计算，并将通过上述步骤得到图像子集
Figure GDA0002812654650000089
中总数为mi的灰度值为0的像素单连通区域记为
Figure GDA00028126546500000816
然后计算所识别的各像素单连通区域的加权重心：
Figure GDA00028126546500000810
步骤8).计算
Figure GDA00028126546500000811
中识别的像素单连通区域横坐标重心的平均间隔：
Figure GDA0002812654650000091
再计算时间间隔
Figure GDA0002812654650000095
对应的频率
Figure GDA0002812654650000096
判断
Figure GDA0002812654650000097
是否与某个特征频率fc(q)接近：
Figure GDA0002812654650000092
式(1)中容许误差ε＝3Hz。对于图像分割子集
Figure GDA0002812654650000093
当某个
Figure GDA0002812654650000098
满足上述判定条件，则将小波包子空间重构信号wpj,k(n)及其对应的故障特征频率加入特征备选集合E中,并结束对图像子集索引
Figure GDA0002812654650000099
的迭代检索。如果对于输入小波包子空间的所有
Figure GDA0002812654650000094
内的单连通区域都不存在满足条件(1)，则说明该小波包子空间中不存在故障特征，继续搜索其它小波包子空间。
步骤9)若集合E非空，计算E中各小波包子空间的时域峭度值，选出峭度值最大的成分对应的小波包子空间的波形及特征频率进行观察，确认故障周期性冲击故障特征。如果特征备选集合E为空集，则说明信号中不存在故障特征。
下面结合一个工程实施案例对本发明的方法流程及附图进行进一步说明。
该工程实施案例中的振动信号采集自某故障模拟实验台，该试验台由直流电机驱动，负载由两个完全相同的质量块模拟。采用人工摩擦源模拟转子系统的动静碰摩故障，故障特征频率集合为fc＝{36.67Hz}。
采用电涡流传感器获取竖直方向的振动位移信号x(n)，信号的采样频率fs＝2000Hz，信号的采样长度N＝1024；对信号x(n)进行j＝3层小波包分解，产生8个小波包子空间序列；搜索各小波包子空间中是否存在周期性冲击故障特征。对于某个wpj,k(n)，其中j＝3，k＝1,2,...8。首先采样希尔伯特包络解调方法得到其包络曲线Env{wpj,k(n)}，如图1所示；然后采用三次样条差值对Env{wpj,k(n)}进行采样细化，得到维度为长度为(4096-3)＝4093的包络解调曲线Envc{wpj,k(n)}；按照Envc{wpj,k(n)}中最大幅值的1.2倍(1.2Mj,k)对该曲线进行离散化，并生成二值图像，图像的维度为1000×4093。图像的横坐标为细化后的采样点索引；纵坐标对值域[0,1.2Mj.k]的区间进行1000等分，当p(u,v)的数值不大于Envc(u,v)时像素的灰度值取为0，否则取为255。wp3,3(n)的二值化灰度图像如图2所示。取该二值图像的分割子集Ij,k,i并识别图像中灰度值为0的像素单连通区域。图3为wp3,3中i＝5时的图像分割子集，该图像子集中实际存在18个冲击特征对应的单连通区域；实际计算中为兼顾算法的有效性及效率，仅计算前10个单连通区域的横坐标能量重心平均间隔，结果为0.0273s，对应的频率为36.63Hz；该结果与系统的故障特征频率36.67Hz十分接近，因此将该小波包子空间加入集合E中；对8个小波包子空间按照上述方法分别进行特征提取，最终可以发现集合E非空，因此确认结构中存在机械故障。
本发明模拟了周期性特征的人工肉眼识别方法，对图像从上往下逐步展开，通过几何特征的机器视觉读取进行特征自动定位识别，所提出的方法可以在无人工干预的前提下对特征进行快速识别，具有较好的工程应用推广价值。

Claims (2)

