CN110631690B - 基于数字孪生的智能振动检测方法及装置 - Google Patents
基于数字孪生的智能振动检测方法及装置 Download PDFInfo
- Publication number
- CN110631690B CN110631690B CN201910806795.8A CN201910806795A CN110631690B CN 110631690 B CN110631690 B CN 110631690B CN 201910806795 A CN201910806795 A CN 201910806795A CN 110631690 B CN110631690 B CN 110631690B
- Authority
- CN
- China
- Prior art keywords
- target
- vibration
- brightness
- submersible pump
- image
- 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
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
Abstract
本申请实施例提供一种基于数字孪生的智能振动检测方法及装置,其中方法包括:获取振动物体根据数字孪生模型确定的模拟振动结果;获取振动物体对应的目标视频;对目标视频进行参数提取,获得目标视频对应的振动参数;将振动参数和模拟振动结果进行匹配,确定振动物体的振动健康结果。采用本申请实施例,通过对振动物体进行振动参数提取,并行获取振动物体在数字孪生模型中的模拟振动结果,综合获取振动物体的振动健康结果。这样可以有效提升振动检测的有效性和可靠性。
Description
技术领域
本申请涉及互联网技术领域,具体涉及一种基于数字孪生的智能振动检测方法及装置。
背景技术
互联网Internet属于传媒领域,又称国际网络,是网络与网络之间所串连成的庞大网络,这些网络以一组通用的协议相连,形成逻辑上的单一巨大国际网络。这种将计算机网络互相联接在一起的方法可称作“网络互联”,在这基础上发展出覆盖全世界的全球性互联网络称互联网,即是互相连接一起的网络结构。“互联网+”是创新2.0下的互联网发展的新业态,是知识社会创新2.0推动下的互联网形态演进及其催生的经济社会发展新形态。“互联网+”是互联网思维的进一步实践成果,推动经济形态不断地发生演变,从而带动社会经济实体的生命力,为改革、创新、发展提供广阔的网络平台。通俗的说,“互联网+”就是“互联网+各个传统行业”,但这并不是简单的两者相加,而是利用信息通信技术以及互联网平台,让互联网与传统行业进行深度融合,创造新的发展生态。它代表一种新的社会形态,即充分发挥互联网在社会资源配置中的优化和集成作用,将互联网的创新成果深度融合于经济、社会各域之中,提升全社会的创新力和生产力,形成更广泛的以互联网为基础设施和实现工具的经济发展新形态。
传统的故障监测机制一般是采用本地化检测设备,如在专用房间布置激光多普勒测振仪LDVs,通过该设备进行本地化的振动检测,以及故障预测等,但是LDVs存在价格昂贵,使用环境受限(测试环境的温度、光照等环境影响会使测量结果严重变坏),测试区域小、难以实现远程监控等缺点,难以满足日益增多的各类场景中的智能化的振动检测需求。
数字孪生技术作为实现制造的物理世界和信息世界之间的交互融合的核心技术,是除了人工智能、机器学习、AR/VR、区块链之外的另外一个技术风向。数字孪生通过数字化的形式对某一物理实体过去和目前的行为或流程进行动态呈现。作为一种充分利用数据、智能并集成多学科的技术,数字孪生在实践智能制造理念和目标中提供更加实时、高效、智能的服务。数字孪生机电设备运行状态预测能满足工业4.0对智能生产、智能工厂的要求。
而现有的数字孪生健康预测需要多种传感器部署、连接和数据融合处理。部署复杂、连接繁乱、需要的计算资源多,这就限制了现有的数字孪生的使用。所以如何开发一种普适、轻量化的机电设备数字孪生运行预测方法就很有必要。
发明内容
有鉴于此,本申请实施例的目的在于提供一种基于数字孪生的智能振动检测方法及装置,以期通过对目标潜视频进行振动参数提取,结合数字孪生模型中获得的目标潜水泵对应的模拟振动结果,综合获取目标潜水泵的振动健康结果,有效提升振动检测的有效性和可靠性。
具体的,本申请实施例所公开的振动检测方法中的数据传输流程可以基于互联网+技术,形成本地+云端或服务器的分布式智能化振动检测系统,一方面本地可以通过采集装置进行精确的原始影像采集和预处理,另一方面云端或服务器可以基于获取到的分布式数据,结合通过大数据技术统计分析得到的各类专用故障检测模型,预测被检测目标的故障,实现互联网与传统故障监测行业的深度融合,提高故障监测的智能性和准确度,满足日益增多的各类场景中的智能化的振动检测需求。
为了解决上述技术问题,本申请实施例第一方面提供了一种振动检测方法,包括:
获取目标潜水泵根据数字孪生模型确定的模拟振动结果;
同步接收用户启动设备检测功能的指令,根据所述指令呈现目标潜水泵的振动检测入口,所述振动检测入口提供振动检测位置选项;
接收用户选择的振动检测位置选项,并根据所述振动检测位置选项定位目标视角下的目标潜水泵,获取在所述目标视角下所述目标潜水泵对应的目标视频;
对所述目标视频进行参数提取,获得所述目标视频对应的振动参数;
将所述模拟振动结果与所述振动参数进行匹配,确定所述目标潜水泵的振动健康结果。
在一个可行的示例中,在接收用户启动设备检测功能的指令之后,在根据所述指令呈现目标潜水泵的振动检测入口之前,所述方法还包括:
获取所述目标潜水泵的空间覆盖率,所述空间覆盖率表示与所述目标潜水泵的距离小于第一预设距离的空间范围所占的比例;
当所述空间覆盖率大于第一预设覆盖率时,更新振动检测位置为泵上检测位置,所述泵上检测位置包括潜水泵底座和出水管路。
在一个可行的示例中,所述获取目标潜水泵根据数字孪生模型确定的模拟振动结果,包括:
构建与所述目标潜水泵内部包含的所有易损耗结构件对应的H个结构件力学模型,其中,H为正整数;
对所述H个结构件力学模型中的H个指定位置沿径向施加径向力;
确定施加径向力之后的所述H个结构件力学模型的H个移动距离;
将所述H个移动距离输入预设动力学算法进行计算,以得到所述H个结构件力学模型对应的H条振动信息,并将所述H条振动信息作为模拟振动结果。
在一个可行的示例中,所述方法还包括:
在同一个启动周期内,按照第一预设时间间隔获取所述潜水泵在N个启动时段对应的N个第一视频,其中,N为正整数;
对所述N个第一视频进行参数提取,获得所述第一视频对应的N个振动参数;
将所述N个振动参数输入所述数字孪生模型,根据所述N个振动参数更新所述数字孪生模型包含的K个结构件力学模型;
对所述K个结构件力学模型中的K个指定位置沿径向施加径向力;
确定施加径向力之后的所述K个结构件力学模型的K个移动距离;
将所述K个移动距离输入所述预设动力学算法进行计算,以得到所述K个结构件力学模型与所述N个第一视频对应的N条振动信息;
将所述N个振动参数与所述N条振动信息进行对比,以确定与所述N个振动参数对应的N条健康预测结果;
根据所述N条健康预测结果确定所述N个启动时段中的高隐患时段,其中,所述N条健康预测结果中健康状态越差的健康预测结果对应隐患程度越高的时段,将隐患程度最高的M个时段作为高隐患时段,其中M为正整数,M<N;
生成使用建议信息,其中,所述使用建议信息用于表示建议避开使用所述高隐患时段;
向终端发送携带所述使用建议信息的使用建议消息。
在一个可行的示例中,所述获取在所述目标视角下所述目标潜水泵对应的目标视频包括获取在所述目标视角下所述目标潜水泵对应的三种亮度环境下的目标视频,所述对所述目标视频进行参数提取,获得所述目标视频对应的振动参数,包括:
根据所述三种亮度环境下的目标视频提取所述目标潜水泵的图像帧在不同尺度空间下的预设类型的特征点作为初始特征点,所述预设类型的特征点包括角点、边缘点、暗区的亮点以及亮区的暗点;
对所述初始特征点进行筛选,获得稳定的多个运动特征点;
对所述多个运动特征点进行光流跟踪,获得所述多个运动特征点的时间序列;
对所述多个运动特征点的时间序列进行滤波处理,获得滤波后信号;
对所述滤波后信号进行主成分分析,获得降维信号;
对所述降维信号进行参数提取,获得所述目标视频对应的振动参数。
在一个可行的示例中,所述根据所述三种亮度环境下的目标视频提取所述目标潜水泵的图像帧在不同尺度空间下的预设类型的特征点作为初始特征点,包括:
从所述三种亮度环境下的目标视频中提取所述潜水泵的第一亮度多帧图像,第二亮度多帧图像和第三亮度多帧图像,其中,三种亮度对应的强度为:第一亮度<第二亮度<第三亮度;
确定所述第一亮度多帧图像,第二亮度多帧图像和第三亮度多帧图像分别对应的影像形状特征、影像完整度和影像亮度属性;
根据所述第一亮度多帧图像,第二亮度多帧图像和第三亮度多帧图像分别对应的影像形状特征、所述影像完整度和所述影像亮度属性以及预设的特征点类型组合策略,确定待提取的特征点的目标类型以及所述目标类型对应的目标数量;
根据确定出的所述待提取的特征点的目标类型及所述目标类型对应的目标数量,提取所述待提取的特征点作为初始特征点。
在一个可行的示例中,所述根据所述第一亮度多帧图像,第二亮度多帧图像和第三亮度多帧图像分别对应的影像形状特征、所述影像完整度和所述影像亮度属性以及预设的特征点类型组合策略,确定待提取的特征点的目标类型以及所述目标类型对应的目标数量,包括:
根据所述影像形状特征确定多种多帧图像中每一种多帧图像中目标潜水泵的结构连接点,根据所述结构连接点数量X确定所述每一种多帧图像包含的角点,根据所述影像完整度Y确定所述多帧图像包含的边缘点,根据所述影像亮度属性Z确定所述多帧图像包含的亮区暗点和暗区亮点,其中,X为正整数;其中,0<Y≤1;其中,所述影像亮度属性包括获取所述多帧图像的图像亮度,根据所述图像亮度确定所述影像亮度属性Z,Z为正整数,其中所述多种多帧图像包括所述第一亮度多帧图像,第二亮度多帧图像和第三亮度多帧图像;
获取需要提取的所述每一种多帧图像中多帧图像的初始特征点预设数量为M,M为正整数;
确定所述第一亮度多帧图像的参数组合为(X1,Y1,Z1),第二亮度多帧图像的参数组合为(X2,Y2,Z2),第三亮度多帧图像的参数组合为(X3,Y3,Z3),其中每一种参数对应的影响因子为:S1=Xi/max(X1,X2,X3),S2=Yi/(Y1+Y2+Y3),S3=[Zi-(Z1+Z2+Z3)/3]/Zi,S4=1-S3,其中,S1表示结构影响因子,S2表示完整度影响因子,S3表示第一亮度影响因子,S4表示第二亮度影响因子;
根据如下特征点数量计算公式确定每一种多帧图像中待提取的角点数量A、边缘点数量B、亮区暗点数量C、暗区亮点数量D,
A=roundup(S1×0.25×M),B=roundup(S2×0.25×M),C=roundup(S3×0.25×M),D=(S4×0.25×M)。
在一个可行的示例中,所述对所述滤波后信号进行主成分分析,获得降维信号,包括:
对所述每个运动特征点去均值化,获得矩阵Y的中心位移项为:Yfn=yfn-μn;
选取U中最大的k个特征值对应的k个特征向量,计算获得降维信号Si(t)=yfnui,其中t=fΔt,Δt是两个相邻帧之间的时间步,i∈[1,k]。
在一个可行的示例中,所述相关图像还包括热力图,在对所述目标视频的图像帧进行校准,获得稳定的多个运动特征点之前,所述方法还包括:
定位所述热力图中表示振动强度大于第一预设阈值的目标区域;
将所述目标区域映射到所述振动物体上,确定最大振动区域;
将所述最大振动区域对应的视频图像作为所述目标视频的图像帧。
在一个可行的示例中,所述构建与所述目标潜水泵内部包含的所有易损耗结构件对应的T个结构件力学模型,包括:
获取目标潜水泵中各个部件结构对应的多个可使用年限,所述各个部件结构包括叶轮、线缆、电机或压力表;
对所述多个可使用年限进行排序,获取排序最后的T个可使用年限对应的部件结构作为易损耗部件;
获取所述T个易损耗部件的相关参数,所述相关参数包括物体的材质、形状、体积、已使用年限、运行环境或运行数据;
根据所述相关参数构建与所述目标潜水泵内部包含的T个易损耗结构件对应的H个结构件力学模型。
本申请实施例第二方面提供了一种振动检测装置,包括:
获取单元,用于获取目标潜水泵根据数字孪生模型确定的模拟振动结果;
检测单元,用于同步接收用户启动设备检测功能的指令,根据所述指令呈现目标潜水泵的振动检测入口,所述振动检测入口提供振动检测位置选项;
定位单元,用于接收用户选择的振动检测位置选项,并根据所述振动检测位置选项定位目标视角下的目标潜水泵,获取在所述目标视角下所述目标潜水泵对应的目标视频;
提取单元,用于对所述目标视频进行参数提取,获得所述目标视频对应的振动参数;
匹配单元,用于将所述模拟振动结果与所述振动参数进行匹配,确定所述目标潜水泵的振动健康结果。
本申请实施例第三方面公开了一种电子装置,其特征在于,包括处理器、存储器、通信接口,以及一个或多个程序,所述一个或多个程序被存储在所述存储器中,并且被配置由所述处理器执行,所述程序包括用于执行第一方面所述的方法中的步骤的指令。
本申请实施例第四方面公开一种存储介质,用于存储用于电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行第一方面对应方法所述的步骤的指令。
可以看出,本申请实施例公开了一种振动检测方法和装置,通过接收用户选择的目标潜水泵的振动检测位置选项,获取振动检测位置对应目标视角下的目标潜水泵对应的目标视频,并对目标视频进行振动参数提取,可以有效提升提取振动参数的准确性,再将振动参数结合数字孪生模型中获得的目标潜水泵对应的模拟振动结果,综合获取振动物体的振动健康结果,进而有效提升了振动检测的有效性和可靠性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1A为本申请实施例提供的一种振动检测方法流程示意图。
图1B为本申请实施例提供的一种结构件力学模型示意图。
图1C为本申请实施例提供的一种潜水泵示意图。
图1D为本申请实施例提供的另一种潜水泵示意图。
图2为本申请实施例提供的另一种振动检测方法流程示意图。
图3为本申请实施例提供的一种确定模拟振动结果的方法流程示意图。
图4为本申请实施例提供的一种电子装置的结构示意图。
图5为本申请实施例提供的一种振动检测装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
首先介绍本申请涉及的振动检测方法,请参阅图1A,图1A为本申请实施例提供的一种振动检测方法流程示意图,如图1A所示,振动检测方法包括如下步骤:
101、获取目标潜水泵对应的数字孪生模型的模拟振动结果。
数字孪生模型是根据振动物体的物理实体所建立的数字模型,在建立模型时,为了使得模型最大程度地接近物理实体,将会输入物理实体对应的各种参数,通过输入多组不同的结构部件参数,构建出更准确的数字孪生模型。在本申请实施例中,需要对潜水泵进行振动检测,那么首先确定目标潜水泵,然后根据目标潜水泵的数字孪生模型确定其对应的模拟振动结果。
可选的,获取目标潜水泵根据数字孪生模型确定的模拟振动结果,包括:构建与目标潜水泵内部包含的所有易损耗结构件对应的H个结构件力学模型,其中,H为正整数;对H个结构件力学模型中的H个指定位置沿径向施加径向力;确定施加径向力之后的H个结构件力学模型的H个移动距离;将H个移动距离输入预设动力学算法进行计算,以得到H个结构件力学模型对应的H条振动信息,并将H条振动信息作为模拟振动结果。
具体地,在振动物体内部,结构件非常多,单独考虑时,结构件之间的作用力非常小,但是在一个振动物体系统中,结构件对振动物体的整体性能起到非常重大的影响,因此,我们通过测量各个结构件在不同情况下的磨损程度来模拟它们共同作用产生的能量。由于设备大多数故障发生在易耗易损结构件,所以我们只分析这些主要的易损易耗结构件,降低建模的复杂性。因此,根据易损耗结构件的运行规律,相互作用规律等建立与易损耗结构件对应的H个结构件力学模型,其中H是与易损耗结构件个数相关的整数。
另外,在建立数字孪生模型时,还需要考虑物体实体中各个部件结构之间的摩擦力,因为现实世界中物理实体的运行过程必然存在摩擦力,一方面摩擦力的存在会影响物体的振动频率,另一方面,部件结构之间的摩擦力产生的径向力沿径向均匀地施加在结构件力学模型,可抵消非径向力带来的结构件力学模型的移动,从而避免其移动导致的振动,也避免结果的不准确。
基于这种假设,当对结构件力学模型施加径向力后,需对该径向力进行计算。
举例来说,参见图1B,图1B为本申请实施例提供的一种结构件力学模型示意图。设单位长度为h,入口半径为R1,出口半径是R2。相应地,其进口和出口地区设t是一个作用于这个轴向元素的单位向量,n1和n2分别为入口和出口的法向单位向量。假设n1和n2之间的夹角足够小,将该结构件力学模型看作圆锥或圆柱体。设v1和v2分别为进出口速度的平均值。该结构件力学模型所受的径向力如下:
其中,
在结构件的每个细胞单元中计算出的这个力,由于细胞运动,形成了结构件上的所有力。通过扫描来的计算机辅助设计(CAD)模型,确定指定地方在结构件相对于轴心点位置的相对位置,将摩擦力和振动模型联系起来。
可选的,预设动力学算法包括:
Isθ+Csθ+Ksθ=Mb (2)
其中,Is为惯性矩阵,Ks为刚度矩阵,Cs为联结矩阵,Mb为力矩矩阵。
其中,径向力由公式(1)计算得到,可被分解成平行于三个轴的三部分力,确定指定位置处在三个轴上的力矩M1、M2和M3生成矩阵Mb=[M1M2M3]T代入上述预设动力学算法进行计算,得到角位移,将计算得到的角位移进一步转化为线性位移,再使用三角关系将线性位移投影到二维(Y-Z)平面上,位移随时间的变化就是孪生模型产生的振动。
振动信息包括振动相关参数,例如振动频率、振动幅度或振动周期等。除此之外,本申请实施例提供的数字孪生模型中还包括空间图像处理部分,例如振动物体的振动状况对应获取相关图像,包括振动波形图、模态图或两者的结合。其中振动波形图表示振动物体在时间序列上的振动幅度,模态图表示振动物体在时间序列上的振动频率,根据相关图像能够可视化地展示物体的健康情况,提升健康情况展示的直观性和全面性。
可选的,所述构建与所述目标潜水泵内部包含的所有易损耗结构件对应的T个结构件力学模型,包括:获取目标潜水泵中各个部件结构对应的多个可使用年限,所述各个部件结构包括叶轮、线缆、电机或压力表;对所述多个可使用年限进行排序,获取排序最后的T个可使用年限对应的部件结构作为易损耗部件;获取所述T个易损耗部件的相关参数,所述相关参数包括物体的材质、形状、体积、已使用年限、运行环境或运行数据;根据所述相关参数构建与所述振动物体内部包含的T个易损耗结构件对应的H个结构件力学模型。
具体地,根据上述内容可知,在建立数字孪生模型时,主要是根据易损耗部件建立力学模型,因此确定易损耗部件至关重要。振动物体中的易损耗部件,例如潜水泵中的叶轮、线缆、电机或压力表等,使用年限相对较短,因此可以根据可使用年限来确定振动物体中的易损耗部件。可使用年限这一数据可以通过服务器从网络中获取,也可以直接输入检测设备中;然后对可使用年限进行排序,获取排序最后的T个可使用年限对应的部件结构,即使用寿命最短的结构部件,作为易损耗部件。最后获取这些易损耗部件的相关参数,包括物体的材质、形状、体积、已使用年限、运行环境或运行数据等,根据这些相关参数构建T个易损耗结构件对应的H个结构件力学模型,其中H可能与T相等,也可能大于T。
可见,在本申请实施例中,通过确定振动物体中的易损耗结构件,再根据易损耗结构件构建力学模型,进而构建数字孪生模型,用于获取振动物体对应的模拟振动结果,提升了获得模拟振动结果的可靠性。
可选的,振动物体为潜水泵,方法还包括:在同一个启动周期内,按照第一预设时间间隔获取潜水泵在N个启动时段对应的N个第一视频,其中,N为正整数;对N个第一视频进行参数提取,获得第一视频对应的N个振动参数;将N个振动参数输入数字孪生模型,根据N个振动参数更新数字孪生模型包含的K个结构件力学模型;对K个结构件力学模型中的K个指定位置沿径向施加径向力;确定施加径向力之后的K个结构件力学模型的K个移动距离;将K个移动距离输入预设动力学算法进行计算,以得到K个结构件力学模型对应的K条振动信息;将N个振动参数与K条振动信息进行对比,以确定与N个振动参数对应的N条健康预测结果;根据N条健康预测结果确定N个启动时段中的高隐患时段,其中,N条健康预测结果中健康状态越差的健康预测结果对应隐患程度越高的时段,将隐患程度最高的M个时段作为高隐患时段,其中M为正整数,M<N;生成使用建议信息,其中,使用建议信息用于表示建议避开使用高隐患时段;向终端发送携带使用建议信息的使用建议消息。
具体地,当振动物体为潜水泵时,因为潜水泵在工作一定的时长后需要检测潜水泵是否在正常稳定地工作,如果不是则停机休息。由此可知在同一个启动周期内(从潜水泵开机到关机的全过程对应的时长为一个启动周期),距离启动时间的间隔不同,潜水泵的工作状态也会不同,对应的健康状况也会有所区别。因此,在同一个启动周期内,按照第一预设时间间隔获取潜水泵在N个启动时段对应的N个第一视频,对N个第一视频进行参数提取,获得第一视频对应的N个振动参数。例如第一预设时间间隔为1h,启动周期为8:00-12:00,那么对应的N个启动时间段为8:00~8:59,9:00~9:59,10:00~10:59,10:59~11:59,获取到4个第一视频,对第一视频进行参数提取,获得4个振动参数。
然后将获得的N个振动参数输入数字孪生模型,更新数字孪生模型中的K个结构件力学模型,然后根据数字孪生模型获得对应N个第一视频的N条振动信息,将振动参数和振动信息进行匹配,即同一个第一视频对应的振动参数和其对应的振动信息进行匹配,确定振动物体的N条健康检测结果。最后确定N条健康检测结果中的康状态越差的M条健康预测结果对应的M个时段作为高隐患时段,向终端发送建议避开高隐患时段,以使得潜水泵始终能够以最好的状态进行工作。
102、同步接收用户启动设备检测功能的指令,根据所述指令呈现目标潜水泵的振动检测入口,所述振动检测入口提供振动检测位置选项。
在数字孪生模型进行运转的同时,需要对振动物体的物理实体进行同步振动检测,以便对两者获得的结果进行匹配,进一步确定振动健康结果。
振动物体包括内部相互作用产生机械振动的物体,包括引擎振动或者齿轮振动等,或者由于外力作用产生机械振动的物理,包括电线振动或桥梁振动等。振动物体在正常情况下会按照固定的频率机械振动,而当振动物体产生故障时,振动频率也会发生变化。因此,可以通过获取振动物体对应的目标视频,并进行分析确定振动物体的故障情况。
当振动物体为潜水泵时,首先要接收用户启动设备检测功能的指令,根据指令呈现潜水泵振动检测入口,振动检测入口为用户提供多个振动检测位置选择。
具体地,请参阅图1C,图1C为本申请实施例提供的一种潜水泵示意图,如图1C所示,振动物体为潜水泵时,因为潜水泵是一个比较大且结构较复杂的物体,可以通过多个视角获取视频作为目标视频。因此,用户可以通过操作检测设备的交互界面确定获取潜水泵某个部位的视频作为目标视频,检测设备接收用户启动设备检测功能的指令,然后向用户呈现潜水泵振动检测入口,即提供振动检测位置选项,例如检测位置可以是指定的位置区域,如图1C中的灰色矩形区域,也可以指定名称,例如潜水泵底座附近或者检测出水管路等。用户选择了检测位置后,检测设备在对应视角下采集检测位置的影像作为目标视频。
可选的,在接收用户启动设备检测功能的指令之后,在根据指令呈现目标潜水泵的振动检测入口之前,方法还包括:获取目标潜水泵的空间覆盖率,空间覆盖率表示与目标潜水泵的距离小于第一预设距离的空间范围所占的比例;当空间覆盖率大于第一预设覆盖率时,更新振动检测位置为泵上检测位置,泵上检测位置包括潜水泵底座和出水管路。
具体地,潜水泵通常在水下工作,而水下区域有时候十分狭窄,潜水泵可能被放置在缝隙中,检测目标潜水泵的空间覆盖率,即与目标潜水泵的距离小于第一预设距离的空间范围占目标潜水泵所有表面积的比例,假设第一预设距离为5m,第一预设覆盖率为80%,那么如果目标潜水泵的表面超过80%的面积都被与目标潜水泵的距离小于5米的空间,例如墙壁、隔板或其他障碍物,所覆盖,说明目标潜水泵被置于狭小空间,那么更新振动检测的位置为泵上检测位置,即摄像头只能选择从潜水泵底座或出水管路拍摄潜水泵的目标视频。请参阅图1D,图1D为本申请实施例提供的另一种潜水泵示意图,如图1D所示,该卧式潜水泵的底座位于潜水泵最底端,出水管路位于潜水泵最上端,或者对于如图1C所示的立式潜水泵,底座同样位于潜水泵最底端,出水管路可以位于潜水泵最上端或左右两端,将摄像头置于这些位置都可以保证摄像头能够拍摄到足够大的目标潜水泵区域视频。
103、接收用户选择的振动检测位置选项,并根据所述振动检测位置选项定位目标视角下的目标潜水泵,获取在所述目标视角下所述目标潜水泵对应的目标视频。
用户根据交互界面提供的振动检测位置选项进行选择,获得根据振动检测位置选项定位的目标视角下的目标潜水泵,例如振动检测位置选项为潜水泵底座时,摄像头在潜水泵底座拍摄目标视频,振动检测位置选项为出水管路时,摄像头在出水管路拍摄目标视频。
104、对所述目标视频进行参数提取,获得所述目标视频对应的振动参数。
对振动物体的目标视频进行参数提取,可以获取振动物体对应的物理实体实际的振动参数,用于后续确定振动物体的振动健康结果。
可选的,对目标视频进行参数提取,获得目标视频对应的振动参数,包括:获取在所述目标视角下所述目标潜水泵对应的目标视频包括获取三种亮度环境下的目标视频,所述根据所述目标视频提取所述振动物体的图像帧在不同尺度空间下的预设类型的特征点作为初始特征点,所述预设类型的特征点包括角点、边缘点、暗区的亮点以及亮区的暗点;对所述初始特征点进行筛选,获得稳定的多个运动特征点;对多个运动特征点进行光流跟踪,获得多个运动特征点的时间序列;对多个运动特征点的时间序列进行滤波处理,获得滤波后信号;对滤波后信号进行主成分分析,获得降维信号;对降维信号进行参数提取,获得目标视频对应的振动参数。
具体地,根据上述内容可知,在不同视角下可以获得不同的目标视频。同样地,潜水泵在水下工作,很多时候水下的光线很暗,拍摄目标视频时,需要为摄像头添加额外的光照。不同亮度的光照,得到的帧图像不同,可以提取的初始特征点也会不同,因此,可以获得在三种亮度环境下的目标视频,分别进行初始特征点提取。对于每种环境下的目标视频,可以按照一定的周期获取目标视频对应的多帧图像,然后对多帧图像进行初始特征点提取,从图像帧的各个区域提取对应个数预设类型的特征点作为初始特征点,预设类型的特征点包括以下至少一种:角点、边缘点、暗区的亮点以及亮区的暗点。角点是轮廓之间的交点,对于同一场景,即使视角发生变化,角点通常具备稳定性质的特征,并且该点附近区域的像素点无论在梯度方向上还是其梯度幅值上有着较大变化。边缘点为振动物体与背景图像之间的交点,亮区的暗点和暗区的亮点与其他像素点之间的对比度高,都可以作为初始特征点,以便更好地进行运动特征点观测。
获得初始特征点后,需要对初始特征点进行筛选,获得稳定的多个运动特征点。再对运动特征点进行光流跟踪,获得运动特征点在时间轴上的运动轨迹,即时间序列。然后对时间序列进行滤波,滤除非需求频率的运动轨迹。其中,滤波可以是时域滤波或频域滤波。对滤波后的时间序列进行主成分分析(principal component analysis,PCA),把多个指标合成为少数几个相互无关的综合指标(即主成分),获得降维信号。最后对降维信号进行参数提取,获得目标视频对应的振动参数,包括振动最大幅度、振动幅度取区间分布,是否达到共振振幅等。
可选的,根据所述三种亮度环境下的目标视频提取所述目标潜水泵的图像帧在不同尺度空间下的预设类型的特征点作为初始特征点,包括:从三种亮度环境下的目标视频中提取潜水泵的第一亮度多帧图像,第二亮度多帧图像和第三亮度多帧图像,其中,三种亮度对应的强度为:第一亮度<第二亮度<第三亮度;确定第一亮度多帧图像,第二亮度多帧图像和第三亮度多帧图像分别对应的影像形状特征、影像完整度和影像亮度属性;根据第一亮度多帧图像,第二亮度多帧图像和第三亮度多帧图像分别对应的影像形状特征、影像完整度和影像亮度属性以及预设的特征点类型组合策略,确定待提取的特征点的目标类型以及目标类型对应的目标数量;根据确定出的待提取的特征点的目标类型及目标类型对应的目标数量,提取待提取的特征点作为初始特征点。
具体地,分别获取在三种亮度环境下的目标视频,并从第一亮度的目标视频中提取第一亮度多帧图像、从第二亮度的目标视频中提取第二亮度多帧图像,从第三亮度的目标视频中提取第三亮度多帧图像,然后获取三种不同亮度的多帧图像对应的影像形状特征、影像完整度和影像亮度属性,在亮度较低的情况下,影响会被阴影覆盖,在亮度较高的情况下,影像可能曝光过度。因此不同亮度得到影像形状特征、影像完整度和影像亮度属性都会不同。这些特性的不同,会导致能提取的特征点个数也不同。
可选的,根据第一亮度多帧图像,第二亮度多帧图像和第三亮度多帧图像分别对应的影像形状特征、影像完整度和影像亮度属性以及预设的特征点类型组合策略,确定待提取的特征点的目标类型以及目标类型对应的目标数量,包括:根据影像形状特征确定多种多帧图像中每一种多帧图像中目标潜水泵的结构连接点,根据结构连接点数量X确定每一种多帧图像包含的角点,根据影像完整度Y确定多帧图像包含的边缘点,根据影像亮度属性Z确定多帧图像包含的亮区暗点和暗区亮点,其中,X为正整数;其中,0<Y≤1;其中,影像亮度属性包括获取多帧图像的图像亮度,根据图像亮度确定影像亮度属性Z,Z为正整数,其中多种多帧图像包括第一亮度多帧图像,第二亮度多帧图像和第三亮度多帧图像;获取需要提取的每一种多帧图像中多帧图像的初始特征点预设数量为M,M为正整数;确定第一亮度多帧图像的参数组合为(X1,Y1,Z1),第二亮度多帧图像的参数组合为(X2,Y2,Z2),第三亮度多帧图像的参数组合为(X3,Y3,Z3),其中每一种参数对应的影响因子为:S1=Xi/max(X1,X2,X3),S2=Yi/(Y1+Y2+Y3),S3=[Zi-(Z1+Z2+Z3)/3]/Zi,S4=1-S3,其中,S1表示结构影响因子,S2表示完整度影响因子,S3表示第一亮度影响因子,S4表示第二亮度影响因子;根据如下特征点数量计算公式确定每一种多帧图像中待提取的角点数量A、边缘点数量B、亮区暗点数量C、暗区亮点数量D,A=roundup(S1×0.25×M),B=roundup(S2×0.25×M),C=roundup(S3×0.25×M),D=(S4×0.25×M)。
具体地,获取第一亮度对应的多帧图像、第二亮度对应的多帧图像和第三亮度对应的多帧图像分别包含的角点X,影像完整度Y和影像亮度属性Z,这些都是其中X,Y和Z都是统计值,即多帧图像中每帧图像的值进行统计得到的平均值或者中数值等。
假设第一亮度多帧图像的参数组合为(X1,Y1,Z1),第二亮度多帧图像的参数组合为(X2,Y2,Z2),第三亮度多帧图像的参数组合为(X3,Y3,Z3),因为不知道那种亮度下得到的目标视频效果最好,因此将不同亮度下的三种参数组合作为影响因子用来求取每种亮度下对应的多帧图像应该提取的特征点类型以及该类型对应的特征点数量。另外,亮区的暗点和暗区的亮度会互相影响,且亮度越高,亮区的暗点越少,因此某一个亮度下的多帧图像亮度属性值与均值的差值越大,说明亮度值越高,S3越大,对应的亮区的暗点C越多,相对应的,暗区的亮点D越少。
另外,初始状态下,每种类型的特征点分配是相同的,都为0.25×M,影响因子S1、S2、S3和S4会让目标类型对应的目标数量一定程度地偏离平均值。
可见,在本申请实施例中,通过获取不同亮度环境下的目标视频以及每种亮度的目标视频对应的多帧图像,并确定每种亮度对应的多帧图像的影像形状特征、影像完整度和影响亮度属性,以及这三种特征与预设特征点的组合策略,得到待提取的特征点的目标类型以及所述目标类型对应的目标数量,进而从不同亮度的多帧图像中提取对应目标数量的目标类型的初始特征点。这个过程考虑了亮度对提取的初始特征点的类型和数量的影响,使得提取的初始特征点更精确,有助于后续稳定的多个运动特征点的确定,进而提升了振动参数提取的准确性。
可选的,对滤波后信号进行主成分分析,获得降维信号,包括:获取第f帧图像上第n个运动特征点的垂直位移yfn组成矩阵Y,并计算获得每个运动特征点垂直位移的均值其中F为总图像帧数;对每个运动特征点去均值化,获得矩阵Y的中心位移项为:Yfn=yfn-μn;定义每个运动特征点的特征协方差矩阵为计算获得特征协方差矩阵的特征值和特征向量,记为U=[u1,...,uN];选取U中最大的k个特征值对应的k个特征向量,计算获得降维信号Si(t)=yfnui,其中t=fΔt,Δt是两个相邻帧之间的时间步,i∈[i,k]。
主成分分析(principal component analysis,PCA)是为了进行数据降维,将原来众多具有一定相关性的指标重新组合成一组新的互相无关的综合指标来代替原来的指标。在本申请实施例中,在进行特征点跟踪时,运动特征点的位置变化过程中,运动的分量包括水平分量和垂直分量,水平运动主要是由于动平衡摇摆引起的,不应该作为振动评价指标,因此,将垂直运动分量作为振动的评价指标。对垂直运动分量作为主成分,通过PCA对滤波后的信号进行降维。首先获取第f帧图像上第n个运动特征点的垂直位移yfn组成矩阵Y,可以表示为:
其中F表示总的图像帧数,N表示总的运动特征点个数。
然后计算每个特征点垂直位移的均值,即计算矩阵Y中每一行元素的平均值,再将每一个元素值减去平均值,完成去均值化。再定义每个运动特征点的特征协方差矩阵,并计算获得特征协方差矩阵的特征值和特征向量。选择特征协方差矩阵中最大的k个特征值对应的k个特征向量,并计算获得降维信号,完成主成分分析过程。可选的,可以选择最大特征值对应的特征向量,即k=1,获得降维后的一维信号。
可见,在本申请实施例中,通过对滤波后信号进行主成分分析,获得降维信号,可以更加方便进行参数提取,进而获得更加简洁有效的振动参数,有助于提升后续确定所述振动物体的振动健康结果的准确性。
可选的,相关图像还包括热力图,在对目标视频的图像帧进行校准,获得稳定的多个运动特征点之前,方法还包括:定位热力图中表示振动强度大于第一预设阈值的目标区域;将目标区域映射到振动物体上,确定最大振动区域;将最大振动区域对应的视频图像作为目标视频的图像帧。
具体地,健康状况对应的相关图像还包括热力图,用来表示振动物体不同位置对应的振动强度。通过数字孪生模型中的输入数据可以直接模拟出振动物体的热力图。然后定位热力图中振动强度大于第一预设阈值的区域作为目标区域,其中第一预设阈值可以是一个由数字孪生模型提供的具体数值,也可以是一个根据用户自定义的百分比获取的数值。确定目标区域后,映射到振动物体的物理实体上,确定最大振动区域,然后获取最大振动区域的视频图像作为目标视频图像的图像帧。这样可以更加准确的定位振动点,进而获取振动物体更具代表性的运动特征点,提升振动参数提取的效率。
可见,在本申请实施例中,将数据孪生模型中的模拟振动结果同步地运用于参数提取过程中,将由数字孪生模型确定的热力图中振动强度最大的区域作为目标视频的图像帧进行后续的振动参数提取,提升了数字孪生模型和振动检测的关联性,同时通过定位物理实体上的最大振动区域,减少了参数提取过程中的数据处理量,提升了振动检测效率。
105、将所述振动参数和所述模拟振动结果进行匹配,确定所述振动物体的振动健康结果。
具体地,对振动物体的物理实体进行振动参数提取,对数字孪生模型输入振动物体的物体实体相关参数,获得模拟振动结果,然后将两者进行匹配,即可获得振动物体的物体实体对应的健康情况。振动参数可以是数值,包括振幅,频率等,也可以是图形,包括振动波形图或模态图等,模拟振动结果是健康状况,同时关联到相关图像,因此,振动参数和模拟振动结果进行匹配时,可以包括数值匹配、数值范围匹配或图形匹配。根据匹配度是否达到第一预设匹配值确定是否匹配成功,第一预设匹配值可以是90%或95%等。确定匹配成功后,获取模拟振动结果的相关图像对应的健康状况作为振动物体的振动健康结果。
可见,在本申请实施例公开的振动检测方法中,通过获取振动物体根据数字孪生模型确定的模拟振动结果;再获取振动物体对应的目标视频,对目标视频进行参数提取,获得目标视频对应的振动参数;将振动参数和模拟振动结果进行匹配,确定振动物体的振动健康结果。该方法通过将数字孪生模型的模拟振动结果和振动物体对应目标视频中的振动参数进行匹配,并根据匹配结果确定振动物体振动情况,提升了获得振动健康结果的有效性和可靠性。
请参阅图2,图2为本申请实施例提供的另一种振动检测方法的流程示意图,如图2所示,该方法包括如下步骤:
201、获取目标潜水泵根据数字孪生模型确定的模拟振动结果;
202、同步接收用户启动设备检测功能的指令;
203、获取所述目标潜水泵的空间覆盖率,所述空间覆盖率表示与所述目标潜水泵的距离小于第一预设距离的空间范围所占的比例;
204、当所述空间覆盖率大于第一预设覆盖率时,更新振动检测位置为泵上检测位置,所述泵上检测位置包括潜水泵底座和出水管路;
205、根据所述指令呈现目标潜水泵的振动检测入口,所述振动检测入口提供振动检测位置选项;
206、接收用户选择的振动检测位置选项,并根据所述振动检测位置选项定位目标视角下的目标潜水泵;
207、获取在所述目标视角下所述目标潜水泵对应的三种亮度环境下的目标视频,根据所述三种亮度环境下的目标视频提取所述目标潜水泵的图像帧在不同尺度空间下的预设类型的特征点作为初始特征点,所述预设类型的特征点包括角点、边缘点、暗区的亮点以及亮区的暗点;
208、对所述初始特征点进行筛选,获得稳定的多个运动特征点;
209、对所述多个运动特征点进行光流跟踪,获得所述多个运动特征点的时间序列;
210、对所述多个运动特征点的时间序列进行滤波处理,获得滤波后信号;
211、对所述滤波后信号进行主成分分析,获得降维信号;
212、对所述降维信号进行参数提取,获得所述目标视频对应的振动参数;
213、将所述振动参数和所述模拟振动结果进行匹配,确定所述振动物体的振动健康结果。
其中,上述步骤201-步骤213的具体描述可以参照步骤101-105所描述的振动检测方法的相应描述,在此不再赘述。
可见,本申请实施例公开的振动检测方法,通过构建目标潜水泵对应的数字孪生模型,获取目标潜水泵对应的模拟振动结果;再根据目标潜水泵的空间覆盖率确定振动检测位置选项,根据用户选择的振动位置选项定位目标视角下的目标潜水泵,并获取三种亮度环境下的目标视频。为目标视频对应的图像帧提取初始特征点,进行筛选获得多个运动特征点,通过光流跟踪法对多个运动特征点的运动特征进行跟踪,进而完成参数提取,获得目标视频对应的振动参数;最后将振动参数和模拟振动结果进行匹配,确定目标潜水泵的振动健康结果。该方法通过空间覆盖率和选择拍摄视角,并获取三种亮度环境下的目标视频,提升了获得目标视频的针对性和丰富性,最后将获得的数字孪生模型的模拟振动结果和目标潜水泵对应目标视频中的振动参数进行匹配,并根据匹配结果确定目标潜水泵振动情况,提升了获得振动健康结果的有效性和可靠性。
请参阅图3,图3位本申请实施例提供的一种确定模拟振动结果的方法流程示意图,如图3所示,该方法包括如下步骤:
301、获取目标潜水泵中各个部件结构对应的多个可使用年限,所述各个部件结构包括叶轮、线缆、电机或压力表;
302、对所述多个可使用年限进行排序,获取排序最后的T个可使用年限对应的部件结构作为易损耗部件;
303、获取所述T个易损耗部件的相关参数,所述相关参数包括物体的材质、形状、体积、已使用年限、运行环境或运行数据;
304、根据所述相关参数构建与所述振动物体内部包含的T个易损耗结构件对应的H个结构件力学模型,其中,H为正整数;
305、对所述H个结构件力学模型中的H个指定位置沿径向施加径向力,并确定施加径向力之后的所述H个结构件力学模型的H个移动距离;
306、将所述H个移动距离输入预设动力学算法进行计算,以得到所述H个结构件力学模型对应的H条振动信息,并将所述H条振动信息作为模拟振动结果。
其中,上述步骤301-步骤306的具体描述可以参照步骤101-步骤105所描述的振动检测方法的相应描述,在此不再赘述。
可见,在本申请实施例公开的振动预测方法中,通过确定振动物体中的易损耗结构件,再根据易损耗结构件构建力学模型,进而构建数字孪生模型,用于获取振动物体对应的模拟振动结果,这个过程一方面通过确定易损耗部件的健康状况确定振动物体的健康状况减少了数据运算量,另一方面易损耗部件能够作为代表体现振动物体的健康状况,提升了振动预测的效率和准确性。
如上述一致地,请参阅图4,图4是本申请实施例提供的一种电子装置的结构示意图,如图4所示,该电子装置包括处理器、存储器、通信接口以及一个或多个程序,其中,上述一个或多个程序被存储在上述存储器中,并且被配置由上述处理器执行,上述程序包括用于执行以下步骤的指令:
获取目标潜水泵根据数字孪生模型确定的模拟振动结果;
同步接收用户启动设备检测功能的指令,根据所述指令呈现目标潜水泵的振动检测入口,所述振动检测入口提供振动检测位置选项;
接收用户选择的振动检测位置选项,并根据所述振动检测位置选项定位目标视角下的目标潜水泵,获取在所述目标视角下所述目标潜水泵对应的目标视频;
对所述目标视频进行参数提取,获得所述目标视频对应的振动参数;
将所述模拟振动结果与所述振动参数进行匹配,确定所述目标潜水泵的振动健康结果。
可见,在本申请实施例中,电子装置通过接收用户选择的目标潜水泵的振动检测位置选项,获取振动检测位置对应目标视角下的目标潜水泵对应的目标视频,并对目标视频进行振动参数提取,可以有效提升提取振动参数的准确性,再将振动参数结合数字孪生模型中获得的目标潜水泵对应的模拟振动结果,综合获取振动物体的振动健康结果,进而有效提升了振动检测的有效性和可靠性。
在一个可能的示例中,在接收用户启动设备检测功能的指令之后,在根据所述指令呈现目标潜水泵的振动检测入口之前,所述方法还包括:
获取所述目标潜水泵的空间覆盖率,所述空间覆盖率表示与所述目标潜水泵的距离小于第一预设距离的空间范围所占的比例;
当所述空间覆盖率大于第一预设覆盖率时,更新振动检测位置为泵上检测位置,所述泵上检测位置包括潜水泵底座和出水管路。
在一个可能的示例中,所述获取目标潜水泵根据数字孪生模型确定的模拟振动结果,包括:
构建与所述目标潜水泵内部包含的所有易损耗结构件对应的H个结构件力学模型,其中,H为正整数;
对所述H个结构件力学模型中的H个指定位置沿径向施加径向力;
确定施加径向力之后的所述H个结构件力学模型的H个移动距离;
将所述H个移动距离输入预设动力学算法进行计算,以得到所述H个结构件力学模型对应的H条振动信息,并将所述H条振动信息作为模拟振动结果。
在一个可能的示例中,所述获取在所述目标视角下所述目标潜水泵对应的目标视频包括获取在所述目标视角下所述目标潜水泵对应的三种亮度环境下的目标视频,所述对所述目标视频进行参数提取,获得所述目标视频对应的振动参数,包括:
根据所述三种亮度环境下的目标视频提取所述目标潜水泵的图像帧在不同尺度空间下的预设类型的特征点作为初始特征点,所述预设类型的特征点包括角点、边缘点、暗区的亮点以及亮区的暗点;
对所述初始特征点进行筛选,获得稳定的多个运动特征点;
对所述多个运动特征点进行光流跟踪,获得所述多个运动特征点的时间序列;
对所述多个运动特征点的时间序列进行滤波处理,获得滤波后信号;
对所述滤波后信号进行主成分分析,获得降维信号;
对所述降维信号进行参数提取,获得所述目标视频对应的振动参数。
在一个可能的示例中,所述根据所述三种亮度环境下的目标视频提取所述目标潜水泵的图像帧在不同尺度空间下的预设类型的特征点作为初始特征点,包括:
从所述三种亮度环境下的目标视频中提取所述潜水泵的第一亮度多帧图像,第二亮度多帧图像和第三亮度多帧图像,其中,三种亮度对应的强度为:第一亮度<第二亮度<第三亮度;
确定所述第一亮度多帧图像,第二亮度多帧图像和第三亮度多帧图像分别对应的影像形状特征、影像完整度和影像亮度属性;
根据所述第一亮度多帧图像,第二亮度多帧图像和第三亮度多帧图像分别对应的影像形状特征、所述影像完整度和所述影像亮度属性以及预设的特征点类型组合策略,确定待提取的特征点的目标类型以及所述目标类型对应的目标数量;
根据确定出的所述待提取的特征点的目标类型及所述目标类型对应的目标数量,提取所述待提取的特征点作为初始特征点。
在一个可能的示例中,所述根据所述第一亮度多帧图像,第二亮度多帧图像和第三亮度多帧图像分别对应的影像形状特征、所述影像完整度和所述影像亮度属性以及预设的特征点类型组合策略,确定待提取的特征点的目标类型以及所述目标类型对应的目标数量,包括:
根据所述影像形状特征确定多种多帧图像中每一种多帧图像中目标潜水泵的结构连接点,根据所述结构连接点数量X确定所述每一种多帧图像包含的角点,根据所述影像完整度Y确定所述多帧图像包含的边缘点,根据所述影像亮度属性Z确定所述多帧图像包含的亮区暗点和暗区亮点,其中,X为正整数;其中,0<Y≤1;其中,所述影像亮度属性包括获取所述多帧图像的图像亮度,根据所述图像亮度确定所述影像亮度属性Z,Z为正整数,其中所述多种多帧图像包括所述第一亮度多帧图像,第二亮度多帧图像和第三亮度多帧图像;
获取需要提取的所述每一种多帧图像中多帧图像的初始特征点预设数量为M,M为正整数;
确定所述第一亮度多帧图像的参数组合为(X1,Y1,Z1),第二亮度多帧图像的参数组合为(X2,Y2,Z2),第三亮度多帧图像的参数组合为(X3,Y3,Z3),其中每一种参数对应的影响因子为:S1=Xi/max(X1,X2,X3),S2=Yi/(Y1+Y2+Y3),S3=[Zi-(Z1+Z2+Z3)/3]/Zi,S4=1-S3,其中,S1表示结构影响因子,S2表示完整度影响因子,S3表示第一亮度影响因子,S4表示第二亮度影响因子;
根据如下特征点数量计算公式确定每一种多帧图像中待提取的角点数量A、边缘点数量B、亮区暗点数量C、暗区亮点数量D,
A=roundup(S1×0.25×M),B=roundup(S2×0.25×M),C=roundup(S3×0.25×M),D=(S4×0.25×M)。
在一个可能的示例中,所述对所述滤波后信号进行主成分分析,获得降维信号,包括:
对所述每个运动特征点去均值化,获得矩阵Y的中心位移项为:Yfn=yfn-μn;
选取U中最大的k个特征值对应的k个特征向量,计算获得降维信号Si(t)=yfnui,其中t=fΔt,Δt是两个相邻帧之间的时间步,i∈[i,k]。
在一个可能的示例中,所述相关图像还包括热力图,在对所述目标视频的图像帧进行校准,获得稳定的多个运动特征点之前,所述方法还包括:
定位所述热力图中表示振动强度大于第一预设阈值的目标区域;
将所述目标区域映射到所述振动物体上,确定最大振动区域;
将所述最大振动区域对应的视频图像作为所述目标视频的图像帧。
在一个可能的示例中,所述构建与所述目标潜水泵内部包含的所有易损耗结构件对应的T个结构件力学模型,包括:
获取目标潜水泵各个部件结构对应的多个可使用年限,所述各个部件结构包括叶轮、线缆、电机或压力表;
对所述多个可使用年限进行排序,获取排序最后的T个可使用年限对应的部件结构作为易损耗部件;
获取所述T个易损耗部件的相关参数,所述相关参数包括物体的材质、形状、体积、已使用年限、运行环境或运行数据;
根据所述相关参数构建与所述目标潜水泵内部包含的T个易损耗结构件对应的H个结构件力学模型。
请参阅图5,图5为本申请实施例提供的一种振动检测装置的结构示意图,如图5所示,振动检测装置500包括:
获取单元501,用于获取目标潜水泵根据数字孪生模型确定的模拟振动结果;
检测单元502,用于同步接收用户启动设备检测功能的指令,根据所述指令呈现目标潜水泵的振动检测入口,所述振动检测入口提供振动检测位置选项;
定位单元503,用于接收用户选择的振动检测位置选项,并根据所述振动检测位置选项定位目标视角下的目标潜水泵,获取在所述目标视角下所述目标潜水泵对应的目标视频;
提取单元504,用于对所述目标视频进行参数提取,获得所述目标视频对应的振动参数;
匹配单元505,用于将所述模拟振动结果与所述振动参数进行匹配,确定所述目标潜水泵的振动健康结果。
在此需要说明的是,上述获取单元501、检测单元502、定位单元503、提取单元504和匹配单元505的具体工作过程参见上述步骤101-105所描述的振动检测方法的相应描述,在此不再赘述。
可以看出,本申请实施例公开的振动检测装置,通过接收用户选择的目标潜水泵的振动检测位置选项,获取振动检测位置对应目标视角下的目标潜水泵对应的目标视频,并对目标视频进行振动参数提取,可以有效提升提取振动参数的准确性,再将振动参数结合数字孪生模型中获得的目标潜水泵对应的模拟振动结果,综合获取振动物体的振动健康结果,进而有效提升了振动检测的有效性和可靠性。
在可选情况下,所述检测单元502还用于:
获取所述目标潜水泵的空间覆盖率,所述空间覆盖率表示与所述目标潜水泵的距离小于第一预设距离的空间范围所占的比例;
当所述空间覆盖率大于第一预设覆盖率时,更新振动检测位置为泵上检测位置,所述泵上检测位置包括潜水泵底座和出水管路。
在可选情况下,所述获取单元501具体用于:
构建与所述目标潜水泵内部包含的所有易损耗结构件对应的H个结构件力学模型,其中,H为正整数;
对所述H个结构件力学模型中的H个指定位置沿径向施加径向力;
确定施加径向力之后的所述H个结构件力学模型的H个移动距离;
将所述H个移动距离输入预设动力学算法进行计算,以得到所述H个结构件力学模型对应的H条振动信息,并将所述H条振动信息作为模拟振动结果。
在可选情况下,所述获取在所述目标视角下所述目标潜水泵对应的目标视频包括获取在所述目标视角下所述目标潜水泵对应的三种亮度环境下的目标视频,所述提取单元504具体用于:
根据所述三种亮度环境下的目标视频提取所述目标潜水泵的图像帧在不同尺度空间下的预设类型的特征点作为初始特征点,所述预设类型的特征点包括角点、边缘点、暗区的亮点以及亮区的暗点;
对所述初始特征点进行筛选,获得稳定的多个运动特征点;
对所述多个运动特征点进行光流跟踪,获得所述多个运动特征点的时间序列;
对所述多个运动特征点的时间序列进行滤波处理,获得滤波后信号;
对所述滤波后信号进行主成分分析,获得降维信号;
对所述降维信号进行参数提取,获得所述目标视频对应的振动参数。
可选情况下,在所述根据所述三种亮度环境下的目标视频提取所述目标潜水泵的图像帧在不同尺度空间下的预设类型的特征点作为初始特征点方面,所述提取单元504还用于:
从所述三种亮度环境下的目标视频中提取所述潜水泵的第一亮度多帧图像,第二亮度多帧图像和第三亮度多帧图像,其中,三种亮度对应的强度为:第一亮度<第二亮度<第三亮度;
确定所述第一亮度多帧图像,第二亮度多帧图像和第三亮度多帧图像分别对应的影像形状特征、影像完整度和影像亮度属性;
根据所述第一亮度多帧图像,第二亮度多帧图像和第三亮度多帧图像分别对应的影像形状特征、所述影像完整度和所述影像亮度属性以及预设的特征点类型组合策略,确定待提取的特征点的目标类型以及所述目标类型对应的目标数量;
根据确定出的所述待提取的特征点的目标类型及所述目标类型对应的目标数量,提取所述待提取的特征点作为初始特征点。
可选情况下,在所述根据所述第一亮度多帧图像,第二亮度多帧图像和第三亮度多帧图像分别对应的影像形状特征、所述影像完整度和所述影像亮度属性以及预设的特征点类型组合策略,确定待提取的特征点的目标类型以及所述目标类型对应的目标数量方面,所述提取单元504还用于:
根据所述影像形状特征确定多种多帧图像中每一种多帧图像中目标潜水泵的结构连接点,根据所述结构连接点数量X确定所述每一种多帧图像包含的角点,根据所述影像完整度Y确定所述多帧图像包含的边缘点,根据所述影像亮度属性Z确定所述多帧图像包含的亮区暗点和暗区亮点,其中,X为正整数;其中,0<Y≤1;其中,所述影像亮度属性包括获取所述多帧图像的图像亮度,根据所述图像亮度确定所述影像亮度属性Z,Z为正整数,其中所述多种多帧图像包括所述第一亮度多帧图像,第二亮度多帧图像和第三亮度多帧图像;
获取需要提取的所述每一种多帧图像中多帧图像的初始特征点预设数量为M,M为正整数;
确定所述第一亮度多帧图像的参数组合为(X1,Y1,Z1),第二亮度多帧图像的参数组合为(X2,Y2,Z2),第三亮度多帧图像的参数组合为(X3,Y3,Z3),其中每一种参数对应的影响因子为:S1=Xi/max(X1,X2,X3),S2=Yi/(Y1+Y2+Y3),S3=[Zi-(Z1+Z2+Z3)/3]/Zi,S4=1-S3,其中,S1表示结构影响因子,S2表示完整度影响因子,S3表示第一亮度影响因子,S4表示第二亮度影响因子;
根据如下特征点数量计算公式确定每一种多帧图像中待提取的角点数量A、边缘点数量B、亮区暗点数量C、暗区亮点数量D,
A=roundup(S1×0.25×M),B=roundup(S2×0.25×M),C=roundup(S3×0.25×M),D=(S4×0.25×M)。
在可选情况下,在对所述滤波后信号进行主成分分析,获得降维信号方面,提取单元504还具体用于:
对所述每个运动特征点去均值化,获得矩阵Y的中心位移项为:Yfn=yfn-μn;
选取U中最大的k个特征值对应的k个特征向量,计算获得降维信号Si(t)=yfnui,其中t=fΔt,Δt是两个相邻帧之间的时间步,i∈[i,k]。
在可选情况下,所述相关图像还包括热力图,所述振动检测装置500还包括映射单元506,具体用于:
定位所述热力图中表示振动强度大于第一预设阈值的目标区域;
将所述目标区域映射到所述振动物体上,确定最大振动区域;
将所述最大振动区域对应的视频图像作为所述目标视频的图像帧。
在可选情况下,在构建与所述振动物体内部包含的所有易损耗结构件对应的T个结构件力学模型方面,所述获取单元501还具体用于:
获取目标潜水泵中各个部件结构对应的多个可使用年限,所述各个部件结构包括叶轮、线缆、电机或压力表;
对所述多个可使用年限进行排序,获取排序最后的T个可使用年限对应的部件结构作为易损耗部件;
获取所述T个易损耗部件的相关参数,所述相关参数包括物体的材质、形状、体积、已使用年限、运行环境或运行数据;
根据所述相关参数构建与所述振动物体内部包含的T个易损耗结构件对应的H个结构件力学模型。
在一些实施例里,公开了一种存储介质,用于存储用于电子数据交换的计算机程序,其中,计算机程序使得计算机执行上述任一方法的步骤的指令。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法,可通过其它的方式实现。例如,以上所描述的方法实施例仅仅是示意性的,例如单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,方法或单元的间接耦合或通信连接,可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件程序模块的形式实现。
集成的单元如果以软件程序模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本申请的限制。
Claims (8)
1.一种振动检测方法,其特征在于,所述方法包括:
获取目标潜水泵根据数字孪生模型确定的模拟振动结果;
同步接收用户启动设备检测功能的指令,根据所述指令呈现目标潜水泵的振动检测入口,所述振动检测入口提供振动检测位置选项;
接收用户选择的振动检测位置选项,并根据所述振动检测位置选项定位目标视角下的目标潜水泵,获取在所述目标视角下所述目标潜水泵对应的目标视频;
对所述目标视频进行参数提取,获得所述目标视频对应的振动参数;
将所述模拟振动结果与所述振动参数进行匹配,确定所述目标潜水泵的振动健康结果,根据匹配度是否达到第一预设匹配值确定是否匹配成功,确定匹配成功后,获取模拟振动结果的相关图像对应的健康状况作为振动物体的振动健康结果;
其中,所述获取目标潜水泵根据数字孪生模型确定的模拟振动结果,包括:
构建与所述目标潜水泵内部包含的所有易损耗结构件对应的H个结构件力学模型,其中,H为正整数;
对所述H个结构件力学模型中的H个指定位置沿径向施加径向力;
确定施加径向力之后的所述H个结构件力学模型的H个移动距离;
将所述H个移动距离输入预设动力学算法进行计算,以得到所述H个结构件力学模型对应的H条振动信息,并将所述H条振动信息作为模拟振动结果;
其中,所述获取在所述目标视角下所述目标潜水泵对应的目标视频包括获取在所述目标视角下所述目标潜水泵对应的三种亮度环境下的目标视频,所述对所述目标视频进行参数提取,获得所述目标视频对应的振动参数,包括:
根据所述三种亮度环境下的目标视频提取所述目标潜水泵的图像帧在不同尺度空间下的预设类型的特征点作为初始特征点,所述预设类型的特征点包括角点、边缘点、暗区的亮点以及亮区的暗点;
对所述初始特征点进行筛选,获得稳定的多个运动特征点;
对所述多个运动特征点进行光流跟踪,获得所述多个运动特征点的时间序列;
对所述多个运动特征点的时间序列进行滤波处理,获得滤波后信号;
对所述滤波后信号进行主成分分析,获得降维信号;
对所述降维信号进行参数提取,获得所述目标视频对应的振动参数。
2.根据权利要求1所述的方法,其特征在于,在接收用户启动设备检测功能的指令之后,在根据所述指令呈现目标潜水泵的振动检测入口之前,所述方法还包括:
获取所述目标潜水泵的空间覆盖率,所述空间覆盖率表示与所述目标潜水泵的距离小于第一预设距离的空间范围所占的比例;
当所述空间覆盖率大于第一预设覆盖率时,更新振动检测位置为泵上检测位置,所述泵上检测位置包括潜水泵底座和出水管路。
3.根据权利要求1所述的方法,其特征在于,所述根据所述三种亮度环境下的目标视频提取所述目标潜水泵的图像帧在不同尺度空间下的预设类型的特征点作为初始特征点,包括:
从所述三种亮度环境下的目标视频中提取所述潜水泵的第一亮度多帧图像,第二亮度多帧图像和第三亮度多帧图像,其中,三种亮度对应的强度为:第一亮度<第二亮度<第三亮度;
确定所述第一亮度多帧图像,第二亮度多帧图像和第三亮度多帧图像分别对应的影像形状特征、影像完整度和影像亮度属性;
根据所述第一亮度多帧图像,第二亮度多帧图像和第三亮度多帧图像分别对应的影像形状特征、所述影像完整度和所述影像亮度属性以及预设的特征点类型组合策略,确定待提取的特征点的目标类型以及所述目标类型对应的目标数量;
根据确定出的所述待提取的特征点的目标类型及所述目标类型对应的目标数量,提取所述待提取的特征点作为初始特征点。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第一亮度多帧图像,第二亮度多帧图像和第三亮度多帧图像分别对应的影像形状特征、所述影像完整度和所述影像亮度属性以及预设的特征点类型组合策略,确定待提取的特征点的目标类型以及所述目标类型对应的目标数量,包括:
根据所述影像形状特征确定多种多帧图像中每一种多帧图像中目标潜水泵的结构连接点,根据所述结构连接点数量X确定所述每一种多帧图像包含的角点,根据所述影像完整度Y确定所述多帧图像包含的边缘点,根据所述影像亮度属性Z确定所述多帧图像包含的亮区暗点和暗区亮点,其中,X为正整数;其中,0<Y≤1;其中,所述影像亮度属性包括获取所述多帧图像的图像亮度,根据所述图像亮度确定所述影像亮度属性Z,Z为正整数,其中所述多种多帧图像包括所述第一亮度多帧图像,第二亮度多帧图像和第三亮度多帧图像;
获取需要提取的所述每一种多帧图像中多帧图像的初始特征点预设数量为M,M为正整数;
确定所述第一亮度多帧图像的参数组合为(X1,Y1,Z1),第二亮度多帧图像的参数组合为(X2,Y2,Z2),第三亮度多帧图像的参数组合为(X3,Y3,Z3),其中每一种参数对应的影响因子为:S1=Xi/max(X1,X2,X3),S2=Yi/(Y1+Y2+Y3),S3=[Zi-(Z1+Z2+Z3)/3]/Zi,S4=1-S3,其中,S1表示结构影响因子,S2表示完整度影响因子,S3表示第一亮度影响因子,S4表示第二亮度影响因子;
根据如下特征点数量计算公式确定每一种多帧图像中待提取的角点数量A、边缘点数量B、亮区暗点数量C、暗区亮点数量D,
A=roundup(S1×0.25×M),B=roundup(S2×0.25×M),C=roundup(S3×0.25×M),D=(S4×0.25×M)。
5.根据权利要求1所述的方法,其特征在于,所述构建与所述目标潜水泵内部包含的所有易损耗结构件对应的T个结构件力学模型,包括:
获取目标潜水泵中各个部件结构对应的多个可使用年限,所述各个部件结构包括叶轮、线缆、电机或压力表;
对所述多个可使用年限进行排序,获取排序最后的T个可使用年限对应的部件结构作为易损耗部件;
获取所述T个易损耗部件的相关参数,所述相关参数包括物体的材质、形状、体积、已使用年限、运行环境或运行数据;
根据所述相关参数构建与所述目标潜水泵内部包含的T个易损耗结构件对应的H个结构件力学模型。
6.一种振动检测装置,其特征在于,所述装置包括:
获取单元,用于获取目标潜水泵根据数字孪生模型确定的模拟振动结果;
检测单元,用于同步接收用户启动设备检测功能的指令,根据所述指令呈现目标潜水泵的振动检测入口,所述振动检测入口提供振动检测位置选项;
定位单元,用于接收用户选择的振动检测位置选项,并根据所述振动检测位置选项定位目标视角下的目标潜水泵,获取在所述目标视角下所述目标潜水泵对应的目标视频;
提取单元,用于对所述目标视频进行参数提取,获得所述目标视频对应的振动参数;
匹配单元,用于将所述模拟振动结果与所述振动参数进行匹配,确定所述目标潜水泵的振动健康结果,根据匹配度是否达到第一预设匹配值确定是否匹配成功,确定匹配成功后,获取模拟振动结果的相关图像对应的健康状况作为振动物体的振动健康结果;
其中,所述获取目标潜水泵根据数字孪生模型确定的模拟振动结果,包括:
构建与所述目标潜水泵内部包含的所有易损耗结构件对应的H个结构件力学模型,其中,H为正整数;
对所述H个结构件力学模型中的H个指定位置沿径向施加径向力;
确定施加径向力之后的所述H个结构件力学模型的H个移动距离;
将所述H个移动距离输入预设动力学算法进行计算,以得到所述H个结构件力学模型对应的H条振动信息,并将所述H条振动信息作为模拟振动结果;
其中,所述获取在所述目标视角下所述目标潜水泵对应的目标视频包括获取在所述目标视角下所述目标潜水泵对应的三种亮度环境下的目标视频,所述对所述目标视频进行参数提取,获得所述目标视频对应的振动参数,包括:
根据所述三种亮度环境下的目标视频提取所述目标潜水泵的图像帧在不同尺度空间下的预设类型的特征点作为初始特征点,所述预设类型的特征点包括角点、边缘点、暗区的亮点以及亮区的暗点;
对所述初始特征点进行筛选,获得稳定的多个运动特征点;
对所述多个运动特征点进行光流跟踪,获得所述多个运动特征点的时间序列;
对所述多个运动特征点的时间序列进行滤波处理,获得滤波后信号;
对所述滤波后信号进行主成分分析,获得降维信号;
对所述降维信号进行参数提取,获得所述目标视频对应的振动参数。
7.一种电子装置,其特征在于,包括处理器、存储器、通信接口,以及一个或多个程序,所述一个或多个程序被存储在所述存储器中,并且被配置由所述处理器执行,所述程序包括用于执行如权利要求1-5任一项所述的方法中的步骤的指令。
8.一种计算机可读存储介质,其特征在于,存储用于电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1-5任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910806795.8A CN110631690B (zh) | 2019-08-29 | 2019-08-29 | 基于数字孪生的智能振动检测方法及装置 |
PCT/CN2020/105794 WO2021036671A1 (zh) | 2019-08-29 | 2020-07-30 | 基于数字孪生的智能振动检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910806795.8A CN110631690B (zh) | 2019-08-29 | 2019-08-29 | 基于数字孪生的智能振动检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110631690A CN110631690A (zh) | 2019-12-31 |
CN110631690B true CN110631690B (zh) | 2022-01-14 |
Family
ID=68969409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910806795.8A Active CN110631690B (zh) | 2019-08-29 | 2019-08-29 | 基于数字孪生的智能振动检测方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110631690B (zh) |
WO (1) | WO2021036671A1 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110631690B (zh) * | 2019-08-29 | 2022-01-14 | 深圳市广宁股份有限公司 | 基于数字孪生的智能振动检测方法及装置 |
CN112817282B (zh) * | 2020-12-28 | 2022-05-10 | 杭州哲达科技股份有限公司 | 一种基于数字孪生系统的高炉炉顶压力控制回路参数优化方法 |
CN115562956B (zh) * | 2021-07-01 | 2023-09-19 | 腾讯科技(深圳)有限公司 | 振动评估方法、装置、计算机设备以及存储介质 |
CN113464380B (zh) * | 2021-08-09 | 2022-09-27 | 观为监测技术无锡股份有限公司 | 一种塔筒安全性能确定方法、装置、设备及存储介质 |
CN114460918B (zh) * | 2021-12-30 | 2024-02-06 | 北京声智科技有限公司 | 设备的检测方法、装置、设备和存储介质 |
CN114705424A (zh) * | 2022-03-30 | 2022-07-05 | 阿里巴巴(中国)有限公司 | 机械故障检测方法、装置、服务端设备及存储介质 |
CN114719962B (zh) * | 2022-04-12 | 2023-09-01 | 重庆大学 | 基于机器学习的机械振动数字孪生模型构建方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108107841A (zh) * | 2017-12-26 | 2018-06-01 | 山东大学 | 一种数控机床数字孪生建模方法 |
CN109212964A (zh) * | 2018-07-09 | 2019-01-15 | 西安英特迈思信息科技有限公司 | 一种航空发动机多变量孪生支持向量机的健康预测方法 |
