CN117934468A - 基于图像处理的篦冷机故障预测方法及系统 - Google Patents
基于图像处理的篦冷机故障预测方法及系统 Download PDFInfo
- Publication number
- CN117934468A CN117934468A CN202410329985.6A CN202410329985A CN117934468A CN 117934468 A CN117934468 A CN 117934468A CN 202410329985 A CN202410329985 A CN 202410329985A CN 117934468 A CN117934468 A CN 117934468A
- Authority
- CN
- China
- Prior art keywords
- value
- image
- gray
- oil layer
- region
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012545 processing Methods 0.000 title claims abstract description 26
- 238000006243 chemical reaction Methods 0.000 claims abstract description 19
- 230000033764 rhythmic process Effects 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 10
- 230000011218 segmentation Effects 0.000 abstract description 2
- 239000003921 oil Substances 0.000 description 45
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 4
- 239000010687 lubricating oil Substances 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000005494 condensation Effects 0.000 description 2
- 238000009833 condensation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005461 lubrication Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000007790 scraping Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像处理领域,更具体地,本发明涉及基于图像处理的篦冷机故障预测方法及系统,方法包括:采集篦冷机图像,并对其进行预处理;对预处理后的篦冷机图像进行区域划分,计算灰度图像中每个区域内灰度值的均值和方差,根据均值和方差计算每个区域存在油层泄露的区域特征得到覆盖干扰程度值;根据覆盖干扰程度值的延续性和差异性得到光泽度值,根据光泽度值的区域连贯性和转换节奏性得到油层程度值;根据油层程度值对像素点进行增强,得到增强后的显著灰度图像;对显著灰度图像进行阈值分割,得到检测结果,以判断可能出现故障的位置。本发明旨在提高设备的可靠性,降低维护成本,以确保设备在安全高效的状态下运行。
Description
技术领域
本发明一般地涉及图像处理领域。更具体地,本发明涉及基于图像处理的篦冷机故障预测方法及系统。
背景技术
篦冷机(或称为刮板冷凝器)是一种用于冷却和凝结蒸汽或气体的设备。它通常用于工业过程中,特别是在化工、石油、制药和食品加工等领域。篦冷机的设计结构简单,但效率高,因此在许多行业中被广泛采用。
篦冷机采用了一种独特的设计来增加冷凝表面积,蒸汽或气体通过这些孔或刮槽流过,与篦板表面接触,并在接触过程中被冷却和凝结,由于篦板之间的间距非常小,蒸汽或气体在流动过程中受到限制,从而增加了接触时间,提高了冷凝效率,与一些其他类型的冷凝器相比,篦冷机的制造成本较高,由于其高效、可靠的特性,篦冷机仍然被广泛应用于各种工业领域,特别是需要处理大量蒸汽或气体的场合。
篦冷机通常在恶劣的环境下工作,如高温、高湿或腐蚀性气体的环境中,需要对篦冷机定时进行涂抹润滑油,从而润滑油可以在运行部件表面形成一层保护膜,防止金属表面直接接触恶劣环境,从而减少腐蚀的可能性,同时在运转过程中会产生摩擦和磨损,降低部件之间的摩擦系数,减少磨损,延长设备的使用寿命,但是过量的润滑反而易使轴承过热,甚至导致严重损伤和停机事故,同时润滑加多还会导致边缘漏油,从而产生安全隐患。
