本發(fā)明屬于轉(zhuǎn)子系統(tǒng)故障診斷領(lǐng)域，具體涉及一種轉(zhuǎn)子系統(tǒng)軸心軌跡的識(shí)別方法。
背景技術(shù)：
：近幾十年來(lái)，隨著現(xiàn)代工業(yè)技術(shù)迅速發(fā)展，旋轉(zhuǎn)機(jī)械設(shè)備正朝著大型化、高速化、輕型化和智能化的方向發(fā)展。轉(zhuǎn)子系統(tǒng)作為旋轉(zhuǎn)機(jī)械的核心部件，長(zhǎng)時(shí)間運(yùn)行狀態(tài)下，由于各種隨機(jī)因素，難免發(fā)生故障，生產(chǎn)設(shè)備之間引起的連鎖反應(yīng)，常常會(huì)造成巨大的經(jīng)濟(jì)損失和災(zāi)難性后果[1]。因此，對(duì)轉(zhuǎn)子系統(tǒng)的故障監(jiān)測(cè)與故障診斷具有重要意義。近年來(lái)，隨著物聯(lián)網(wǎng)的快速發(fā)展，對(duì)轉(zhuǎn)子系統(tǒng)的智能故障診斷也提出了更高的要求。在轉(zhuǎn)子系統(tǒng)故障診斷中，軸心軌跡的特征提取與分類識(shí)別是一種有效的故障識(shí)別方法。軸心軌跡是利用軸系同一截面上相互垂直的兩路振動(dòng)信號(hào)合成的。它的動(dòng)態(tài)特性和形狀含有大量故障信息，可以形象、直觀地反應(yīng)設(shè)備的運(yùn)行情況。如橢圓形、“8”字型、內(nèi)“8”字型和“鳥巢”狀軸心軌跡，分別對(duì)應(yīng)轉(zhuǎn)子系統(tǒng)不平衡、不對(duì)中、油膜渦動(dòng)和油膜振蕩狀態(tài)。由于實(shí)際工況下存在許多干擾，傳統(tǒng)的信號(hào)處理的方法得到的軸心軌跡信號(hào)往往難以實(shí)現(xiàn)自動(dòng)識(shí)別。近年來(lái)用于軸心軌跡提純和特征提取的方法有：小波分解、諧波小波包、emd分解、組合矩、廣義粒子群、數(shù)學(xué)形態(tài)法等。綜合來(lái)看，數(shù)學(xué)形態(tài)學(xué)在圖像平移、旋轉(zhuǎn)、縮放不變性和歸一性方面具有優(yōu)勢(shì)。目前的軸心軌跡自動(dòng)識(shí)別技術(shù)較注重識(shí)別率，在自動(dòng)識(shí)別速度方面考慮較少。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的是提供一種可靠有效的軸心軌跡識(shí)別方法，通過(guò)對(duì)軸心軌跡的圖像處理，解決實(shí)際工況下通過(guò)軸心軌跡難以實(shí)現(xiàn)故障自動(dòng)識(shí)別的問(wèn)題，并提高其識(shí)別效率，通過(guò)對(duì)軸心軌跡的自動(dòng)識(shí)別實(shí)現(xiàn)轉(zhuǎn)子系統(tǒng)的調(diào)試和在線運(yùn)行維護(hù)工作。基于圖像處理的轉(zhuǎn)子系統(tǒng)軸心軌跡識(shí)別方法，其特征是對(duì)軸心軌跡圖像進(jìn)行數(shù)學(xué)形態(tài)學(xué)處理，得到純凈的軸心軌跡圖像，計(jì)算hu不變矩并以hu不變矩作為特征向量，利用bp神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)軸心軌跡的自動(dòng)識(shí)別?；趫D像處理的轉(zhuǎn)子系統(tǒng)軸心軌跡識(shí)別方法，其特征是包括如下步驟：(1)在轉(zhuǎn)子實(shí)驗(yàn)臺(tái)主軸靠近軸承處布置水平和豎直方向的電渦流傳感器，利用電渦流傳感器采集原始水平軸心位移信號(hào)和原始豎直軸心位移信號(hào)；(2)將采集的原始水平軸心位移信號(hào)和原始豎直軸心位移信號(hào)均采用中值濾波的方法處理后得到濾波水平軸心位移信號(hào)和濾波豎直軸心位移信號(hào)；(3)將濾波水平軸心位移信號(hào)和濾波豎直軸心位移信號(hào)合成軸心軌跡圖像；(4)將圖像處理技術(shù)應(yīng)用于軸心軌跡提純，利用數(shù)學(xué)形態(tài)學(xué)的方法，還原出干凈的軸心軌跡；(5)計(jì)算干凈的軸心軌跡圖像的7個(gè)hu不變矩；(6)以不變矩為特征向量，以轉(zhuǎn)子系統(tǒng)故障狀態(tài)編碼為估計(jì)目標(biāo)，采用標(biāo)準(zhǔn)bp神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練與識(shí)別，將標(biāo)準(zhǔn)bp神經(jīng)網(wǎng)絡(luò)輸出結(jié)果與轉(zhuǎn)子系統(tǒng)故障狀態(tài)編碼對(duì)應(yīng)得到最終的識(shí)別結(jié)果。本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn)：1.本發(fā)明采用信號(hào)中值濾波和圖像膨脹運(yùn)算降噪結(jié)合的方法，可以有效去除高頻噪聲的干擾，減少噪聲干擾對(duì)轉(zhuǎn)子系統(tǒng)故障識(shí)別率的影響；2.本發(fā)明采用的骨架化處理是一種圖像細(xì)化的處理方法，使得二值圖像變換為由一些線和曲線的勾畫的圖像(比較理想的是單像素寬度)。骨架化的圖像更為精簡(jiǎn)，同時(shí)，由于有效數(shù)據(jù)量減小，為后續(xù)計(jì)算圖像特征向量減少計(jì)算量，提高計(jì)算效率；3.本發(fā)明采用的圖像hu不變矩特征提取和bp神經(jīng)網(wǎng)絡(luò)識(shí)別相結(jié)合，是一種成熟有效的圖像識(shí)別方法，應(yīng)用于軸心軌跡的自動(dòng)識(shí)別有較強(qiáng)的實(shí)際使用價(jià)值，對(duì)于故障特征，識(shí)別快捷有效。附圖說(shuō)明圖1是信號(hào)采集說(shuō)明圖；圖2是原始信號(hào)軸心軌跡圖；圖3是膨脹運(yùn)算軸心軌跡圖；圖4是骨架化運(yùn)算軸心軌跡圖；圖5是本發(fā)明所用方法實(shí)施流程圖。具體實(shí)施方式下面結(jié)合附圖對(duì)本發(fā)明的實(shí)施例作詳細(xì)說(shuō)明：本實(shí)施例在以本發(fā)明技術(shù)方案為前提下進(jìn)行實(shí)施，給出了詳細(xì)的實(shí)施方式和具體的操作過(guò)程。實(shí)施例：1、在轉(zhuