CN115270894A - 用于甲醇发电机的异常振动信号提取方法 - Google Patents

用于甲醇发电机的异常振动信号提取方法 Download PDF

Info

Publication number
CN115270894A
CN115270894A CN202211177690.9A CN202211177690A CN115270894A CN 115270894 A CN115270894 A CN 115270894A CN 202211177690 A CN202211177690 A CN 202211177690A CN 115270894 A CN115270894 A CN 115270894A
Authority
CN
China
Prior art keywords
vibration signal
abnormal
gray
image block
run
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
Application number
CN202211177690.9A
Other languages
English (en)
Other versions
CN115270894B (zh
Inventor
鲍慧涛
左广恒
崔秋霞
王滨
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.)
Shandong Xingchuang Technology Co ltd
Original Assignee
Shandong Xingchuang 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 Shandong Xingchuang Technology Co ltd filed Critical Shandong Xingchuang Technology Co ltd
Priority to CN202211177690.9A priority Critical patent/CN115270894B/zh
Publication of CN115270894A publication Critical patent/CN115270894A/zh
Application granted granted Critical
Publication of CN115270894B publication Critical patent/CN115270894B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及用于甲醇发电机的异常振动信号提取方法，包括：获取振动信号对应的灰度图像，根据灰度图像对应的灰阶得到每个图像块对应的灰阶，根据每个图像块所对应的灰阶得到每个图像块的灰度游程矩阵，获取每个图像块中的高灰度低游程度量值和低灰度低游程度量值，根据每个图像块中的高灰度低游程度量值及低灰度低游程度量值得到异常图像块，获取遮蔽后的异常图像块，根据步骤S3获取遮蔽后的异常图像块的异常程度，根据遮蔽前后异常图像块的差异程度得到异常图像块中的异常位置，将异常图像块中的异常位置对应到振动信号得到异常振动信号所在位置。本发明提高了异常振动信号检测的准确性。

Description

用于甲醇发电机的异常振动信号提取方法
技术领域
本发明涉及数据处理技术领域，具体涉及用于甲醇发电机的异常振动信号提取方法。
背景技术
甲醇发电机是一种新型的电化学发电机，将甲醇发生的化学反应的能量作为电能，然而将甲醇发电机作为电源为大型货运车辆及轮船等电动机驱动供电时，对于甲醇发电机的工作状态的稳定性有较高的要求，若甲醇发电机出现故障，会导致甲醇发电机工作状态不稳定，从而导致大型货运车辆及轮船无法正常运行，因此对甲醇发电机进行实时故障检测至关重要。
现有的，对甲醇发电机进行故障检测的方法是通过提取甲醇发电机的振动信号，通过设置异常振动信号的幅值阈值对振动信号进行分割，若分割后的振动信号中存在异常振动信号，则该振动信号存在异常，即当前甲醇发电机存在故障；但是该方法在提取甲醇发电机的振动信号时，其振动信号中往往存在大量噪声信号，噪声信号的幅值分布较为离散，导致最终确定的异常振动信号的阈值不准确，因此，利用最终确定的异常振动信号的阈值所得到的甲醇发电机的异常振动信号不准确，从而影响甲醇发电机的故障检测。
发明内容
本发明提供用于甲醇发电机的异常振动信号提取方法，以解决现有的甲醇发电机的异常振动信号检测不准确的问题。
本发明的用于甲醇发电机的异常振动信号提取方法，采用如下技术方案：
S1、采集甲醇发电机工作状态下的振动信号，获取振动信号的周期，将振动信号按照周期进行分段得到多个子振动信号段，将多个子振动信号段进行排列得到排列后的子振动信号段，将排列后的子振动信号段转化为灰度图像；
S2、获取灰度图像的灰度直方图，获取灰度直方图中每个峰对应的所有灰阶，根据每个峰对应的所有灰阶得到灰度图像对应的所有灰阶，将灰度图像划分为多个图像块，根据灰度图像对应的所有灰阶得到每个图像块对应的所有灰阶；
S3、根据每个图像块所对应的所有灰阶得到每个图像块的灰度游程矩阵，根据每个图像块的灰度游程矩阵得到每个图像块中的高灰度低游程度量值和低灰度低游程度量值，根据每个图像块中的高灰度低游程度量值及低灰度低游程度量值得到对应图像块的异常程度，根据每个图像块的异常程度得到异常图像块；
S4、设置异常灰阶，将异常图像块中异常灰阶所包含的像素点所在的行遮蔽得到遮蔽后的异常图像块，根据步骤S3获取遮蔽后的异常图像块的异常程度，获取遮蔽前后异常图像块的异常程度的差异度，根据遮蔽前后异常图像块的差异程度得到存在异常的异常图像块，根据存在异常的异常图像块中被遮蔽的行得到异常振动信号所在位置。
进一步的，所述获取振动信号的周期的方法是：
设置初始周期和步长，根据初始周期和步长得到多个迭代周期；
根据每个迭代周期对振动信号进行迭代得到多次迭代时的振动信号段；
计算每次迭代过程中相邻振动信号段的相似程度，根据每次迭代过程中相邻振动信号段的相似程度得到每次迭代时对应周期的优选程度，将最大优选程度所对应的周期作为振动信号的周期；
获取振动信号时长，当迭代周期等于振动信号时长的一半时，停止迭代。
进一步的，所述灰度图像是按如下方法得到的：
将每个子振动信号段进行排列得到排列后的子振动信号段，其中排列是以每个子振动信号段作为一行进行排列，即子振动信号段的个数为排列的行数，子振动信号段的时间帧的个数为排列的列数；
获取排列后的子振动信号段的幅值，将排列后的子振动信号段的幅值进行归一化得到归一化后的幅值，将归一化后的幅值作为灰度值得到灰度图像。
进一步的,所述每个峰对应的所有灰阶是按如下方法确定的：
获取灰度直方图中每个峰的面积和每个峰所对应的灰度级的个数；
将每个峰的面积的相反数作为指数函数的指数得到每个峰的目标指数函数；
设置调整超参数，将每个峰的目标指数函数与调整超参数相乘得到每个峰对应的灰阶个数；
获取每个峰对应的灰度级的个数，将每个峰对应的灰度级的个数与对应峰的比值作为每个峰对应的所有灰阶。
进一步的，所述每个图像块的灰度游程矩阵是按如下方法确定的：
计算每个灰度图像块中对应的灰阶在水平和竖直方向上的灰度游程矩阵得到每个灰度图像块在水平方向和竖直方向的灰度游程矩阵；
计算每个灰度图像块在水平方向和竖直方向的灰度游程矩阵的均值得到对应图像块的平均灰度游程矩阵，将每个图像块的平均灰度游程矩阵作为每个图像块的游程矩阵。
进一步的，所述图像块的异常程度的表达式为：
Figure DEST_PATH_IMAGE001
式中：
Figure 691983DEST_PATH_IMAGE002
表示第
Figure DEST_PATH_IMAGE003
个图像块的异常程度，
Figure 333180DEST_PATH_IMAGE004
表示第
Figure 160322DEST_PATH_IMAGE003
个图像块的灰度游程矩阵中第
Figure DEST_PATH_IMAGE005
灰阶的游程大小为
Figure 836154DEST_PATH_IMAGE006
的游程出现的频数，
Figure DEST_PATH_IMAGE007
表示第
Figure 887287DEST_PATH_IMAGE003
个图像块的灰度游程矩阵中最大游程，
Figure 484621DEST_PATH_IMAGE005
表示第
Figure 115454DEST_PATH_IMAGE005
灰阶，
Figure 239268DEST_PATH_IMAGE008
表示灰阶总个数，
Figure 195722DEST_PATH_IMAGE006
表示第
Figure 280353DEST_PATH_IMAGE003
个图像块的灰度游程矩阵中大小为
Figure 573931DEST_PATH_IMAGE006
的游程。
进一步的，所述异常图像块是按如下方法确定的：
设置异常程度阈值；
当图像块的异常程度大于异常程度阈值时，该图像块为异常图像块。
进一步的，所述存在异常的异常图像块是按如下方法确定的：
设置差异程度阈值；
当遮蔽前后异常图像块的差异程度大于差异程度阈值时，该异常图像块为存在异常的异常图像块。
进一步的，所述异常振动信号所在位置是按如下方法确定的：
将灰度图像中的灰度值还原为振动信号的幅值得到排列后的子振动信号段，将存在异常的异常图像块中被遮蔽的行对应到排列后的子振动信号段的位置得到异常振动信号所在位置。
本发明的有益效果是：本发明首先获取了振动信号的周期，根据振动信号的周期将振动信号分为多个子振动信号段，将多个子振动信号段进行排列得到排列后的子振动信号段，利用排列后的子振动信号段中的振动信号的幅值将将一维的振动信号转换为二维的灰度图像，并将灰度图像划分为图像块，分析图像块的异常程度，即将振动信号转化为图像块，能够更加精细的分析振动信号的异常信号，使最终得到的异常信号更为准确；
其次，由于振动信号的异常信号往往存在于振动信号的高幅值和低幅值，因此，本发明获取了灰度图像的灰阶，根据每个图像块所对应的灰阶对每个图像块进行了自适应灰度游程矩阵，根据每个图像块的游程矩阵得到异常图像块，设置异常信号的异常灰阶，根据异常灰阶获取异常图像块中异常信号所在位置，将灰度值量化为灰阶，且根据灰阶对每个图像块自适应游程矩阵，不仅使得根据游程矩阵得到的异常图像更加准确，且减小了计算量，结合异常信号往往存在于振动信号的高幅值和低幅值得到异常信号所在位置，减少了判断异常信号时噪声对异常信号检测的影响，使得最终检测得到的异常信号更加准确。
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，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的用于甲醇发电机的异常振动信号提取方法的实施例的流程图；
图2为本发明的用于甲醇发电机的异常振动信号提取方法的实施例中子振动信号段的图像；
图3为本发明的用于甲醇发电机的异常振动信号提取方法的实施例中的灰度图像。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的用于甲醇发电机的异常振动信号提取方法的实施例，如图1所示，包括：
S1、采集甲醇发电机工作状态下的振动信号，获取振动信号的周期，将振动信号按照周期进行分段得到多个子振动信号段，将多个子振动信号段进行排列得到排列后的子振动信号段，将排列后的子振动信号段转化为灰度图像。
采集甲醇发电机工作状态下的振动信号的具体步骤为：通过布置振动传感器，将振动传感器安装在甲醇发电机的机壳表面，在甲醇发电机开始工作的同时，进行振动信号的采集，具体的信号采集装置为：振动传感器、支架、数据传输线、数据分析系统等。其中振动传感器的型号可根据实施者具体实施情况而定。
获取振动信号的周期的具体步骤为：设置初始周期和步长，根据初始周期和步长得到多个迭代周期，其中，每个迭代周期将振动信号分为多个振动信号段得到每次迭代时的振动信号段；计算每次迭代过程中相邻振动信号段的相似程度，根据每次迭代过程中相邻振动信号段的相似程度得到每次迭代时对应周期的优选程度，将最大优选程度所对应的周期作为振动信号的周期；获取振动信号时长，当迭代周期等于振动信号时长的一半时，停止迭代。
其中，设置初始周期
Figure DEST_PATH_IMAGE009
、步长为5，振动信号根据初始周期进行第一次迭代；第一次迭代结束后，以
Figure 834142DEST_PATH_IMAGE010
为迭代周期进行第二次迭代；第二次迭代结束后，以
Figure DEST_PATH_IMAGE011
为迭代周期进行第三次迭代，以此类推得到多次迭代后的振动信号。根据历史先验数据设定振动信号时长为
Figure 758236DEST_PATH_IMAGE012
，当迭代周期等于
Figure DEST_PATH_IMAGE013
时，停止迭代。
计算每次迭代过程中相邻振动信号段的相似程度的具体步骤为：获取每次迭代过程中的相邻振动信号段的信号幅值，根据每次迭代过程中的相邻振动信号段中振动信号的信号幅值获取每次迭代过程中的相邻振动信号段的相似程度，其中，第
Figure 701134DEST_PATH_IMAGE014
次迭代的迭代周期
Figure DEST_PATH_IMAGE015
划分后的振动信号段中，第
Figure 470507DEST_PATH_IMAGE016
段和第
Figure DEST_PATH_IMAGE017
段的振动信号段之间的相似程度的具体表达式为：
Figure DEST_PATH_IMAGE019
式中：
Figure 116383DEST_PATH_IMAGE020
表示第
Figure 414641DEST_PATH_IMAGE016
段振动信号段中第
Figure DEST_PATH_IMAGE021
个振动信号的幅值，
Figure 739443DEST_PATH_IMAGE022
表示第
Figure 640403DEST_PATH_IMAGE016
段振动信号段中所有振动信号的幅值均值，
Figure DEST_PATH_IMAGE023
表示第
Figure 734260DEST_PATH_IMAGE017
段振动信号段中第
Figure 203419DEST_PATH_IMAGE021
个振动信号的幅值，
Figure 236358DEST_PATH_IMAGE024
表示第
Figure 206588DEST_PATH_IMAGE017
段振动信号段中所有振动信号的幅值均值，
Figure 623794DEST_PATH_IMAGE021
表示振动信号段中单个振动信号的个数，
Figure 263854DEST_PATH_IMAGE015
表示第
Figure 891144DEST_PATH_IMAGE014
次迭代的迭代周期，
Figure DEST_PATH_IMAGE025
表示第
Figure 150218DEST_PATH_IMAGE016
段和第
Figure 953089DEST_PATH_IMAGE017
段的振动信号段之间的相似程度。
其中，
Figure 623105DEST_PATH_IMAGE025
表示第
Figure 878637DEST_PATH_IMAGE016
段和第
Figure 534877DEST_PATH_IMAGE017
段的振动信号段之间的相似程度的表达式是套用了相关系数的公式，因为相关系数的含义为两个量之间的相关程度，因此，将第
Figure 316889DEST_PATH_IMAGE016
段和第
Figure 298751DEST_PATH_IMAGE017
段的振动信号段的幅值代入相关系数公式可以表征第
Figure 776000DEST_PATH_IMAGE016
段和第
Figure 360565DEST_PATH_IMAGE017
段的振动信号段的相关程度，即第
Figure 872449DEST_PATH_IMAGE016
段和第
Figure 884267DEST_PATH_IMAGE017
段的振动信号段之间的相似程度，相似程度越大，则第
Figure 583233DEST_PATH_IMAGE016
段和第
Figure 581276DEST_PATH_IMAGE017
段的振动信号段中的幅值越相似，该振动信号段对应的迭代周期为振动信号的周期的可能性越大。相关系数的公式为现有技术，本发明不再赘述。
获取根据第
Figure 256321DEST_PATH_IMAGE014
次迭代的迭代周期
Figure 579986DEST_PATH_IMAGE015
划分后的振动信号段的段数，根据第
Figure 422040DEST_PATH_IMAGE014
次迭代的迭代周期
Figure 223774DEST_PATH_IMAGE015
划分后的振动信号段中第
Figure 303726DEST_PATH_IMAGE016
段和第
Figure 63871DEST_PATH_IMAGE017
段的振动信号段之间的相似程度和第
Figure 3008DEST_PATH_IMAGE014
次迭代的迭代周期
Figure 467488DEST_PATH_IMAGE015
划分后的振动信号段的段数可得到第
Figure 808470DEST_PATH_IMAGE014
次迭代的迭代周期
Figure 733658DEST_PATH_IMAGE015
的优选程度为：
Figure DEST_PATH_IMAGE027
式中：
Figure 425670DEST_PATH_IMAGE025
表示第
Figure 834786DEST_PATH_IMAGE014
次迭代周期
Figure 889330DEST_PATH_IMAGE015
划分后的振动信号段中第
Figure 725699DEST_PATH_IMAGE016
段和第
Figure 498483DEST_PATH_IMAGE017
段的振动信号段之间的相似程度，
Figure 445710DEST_PATH_IMAGE028
表示第
Figure 354760DEST_PATH_IMAGE014
次迭代
Figure 627610DEST_PATH_IMAGE015
的划分后的振动信号段的段数，
Figure DEST_PATH_IMAGE029
表示第
Figure 294215DEST_PATH_IMAGE014
次迭代的迭代周期
Figure 310712DEST_PATH_IMAGE015
的优选程度。
其中，将第
Figure 480793DEST_PATH_IMAGE014
次迭代周期
Figure 518020DEST_PATH_IMAGE015
划分后的振动信号段中相邻两段的相似程度进行累加得到累加后的结果，将累加后的结果作为分子，由于当
Figure 406341DEST_PATH_IMAGE030
时，振动信号段不存在
Figure DEST_PATH_IMAGE031
段，因此不对
Figure 226530DEST_PATH_IMAGE032
进行计算，因此，分母应为
Figure DEST_PATH_IMAGE033
，通过第
Figure 782276DEST_PATH_IMAGE014
次迭代周期
Figure 865770DEST_PATH_IMAGE015
划分后的振动信号段中相邻振动信号段的相似程度的均值来表征当前迭代的
Figure 834863DEST_PATH_IMAGE015
的优选程度，若当前迭代的
Figure 193163DEST_PATH_IMAGE015
值为对应的振动信号的周期，则
Figure 72257DEST_PATH_IMAGE015
划分的振动信号段之间的相似度较大，且呈现周期性变化。因此期
Figure 857810DEST_PATH_IMAGE015
划分后的振动信号段的相似程度越大，对应的当前次迭代周期
Figure 314200DEST_PATH_IMAGE015
的优选程度越大。
根据相似程度和优选程度的计算公式可计算每次迭代的迭代周期的优选程度，将最大优选程度所对应的周期作为振动信号的周期。
至此，得到了振动信号的周期
Figure 204752DEST_PATH_IMAGE034
。
将振动信号按照周期进行分段得到多个子振动信号段，将多个子振动信号段转化为灰度图像，其中，将多个子振动信号段转化为灰度图像的具体步骤为：
将每个子振动信号段进行排列得到排列后的子振动信号段，其中排列是以每个子振动信号段作为一行进行排列，即子振动信号段的个数为排列的行数，子振动信号段的时间帧的个数为排列的列数，获取排列后的子振动信号段中所有振动信号的幅值，将排列后的子振动信号段中所有振动信号的幅值进行归一化得到归一化后的幅值，将归一化后的幅值作为灰度值得到灰度图像，其中子振动信号段如图2所示，灰度图像如图3所示。
需要说明的是，存在利用振动信号的周期对振动信号分段时得到的最后一段子振动信号段的长度不足
Figure 79298DEST_PATH_IMAGE034
，对不足位填充振动信号幅值，使最后一段子振动信号段的长度为
Figure 160387DEST_PATH_IMAGE034
，填充的振动信号幅值为振动信号的幅值均值。
其中，归一化后的幅值的具体表达式为：
Figure 713859DEST_PATH_IMAGE036
式中：
Figure DEST_PATH_IMAGE037
表示排列后的子振动信号段中第
Figure 945120DEST_PATH_IMAGE038
个子振动信号段的第
Figure DEST_PATH_IMAGE039
个振动信号的幅值，
Figure 329965DEST_PATH_IMAGE040
表示排列后的子振动信号段中振动信号的最小幅值，
Figure DEST_PATH_IMAGE041
表示排列后的子振动信号段中振动信号的最大幅值，
Figure 722900DEST_PATH_IMAGE042
表示排列后的子振动信号段中第
Figure 294827DEST_PATH_IMAGE038
个子振动信号段的第
Figure 267462DEST_PATH_IMAGE039
个振动信号归一化后的幅值。该公式为现有技术，本发明不再赘述。
需要说明的是，若归一化后的幅值出现小数，对其四舍五入，保证归一化后的幅值为整数。
至此，可得到排列后的子振动信号段中每个振动信号归一化后的幅值，将排列后的子振动信号段中每个振动信号归一化后的幅值作为灰度值得到灰度图像。
S2、获取灰度图像的灰度直方图，获取灰度直方图中每个峰对应的所有灰阶，根据每个峰对应的所有灰阶得到灰度图像对应的所有灰阶，将灰度图像划分为多个图像块，根据灰度图像对应的所有灰阶得到每个图像块对应的所有灰阶，根据每个图像块所对应的所有灰阶得到每个图像块的灰度游程矩阵。
得到每个峰对应的灰阶的具体步骤为：获取灰度直方图中每个峰对应的两个波谷点，根据灰度直方图中每个峰对应的两个波谷点得到灰度直方图中每个峰对应的灰度级范围，根据每个峰对应的所有灰度级的频数的和获取灰度直方图中每个峰的面积，根据灰度直方图中每个峰对应的灰度级范围和对应峰的面积对每个峰进行灰阶量化，其中，灰度直方图中第
Figure DEST_PATH_IMAGE043
个峰的对应两个灰度波谷点为
Figure 506814DEST_PATH_IMAGE044
和
Figure DEST_PATH_IMAGE045
，则灰度级范围
Figure 336229DEST_PATH_IMAGE046
中的灰阶量化的具体表达式为：
Figure 864294DEST_PATH_IMAGE048
式中，
Figure DEST_PATH_IMAGE049
表示灰度直方图中第
Figure 674510DEST_PATH_IMAGE043
个峰的面积，
Figure 237209DEST_PATH_IMAGE050
表示调整超参数，
Figure DEST_PATH_IMAGE051
表示第
Figure 237526DEST_PATH_IMAGE043
个峰对应的灰阶个数，
Figure 252887DEST_PATH_IMAGE052
表示取整函数。
其中，该公式利用了灰度直方图中每个峰的面积计算每个峰对应的灰阶个数，由于灰度图像中异常振动信号往往分布于低灰度值区域和高灰度值区域中，对于幅值较为中等的振动信号来说，为正常振动信号的概率较大，因此，在根据灰度直方图中每个峰的面积量化灰阶时，面积大的峰说明其为正常振动信号的概率大，因此，对面积大的峰进行灰阶量化时，量化的灰阶个数尽可能的少，面积小的峰说明其为异常振动信号的概率大，因此，对面积小的峰进行灰阶量化时，量化的灰阶个数尽可能的多，因此，利用指数函数进行量化，
Figure DEST_PATH_IMAGE053
所得结果与所述灰阶量化的结果一致，
Figure 442691DEST_PATH_IMAGE050
表示调整超参数，用于调整灰度阶量化的范围值，根据具体条件进行设定即可。
根据灰阶量化的表达式可得到灰度直方图中每个峰对应的灰阶个数，根据灰度直方图中每个峰对应的灰度级的个数除以其对应的灰阶个数得到每个峰对应的所有灰阶，因此，可得到灰阶的总个数
Figure 859897DEST_PATH_IMAGE008
，每个峰对应的灰阶即为灰度图像对应的灰阶。例如，存在任意峰的灰度级为0-90，此时，该峰对应的灰阶个数为10，则该峰对应的所有灰阶为[0,10][10,20]…[80,90]。
将灰度图像划分为多个图像块的具体步骤为：将整个灰度图像划分为
Figure 624591DEST_PATH_IMAGE054
个图像块，并在每其中，划分的图像块的个数
Figure 392826DEST_PATH_IMAGE054
可根据实施者具体实施情况而定，本发明给出经验参考值
Figure DEST_PATH_IMAGE055
。
得到每个图像块的灰度游程矩阵的具体步骤为：计算每个灰度图像块中对应的灰阶在水平和竖直方向上的灰度游程矩阵得到每个灰度图像块在水平方向和竖直方向的灰度游程矩阵，计算每个灰度图像块在水平方向和竖直方向的灰度游程矩阵的均值得到对应图像块的平均灰度游程矩阵，将每个图像块的平均灰度游程矩阵作为每个图像块的游程矩阵。
S3、获取每个图像块中的高灰度低游程度量值和低灰度低游程度量值，根据每个图像块中的高灰度低游程度量值及低灰度低游程度量值得到对应图像块的异常程度，根据每个图像块的异常程度得到异常图像块。
在每个图像块的灰度游程矩阵中，由于振动信号的异常往往体现在振动信号的高幅值和振动信号的低幅值中，对于异常的振动信号往往表现为同一个周期上相邻分布区域的突兀性的变化和在相邻周期的同一位置上的突兀性的变化。因此，对应到的灰度游程矩阵中，通过计算每个图像块中的高灰度低游程度量值和低灰度低游程度量值的大小来表征每个图像的异常程度，其中第
Figure 42114DEST_PATH_IMAGE003
个图像块的异常程度
Figure 844984DEST_PATH_IMAGE002
的具体表达式为：
Figure 655946DEST_PATH_IMAGE001
式中：
Figure 504953DEST_PATH_IMAGE002
表示第
Figure 692352DEST_PATH_IMAGE003
个图像块的异常程度，
Figure 208784DEST_PATH_IMAGE004
表示第
Figure 184787DEST_PATH_IMAGE003
个图像块的灰度游程矩阵中第
Figure 396457DEST_PATH_IMAGE005
灰阶的游程大小为
Figure 246601DEST_PATH_IMAGE006
的游程出现的频数，
Figure 758485DEST_PATH_IMAGE007
表示第
Figure 176828DEST_PATH_IMAGE003
个图像块的灰度游程矩阵中最大游程，
Figure 406952DEST_PATH_IMAGE005
表示第
Figure 529629DEST_PATH_IMAGE005
灰阶，
Figure 161598DEST_PATH_IMAGE008
表示灰阶总个数，
Figure 219684DEST_PATH_IMAGE006
表示第
Figure 530580DEST_PATH_IMAGE003
个图像块的灰度游程矩阵中大小为
Figure 597893DEST_PATH_IMAGE006
的游程。
其中，通过灰度游程矩阵中低灰度短游程分布度量来表示当前图像区域块内较低幅值的振动信号表示出来的突兀程度；通过高灰度短游程分布度量值来表示当前图像区域块内较高幅值的振动信号表示出来的突兀程度，灰度游程矩阵中低灰度短游程度量值用
Figure 943424DEST_PATH_IMAGE056
表示，通过统计中第
Figure 172411DEST_PATH_IMAGE005
灰度阶的游程大小为
Figure 970603DEST_PATH_IMAGE006
出现的频数与灰度阶
Figure 576027DEST_PATH_IMAGE005
和游程
Figure 776065DEST_PATH_IMAGE006
来表征度量值，
Figure 175953DEST_PATH_IMAGE005
和
Figure 602386DEST_PATH_IMAGE006
较小表示低灰度和短游程，因此
Figure DEST_PATH_IMAGE057
越大，低灰度和短游程的程度越大，即用于表征低灰度短游程度量；高灰度短游程度量值用
Figure 808240DEST_PATH_IMAGE058
，
Figure 862783DEST_PATH_IMAGE005
较大表示高灰度，
Figure 699152DEST_PATH_IMAGE006
较小表示短游程，因此
Figure DEST_PATH_IMAGE059
越大，高灰度和短游程的程度越大，即用于表征高灰度短游程度量，低灰度短游程度量值和高灰度短游程度量值为现有技术，本发明不再赘述。
根据异常程度计算公式得到每个图像块的异常程度，设置第一异常程度阈值
Figure 878461DEST_PATH_IMAGE060
，当每个图像块的异常程度大于第一异常程度阈值时，该图像块为异常图像块，据此，可得到所有异常图像块。
S4、设置异常灰阶，将异常图像块中异常灰阶所包含的像素点所在的行遮蔽得到遮蔽后的异常图像块，根据步骤S2-S3获取遮蔽后的异常图像块的异常程度，获取遮蔽前后异常图像块的异常程度的差异度，根据遮蔽前后异常图像块的差异程度得到存在异常的异常图像块，根据存在异常的异常图像块中被遮蔽的行得到异常振动信号所在位置。
设置异常灰阶的具体步骤为：选取灰度图像中最大的五个灰度阶和最小的五个灰度阶，将灰度图像中最大的五个灰度阶和最小的五个灰度阶作为异常灰阶。
需要说明的是，异常振动信号往往存在于振动信号的高幅值或低幅值区域，因此，设置异常灰阶选取灰度图像中最大的五个灰度阶和最小的五个灰度阶。
得到异常图像块中的异常位置的具体步骤为：将异常图像块中异常灰阶所包含的像素点所在的行进行遮蔽得到遮蔽后的异常图像块，根据步骤S2-S3获取遮蔽后的异常图像块的异常程度，设置第二差异程度阈值
Figure DEST_PATH_IMAGE061
，将遮蔽前后异常图像块的差异程度与对应的遮蔽后异常图像块的差异程度进行作差，得到差异程度差值，若差异程度差值大于差异程度阈值，则对应的遮蔽后的异常图像块为存在异常的异常图像块，存在异常的异常图像块中被遮蔽的行为存在异常的异常图像块中的异常位置。
得到异常振动信号所在位置的具体步骤为：将灰度图像中的灰度值还原为振动信号的幅值得到排列后的子振动信号段，将存在异常的异常图像块中的异常位置对应到排列后的子振动信号段的位置得到异常振动信号所在位置。
本发明的有益效果是：本发明首先获取了振动信号的周期，根据振动信号的周期将振动信号分为多个子振动信号段，将多个子振动信号段进行排列得到排列后的子振动信号段，利用排列后的子振动信号段中的振动信号的幅值将将一维的振动信号转换为二维的灰度图像，并将灰度图像划分为图像块，分析图像块的异常程度，即将振动信号转化为图像块，能够更加精细的分析振动信号的异常信号，使最终得到的异常信号更为准确；
其次，由于振动信号的异常信号往往存在于振动信号的高幅值和低幅值，因此，本发明获取了灰度图像的灰阶，根据每个图像块所对应的灰阶对每个图像块进行了自适应灰度游程矩阵，根据每个图像块的游程矩阵得到异常图像块，设置异常信号的异常灰阶，根据异常灰阶获取异常图像块中异常信号所在位置，将灰度值量化为灰阶，且根据灰阶对每个图像块自适应游程矩阵，不仅使得根据游程矩阵得到的异常图像更加准确，且减小了计算量，结合异常信号往往存在于振动信号的高幅值和低幅值得到异常信号所在位置，减少了判断异常信号时噪声对异常信号检测的影响，使得最终检测得到的异常信号更加准确。
以上所述仅为本发明的较佳实施例而已，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 (9)

1.用于甲醇发电机的异常振动信号提取方法，其特征在于，包括：
S1、采集甲醇发电机工作状态下的振动信号，获取振动信号的周期，将振动信号按照周期进行分段得到多个子振动信号段，将多个子振动信号段进行排列得到排列后的子振动信号段，将排列后的子振动信号段转化为灰度图像；
S2、获取灰度图像的灰度直方图，获取灰度直方图中每个峰对应的所有灰阶，根据每个峰对应的所有灰阶得到灰度图像对应的所有灰阶，将灰度图像划分为多个图像块，根据灰度图像对应的所有灰阶得到每个图像块对应的所有灰阶；
S3、根据每个图像块所对应的所有灰阶得到每个图像块的灰度游程矩阵，根据每个图像块的灰度游程矩阵得到每个图像块中的高灰度低游程度量值和低灰度低游程度量值，根据每个图像块中的高灰度低游程度量值及低灰度低游程度量值得到对应图像块的异常程度，根据每个图像块的异常程度得到异常图像块；
S4、设置异常灰阶，将异常图像块中异常灰阶所包含的像素点所在的行遮蔽得到遮蔽后的异常图像块，根据步骤S3获取遮蔽后的异常图像块的异常程度，获取遮蔽前后异常图像块的异常程度的差异度，根据遮蔽前后异常图像块的差异程度得到存在异常的异常图像块，根据存在异常的异常图像块中被遮蔽的行得到异常振动信号所在位置。
2.根据权利要求1所述的用于甲醇发电机的异常振动信号提取方法，其特征在于，所述获取振动信号的周期的方法是：
设置初始周期和步长，根据初始周期和步长得到多个迭代周期；
根据每个迭代周期对振动信号进行迭代得到多次迭代时的振动信号段；
计算每次迭代过程中相邻振动信号段的相似程度，根据每次迭代过程中相邻振动信号段的相似程度得到每次迭代时对应周期的优选程度，将最大优选程度所对应的周期作为振动信号的周期；
获取振动信号时长，当迭代周期等于振动信号时长的一半时，停止迭代。
3.根据权利要求1所述的用于甲醇发电机的异常振动信号提取方法，其特征在于，所述灰度图像是按如下方法得到的：
将每个子振动信号段进行排列得到排列后的子振动信号段，其中排列是以每个子振动信号段作为一行进行排列，即子振动信号段的个数为排列的行数，子振动信号段的时间帧的个数为排列的列数；
获取排列后的子振动信号段的幅值，将排列后的子振动信号段的幅值进行归一化得到归一化后的幅值，将归一化后的幅值作为灰度值得到灰度图像。
4.根据权利要求1所述的用于甲醇发电机的异常振动信号提取方法，其特征在于,所述每个峰对应的所有灰阶是按如下方法确定的：
获取灰度直方图中每个峰的面积和每个峰所对应的灰度级的个数；
将每个峰的面积的相反数作为指数函数的指数得到每个峰的目标指数函数；
设置调整超参数，将每个峰的目标指数函数与调整超参数相乘得到每个峰对应的灰阶个数；
获取每个峰对应的灰度级的个数，将每个峰对应的灰度级的个数与对应峰的比值作为每个峰对应的所有灰阶。
5.根据权利要求1所述的用于甲醇发电机的异常振动信号提取方法，其特征在于，所述每个图像块的灰度游程矩阵是按如下方法确定的：
计算每个灰度图像块中对应的灰阶在水平和竖直方向上的灰度游程矩阵得到每个灰度图像块在水平方向和竖直方向的灰度游程矩阵；
计算每个灰度图像块在水平方向和竖直方向的灰度游程矩阵的均值得到对应图像块的平均灰度游程矩阵，将每个图像块的平均灰度游程矩阵作为每个图像块的游程矩阵。
6.根据权利要求1所述的用于甲醇发电机的异常振动信号提取方法，其特征在于，所述图像块的异常程度的表达式为：
Figure DEST_PATH_IMAGE002
式中：
Figure DEST_PATH_IMAGE004
表示第
Figure DEST_PATH_IMAGE006
个图像块的异常程度，
Figure DEST_PATH_IMAGE008
表示第
Figure 368718DEST_PATH_IMAGE006
个图像块的灰度游程矩阵中第
Figure DEST_PATH_IMAGE010
灰阶的游程大小为
Figure DEST_PATH_IMAGE012
的游程出现的频数，
Figure DEST_PATH_IMAGE014
表示第
Figure 153135DEST_PATH_IMAGE006
个图像块的灰度游程矩阵中最大游程，
Figure 957142DEST_PATH_IMAGE010
表示第
Figure 827009DEST_PATH_IMAGE010
灰阶，
Figure DEST_PATH_IMAGE016
表示灰阶总个数，
Figure 640245DEST_PATH_IMAGE012
表示第
Figure 7729DEST_PATH_IMAGE006
个图像块的灰度游程矩阵中大小为
Figure 310534DEST_PATH_IMAGE012
的游程。
7.根据权利要求1所述的用于甲醇发电机的异常振动信号提取方法，其特征在于，所述异常图像块是按如下方法确定的：
设置异常程度阈值；
当图像块的异常程度大于异常程度阈值时，该图像块为异常图像块。
8.根据权利要求1所述的用于甲醇发电机的异常振动信号提取方法，其特征在于，所述存在异常的异常图像块是按如下方法确定的：
设置差异程度阈值；
当遮蔽前后异常图像块的差异程度大于差异程度阈值时，该异常图像块为存在异常的异常图像块。
9.根据权利要求1所述的用于甲醇发电机的异常振动信号提取方法，其特征在于，所述异常振动信号所在位置是按如下方法确定的：
将灰度图像中的灰度值还原为振动信号的幅值得到排列后的子振动信号段，将存在异常的异常图像块中被遮蔽的行对应到排列后的子振动信号段的位置得到异常振动信号所在位置。
CN202211177690.9A 2022-09-27 2022-09-27 用于甲醇发电机的异常振动信号提取方法 Active CN115270894B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211177690.9A CN115270894B (zh) 2022-09-27 2022-09-27 用于甲醇发电机的异常振动信号提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211177690.9A CN115270894B (zh) 2022-09-27 2022-09-27 用于甲醇发电机的异常振动信号提取方法