目前基于图像处理进行篦冷机故障预测,由于润滑油泄露产生的油层呈现黄色,同时受金属锈迹与拼接缝隙的影响,无法精准的检测出漏油位置,以致于降低对故障预测的准确性。
发明内容
为解决上述一个或多个技术问题,本发明提出将多种方法进行组合或集成的方式,对电力负荷进行预测,如将统计方法与机器学习方法相结合,以提高预测准确性和稳定性,为此,本发明在如下的多个方面中提供方案。
在第一方面中,基于图像处理的篦冷机故障预测方法,包括:采集篦冷机图像,对篦冷机图像进行预处理;对预处理后篦冷机图像进行区域划分,计算灰度图像中每个区域内灰度值的均值和方差,根据所述均值和方差计算每个区域存在油层泄露的区域特征得到覆盖干扰程度值;根据所述覆盖干扰程度值的延续性与差异性得到光泽度值,根据所述光泽度值的区域连贯性与转换节奏性得到油层程度值,其中,区域连贯性为观察油层表面光泽度值的连续性,转换节奏性为观察油层表面光泽度值从一个状态到另一个状态的转换频率;所述油层程度值满足下述关系式:
式中,表示第/>个区域中的第/>个像素点的油层程度值,/>表示第/>个区域中的第/>个像素点与最近似区域的索引位置对应的像素点的光泽度比值,/>表示第/>个区域中的第/>个像素点的光泽度值,/>表示第/>个区域中的第/>个像素点的光泽度值的最近似区域的对应像素点的光泽度值,/>表示归一化处理,/>表示方差计算方式;根据所述油层程度值对灰度图像的像素点进行像素增强,得到增强后的显著灰度图像;根据所述增强后的显著灰度图像进行预处理,得到检测结果,判断可能出现故障的位置。
在一个实施例中,所述覆盖干扰程度值满足下述关系式:
式中,表示第/>个区域的覆盖干扰程度值,/>表示灰度图像中第/>个区域内像素点的灰度均值,/>表示在灰度图像中第/>个区域内像素点的灰度方差,/>表示归一化处理。
在一个实施例中,根据所述覆盖干扰程度值的延续性与差异性得到光泽度值,包括:
计算所述灰度图像中的灰度差异,得到每个区域中各个像素点的梯度值,对所述梯度值建立索引,得到每个区域的梯度图像,其中,梯度图像中每个像素值表示了对应位置处像素点的梯度大小和排序后的像素点坐标;
根据梯度图像中像素点的梯度差异,判断每个区域之间的延续性和差异性。
在一个实施例中,所述光泽度值满足下述关系式:
其中,表示第/>个区域中的第/>个像素点的光泽度值,/>表示第/>个区域中的第个像素点的梯度值,/>表示第/>个区域中的第/>个像素点与相邻的第/>个像素点的梯度值,/>表示第/>个区域中的第/>个像素点与相邻的第/>个像素点的索引间距,/>表示第/>个区域的覆盖干扰程度值,/>表示指数函数。
在一个实施例中,根据所述光泽度值的区域连贯性与转换节奏性得到油层程度值,包括:
对灰度图像中的光泽度值进行分析,得到相似的光泽度值的区域;
基于相似的区域之间过渡或边界情况的光泽度值,使用傅里叶变换,将灰度图像转换为频谱图,其中横轴和纵轴分别表示灰度图像在水平和垂直方向上的频率,根据频率的分布情况,判断灰度图像中光泽度的转换节奏性。
在一个实施例中,根据所述油层程度值对灰度图像进行调整,得到增强后的显著灰度图像,包括:
根据所述像素点的灰度值与油层程度值的乘积,得到新的灰度值,以此重新分配各像素点灰度值,得到增强后的显著灰度图像。
第二方面,基于图像处理的篦冷机故障预测系统,包括:处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现任一项所述的基于图像处理的篦冷机故障预测方法。
本发明具有以下效果:
1、本发明通过图像处理技术,系统可以实时监测篦冷机的运行状态,识别图像中的特征并检测潜在的故障迹象,有利于在故障发生之前提前发现问题,从而采取预防性维护措施,减少因故障而导致的停机时间;预测性维护有助于避免紧急维修和更换昂贵的零部件。通过在需要时进行计划性维护,可以降低维护成本并延长设备的寿命,及时发现并解决潜在的篦冷机故障,有助于确保设备的正常运行,从而提高工作场所的安全性。避免故障可能引起的突发情况,提高设备的可靠性、降低维护成本,并确保设备在安全、高效的状态下运行。
2、本发明通过故障预测系统可以及时报警并提供准确的故障诊断,使维护人员能够更迅速地响应和解决问题。通过减少停机时间,可以提高篦冷机的可靠性和运行效率。基于实际的故障预测数据,维护团队可以制定更有效的维护计划。这包括定期检查、更换零部件、清理污垢等,以确保篦冷机持续稳定地运行。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是本发明实施例基于图像处理的篦冷机故障预测方法中步骤S1-S5的方法流程图。
