CN113432709A - 一种基于图形学的可视化机械故障诊断方法 - Google Patents
一种基于图形学的可视化机械故障诊断方法 Download PDFInfo
- Publication number
- CN113432709A CN113432709A CN202110714685.6A CN202110714685A CN113432709A CN 113432709 A CN113432709 A CN 113432709A CN 202110714685 A CN202110714685 A CN 202110714685A CN 113432709 A CN113432709 A CN 113432709A
- Authority
- CN
- China
- Prior art keywords
- frequency
- fault diagnosis
- mechanical
- graphics
- mechanical 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.)
- Granted
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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Abstract
本发明公开了一种基于图形学的可视化机械故障诊断方法,涉及机械故障诊断领域,包括:通过加速度计获取机械设备的振动信号;对机械振动数据进行连续小波变换,得到机械振动信号时频热力图;结合图形学,通过腐蚀、膨胀、形态学滤波、二值化处理对时频热力图进行特征强化;根据图像强化后的时频热力图的各频率成分分布面积情况得出特征面积比,对机械故障情况进行诊断。本发明针对机械化故障检测复杂,设备精度越来越高,现仍有广泛使用人工机械故障诊断,难以快速诊断,而一些计算算法的诊断需要数据量大且不能快速直观的体现等问题,公开的方法提供了机械故障诊断过程的可视性、直观性、便捷性,提高了机械故障诊断速度和精度,且具有较强的适应性。
Description
技术领域
本发明涉及机械故障诊断领域,更具体地,涉及一种基于图形学的可视化机械故障诊断方法。
背景技术
现代机械装备运行精度要求高、寿命要求长,机械故障诊断技术已成为设备健康维护的重要手段。现代故障诊断技术多采用多学科多专业交叉融合的方法进行预测、监测及诊断,实现设备的全寿命周期的监控,对设备的软故障和硬故障进行判定和预测,对设备的健康运维,具有十分重大的意义。
而现有技术(专利公布号:202010681363.1)下的基于模糊软形态学图形识别的旋转机械故障智能诊断方法,具体步骤包括:
(1)在需要诊断的旋转机械上布置振动传感器采集振动信号,由采集的数据形成时间序列振动信号;
(2)将采集得到的时间序列振动信号生成三维参数图形;
(3)对所述三维参数图形进行差值重构预处理;
(4)对差值重构预处理后的图形进行灰度自适应直方图均衡化增强预处理;
(5)采用复合模糊软形态滤波器对步骤(4)增强预处理之后的旋转机械振动参数图形进行纹理特征提取;
(6)采用模糊软形态学复合边缘检测算子对步骤(5)增强处理后的旋转机械振动参数图形进行纹理特征提取;
(7)针对步骤(6)提取得到的纹理特征,采用灰度-基元-梯度共生矩阵提取故障特征;
(8)根据提取得到的故障特征,采用人工神经网络方法进行故障诊断。
目前机械故障诊断技术大多数是通过采取机械振动信号,对其进行时频分析,或者将数据输入神经网络进行故障诊断。但是神经网络往往需要大量的数据样本训练才能达到较高的精度,且模型搭建困难,参数优化复杂。
发明内容
为解决现有技术存在的问题,本发明提供一种基于图形学的可视化机械故障诊断方法。本发明结合图形学,使用图像处理的方法提供了机械故障诊断过程的可视化和透明性,提高了机械故障诊断速度和精度,且具有较强的适应性。
本发明的目的通过以下技术方案予以实现:
一种基于图形学的可视化机械故障诊断方法,其特征在于,包括以下步骤:
步骤1,通过振动信号采集装置获取机械振动数据;
步骤2,对采集的数据进行时频变换,获取时频热力图;
步骤3,对时频热力图进行基于图形学的特征强化,然后经过二值化处理得到频率分布特征图;
步骤4,根据步骤3得到的频率分布特征图,由其特征分布面积情况进行机械故障诊断。
进一步地,所述步骤1的振动信号采集装置是加速度传感器、速度传感器、位移传感器中任意一个。
进一步地,所述步骤2时频变换方式为不同小波基的时频变换、傅里叶时频变换、matlab时频工具箱中任意一种。
进一步地,所述步骤3的特征强化方法为腐蚀、膨胀、形态学滤波中任意一种。
进一步地,所述步骤4的特征分布面积情况具体为特征面积比。
进一步地,所述特征面积比具体通过以下步骤获得:
步骤4.1,计算有效频率分布面积,即像素值为255的像素点数;
步骤4.2,计算图像背景分布面积,即像素值为零的像素点数;
步骤4.3,将有效频率成分分布面积比上图像背景分布面积即得到特征面积比。
进一步地,所述的特征面积比比例数值显示0-10%时,为故障信号。
进一步地,所述故障信号可提示感应装置以红色灯发出警示,表明已经出现故障。
进一步地,当特征面积比例数值显示11%-15%时,可对其设置预警信号,提示感应装置以黄色灯发出预警。
进一步地,所述的特征面积比比例阈值可以根据不同设备要求进行调整。
与现有技术相比,本发明具有以下有益效果:
本方案通过基于连续小波的时频变换将机械设备的振动信号以热力图的形式展现出来,能通过颜色在时频域上清晰地对设备的振动信息以不同频率成分及其能量强度进行表征,准确的的反映出设备振动情况。结合图形学,以腐蚀、膨胀、形态学滤波、二值化处理对时频热力图进行特征强化,提高了故障诊断的正确率和速度,提供了诊断过程的透明性和可视化。
附图说明
图1为一种基于图形学的可视化机械故障诊断方法流程图;
图2为故障情况下的频率分布特征图。
具体实施方式
下面结合具体实施例进一步说明本发明。除非特别说明,本发明实施例中采用的原料和方法为本领域常规市购的原料和常规使用的方法。
实施例1
本实施例采用美国凯斯西储大学电气工程实验室的滚动轴承故障模拟实验台提供的轴承故障数据库进行研究。试验台由一个1491.40W的电动机进行驱动,中间放置一扭矩传感器进行实时监测。如图1流程图所示,以驱动端轴承SKF6205作为研究对象,通过将加速度传感器放置于不同位置实现装置不同位置振动信号的提取。通过电火花加工单点损伤的方式,给轴承不同位置植入故障,从而实现机械故障信号的提取分析。将采取的机械振动信号进行基于连续小波变换的时频转换,得到能对机械振动信息进行表征的时频热力图。对时频热力图进行形态学滤波,膨胀腐蚀处理,滤除部分背景噪声,更准确的表现出各频率成分分布及其能量强度。对处理后的时频热力图进行二值化处理,二值化后的频率分布特征图能有效强化时频特征。对频率分布特征图进行像素计算,像素值为255的像素点为有效频率,像素值为0的像素点为图像背景,计算有效频率分布面积,即像素值为255的像素点数;计算图像背景分布面积,即像素值为0的像素点数;将有效频率成分分布面积比上图像背景分布面积即得到特征面积比;特征面积比为对频率分布特征图的像素分布情况进行计算,能对机械振动情况进行表征。本实施例遍历图像各像素点,设定频率成分占比10%以上为正常信号,信号频率成分有低于10%的部分则为故障信号。如表1所示,针对常见工况下的四种转速、9种故障和正常运转情况,对这四十个数据文件进行再采样,得到总共4000个数据样本,以保证足够的数据量来确保实验的可靠性。该样本实验形成如图2所示的故障情况下的频率分布特征图,其中黑色部分为图像背景分布面积,白色部分为有效频率分布面积,经计算,该图中的特征面积比为:15011/297379=4.8%<10%,为故障信号,提示感应装置以红色灯发出警示,表明已经出现故障(若特征面积比例数值显示11%-15%时,可对其设置预警信号,提示感应装置以黄色灯发出预警)。实验验证,正确诊断的数据样本数为3504,本方法诊断正确率可达87.6%。该方法能对不同长度、不同采样频率的振动信号数据进行分析,具有就较强的适应性,处理过程对信号特征进行可视化处理及特征强化,具有高透明性,且能较快的计算出判断依据,得出判读结果。
表1
实施例2
振动信号提取装置为位移传感器,通过电火花加工单点损伤的方式,给轴承不同位置植入故障,从而实现机械故障信号的提取分析。将采取的机械振动信号进行基于连续小波变换的matlab时频工具箱,得到能对机械振动信息进行表征的时频热力图。
显然,上述实施例仅仅是为清楚地说明本发明的技术方案所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于图形学的可视化机械故障诊断方法,其特征在于,包括以下步骤:
步骤1,通过振动信号采集装置获取机械振动数据;
步骤2,对采集的数据进行时频变换,获取时频热力图;
步骤3,对时频热力图进行基于图形学的特征强化,然后经过二值化处理得到频率分布特征图;
步骤4,根据步骤3得到的频率分布特征图中的特征分布面积情况进行机械故障诊断。
2.根据权利要求1所述的基于图形学的可视化机械故障诊断方法,其特征在于,所述步骤1的振动信号采集装置采用加速度传感器、速度传感器、位移传感器中任意一种。
3.根据权利要求1所述的基于图形学的可视化机械故障诊断方法,其特征在于,所述步骤2时频变换方式为不同小波基的时频变换、傅里叶时频变换、matlab时频工具箱中任意一种。
4.根据权利要求1所述的基于图形学的可视化机械故障诊断方法,其特征在于,所述步骤3的特征强化方法为腐蚀、膨胀、形态学滤波中任意一种。
5.根据权利要求1所述的基于图形学的可视化机械故障诊断方法,其特征在于,所述步骤4的特征分布面积情况具体为特征面积比。
6.根据权利要求5所述的基于图形学的可视化机械故障诊断方法,其特征在于,所述特征面积比具体通过以下步骤获得:
步骤4.1,计算有效频率分布面积,即像素值为255的像素点数;
步骤4.2,计算图像背景分布面积,即像素值为零的像素点数;
步骤4.3,将有效频率成分分布面积比上图像背景分布面积即得到特征面积比。
7.根据权利要求6所述的基于图形学的可视化机械故障诊断方法,其特征在于,所述的特征面积比比例数值显示0-10%时,为故障信号。
8.根据权利要求7所述的基于图形学的可视化机械故障诊断方法,其特征在于,故障信号可提示感应装置以红色灯发出警示,表明已经出现故障。
9.根据权利要求6所述的基于图形学的可视化机械故障诊断方法,其特征在于,当特征面积比例数值显示11%-15%时,可对其设置预警信号,提示感应装置以黄色灯发出预警。
10.根据权利要求6所述的基于图形学的可视化机械故障诊断方法,其特征在于,所述的特征面积比比例阈值可以根据不同设备要求进行调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110714685.6A CN113432709B (zh) | 2021-06-25 | 2021-06-25 | 一种基于图形学的可视化机械故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110714685.6A CN113432709B (zh) | 2021-06-25 | 2021-06-25 | 一种基于图形学的可视化机械故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113432709A true CN113432709A (zh) | 2021-09-24 |
CN113432709B CN113432709B (zh) | 2023-08-08 |
Family
ID=77754715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110714685.6A Active CN113432709B (zh) | 2021-06-25 | 2021-06-25 | 一种基于图形学的可视化机械故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113432709B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012251851A (ja) * | 2011-06-02 | 2012-12-20 | Mitsubishi Electric Corp | 異常音診断装置 |
CN103076028A (zh) * | 2013-01-21 | 2013-05-01 | 新疆美特智能安全工程股份有限公司 | 光相位振动的小波消噪方法 |
CN103983421A (zh) * | 2014-05-16 | 2014-08-13 | 北京科技大学 | 一种高压水射流自激喷嘴腔内振荡信号检测装置与方法 |
CN108064146A (zh) * | 2016-12-30 | 2018-05-22 | 深圳配天智能技术研究院有限公司 | 压力阵列检测设备、对应方法以及脉诊检测设备 |
CN111222429A (zh) * | 2019-12-27 | 2020-06-02 | 猫岐智能科技(上海)有限公司 | 设备故障识别系统 |
CN111950377A (zh) * | 2020-07-15 | 2020-11-17 | 哈尔滨雅静振动测试技术有限公司 | 基于模糊软形态学图形识别的旋转机械故障智能诊断方法 |
CN112233076A (zh) * | 2020-09-30 | 2021-01-15 | 石家庄铁道大学 | 基于红色圆标靶图像处理的结构振动位移测量方法及装置 |
CN112329776A (zh) * | 2020-12-03 | 2021-02-05 | 北京智芯原动科技有限公司 | 基于改进CenterNet网络的车牌检测方法及装置 |
AU2020103923A4 (en) * | 2020-12-07 | 2021-02-11 | Ocean University Of China | Fault diagnosis method and system for gear bearing based on multi-source information fusion |
CN113011520A (zh) * | 2021-04-01 | 2021-06-22 | 成都九洲迪飞科技有限责任公司 | 基于热力图与图论聚类的雷达数据过滤方法 |
-
2021
- 2021-06-25 CN CN202110714685.6A patent/CN113432709B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012251851A (ja) * | 2011-06-02 | 2012-12-20 | Mitsubishi Electric Corp | 異常音診断装置 |
CN103076028A (zh) * | 2013-01-21 | 2013-05-01 | 新疆美特智能安全工程股份有限公司 | 光相位振动的小波消噪方法 |
CN103983421A (zh) * | 2014-05-16 | 2014-08-13 | 北京科技大学 | 一种高压水射流自激喷嘴腔内振荡信号检测装置与方法 |
CN108064146A (zh) * | 2016-12-30 | 2018-05-22 | 深圳配天智能技术研究院有限公司 | 压力阵列检测设备、对应方法以及脉诊检测设备 |
CN111222429A (zh) * | 2019-12-27 | 2020-06-02 | 猫岐智能科技(上海)有限公司 | 设备故障识别系统 |
CN111950377A (zh) * | 2020-07-15 | 2020-11-17 | 哈尔滨雅静振动测试技术有限公司 | 基于模糊软形态学图形识别的旋转机械故障智能诊断方法 |
CN112233076A (zh) * | 2020-09-30 | 2021-01-15 | 石家庄铁道大学 | 基于红色圆标靶图像处理的结构振动位移测量方法及装置 |
CN112329776A (zh) * | 2020-12-03 | 2021-02-05 | 北京智芯原动科技有限公司 | 基于改进CenterNet网络的车牌检测方法及装置 |
AU2020103923A4 (en) * | 2020-12-07 | 2021-02-11 | Ocean University Of China | Fault diagnosis method and system for gear bearing based on multi-source information fusion |
CN113011520A (zh) * | 2021-04-01 | 2021-06-22 | 成都九洲迪飞科技有限责任公司 | 基于热力图与图论聚类的雷达数据过滤方法 |
Non-Patent Citations (1)
Title |
---|
岳应娟 等: "基于IRP和TD2DPCA的轴承故障诊断方法", 《振动与冲击》, vol. 36, no. 21, pages 1 - 8 * |
Also Published As
Publication number | Publication date |
---|---|
CN113432709B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104634571B (zh) | 一种基于lcd‑mf的滚动轴承故障诊断方法 | |
Cao et al. | The gearbox wears state monitoring and evaluation based on on-line wear debris features | |
Su et al. | Gear fault identification and classification of singular value decomposition based on Hilbert-Huang transform | |
CN110987502B (zh) | 盾构设备及其主驱动在线状态的监测诊断系统与方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN108956142A (zh) | 一种轴承故障识别方法 | |
CN114004256A (zh) | 基于数字孪生体的制造装备主轴承的故障诊断方法 | |
CN116481821A (zh) | 基于大数据分析管理的发动机故障预警方法及系统 | |
CN105626502A (zh) | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 | |
CN111855202A (zh) | 一种齿轮箱故障诊断方法及系统 | |
CN113532848A (zh) | 一种行星齿轮箱故障诊断系统 | |
Du et al. | Intelligent turning tool monitoring with neural network adaptive learning | |
CN113092112A (zh) | 一种基于eemd多特征融合的轴承复合故障诊断方法 | |
CN115741235A (zh) | 基于五轴加工中心刀具的磨损预测与健康管理方法 | |
CN113537044B (zh) | 基于STFT与改进DenseNet的航空发动机故障诊断方法 | |
CN108956783B (zh) | 一种基于hdp-hsmm的磨削声砂轮钝化状态检测方法 | |
CN113283028A (zh) | 一种齿轮箱齿轮故障诊断方法 | |
CN113432709B (zh) | 一种基于图形学的可视化机械故障诊断方法 | |
CN112816200A (zh) | 一种基于深度学习的旋转机械轴心轨迹识别方法 | |
CN112487709A (zh) | 一种基于敏感性分析的船用柴油机故障溯源方法 | |
CN110530631A (zh) | 一种基于混合分类器的齿轮单类型故障检测方法 | |
CN116257747A (zh) | 融合峭度和卷积自编码器的转子系统早期异常检测方法 | |
CN112419304B (zh) | 一种面向一维数据的多阶段目标检测方法及装置 | |
CN111947927B (zh) | 一种基于色度理论的滚动轴承故障检测方法 | |
CN114818825A (zh) | 基于卷积核多层分布残差网络的旋转机械故障诊断方法 |
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 |