數(shù)字圖像處理與分析及其在故障診斷中的應(yīng)用研究.pdf

1、隨著科學(xué)技術(shù)的不斷發(fā)展,旋轉(zhuǎn)機(jī)械設(shè)備的結(jié)構(gòu)越來(lái)越復(fù)雜,造價(jià)越來(lái)越高,各部分之間的聯(lián)系更加緊密,因而發(fā)生故障的風(fēng)險(xiǎn)也在逐漸加大。及時(shí)準(zhǔn)確的提取表征旋轉(zhuǎn)機(jī)械設(shè)備運(yùn)行狀態(tài)的信息,從而捕捉其中的故障信息并加以識(shí)別判斷,對(duì)發(fā)現(xiàn)旋轉(zhuǎn)機(jī)械設(shè)備的異常,提高旋轉(zhuǎn)機(jī)械本身運(yùn)行的可靠性有著重要的意義。
　　軸心軌跡是旋轉(zhuǎn)機(jī)械故障診斷的重要手段之一,反映了轉(zhuǎn)子旋轉(zhuǎn)時(shí)軸上任一點(diǎn)在其旋轉(zhuǎn)平面內(nèi)相對(duì)軸承座的運(yùn)行軌跡,它包含了機(jī)組的各種故障信息,因此,其形狀特征

2、對(duì)判斷旋轉(zhuǎn)機(jī)械轉(zhuǎn)子軸系故障非常重要。從這一問(wèn)題入手,可將故障診斷問(wèn)題轉(zhuǎn)化為圖像處理、分析與識(shí)別問(wèn)題,傳統(tǒng)的方法多集中在以傅里葉變換、小波變換和矩為基礎(chǔ)的特征提取的研究上,而圖像的特征提取尋求的最佳效果是用較少的數(shù)學(xué)描述來(lái)表達(dá)圖像中重要的信息,將目前數(shù)字圖像處理與分析的先進(jìn)理論與方法引入軸心軌跡的特征提取與分類識(shí)別,無(wú)疑將為旋轉(zhuǎn)機(jī)械故障診斷提供一個(gè)新的研究思路。論文的主要工作及創(chuàng)新性成果如下:
　　(1)針對(duì)旋轉(zhuǎn)機(jī)械軸心軌跡自動(dòng)識(shí)別

3、的研究需求,深入研究了數(shù)字圖像模型的描述、基本運(yùn)算、圖像的變換、圖像分割,以及目標(biāo)的表示與描述方法和圖像的模式識(shí)別理論,為軸心軌跡自動(dòng)識(shí)別研究打下了基礎(chǔ)。
　　(2)在對(duì)軸心軌跡的幾何特征如面積、周長(zhǎng)、圓度和離散指數(shù)等進(jìn)行分析的基礎(chǔ)上,針對(duì)傳統(tǒng)的鏈碼不具有旋轉(zhuǎn)、平移和尺度不變性的問(wèn)題,提出了改進(jìn)的鏈碼直方圖。然而,采用單一的改進(jìn)鏈碼直方圖對(duì)軸心軌跡特征進(jìn)行提取,橢圓形和外“8”字形存在特征向量相同的情況,給分類識(shí)別增加了難度。因此

4、,本文更進(jìn)一步的提出了基于邊界描述的改進(jìn)鏈碼直方圖和形狀數(shù)融合的軸心軌跡特征提取方法,同時(shí)引入概率神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)幾何特征和軸心軌跡類型之間的映射關(guān)系,從而將訓(xùn)練好的識(shí)別器用于軸心軌跡識(shí)別。此外,對(duì)改進(jìn)鏈碼直方圖與其他幾何信息融合的特征提取方法進(jìn)行了研究,實(shí)驗(yàn)結(jié)果表明,將改進(jìn)鏈碼直方圖和形狀數(shù)融合的特征提取方法優(yōu)于其他融合形式,具有較高的識(shí)別率。
　　(3)針對(duì)旋轉(zhuǎn)機(jī)械振動(dòng)信號(hào)常常伴有噪聲導(dǎo)致軸心軌跡曲線不光滑的情況,利用脈沖耦合神經(jīng)

5、網(wǎng)絡(luò)模型源于哺乳動(dòng)物視覺(jué)皮層神經(jīng)細(xì)胞的研究,并且不需要訓(xùn)練的固有屬性,提出了脈沖耦合神經(jīng)網(wǎng)絡(luò)時(shí)間序列與軸心軌跡的圓度融合的特征提取方法,得到用于進(jìn)行軸心軌跡圖像識(shí)別的特征向量二值圖像。此外,提出了基于脈沖耦合神經(jīng)網(wǎng)絡(luò)信息熵時(shí)間序列的軸心軌跡特征提取方法,將兩種方法提取的特征向量分別通過(guò)概率神經(jīng)網(wǎng)絡(luò)和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)進(jìn)行分類識(shí)別,實(shí)驗(yàn)結(jié)果表明脈沖耦合神經(jīng)網(wǎng)絡(luò)時(shí)間序列與軸心軌跡的圓度融合的特征提取方法能夠更精確的表達(dá)軸心軌跡的原始信息,而

6、概率神經(jīng)網(wǎng)絡(luò)在多類別識(shí)別方面的能力優(yōu)于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)。
　　(4)利用Contourlet變換能夠在任意尺度上實(shí)現(xiàn)任意方向的分解,并且擅長(zhǎng)描述圖像中的輪廓信息,僅用少量系數(shù)即可有效的表達(dá)圖像中的邊緣輪廓的特點(diǎn),提出了將小波變換與Contourlet變換融合的軸心軌跡特征提取方法,將小波變換對(duì)于點(diǎn)奇異性的良好稀疏性與Contourlet對(duì)線性特征的良好檢測(cè)性相結(jié)合,精確的描述軸心軌跡的形狀信息,為軸心軌跡的自動(dòng)分類提供一種新的特