CN115035109B - 一种大功率直线电机动态性能在线监测方法 - Google Patents

一种大功率直线电机动态性能在线监测方法 Download PDF

Info

Publication number
CN115035109B
CN115035109B CN202210953943.0A CN202210953943A CN115035109B CN 115035109 B CN115035109 B CN 115035109B CN 202210953943 A CN202210953943 A CN 202210953943A CN 115035109 B CN115035109 B CN 115035109B
Authority
CN
China
Prior art keywords
binary image
window
structural element
determined
vibration data
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
CN202210953943.0A
Other languages
English (en)
Other versions
CN115035109A (zh
Inventor
周敏
李高
瞿海洋
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.)
Suzhou Scheler Intelligent Technology Co ltd
Original Assignee
Suzhou Scheler Intelligent Technology Co 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 Suzhou Scheler Intelligent Technology Co ltd filed Critical Suzhou Scheler Intelligent Technology Co ltd
Priority to CN202210953943.0A priority Critical patent/CN115035109B/zh
Publication of CN115035109A publication Critical patent/CN115035109A/zh
Application granted granted Critical
Publication of CN115035109B publication Critical patent/CN115035109B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02K—DYNAMO-ELECTRIC MACHINES
    • H02K41/00—Propulsion systems in which a rigid body is moved along a path due to dynamo-electric interaction between the body and a magnetic field travelling along the path
    • H02K41/02—Linear motors; Sectional motors
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Electromagnetism (AREA)
  • Power Engineering (AREA)
  • Quality & Reliability (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及电机性能检测技术领域，具体涉及一种大功率直线电机动态性能在线监测方法。该方法包括：将直线电机的振动数据转化为二进制的序列化数据，作为振动数据序列；基于将振动数据序列获得二值图像，得到二值图像中的黑色块和白色块；设置预设尺寸的结构元，确定结构元中黑色块的数量和分布获得最优结构元；利用最优结构元对二值图像进行腐蚀操作获得腐蚀二值图像，对腐蚀二值图像进行膨胀操作获得膨胀二值图像；基于最优结构元、腐蚀二值图像、膨胀二值图像获得传输数据；将传输数据发送到终端进行直线电机的动态性能监测。本实施例能够提高直线电机的振动数据传输时的压缩率，降低了传输的开销、功耗和时间。