图2是本发明实施例基于图像处理的篦冷机故障预测方法中步骤S30-S35的方法流程图。
图3是本发明实施例基于图像处理的篦冷机故障预测系统的结构框图。
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。
下面结合附图来详细描述本发明的具体实施方式。
参照图1,基于图像处理的篦冷机故障预测方法包括步骤S1-S5,具体如下:
S1:采集篦冷机图像,对篦冷机图像进行预处理。
进一步说明,使用高清工业相机对篦冷机进行拍摄,得到篦冷机图像,对篦冷机图像使用灰度化算法,以此得到篦冷机灰度图像用于后续步骤。
S2:对预处理后篦冷机图像进行区域划分,计算灰度图像中每个区域内灰度值的均值和方差,根据所述均值和方差计算每个区域存在油层泄露的区域特征得到覆盖干扰程度值。
进一步说明,将篦冷机的灰度图像进行分区,从而对灰度图像细节进行分析,得到覆盖干扰程度,根据区域中的像素点并不完全统一,基于每个区域的覆盖干扰程度的衔接性与差异性得到光泽度,对各像素点进行分析。根据光泽度的区域连贯性与转换节奏性得到油层程度。进一步分辨机器的衔接缝隙中是否存在泄露的油层,根据油层程度对灰度图像进行调整。
覆盖干扰程度值满足下述关系式:
式中,表示第/>个区域的覆盖干扰程度值,/>表示灰度图像中第/>个区域内像素点的灰度均值,/>表示在灰度图像中第/>个区域内像素点的灰度方差,/>表示归一化处理。
进一步说明,由于金属的黑色锈迹会对泄露的油层检测造成干扰,所以需要结合图像细节进行分析,本实施例中,将灰度图像按照的大小进行分区,根据各分块的灰度特征进行分析。当泄露的油层覆盖后,油层的泄漏会引起覆盖部分颜色的变化,使得呈现黑褐色的铁锈具有较深的颜色,油层覆盖在铁锈的表面之后,因为油层的颜色为黄色,所以泄露的油层区域在灰度上显示出较暗的区域。
本实施例中,以灰度图像中的第个区域为例,获取第/>个区域内的像素点的灰度值,计算区域内的像素点灰度均值记为/>,其值越小则该区域存在油层泄露覆盖的概率越大。又因为油层覆盖位置的灰度差异较小,所以计算区域内的像素点灰度方差记为/>,灰度方差越小则该区域存在油层泄露覆盖的概率越大。
S3:根据所述覆盖干扰程度值的延续性和差异性,得到光泽度值,根据所述光泽度值的区域连贯性和转换节奏性,得到油层程度值,其中,区域连贯性为观察油层表面光泽度值的连续性,转换节奏性为观察油层表面光泽度值从一个状态到另一个状态的转换频率。
进一步说明,通过上步骤得到灰度图像中各区域对应的覆盖干扰程度,同时因为分块中的像素点并不完全统一,所以为了对分块中的各像素点进行分析,根据覆盖干扰程度的衔接性与差异性得到光泽度。由于油层泄露后覆盖在铁锈上,会改变铁锈表面的纹理,使得纹理更加平滑。这种纹理变化可以通过图像中的灰度差异来体现。因此获取分块中各像素点的梯度值,按照梯度值从小到大建立索引。
本实施例中,在灰度图像中像素点位置相近,且梯度差异较小的像素点就越平滑,区域的延续性就越好,通过图像的位置关系与变化关系体现各像素点的平滑特征。
参照图2,包括步骤S30-S35:
S30:计算所述灰度图像中的灰度差异,得到每个区域中各个像素点的梯度值,对所述梯度值建立索引,得到每个区域的梯度图像,其中,梯度图像中每个像素值表示了对应位置处像素点的梯度大小和排序后的像素点坐标;
S31:根据梯度图像中像素点的梯度差异,判断每个区域之间的延续性和差异性;
S32:根据延续性和差异性计算光泽度值;光泽度值满足下述关系式:
其中,表示第/>个区域中的第/>个像素点的光泽度值,/>表示第/>个区域中的第个像素点的梯度值,/>表示第/>个区域中的第/>个像素点与相邻的第/>个像素点的梯度值,/>表示第/>个区域中的第/>个像素点与相邻的第/>个像素点的索引间距,/>表示第/>个区域的覆盖干扰程度值,/>表示指数函数;
进一步说明,通过体现像素点的变化跨度差异,通过体现像素点在图像位置的近似关联性,通过体现第/>个像素点的平滑性,/>越小则该像素点的平滑表现就越明显。
S33:对灰度图像中的光泽度值进行分析,得到相似区域的光泽度值;
S34:基于相似的区域之间过渡或边界情况的光泽度值,使用傅里叶变换,将灰度图像转换为频谱图,其中横轴和纵轴分别表示灰度图像在水平和垂直方向上的频率,根据频率的分布情况,判断灰度图像中光泽度的转换节奏性;
进一步说明,篦冷机机器衔接的缝隙处的像素点的特征,仅从区域内部分析较为平滑,光滑度与存在泄露油层的像素点的光滑度近似,为了进一步判断篦冷机机器的衔接缝隙中是否存在泄露的油层,根据光泽度的区域连贯性与转换节奏性得到油层程度;当缝隙处像素点没有泄露的油层覆盖时,由于锈迹纹理粗糙的原因,缝隙间像素点从边缘到中心的变化节奏较为混乱,而当缝隙中存在泄露的油层覆盖时,会使得缝隙的纹理更加平滑,因此在缝隙从边缘到中心的转化节奏也就更加统一。
S35:基于所述光泽度值的区域连贯性与转换节奏性得到油层程度值;
油层程度值满足下述关系式:
式中,表示第/>个区域中的第/>个像素点的油层程度值,/>表示第/>个区域中的第/>个像素点与最近似区域的索引位置对应的像素点的光泽度比值,/>表示第/>个区域中的第/>个像素点的光泽度值,/>表示第/>个区域中的第/>个像素点的光泽度值的最近似区域的对应像素点的光泽度值,/>表示归一化处理,/>表示方差计算方式。
进一步说明,本实施例中,油层程度值越大,则对应像素点为泄露油层的像素点的概率就越大;光泽度比值越小,则说明第个区域中的第/>个像素点与最近似区域的索引位置对应的像素点的平滑关系越近似,通过/>体现相关像素点的整体平滑趋势,通过体现像素点的近似联系,因为缝隙是连贯的,当存在油层时联系进一步增强,因此/>值越小,则该像素点为泄露油层的像素点的概率就越大。
S4:根据所述油层程度值对灰度图像的像素点进行像素增强,得到增强后的显著灰度图像。
进一步说明,本实施例中,通过上述步骤得到各像素点的油层程度值,通过各像素点的油层程度值对灰度图像的像素点进行调整,根据灰度图像中每个像素点的灰度值与对应像素点的油层程度值的乘积,得到新的灰度值,以此重新分配各像素点的灰度值,得到增强后的显著灰度图像。
S5:根据所述增强后的显著灰度图像进行预处理,得到检测结果,以判断可能出现故障的位置。
进一步说明,通过增强后的显著灰度图像,使用大津法阈值分割进行处理,得到检测结果,由此判断是否存在异常,当存在油层泄露时,得到可能出现故障的位置,及时检查防止轴承过热,导致严重损伤和停机事故。
本发明还提供了基于图像处理的篦冷机故障预测系统。如图3所示,系统包括处理器和存储器,存储器存储有计算机程序指令,当计算机程序指令被处理器执行时实现根据本发明第一方面的基于图像处理的篦冷机故障预测方法。
系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件,其设置和功能为本领域中已知,因此在此不再赘述。
在本发明中,前述的存储器可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质,比如,阻变式存储器RRAM(Resistive RandomAccess Memory)、动态随机存取存储器DRAM(Dynamic Random Access Memory)、静态随机存取存储器SRAM(Static Random-Access Memory)、增强动态随机存取存储器EDRAM(Enhanced Dynamic Random Access Memory)、高带宽内存HBM(High-Bandwidth Memory)、混合存储立方HMC(Hybrid Memory Cube)等等,或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
在本说明书的描述中,“多个”、“若干个”的含义是至少两个,例如两个,三个或更多个等,除非另有明确具体的限定。
虽然本说明书已经示出和描述了本发明的多个实施例,但对于本领域技术人员显而易见的是,这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中,可以采用对本文所描述的本发明实施例的各种替代方案。
Claims (7)
1.基于图像处理的篦冷机故障预测方法,其特征在于,包括:
采集篦冷机图像,对篦冷机图像进行预处理;
对预处理后的篦冷机图像进行区域划分,计算灰度图像中每个区域内灰度值的均值和方差,根据所述均值和方差计算每个区域存在油层泄露的区域特征得到覆盖干扰程度值;
根据所述覆盖干扰程度值的延续性与差异性,得到光泽度值,根据所述光泽度值的区域连贯性和转换节奏性,得到油层程度值,其中,区域连贯性为观察油层表面光泽度值的连续性,转换节奏性为观察油层表面光泽度值从一个状态到另一个状态的转换频率;
所述油层程度值满足下述关系式:
;
式中,表示第/>个区域中的第/>个像素点的油层程度值,/>表示第/>个区域中的第/>个像素点与最近似区域的索引位置对应的像素点的光泽度比值,/>表示第/>个区域中的第/>个像素点的光泽度值,/>表示第/>个区域中的第/>个像素点的光泽度值的最近似区域的对应像素点的光泽度值,/>表示归一化处理,/>表示方差计算方式;
根据所述油层程度值对灰度图像的像素点进行像素增强,得到增强后的显著灰度图像;
根据所述增强后的显著灰度图像进行预处理,得到检测结果,以判断可能出现故障的位置。
2.根据权利要求1所述的基于图像处理的篦冷机故障预测方法,其特征在于,所述覆盖干扰程度值满足下述关系式:
;
式中,表示第/>个区域的覆盖干扰程度值,/>表示灰度图像中第/>个区域内像素点的灰度均值,/>表示在灰度图像中第/>个区域内像素点的灰度方差,/>表示归一化处理。
3.根据权利要求1所述的基于图像处理的篦冷机故障预测方法,其特征在于,根据所述覆盖干扰程度值的延续性与差异性得到光泽度值,包括:
计算所述灰度图像中的灰度差异,得到每个区域中各个像素点的梯度值,对所述梯度值建立索引,得到每个区域的梯度图像,其中,梯度图像中每个像素值表示了对应位置处像素点的梯度大小和排序后的像素点坐标;
根据梯度图像中像素点的梯度差异,判断每个区域之间的延续性和差异性。
4.根据权利要求1所述的基于图像处理的篦冷机故障预测方法,其特征在于,所述光泽度值满足下述关系式:
;
其中,表示第/>个区域中的第/>个像素点的光泽度值,/>表示第/>个区域中的第/>个像素点的梯度值,/>表示第/>个区域中的第/>个像素点与相邻的第/>个像素点的梯度值,表示第/>个区域中的第/>个像素点与相邻的第/>个像素点的索引间距,/>表示第/>个区域的覆盖干扰程度值,/>表示指数函数。
5.根据权利要求1所述的基于图像处理的篦冷机故障预测方法,其特征在于,根据所述光泽度值的区域连贯性与转换节奏性得到油层程度值,包括:
对灰度图像中的光泽度值进行分析,得到相似区域的光泽度值;
基于相似的区域之间过渡或边界情况的光泽度值,使用傅里叶变换,将灰度图像转换为频谱图,其中横轴和纵轴分别表示灰度图像在水平和垂直方向上的频率,根据频率的分布情况,判断灰度图像中光泽度的转换节奏性;
基于所述光泽度值的区域连贯性与转换节奏性得到油层程度值。
6.根据权利要求1所述的基于图像处理的篦冷机故障预测方法,其特征在于,根据所述油层程度值对灰度图像进行调整,得到增强后的显著灰度图像,包括:
根据所述像素点的灰度值与油层程度值的乘积,得到新的灰度值,以此重新分配各像素点灰度值,得到增强后的显著灰度图像。
7.基于图像处理的篦冷机故障预测系统,其特征在于,包括:处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现根据权利要求1-6任一项所述的基于图像处理的篦冷机故障预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410329985.6A CN117934468B (zh) | 2024-03-22 | 2024-03-22 | 基于图像处理的篦冷机故障预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410329985.6A CN117934468B (zh) | 2024-03-22 | 2024-03-22 | 基于图像处理的篦冷机故障预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117934468A true CN117934468A (zh) | 2024-04-26 |
CN117934468B CN117934468B (zh) | 2024-06-18 |
Family
ID=90763376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410329985.6A Active CN117934468B (zh) | 2024-03-22 | 2024-03-22 | 基于图像处理的篦冷机故障预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117934468B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210311166A1 (en) * | 2015-07-17 | 2021-10-07 | Chenshu Wu | Method, apparatus, and system for wireless micro motion monitoring |
CN114187282A (zh) * | 2021-12-15 | 2022-03-15 | 南京凯盛国际工程有限公司 | 一种基于图像分割的篦冷机料层厚度测量方法 |
EP3978949A2 (en) * | 2020-10-02 | 2022-04-06 | Origin Wireless, Inc. | System and method for wireless motion monitoring |
CN116597392A (zh) * | 2023-07-19 | 2023-08-15 | 山东天力润滑油有限公司 | 基于机器视觉的液压油杂质识别方法 |
CN117372432A (zh) * | 2023-12-08 | 2024-01-09 | 深圳市希格莱特科技有限公司 | 基于图像分割的电子烟表面缺陷检测方法及系统 |