Publications (2)

Publication Number Publication Date
CN115270894A true CN115270894A (zh) 2022-11-01
CN115270894B CN115270894B (zh) 2022-12-27

Family

ID=83755943

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211177690.9A Active CN115270894B (zh) 2022-09-27 2022-09-27 用于甲醇发电机的异常振动信号提取方法

Country Status (1)

Country Link
CN (1) CN115270894B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116679612A (zh) * 2023-08-04 2023-09-01 山东行创科技有限公司 一种机床加工异常能耗数据监测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018032660A1 (zh) * 2016-08-19 2018-02-22 苏州大学 一种运动目标检测方法及系统
CN112734691A (zh) * 2020-12-17 2021-04-30 郑州金惠计算机系统工程有限公司 一种工业制品缺陷检测方法、装置、终端设备及存储介质
CN112785589A (zh) * 2021-02-07 2021-05-11 重庆渝抗医药科技有限公司 通过云端网络获取数字医疗异常影像的方法
WO2022011480A1 (en) * 2020-07-16 2022-01-20 Sridhar Krishnan System and method for saliency detection in long-term ecg monitoring
CN114913178A (zh) * 2022-07-19 2022-08-16 山东天宸塑业有限公司 一种熔喷布缺陷检测方法及系统
CN115082418A (zh) * 2022-07-14 2022-09-20 山东聊城富锋汽车部件有限公司 一种汽车零部件精密识别方法
CN115082467A (zh) * 2022-08-22 2022-09-20 山东亿昌装配式建筑科技有限公司 基于计算机视觉的建材焊接表面缺陷检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018032660A1 (zh) * 2016-08-19 2018-02-22 苏州大学 一种运动目标检测方法及系统
WO2022011480A1 (en) * 2020-07-16 2022-01-20 Sridhar Krishnan System and method for saliency detection in long-term ecg monitoring
CN112734691A (zh) * 2020-12-17 2021-04-30 郑州金惠计算机系统工程有限公司 一种工业制品缺陷检测方法、装置、终端设备及存储介质
CN112785589A (zh) * 2021-02-07 2021-05-11 重庆渝抗医药科技有限公司 通过云端网络获取数字医疗异常影像的方法
CN115082418A (zh) * 2022-07-14 2022-09-20 山东聊城富锋汽车部件有限公司 一种汽车零部件精密识别方法
CN114913178A (zh) * 2022-07-19 2022-08-16 山东天宸塑业有限公司 一种熔喷布缺陷检测方法及系统
CN115082467A (zh) * 2022-08-22 2022-09-20 山东亿昌装配式建筑科技有限公司 基于计算机视觉的建材焊接表面缺陷检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JUN DAI等: ""Machinery Health Monitoring Based on Unsupervised Feature Learning via Generative Adversarial Networks"", 《IEEE/ASME TRANSACTIONS ON MECHATRONICS》 *
唐坚刚等: ""基于小波分解和游程长度矩阵的医学图像检索"", 《计算机工程与设计》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116679612A (zh) * 2023-08-04 2023-09-01 山东行创科技有限公司 一种机床加工异常能耗数据监测方法
CN116679612B (zh) * 2023-08-04 2023-10-13 山东行创科技有限公司 一种机床加工异常能耗数据监测方法

Also Published As

Publication number Publication date
CN115270894B (zh) 2022-12-27

Similar Documents

Publication Publication Date Title
CN113158814B (zh) 一种基于卷积自编码器的轴承健康状态监测方法
CN1656824A (zh) 根据局部边缘统计分布估计清晰度度量的方法和系统
CN112766342A (zh) 一种电气设备的异常检测方法
CN115270894B (zh) 用于甲醇发电机的异常振动信号提取方法
CN114167838A (zh) 一种伺服系统多尺度健康评估与故障预测方法
CN107230214B (zh) 基于递归otsu算法的sar图像水域自动检测方法
CN117309891B (zh) 一种基于智能反馈机制的玻璃钢化膜检测方法及系统
CN112801949A (zh) 一种紫外成像检测技术中放电区域的确定方法及装置
CN114819374A (zh) 区域新能源超短期功率预测方法及系统
CN117744537A (zh) 一种高铁沿线秒级风速信号特性分析及动态风场重构方法
CN113899349A (zh) 海浪参数检测方法、设备及存储介质
CN117215887A (zh) 一种基于arch模型和卡尔曼滤波器进行数据预测的方法
CN117333795A (zh) 一种基于筛选后处理的河流表面流速测量方法及系统
CN109632081B (zh) 风力发电机组振动特征提取与差异性判别的方法
CN115311266B (zh) 一种纺织品印染工艺中印染识别方法
CN116448062B (zh) 一种桥梁沉降变形检测方法、装置、计算机及存储介质
CN113339208A (zh) 风电机组振动异常片段的选取方法
CN118311580B (zh) 一种海浪数值预报系统中背景场的确定方法、装置及设备
CN114638851B (zh) 一种基于生成对抗网络的图像分割方法、系统及存储介质
CN118277921B (zh) 一种基于多特征提取的抽油井电功图工况识别方法及系统
CN118228897B (zh) 一种基于ceemdan-se-tcn-gru模型的电力负荷预测方法
CN118364663B (zh) 一种基于潮位互补累积分布函数的潮滩地形遥感反演方法及系统
CN117909691B (zh) 一种海洋工程设计数据的获取系统及方法
CN118337222B (zh) 一种具备智慧存储功能的集中器
CN118552692A (zh) 基于不同分辨率dem数据的集水面积阈值的确定方法

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