Description

一种大功率直线电机动态性能在线监测方法
技术领域
本发明涉及电机性能检测技术领域，具体涉及一种大功率直线电机动态性能在线监测方法。
背景技术
随着计算机技术与通信技术的迅猛发展，计算机监控技术应用于自动化生产控制领域的可靠性越来越高，已实现了机组自动化由现场集中自动化控制到远方自动化控制的飞跃。远方计算机监控(集控中心)目前在国内的自动化生产行业大力推广，并且已成为趋势。工业生产过程依赖于电机和相关机械设备的高效可靠工作。电机的紧固件松动、不平衡等异常现象会转换成振动，影响电机正常工作，并且有可能会引发安全事故。对于电机的异常振动，如果置之不理，除了工作性能受到影响之外，在严重时需要进行停机修理，这将会极大程度地降低工业生产的效率，造成巨大的经济损失。
电机的状态监测能有效避免电机故障导致的经济损失，提升工业生产效率。传统的电机振动监测方法使用简单的压电式传感器和手持式振动分析仪，将压电式传感器安装在机器设备上，由测量人员使用手持式数据采集分析仪进行振动数据采集与分析。这种电机振动监测方法有许多的局限性，如测量结果不可重复，当传感器探头的位置或者角度发生改变，将会产生不一样的振动剖面，在这种状态下，振动偏移即有可能是由电机内部工作状态变化导致的，也有可能是由测量方式的改变而导致的，从而导致测量人员误判；对于某些高温高压的环境等存在安全隐患的环境，测量人员难以到达测试点进行测量。
无线传感器网络作为一种新型的信息获取方式，可以在无人监视的状态下工作，并且可以远程获取感知区域的信息，在工业生产领域中有着巨大的应用价值。但传感器获取的电机振动数据的数据量庞大，直接通过无线传输电机的振动数据时功耗很高，为了减小无线传输的开销以及功耗，需要对振动数据进行数据压缩，但传统的数据压缩算法运算复杂且压缩率低。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种大功率直线电机动态性能在线监测方法，所采用的技术方案具体如下：
本发明实施例提供了一种大功率直线电机动态性能在线监测方法：获取直线电机的振动数据并将其转化为二进制的序列化数据，记为振动数据序列；基于振动数据序列获得二值图像，其中二值图像中像素值为第一预设值的像素为黑色块，像素值为第二预设值的为白色块；
设置预设尺寸的结构元对二值图像进行腐蚀和膨胀操作，其中结构元中黑色块的数量和分布的确定过程如下：设置与结构元尺寸相同的窗口在二值图像上滑动，将滑动时窗口内黑色块的数量作为窗口的数量级，获得各数量级的窗口的出现频率；根据出现频率最大的窗口的数量级以及与所述出现频率最大的窗口的数量级相邻的两个数量级获得结构元中黑色块的数量；
利用第一数量黑色块在结构元中的不同分布获得不同的待确定结构元；基于待确定结构元中黑色块的分布进行编码获得待确定结构元的分布编码；获得窗口在二值图像上滑动时每个窗口的分布编码；基于待确定结构元的分布编码和所述每个窗口的分布编码的相似度获得待确定结构元与二值图像的匹配度，其中匹配度最大的待确定结构元为最优结构元；
利用最优结构元对二值图像进行腐蚀操作获得腐蚀二值图像，对腐蚀二值图像进行膨胀操作获得膨胀二值图像；基于最优结构元、腐蚀二值图像、膨胀二值图像获得传输数据；将传输数据发送到终端进行直线电机的动态性能监测。
优选地，获取直线电机的振动数据包括：利用无线振动传感器采集直线电机X、Y、Z三个轴向的原始振动加速度，对原始振动加速度进行分解去除重力加速度获取线性加速度，线性加速度组成直线电机的振动数据。
优选地，基于振动数据序列获得二值图像包括：将振动数据序列按照振动数据序列的时序顺序分割为等长的子序列；将子序列按照时序顺序组成二维振动数据矩阵，其中二维振动数据矩阵的行数为子序列的数量，二维振动数据矩阵列数为子序列的长度；将二维振动数据矩阵转化为二值图像。
优选地，根据出现频率最大的窗口的数量级以及与所述出现频率最大的窗口的数量级相邻的两个数量级获得结构元中黑色块的数量包括：若出现频率最大的窗口的数量级的出现频率大于等于其相邻的两个数量级的窗口的出现频率中最大的出现频率的两倍，则结构元中黑色块的数量为出现频率最大的窗口的数量级；若出现频率最大的窗口的数量级的出现频率小于其相邻的两个数量级的窗口的出现频率中最大的出现频率的两倍，则结构元中黑色块的数量为：
Figure 100002_DEST_PATH_IMAGE001
其中，
Figure 100002_DEST_PATH_IMAGE002
表示结构元中黑色块的数量；
Figure 100002_DEST_PATH_IMAGE003
表示窗口的出现频率最大的数量级；
Figure 100002_DEST_PATH_IMAGE004
表示以数量级
Figure 522438DEST_PATH_IMAGE003
为起始点递减判断结构元中黑色块的数量，也表示窗口的数量级为
Figure 79321DEST_PATH_IMAGE004
，且
Figure 100002_DEST_PATH_IMAGE005