1.图像积分驱动的机床大数据周期性故障特征分析方法，其特征在于，包括以下步骤：
步骤1)在机床的非旋转部位安装振动加速度传感器采集振动信号，振动信号序列{x(n)|n＝1,2,...,N}的采样频率为fs且采样长度为N，根据监测点附近机械传动链结构计算零部件可能出现故障的特征频率，该故障特征频率的集合记为
Figure FDA0002812654640000011
其中
Figure FDA0002812654640000012
表示整数集合，M为故障特征频率里总个数；
步骤2)采用Daubechies小波基函数对振动信号进行j层小波包分解并且进行单枝重构，产生2j个小波包子空间：{wpj,k(n)|j＝1,2,...,J；k＝1,2,...,2j；n＝1,2,...,N}，其中小波包子空间的顺序k按照理论频率通带的能量重心由小到大进行排列；
步骤3)对各重构小波包序列{wpj,k(n)}进行希尔伯特包络解调，获得时域上的包络序列Env{wpj,k(n)}；
步骤4)采用三次样条插值对时域包络序列Env{wpj,k(n)}进行插值，使插值包络序列Envc{wpj,k(n)|n＝1,2,...,4N-3}的采样频率提升为4fs，令{wpj,k(n)}的上界Mj,k表示为：
Figure FDA0002812654640000013
其中算子max{·}表示取序列的最大值；
步骤5)对插值包络序列Envc{wpj,k(n)}进行图像二值化，得到图像Ij,k(u,v)的维度为(1000)×(4N-3)，即行索引u(
Figure FDA0002812654640000014
且1≤u≤1000)，列索引v(
Figure FDA0002812654640000015
且1≤v≤4N-3)，依次对Ij,k(u,v)中各列的像素进行初始化，初始化的方法为：对于图像中各像素按照如下表达式赋值：
Figure FDA0002812654640000016
步骤6)为了得到较为光滑的几何特征，对二值化图像进行5次形态学腐蚀及5次形态学膨胀处理，得到
Figure FDA0002812654640000017
步骤7)对步骤6)得到的图像进行9次分割，第i次分割选后的图像子集
Figure FDA0002812654640000018
定义为
Figure FDA0002812654640000019
即选取图像
Figure FDA00028126546400000110
中第1000-100i+1到第1000行的所有像素；采用边界搜索算法对图像分割子集
Figure FDA0002812654640000021
内灰度值为0的像素单联通区域进行识别，单联通区域的边界及内部所有像素的灰度值为0，而区域边界以外的相邻像素点灰度值为255，得到mi个闭合区域，表示为{Di,l|i＝1,2,...,9；l＝1,2,...,mi}，当信号的数据点数较多时将造成很大的计算量，为此最多搜索10个单连通区域，对其它的区域停止搜索，计算从
Figure FDA0002812654640000022
中识别的像素单通区域横坐标的加权重心：
Figure FDA0002812654640000023
步骤8)计算小波包子空间{wpj,k(n)}中单连通区域横坐标加权重心的平均间隔：
Figure FDA0002812654640000024
再判断Intervali(l)其对应的频率fi(l)＝1/Intervali(l)是否与{fc}中的某个特征频率fc(q)接近；
Figure FDA0002812654640000025
此处容许误差ε＝3Hz，对于图像分割子集
Figure FDA0002812654640000026
如果某个fi,l满足上述条件，则将其原重构信号wpj,k(n)及其对应的故障特征频率加入特征备选集合E中；如果对于小波包子空间的所有
Figure FDA0002812654640000027
内的单连通区域都不存在满足条件(1)，则说明wpj,k(n)中不存在故障特征，继续搜索其它小波包子空间；
步骤9)若集合E非空，计算E中各小波包子空间的时域峭度值，选出峭度值最大的成分对应的小波包子空间的波形及特征频率进行观察，确认故障周期性冲击故障特征；如果特征备选集合E为空集，则说明信号中不存在故障特征。
2.如权利要求1所述的图像积分驱动的机床大数据周期性故障特征分析方法，其特征在于，所述的区域边界搜索方法，具体包括以下步骤：
a)初始化图像子集的索引i＝1；
b)针对图像子集
Figure FDA0002812654640000028
初始化单连通区域的索引l＝1，初始化行方向的索引u＝1000，列方向的索引v＝0；
c)则针对图像子集
Figure FDA0002812654640000029
中第l个单连通区域，对输入的二值图像子集
Figure FDA00028126546400000210
中的像素p(u,v)为起点进行从上往下，从左往右的搜索；当搜索到一个取值为0的像素点，表示为
Figure FDA0002812654640000031
更新
Figure FDA0002812654640000032
即在保持列索引v的值不变前提下对行索引的值逐次进行自减u←u-1搜索灰度值为0的像素，若该列不存在像素为0的点，则对列索引进行自加v←v+1；重复上述步骤直到发现灰度值为0的像素，然后进入步骤e)；若不存在这样的像素，则对图像子集索引i进行自加i←i+1，并返回步骤b)；
d)在p(u,v)所在的行向下搜索所有灰度值连续为0的像素点，该连续灰度值为0像素集合的最下方像素记为
Figure FDA0002812654640000033
满足下式的约束条件：
Figure FDA0002812654640000034
将上述所有满足要求的像素点加入集合Di,l；
e)对于步骤d)中的取值为0集合
Figure FDA0002812654640000035
的各像素逐一检索其右边相邻的像素，如果对于某个行索引
Figure FDA0002812654640000036
满足
Figure FDA0002812654640000037
则停止搜索并以该像素为起点在该行同时向上向下两个方向搜索灰度值连续取为0的其它像素点，更新
Figure FDA0002812654640000038
及
Figure FDA0002812654640000039
的数值，更新条件为：
Figure FDA00028126546400000310
如果上述更新条件无法满足，即该列像素中所有像素灰度值都为255，则对v进行自加v←v+1，对l进行自加l←l+1；若j≤1000且l≤10，则返回步骤c)；否则结束计算并将通过上述步骤得到图像子集
Figure FDA00028126546400000311
中总数为mi各灰度值为0的像素单连通区域表示为{Di,l}。
CN201910773948.3A 2019-08-21 2019-08-21 图像积分驱动的机床大数据周期性故障特征分析方法 Active CN110542557B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910773948.3A CN110542557B (zh) 2019-08-21 2019-08-21 图像积分驱动的机床大数据周期性故障特征分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910773948.3A CN110542557B (zh) 2019-08-21 2019-08-21 图像积分驱动的机床大数据周期性故障特征分析方法