EP3483686A1 (en) * | 2017-11-10 | 2019-05-15 | General Electric Company | Methods and apparatus for prognostic health monitoring of a turbine engine |
CN109766921A (zh) * | 2018-12-19 | 2019-05-17 | 合肥工业大学 | 一种基于深度领域自适应的振动数据故障分类方法 |
CN110160783A (zh) * | 2019-04-13 | 2019-08-23 | 江苏宋和宋智能科技有限公司 | 一种基于数字孪生技术的提花机滑动轴承监测系统及方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2952015C (en) * | 2014-06-26 | 2022-05-31 | Baker Hughes Incorporated | Ofdr system for localized vibration detection |
ES2686470T3 (es) * | 2015-12-10 | 2018-10-18 | Airbus Defence and Space GmbH | Dispositivo modular para un análisis de vibraciones de vídeo a alta velocidad |
CN107702787A (zh) * | 2017-09-29 | 2018-02-16 | 福州大学 | 基于普通摄像设备的可视化振动位移四维测量方法 |
RU2666583C1 (ru) * | 2017-10-26 | 2018-09-11 | Федеральное государственное автономное научное учреждение "Центральный научно-исследовательский и опытно-конструкторский институт робототехники и технической кибернетики" (ЦНИИ РТК) | Способ индикации механических резонансов по фотографиям следов флуоресцирующих маркеров |
CN108593087A (zh) * | 2018-03-29 | 2018-09-28 | 湖南科技大学 | 一种薄壁件工作模态参数确定方法及系统 |
CN109341847A (zh) * | 2018-09-25 | 2019-02-15 | 东莞青柳新材料有限公司 | 一种基于视觉的振动测量系统 |
CN109773588B (zh) * | 2019-03-01 | 2021-03-02 | 山东大学 | 一种机床数字孪生模型性能测试方法及装置 |
CN110068388A (zh) * | 2019-03-29 | 2019-07-30 | 南京航空航天大学 | 一种基于视觉和盲源分离的振动检测方法 |
CN110108348B (zh) * | 2019-05-15 | 2021-04-23 | 湖南科技大学 | 基于运动放大光流跟踪的薄壁件微幅振动测量方法及系统 |
CN110631690B (zh) * | 2019-08-29 | 2022-01-14 | 深圳市广宁股份有限公司 | 基于数字孪生的智能振动检测方法及装置 |
-
2019
- 2019-08-29 CN CN201910806795.8A patent/CN110631690B/zh active Active
-
2020
- 2020-07-30 WO PCT/CN2020/105794 patent/WO2021036671A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3483686A1 (en) * | 2017-11-10 | 2019-05-15 | General Electric Company | Methods and apparatus for prognostic health monitoring of a turbine engine |
CN108107841A (zh) * | 2017-12-26 | 2018-06-01 | 山东大学 | 一种数控机床数字孪生建模方法 |
CN109212964A (zh) * | 2018-07-09 | 2019-01-15 | 西安英特迈思信息科技有限公司 | 一种航空发动机多变量孪生支持向量机的健康预测方法 |
CN109766921A (zh) * | 2018-12-19 | 2019-05-17 | 合肥工业大学 | 一种基于深度领域自适应的振动数据故障分类方法 |
CN110160783A (zh) * | 2019-04-13 | 2019-08-23 | 江苏宋和宋智能科技有限公司 | 一种基于数字孪生技术的提花机滑动轴承监测系统及方法 |
Non-Patent Citations (1)
Title |
---|
孪生支持向量机在滚动轴承振动故障诊断中的应用;徐凯;《煤矿机械》;20160430;第37卷(第04期);第147-150页 * |
Also Published As
Publication number | Publication date |
---|---|
WO2021036671A1 (zh) | 2021-03-04 |
CN110631690A (zh) | 2019-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110631690B (zh) | 基于数字孪生的智能振动检测方法及装置 | |
Marion et al. | Label fusion: A pipeline for generating ground truth labels for real rgbd data of cluttered scenes | |
CN110147743A (zh) | 一种复杂场景下的实时在线行人分析与计数系统及方法 | |
CN109740588B (zh) | 基于弱监督和深度响应重分配的x光图片违禁品定位方法 | |
CN113424206A (zh) | 针对结构的机器学习工具 | |
CN110674700B (zh) | 基于数字孪生模型的电子设备的智能健康预测方法及装置 | |
CN109285149A (zh) | 人脸图像质量的评估方法、装置及计算设备 | |
CN110009614A (zh) | 用于输出信息的方法和装置 | |
Modasshir et al. | Deep neural networks: a comparison on different computing platforms | |
CN110956645B (zh) | 多模输出的智能振动检测方法及装置 | |
JP6817974B2 (ja) | 計算機システム | |
De Vita et al. | Quantitative analysis of deep leaf: a plant disease detector on the smart edge | |
CN106170676A (zh) | 用于确定移动平台的移动的方法、设备以及系统 | |
US20220366244A1 (en) | Modeling Human Behavior in Work Environment Using Neural Networks | |
Li et al. | Fitting boxes to Manhattan scenes using linear integer programming | |
CN115222896B (zh) | 三维重建方法、装置、电子设备及计算机可读存储介质 | |
CN113326863A (zh) | 建筑结构健康状况检测方法、系统及修缮方案确定方法 | |
CN114565842A (zh) | 基于Nvidia Jetson嵌入式硬件的无人机实时目标检测方法及系统 | |
CN110675427B (zh) | 智能振动检测方法及相关产品 | |
RU2746152C2 (ru) | Обнаружение биологического объекта | |
JP2019175268A (ja) | 行動認識装置、行動認識方法、そのプログラム及びそのプログラムを記録したコンピュータ読取り可能な記録媒体 | |
CN114565092A (zh) | 一种神经网络结构确定方法及其装置 | |
Wang et al. | An efficient model for real-time wildfire detection in complex scenarios based on multi-head attention mechanism | |
CN110457896A (zh) | 在线访问的检测方法及检测装置 | |
Xin et al. | Marker-free fatigue crack detection and localization by integrating the optical flow and information entropy |
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 |