；当
Figure 100002_DEST_PATH_IMAGE006
时，
Figure 100002_DEST_PATH_IMAGE007
为结构元中黑色块的数量，
Figure 100002_DEST_PATH_IMAGE008
表示数量级
Figure 681376DEST_PATH_IMAGE007
的窗口的出现频率，
Figure 100002_DEST_PATH_IMAGE009
表示数量级
Figure 100002_DEST_PATH_IMAGE010
的窗口的出现频率。
优选地，基于待确定结构元中黑色块的分布进行编码获得待确定结构元的分布编码包括：以待确定结构元中位于左上角的像素为起始点按照顺时针的顺序进行编码，其中编码的终点为位于待确定结构元的中心的像素；在编码过程中像素为黑色块的编码为第一预设值，像素为白色块的编码为第二预设值，获得待确定结构元的分布编码。
优选地，基于待确定结构元的分布编码和所述每个窗口的分布编码的相似度获得待确定结构元与二值图像的匹配度包括：比较待确定结构元的分布编码与一个窗口的分布编码中相同位置的编码，若编码相同则记为第一预设值，若编码不同则记为第二预设值；所有比较获得的第一、第二预设值相加的结果为待确定结构元的分布编码与该窗口的分布编码的相似度；计算待确定结构元的分布编码与每个窗口的分布编码的相似度的均值为待确定结构元与二值图像的匹配度。
优选地，基于最优结构元、腐蚀二值图像、膨胀二值图像获得传输数据包括：将二值图像与膨胀二值图像作差获得差值图像，所述差值图像中为黑色块的像素为标记像素，记录标记像素的位置得到标记像素数据；记录最优结构元中黑色块和白色块的位置获得结构元数据；将腐蚀二值图像进行还原获得传输振动数据序列，利用游程编码对传输振动数据序列进行压缩获得压缩数据；所述传输数据包括标记像素数据、结构元数据和压缩数据。
优选地，将传输数据发送到终端进行直线电机的动态性能监测包括：将传输数据中的标记像素数据进行还原获得标记像素；将结构元数据进行还原获得最优结构元；对压缩数据进行解压缩获得传输振动数据序列，将传输振动数据序列还原为腐蚀二值图像；利用最优结构元对腐蚀二值图像进行膨胀操作获得膨胀二值图像，将膨胀二值图像与标记像素进行叠加，获得二值图像，并将二值图像还原为振动数据；对振动数据进行分析获得直线电机的动态性能。
本发明实施例至少具有如下有益效果：在将直线电机的振动数据进行传输时，需要将其转化为二进制的数字序列，本发明将直线电机的振动数据转化振动数据序列；基于将振动数据序列获得二值图像，同时获得最优结构元，利用最优结构元对二值图像进行腐蚀操作获得腐蚀二值图像，对腐蚀二值图像进行膨胀操作获得膨胀二值图像，提高了振动数据传输时的压缩率；基于最优结构元、腐蚀二值图像、膨胀二值图像获得传输数据，方便在接收端对接收到的传输数据的还原，保证了直线电机的振动数据在传输过程中不会丢失；在终端对还原后的振动数据进行分析能够达到对直线电机的动态性能监测的目的，由于降低了数据传输的时间使得监测的时延进一步降低，保证了监测的实时性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。
图1为本发明实施例提供的一种大功率直线电机动态性能在线监测方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种大功率直线电机动态性能在线监测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种大功率直线电机动态性能在线监测方法的具体方案。
实施例：
本发明的主要应用场景为：在直线大功率电机工作时，需要通过采集电机的振动数据对电机的工作性能进行监测，但由于采集的振动数据是十分庞大的，因此需要对振动数据进行压缩后再进行传输，本实施例主要是对需要传输的振动数据的压缩压缩过程进行处理，提高压缩率，保证振动数据的压缩率的同时保证了其不失真。
请参阅图1，其示出了本发明实施例提供的一种大功率直线电机动态性能在线监测方法的方法流程图，该方法包括以下步骤：
步骤S1，获取直线电机的振动数据并将其转化为二进制的序列化数据，记为振动数据序列；基于振动数据序列获得二值图像，其中二值图像中像素值为第一预设值的像素为黑色块，像素值为第二预设值的为白色块。
首先，对需要监测的直线电机安装无线振动传感器，无线振动传感器通过加速度计采集直线电机X、Y、Z三个轴向的原始振动加速度，使用无线振动传感器采集直线电机的原始振动加速度时，采样频率为1KHz，采样点数为1024点；原始振动加速度包含了重力加速度分量，需要对原始振动加速度进行分解，去除重力加速度分量，获取线性加速度，线性加速度组成直线电机的振动数据，其中，线性加速度的获取为现有技术，此处不予以详细阐述。
进一步的，数据在计算机中的存储都是以二进制的形式进行的，即数据的形式只有两种，0和1，将振动数据进行序列化转化为二进制的序列化数据，作为振动数据序列，振动数据序列中元素的值分别为第一预设值和第二预设值，第一预设值为1，第二预设值为0。其中序列化为公知技术，在此不在过多赘述。
将振动数据序列按照振动数据序列的时序顺序分割为M个长度为N的子序列；将子序列按照时序顺序组成二维振动数据矩阵，矩阵的尺寸为
Figure 100002_DEST_PATH_IMAGE011
，其中二维振动数据矩阵的行数为子序列的数量M，二维振动数据矩阵列数为子序列的长度N；将二维振动数据矩阵转化为二值图像，则二值图像的尺寸也为
Figure 427746DEST_PATH_IMAGE011
。
最后，二值图像中像素值为第一预设值1的像素为黑色块，像素值为第二预设值0的为白色块。
步骤S2，设置预设尺寸的结构元对二值图像进行腐蚀和膨胀操作，其中结构元中黑色块的数量和分布的确定过程如下：设置与结构元尺寸相同的窗口在二值图像上滑动，将滑动时窗口内黑色块的数量作为窗口的数量级，获得各数量级的窗口的出现频率；根据出现频率最大的窗口的数量级以及与所述出现频率最大的窗口的数量级相邻的两个数量级获得结构元中黑色块的数量。
首先，由于直线电机的振动数据的数据量庞大且含有大量冗余数据，导致数据传输到服务器需要较长的时间，当直线电机运行异常时，无法及时做出相应反应，造成经济损失。故需要对振动数据进行压缩，加快系统的处理速度，传统的数据压缩算法运算复杂且压缩率低，例如游程编码对振动数据进行压缩时，若数据的连续相同数据较少，则压缩效果低，甚至出现数据膨胀的情况，故需要在不改变振动数据本身含有的信息下增大数据的冗余程度，提高数据的压缩率。因此需要利用结构元对由振动数据转化为的二值图像进行腐蚀和膨胀的操作，采用形态学的结构元对二值图像进行腐蚀操作，腐蚀完成后得到的二值图像冗余程度变的非常大，但当采用相同的结构元进行膨胀操作还原二值图像时，发现还原后的二值图像与原始的二值图像存在一定的差异，同时结构元选取的不同，数据的损失量也不同，因此合适的结构元的选取是至关重要的。
通过腐蚀操作之后，腐蚀后的二值图像大大降低，同时也损失了部分数据，为了保证压缩为无损压缩，故需要将损失的数据进行标记，以保证原始数据的完整性不被破坏，标记的数据通常存储的是其在二值图像中的位置，故标记的数据理论上是越少越好。考虑标记的数量的同时还应兼顾解压缩的速度，故所选取的结构元中黑色块应尽可能多，采用所选取的结构元进行腐蚀操作后剩余标记的数据的数量尽可能少。
进一步的，结构元的尺寸最小为
Figure DEST_PATH_IMAGE012
，因此构建
Figure 532843DEST_PATH_IMAGE012
的窗口在二值图像上滑动，其窗口的中心点为二值图像上的像素，滑动的步长为1，因此在滑动过程中窗口的数量为
Figure 260628DEST_PATH_IMAGE011
个，窗口内黑色块的数量存在10种情况，即0、1、2、3、4、5、6、7、8、9，由此将滑动时窗口内黑色块的数量作为窗口的数量级，例如窗口内黑色块的数量为1，则该窗口的数量级为1，则
Figure 483799DEST_PATH_IMAGE011
个窗口一共分为10个数量级的窗口，获得各数量级的窗口的出现频率：
Figure DEST_PATH_IMAGE013
其中，
Figure DEST_PATH_IMAGE014
表示第
Figure DEST_PATH_IMAGE015
个数量级的窗口的出现频率；
Figure DEST_PATH_IMAGE016
表示第
Figure 532395DEST_PATH_IMAGE015
个数量级的窗口的数量；
Figure 524622DEST_PATH_IMAGE011
表示窗口的总数量。
最后，根据得到的各数量级的窗口的出现频率确定结构元内黑色块的数量。将得到的各数量级的窗口的出现频率按照数量级的从小到大顺序进行排列形成出现频率序列，出现频率序列中出现频率会存在两种不同的分布情况，其中一种情况为一个数量级的窗口的出现频率为最大值，且这个数量级的窗口的出现频率大于等于与这个出现频率为最大值的窗口的数量级相邻的两个数量级的窗口的出现频率中的最大值的两倍，也即是：
Figure DEST_PATH_IMAGE017
其中，
Figure DEST_PATH_IMAGE018
表示各数量级的窗口的出现频率中的最大值；
Figure DEST_PATH_IMAGE019
表示与出现频率为最大值的窗口的数量级相邻的两个数量级的窗口的出现频率中的最大值。在此情况下结构元中黑色块的数量为出现频率最大的窗口的数量级。
另一种情况为出现频率最大的窗口的数量级的出现频率小于其相邻的两个数量级的窗口的出现频率中最小的出现频率的两倍，也即是：
Figure DEST_PATH_IMAGE020
结构元中黑色块的数量为：
Figure 469313DEST_PATH_IMAGE001
其中，
Figure 179780DEST_PATH_IMAGE002
表示结构元中黑色块的数量；
Figure 189324DEST_PATH_IMAGE003
表示窗口的出现频率最大的数量级；
Figure 301637DEST_PATH_IMAGE004
表示以数量级
Figure 105645DEST_PATH_IMAGE003
为起始点递减判断结构元中黑色块的数量，也表示窗口的数量级为
Figure 506670DEST_PATH_IMAGE004
，且
Figure 818441DEST_PATH_IMAGE005
；当
Figure DEST_PATH_IMAGE021
时，
Figure 457364DEST_PATH_IMAGE007
为结构元中黑色块的数量，
Figure 697852DEST_PATH_IMAGE008
表示数量级
Figure 382911DEST_PATH_IMAGE007
的窗口的出现频率，
Figure 937521DEST_PATH_IMAGE009
表示数量级
Figure 257381DEST_PATH_IMAGE010
的窗口的出现频率。
由此，可以确定结构元中黑色块的数量，结构元中的黑色块的数量越多，在进行腐蚀操作时满足恰好完美腐蚀的要求越苛刻，但在腐蚀后会存在较多的需要标记的数据，但腐蚀之后的二值图像可以拥有更大的压缩率；结构元中的黑色块的数量越少，腐蚀操作后需要标记的数据会越少，但腐蚀之后的二值图像压缩率会减少，压缩率由标记的数据与腐蚀之后的二值图像共同决定，为了保证最终的压缩率尽可能的大，当
Figure DEST_PATH_IMAGE022
时，说明此时很可能数量级为
Figure 403192DEST_PATH_IMAGE003
的窗口的出现频率很可能是远远大于其他数量级的窗口的出现频率的，此时窗口内黑色块的数量为
Figure 309968DEST_PATH_IMAGE003
的窗口是占大多数的，因此需要将结构元内黑色块的数量设为
Figure 402689DEST_PATH_IMAGE003
，以达到完美腐蚀的目的；当
Figure DEST_PATH_IMAGE023
时，说明此时每个数量级的窗口的数量应该是相差不大的特别是集中于数量级
Figure 78521DEST_PATH_IMAGE003
的其他数量级的窗口的数量应该是差不多的，此时以数量级
Figure 159347DEST_PATH_IMAGE003
为起始点递减的寻找符合要求的数量级，虽然此时结构元内黑色块的数量小于数量级为
Figure 756682DEST_PATH_IMAGE003
的窗口中黑色块的数量，但是大概率也能将黑色块的数量为
Figure 715410DEST_PATH_IMAGE003
的窗口进行完美腐蚀。
步骤S3，利用第一数量黑色块在结构元中的不同分布获得不同的待确定结构元；基于待确定结构元中黑色块的分布进行编码获得待确定结构元的分布编码；获得窗口在二值图像上滑动时每个窗口的分布编码；基于待确定结构元的分布编码和所述每个窗口的分布编码的相似度获得待确定结构元与二值图像的匹配度，其中匹配度最大的待确定结构元为最优结构元。
首先，结构元内黑色块的数量虽然已经确定了，但是黑色块分布位置的不同，此时结构元也是不同的，根据结构元内黑色块的分布不同将已经确定了黑色块的数量的结构元分为不同的待确定结构元，对二值图像腐蚀后的结果也是不相同的，因此还需要确定分布块中黑色块的分布情况。
进一步的，对待确定结构元内黑色块的分布情况进行确定，首先对待确定结构元的分布情况进行编码，编码的过程为：以待确定结构元中位于左上角的像素为起始点按照顺时针的顺序进行编码，其中编码的终点为位于待确定结构元的中心的像素；在编码过程中像素为黑色块的编码为第一预设值1，像素为白色块的编码为第二预设值0，获得待确定结构元的分布编码，则将一个待确定结构元的分布编码记为
Figure DEST_PATH_IMAGE024
，
Figure DEST_PATH_IMAGE025
的最大值为9。例如一个待确定结构元中只有位于左上角的像素和位于结构元的中心的像素为黑色块，则其分布编码为100000001。同时获得窗口在二值图像上滑动时每个窗口的分布编码，每个窗口的分布编码记为
Figure DEST_PATH_IMAGE026
，同样的
Figure 354071DEST_PATH_IMAGE025
的最大值为9。
最后，比较待确定结构元的分布编码与一个窗口的分布编码中相同位置的编码，若编码相同则记为第一预设值，若编码不同则记为第二预设值；所有比较获得的第一、第二预设值相加的结果为待确定结构元的分布编码与该窗口的分布编码的相似度；用公式表示为：
Figure DEST_PATH_IMAGE027
Figure DEST_PATH_IMAGE028
其中，
Figure DEST_PATH_IMAGE029
表示一个待确定结构元与一个窗口的分布编码的相似度；
Figure DEST_PATH_IMAGE030
表示第一个结构元的分布编码中的第
Figure 451471DEST_PATH_IMAGE025
个编码，
Figure DEST_PATH_IMAGE031
表示一个窗口的分布编码中的第
Figure 300216DEST_PATH_IMAGE025
个编码。
计算待确定结构元的分布编码与每个窗口的分布编码的相似度的均值为待确定结构元与二值图像的匹配度：
Figure DEST_PATH_IMAGE032
其中，
Figure DEST_PATH_IMAGE033
表示一个待确定结构元与二值图像的匹配度；
Figure 319DEST_PATH_IMAGE011
表示窗口在二值图像上滑动时窗口的数量；
Figure DEST_PATH_IMAGE034
表示一个待确定结构元与第z个窗口的分布编码的相似度。
对于每一个待确定结构元都获得一个与二值图像的匹配度，一个待确定结构元对应的匹配度越大说明该待确定结构元的腐蚀效果越好，即腐蚀完成后需要进行标记的数据越少，因此获得匹配度最大的待确定结构元为最优结构元。
至此经过步骤S2和步骤S3确定了结构元中黑色块的数量和分布获得了最优结构元。
步骤S4，利用最优结构元对二值图像进行腐蚀操作获得腐蚀二值图像，对腐蚀二值图像进行膨胀操作获得膨胀二值图像；基于最优结构元、腐蚀二值图像、膨胀二值图像获得传输数据；将传输数据发送到终端进行直线电机的动态性能监测。
首先，利用最优结构元对二值图像进行腐蚀操作获得腐蚀二值图像，对腐蚀二值图像进行膨胀操作获得膨胀二值图像。
进一步的，将二值图像与膨胀二值图像作差获得差值图像，所述差值图像中为黑色块的像素为标记像素，记录标记像素的位置得到标记像素数据，这里标记像素指的是需要标记的数据，将这些数据进行标记并进行传输是为了保证传输的数据不丢失；记录最优结构元中黑色块和白色块的位置获得结构元数据，同样的为了还原传输到终端的数据需要最优结构元同样传输到终端，记录最优结构元中黑色块和白色块的位置获得结构元数据；将腐蚀二值图像还原为序列化数据，记为传输振动数据序列，利用游程编码对传输振动数据序列进行压缩获得压缩数据；传输到终端的传输数据包括标记像素数据、结构元数据和压缩数据。
最后，终端接收到传输数据后，将传输数据中的标记像素数据进行还原获得标记像素；将结构元数据进行还原获得最优结构元；对压缩数据进行解压缩获得传输振动数据序列，将传输振动数据序列还原为腐蚀二值图像；利用最优结构元对腐蚀二值图像进行膨胀操作获得膨胀二值图像，将膨胀二值图像与标记像素进行叠加，获得二值图像，并将二值图像还原为振动数据；对振动数据进行分析获得直线电机的动态性能。
其中，对振动数据进行分析获得直线电机的动态性能具体为：将振动数据传输至服务器中，对该振动数据进行预处理，进行时域和频域的分析，提取能够反应直线电机的动态性能的性能指标，其中时域分析得到峭度因子和脉冲因子；频域分析得到均方频率和重心频率。通过这些性能指标训练神经网络。该神经网络的具体内容为：
1.优选地，本实施例采用的神经网络为CNN卷积神经网络。
2.输入的数据集为：通过振动数据提取的性能指标，以及专业的工作人员根据振动数据人工标注的动态性能，其中00表示性能正常，11为不正常。
3.该神经网络的损失函数为交叉熵函数。
训练后神经网络后，通过传输的振动数据，神经网络输出得到大功率直线电机的动态性能，再通过服务器传输至客户移动端中显示。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种大功率直线电机动态性能在线监测方法，其特征在于，该方法包括：获取直线电机的振动数据并将其转化为二进制的序列化数据，记为振动数据序列；基于振动数据序列获得二值图像，其中二值图像中像素值为第一预设值的像素为黑色块，像素值为第二预设值的为白色块；
设置预设尺寸的结构元对二值图像进行腐蚀和膨胀操作，其中结构元中黑色块的数量和分布的确定过程如下：设置与结构元尺寸相同的窗口在二值图像上滑动，将滑动时窗口内黑色块的数量作为窗口的数量级，获得各数量级的窗口的出现频率；根据出现频率最大的窗口的数量级以及与所述出现频率最大的窗口的数量级相邻的两个数量级获得结构元中黑色块的数量；
利用第一数量黑色块在结构元中的不同分布获得不同的待确定结构元；基于待确定结构元中黑色块的分布进行编码获得待确定结构元的分布编码；获得窗口在二值图像上滑动时每个窗口的分布编码；基于待确定结构元的分布编码和所述每个窗口的分布编码的相似度获得待确定结构元与二值图像的匹配度，其中匹配度最大的待确定结构元为最优结构元；
利用最优结构元对二值图像进行腐蚀操作获得腐蚀二值图像，对腐蚀二值图像进行膨胀操作获得膨胀二值图像；基于最优结构元、腐蚀二值图像、膨胀二值图像获得传输数据；将传输数据发送到终端进行直线电机的动态性能监测；
所述根据出现频率最大的窗口的数量级以及与所述出现频率最大的窗口的数量级相邻的两个数量级获得结构元中黑色块的数量包括：若出现频率最大的窗口的数量级的出现频率大于等于其相邻的两个数量级的窗口的出现频率中最大的出现频率的两倍，则结构元中黑色块的数量为出现频率最大的窗口的数量级；若出现频率最大的窗口的数量级的出现频率小于其相邻的两个数量级的窗口的出现频率中最大的出现频率的两倍，则结构元中黑色块的数量为：