CN117423126A (zh) * | 2023-12-18 | 2024-01-19 | 广州市省信软件有限公司 | 一种基于数据分析的票据图文识别方法及系统 |
CN117455920A (zh) * | 2023-12-26 | 2024-01-26 | 武汉博源新材料科技集团股份有限公司 | 一种基于人工智能的奶茶杯劣品筛选方法及系统 |
CN117495849A (zh) * | 2023-12-28 | 2024-02-02 | 东莞市时实电子有限公司 | 基于图像特征的电源适配器质量检测方法 |
-
2024
- 2024-03-22 CN CN202410329985.6A patent/CN117934468B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210311166A1 (en) * | 2015-07-17 | 2021-10-07 | Chenshu Wu | Method, apparatus, and system for wireless micro motion monitoring |
EP3978949A2 (en) * | 2020-10-02 | 2022-04-06 | Origin Wireless, Inc. | System and method for wireless motion monitoring |
CN114187282A (zh) * | 2021-12-15 | 2022-03-15 | 南京凯盛国际工程有限公司 | 一种基于图像分割的篦冷机料层厚度测量方法 |
CN116597392A (zh) * | 2023-07-19 | 2023-08-15 | 山东天力润滑油有限公司 | 基于机器视觉的液压油杂质识别方法 |
CN117372432A (zh) * | 2023-12-08 | 2024-01-09 | 深圳市希格莱特科技有限公司 | 基于图像分割的电子烟表面缺陷检测方法及系统 |
CN117423126A (zh) * | 2023-12-18 | 2024-01-19 | 广州市省信软件有限公司 | 一种基于数据分析的票据图文识别方法及系统 |
CN117455920A (zh) * | 2023-12-26 | 2024-01-26 | 武汉博源新材料科技集团股份有限公司 | 一种基于人工智能的奶茶杯劣品筛选方法及系统 |
CN117495849A (zh) * | 2023-12-28 | 2024-02-02 | 东莞市时实电子有限公司 | 基于图像特征的电源适配器质量检测方法 |
Non-Patent Citations (2)
Title |
---|
丛晓静 等: ""篦冷机在线监测与智能化控制系统的应用"", 《水泥技术》, 25 March 2023 (2023-03-25) * |
张卫华: ""基于工况识别的XGBoost算法在水泥熟料质量预测中的应用"", 《新世纪水泥导报》, 20 September 2023 (2023-09-20) * |
Also Published As
Publication number | Publication date |
---|---|
CN117934468B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Janssens et al. | Thermal imaging and vibration-based multisensor fault detection for rotating machinery | |
Xu et al. | A new method for the estimation of bearing health state and remaining useful life based on the moving average cross-correlation of power spectral density | |
Raadnui | Wear particle analysis—utilization of quantitative computer image analysis: a review | |
Hu et al. | Dynamic degradation observer for bearing fault by MTS–SOM system | |
Wu et al. | Full-life dynamic identification of wear state based on on-line wear debris image features | |
KR102344852B1 (ko) | 펌프 베어링 시스템의 디지털 트윈 기반 예측진단 장치 | |
Peng et al. | Wear state identification using dynamic features of wear debris for on-line purpose | |
CN111199544A (zh) | 一种变电站红外监测方法、装置和计算机可读存储介质 | |
CN105928710A (zh) | 一种柴油机故障监测方法 | |
Márquez et al. | Designing CBM plans, based on predictive analytics and big data tools, for train wheel bearings | |
Braga et al. | Multivariate statistical aggregation and dimensionality reduction techniques to improve monitoring and maintenance in railways: The wheelset component | |
dos Santos et al. | Thermography and artificial intelligence in transformer fault detection | |
CN117934468B (zh) | 基于图像处理的篦冷机故障预测方法及系统 | |
Du et al. | Replacement scheme for lubricating oil based on Bayesian control chart | |
Wang et al. | Modeling wear state evolution using real-time wear debris features | |
Alqahtani et al. | Multilevel spatial randomness approach for monitoring changes in 3D topographic surfaces | |
CN117706943B (zh) | 一种换流变阀侧套管末屏分压器的自适应控制方法及系统 | |
Alqahtani et al. | Spatially weighted graph theory-based approach for monitoring faults in 3D topographic surfaces | |
Roldan et al. | Thermographic indicators for the state assessment of rolling bearings | |
Lu et al. | Integration of wavelet decomposition and artificial neural network for failure prognosis of reciprocating compressors | |
Chen et al. | BIM-and IoT-Based Data-Driven Decision Support System for Predictive Maintenance of Building Facilities | |
Li et al. | Correlation warping radius tracking for condition monitoring of rolling bearings under varying operating conditions | |
Bălănică et al. | A multi-model approach for anomaly detection and diagnosis using vibration signals | |
Yezhov et al. | Maintenance of Operating Devices of Dredgers and Ship Unloaders Throughout the Operational Lifetime | |
Awatramani et al. | Investigating Strategies and Parameters to Predict Maintenance of an Elevator System |
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 |