Publications (2)

Publication Number Publication Date
CN110542557A CN110542557A (zh) 2019-12-06
CN110542557B true CN110542557B (zh) 2021-02-09

Family

ID=68711729

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910773948.3A Active CN110542557B (zh) 2019-08-21 2019-08-21 图像积分驱动的机床大数据周期性故障特征分析方法

Country Status (1)

Country Link
CN (1) CN110542557B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111275744B (zh) * 2020-01-20 2022-03-11 福州大学 基于深度学习及图像处理的非接触振动频率测量方法
CN113658133B (zh) * 2021-08-16 2022-06-21 江苏鑫丰源机电有限公司 一种基于图像处理的齿轮表面缺陷检测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106226074A (zh) * 2016-09-22 2016-12-14 华中科技大学 基于卷积神经网络和小波灰度图的旋转机械故障诊断方法
CN106384076A (zh) * 2016-08-29 2017-02-08 湖南文理学院 基于Sobel算子和Wigner‑Hough变换的齿轮故障特征提取方法
CN108106830A (zh) * 2017-12-13 2018-06-01 武汉科技大学 一种基于时频谱分割的变速旋转机械故障诊断方法
CN109375185A (zh) * 2018-10-12 2019-02-22 中国电子科技集团公司第十四研究所 一种基于二值图像连通域面积测量的点迹滤波技术
CN109886063A (zh) * 2018-11-22 2019-06-14 国网宁夏电力有限公司检修公司 基于小波时频图处理的有载调压开关振动故障诊断方法
KR20190067441A (ko) * 2017-12-07 2019-06-17 한국생산기술연구원 딥 러닝과 웨이블렛 변환을 이용한 회전체의 고장 진단 시스템
CN110068462A (zh) * 2019-05-14 2019-07-30 北京科技大学 一种电机轴承故障诊断方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108896308A (zh) * 2018-07-02 2018-11-27 昆明理工大学 一种基于概率包络的轮对轴承故障诊断方法
CN110046476B (zh) * 2019-06-05 2020-10-16 厦门大学 滚动轴承故障的三元二进分形小波稀疏诊断方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106384076A (zh) * 2016-08-29 2017-02-08 湖南文理学院 基于Sobel算子和Wigner‑Hough变换的齿轮故障特征提取方法
CN106226074A (zh) * 2016-09-22 2016-12-14 华中科技大学 基于卷积神经网络和小波灰度图的旋转机械故障诊断方法
KR20190067441A (ko) * 2017-12-07 2019-06-17 한국생산기술연구원 딥 러닝과 웨이블렛 변환을 이용한 회전체의 고장 진단 시스템
CN108106830A (zh) * 2017-12-13 2018-06-01 武汉科技大学 一种基于时频谱分割的变速旋转机械故障诊断方法
CN109375185A (zh) * 2018-10-12 2019-02-22 中国电子科技集团公司第十四研究所 一种基于二值图像连通域面积测量的点迹滤波技术
CN109886063A (zh) * 2018-11-22 2019-06-14 国网宁夏电力有限公司检修公司 基于小波时频图处理的有载调压开关振动故障诊断方法
CN110068462A (zh) * 2019-05-14 2019-07-30 北京科技大学 一种电机轴承故障诊断方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Wavelet Packet Images Matching Applied to Noise Faults Diagnosis;Lu Chen;《IFAC Proceedings Volumes》;20170313;第643-648页 *
基于S变换和图像纹理信息的轴承故障智能诊断方法;林龙;《科学技术与工程》;20140228;第14卷(第6期);第26-30页 *