Figure DEST_PATH_IMAGE001
其中，
Figure DEST_PATH_IMAGE002
表示结构元中黑色块的数量；
Figure DEST_PATH_IMAGE003
表示窗口的出现频率最大的数量级；
Figure DEST_PATH_IMAGE004
表示以数量级
Figure 76061DEST_PATH_IMAGE003
为起始点递减判断结构元中黑色块的数量，也表示窗口的数量级为
Figure 727623DEST_PATH_IMAGE004
，且
Figure DEST_PATH_IMAGE005
；当
Figure DEST_PATH_IMAGE006
时，
Figure 615682DEST_PATH_IMAGE004
为结构元中黑色块的数量，
Figure DEST_PATH_IMAGE007
表示数量级
Figure 214154DEST_PATH_IMAGE004
的窗口的出现频率，
Figure DEST_PATH_IMAGE008
表示数量级
Figure DEST_PATH_IMAGE009
的窗口的出现频率；
其中，不同的待确定结构元表示第一数量黑色块在不同的待确定结构元中的分布位置不同；
所述基于待确定结构元中黑色块的分布进行编码获得待确定结构元的分布编码包括：以待确定结构元中位于左上角的像素为起始点按照顺时针的顺序进行编码，其中编码的终点为位于待确定结构元的中心的像素；在编码过程中像素为黑色块的编码为第一预设值，像素为白色块的编码为第二预设值，获得待确定结构元的分布编码；
所述每个窗口的分布编码的获得方法为: 以每个窗口中位于左上角的像素为起始点按照顺时针的顺序进行编码，其中编码的终点为位于每个窗口的中心的像素；在编码过程中像素为黑色块的编码为第一预设值1，像素为白色块的编码为第二预设值0，获得每个窗口的分布编码，则将一个窗口的分布编码记为
Figure DEST_PATH_IMAGE010
，
Figure DEST_PATH_IMAGE011
的最大值为9；
所述基于待确定结构元的分布编码和所述每个窗口的分布编码的相似度获得待确定结构元与二值图像的匹配度包括：比较待确定结构元的分布编码与一个窗口的分布编码中相同位置的编码，若编码相同则记为第一预设值，若编码不同则记为第二预设值；所有比较获得的第一、第二预设值相加的结果为待确定结构元的分布编码与该窗口的分布编码的相似度；计算待确定结构元的分布编码与每个窗口的分布编码的相似度的均值为待确定结构元与二值图像的匹配度；
所述基于最优结构元、腐蚀二值图像、膨胀二值图像获得传输数据包括：将二值图像与膨胀二值图像作差获得差值图像，所述差值图像中为黑色块的像素为标记像素，记录标记像素的位置得到标记像素数据；记录最优结构元中黑色块和白色块的位置获得结构元数据；将腐蚀二值图像进行还原获得传输振动数据序列，利用游程编码对传输振动数据序列进行压缩获得压缩数据；所述传输数据包括标记像素数据、结构元数据和压缩数据；
所述将传输数据发送到终端进行直线电机的动态性能监测包括：将传输数据中的标记像素数据进行还原获得标记像素；将结构元数据进行还原获得最优结构元；对压缩数据进行解压缩获得传输振动数据序列，将传输振动数据序列还原为腐蚀二值图像；利用最优结构元对腐蚀二值图像进行膨胀操作获得膨胀二值图像，将膨胀二值图像与标记像素进行叠加，获得二值图像，并将二值图像还原为振动数据；对振动数据进行分析获得直线电机的动态性能。
2.根据权利要求1所述的一种大功率直线电机动态性能在线监测方法，其特征在于，所述获取直线电机的振动数据包括：利用无线振动传感器采集直线电机X、Y、Z三个轴向的原始振动加速度，对原始振动加速度进行分解去除重力加速度获取线性加速度，线性加速度组成直线电机的振动数据。
3.根据权利要求1所述的一种大功率直线电机动态性能在线监测方法，其特征在于，所述基于振动数据序列获得二值图像包括：将振动数据序列按照振动数据序列的时序顺序分割为等长的子序列；将子序列按照时序顺序组成二维振动数据矩阵，其中二维振动数据矩阵的行数为子序列的数量，二维振动数据矩阵列数为子序列的长度；将二维振动数据矩阵转化为二值图像。
CN202210953943.0A 2022-08-10 2022-08-10 一种大功率直线电机动态性能在线监测方法 Active CN115035109B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210953943.0A CN115035109B (zh) 2022-08-10 2022-08-10 一种大功率直线电机动态性能在线监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210953943.0A CN115035109B (zh) 2022-08-10 2022-08-10 一种大功率直线电机动态性能在线监测方法

Publications (2)

Publication Number Publication Date
CN115035109A CN115035109A (zh) 2022-09-09
CN115035109B true CN115035109B (zh) 2022-11-08

Family

ID=83130887

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210953943.0A Active CN115035109B (zh) 2022-08-10 2022-08-10 一种大功率直线电机动态性能在线监测方法

Country Status (1)

Country Link
CN (1) CN115035109B (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542560B (zh) * 2011-10-31 2013-10-30 华中科技大学 一种水稻移栽后密度自动检测的方法
CN104091324B (zh) * 2014-06-16 2017-02-15 华南理工大学 一种基于连通域分割的棋盘格图像快速特征匹配算法
CN106500991B (zh) * 2016-10-14 2019-03-26 石家庄铁道大学 基于自适应多尺度AVG-Hat变换的轴承故障信号特征提取方法
JP6759963B2 (ja) * 2016-10-19 2020-09-23 コニカミノルタ株式会社 制御装置、画像処理方法及び画像処理プログラム

Also Published As

Publication number Publication date
CN115035109A (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
CN110221558B (zh) 一种基于边缘计算技术的电液伺服阀在线故障诊断网关
CN107423414B (zh) 一种基于信息传递模型的流程工业复杂机电系统故障溯源方法
CN110008301B (zh) 基于机器学习的区域性地质灾害易发性预测方法及装置
CN110823561B (zh) 一种基于材料模型库的非稳态载荷下轧机传动轴系统关键件疲劳寿命实时监控的方法
CN111160652B (zh) 一种基于知识感知的设备异常状态综合判断及运维方法
CN110363339B (zh) 一种基于电机参数进行预测性维护的方法与系统
CN117375630B (zh) 一种针对带电作业预警系统的监控数据压缩方法
CN112381790A (zh) 一种基于深度自编码的异常图像检测方法
CN111414571A (zh) 一种大气污染物监测方法
Wang et al. Fault detection and identification using a Kullback-Leibler divergence based multi-block principal component analysis and Bayesian inference
CN105607631A (zh) 间歇过程弱故障模型控制限建立方法及弱故障监测方法
CN115017121B (zh) 一种混凝土生产设备数据存储系统
CN115035109B (zh) 一种大功率直线电机动态性能在线监测方法
CN112487048A (zh) 基于时间序列异常波动的关联分析方法及装置
CN117314890A (zh) 打扣加工的安全控制方法、装置、设备及存储介质
JPWO2016189747A1 (ja) 分析装置及び分析方法及び分析プログラム
CN115866251B (zh) 基于语义分割的图像信息快速传输方法
JP4688690B2 (ja) プラント設備における状態変化検出方法および状態変化検出装置
CN112686291A (zh) 水质的预测方法、装置、系统及计算机可读存储介质
KR102126954B1 (ko) 스마트 재봉작업 측정 방법 및 이를 수행하기 위한 시스템
CN115695564B (zh) 一种物联网数据的高效传输方法
CN115078892B (zh) 一种单机大传动变频器状态远程监测系统
CN105843891A (zh) 一种增量式的在线特征提取分析方法及系统
D'Emilia et al. Prediction of the remaining useful life of mechatronic systems, using internal sensors
CN114065651A (zh) 一种用于旋转类设备的故障时间预测方法

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