Also Published As

Publication number Publication date
CN110542557A (zh) 2019-12-06

Similar Documents

Publication Publication Date Title
Jiang et al. A new compound faults detection method for rolling bearings based on empirical wavelet transform and chaotic oscillator
CN110595780B (zh) 基于振动灰度图像和卷积神经网络的轴承故障识别方法
Khazaee et al. Feature-level fusion based on wavelet transform and artificial neural network for fault diagnosis of planetary gearbox using acoustic and vibration signals
CN112906644B (zh) 基于深度迁移学习的机械故障智能诊断方法
Gharavian et al. Comparison of FDA-based and PCA-based features in fault diagnosis of automobile gearboxes
CN110542557B (zh) 图像积分驱动的机床大数据周期性故障特征分析方法
Dou et al. A rule-based intelligent method for fault diagnosis of rotating machinery
CN112329329B (zh) 仿真数据驱动的旋转机械深度半监督迁移诊断方法
CN113505664B (zh) 一种风电机组行星齿轮箱故障诊断方法
Gecgel et al. Machine learning in crack size estimation of a spur gear pair using simulated vibration data
CN107966287B (zh) 一种自适应机电装备微弱故障特征提取方法
Saxena et al. Bearing fault monitoring using CWT based vibration signature
CN110940522A (zh) 强背景噪声下轴承故障周期性脉冲稀疏分离与诊断方法
CN113390631A (zh) 一种柴油机齿轮箱故障诊断方法
Kavianpour et al. An intelligent gearbox fault diagnosis under different operating conditions using adversarial domain adaptation
CN110044619B (zh) 一种基于稀疏多周期组套索的多故障特征辨识方法
CN113283028A (zh) 一种齿轮箱齿轮故障诊断方法
Ahuja et al. Vibration-based fault diagnosis of a bevel and spur gearbox using continuous wavelet transform and adaptive neuro-fuzzy inference system
Jolandan et al. Fuzzy-rule-based faults classification of gearbox tractor
Zhang et al. Gearbox health condition identification by neuro-fuzzy ensemble
CN114705427A (zh) 一种强噪声环境下的滚动轴承智能故障诊断方法
CN107704825A (zh) 基于自适应集成多小波的机械设备故障特征提取方法
Praveenkumar et al. Intelligent fault diagnosis of synchromesh gearbox using fusion of vibration and acoustic emission signals for performance enhancement
Jiang et al. Nonconvex wavelet thresholding total variation denoising method for planetary gearbox fault diagnosis
CN112161805A (zh) 一种基于时间序列标度分析和cnn的轴承微小故障诊断方法

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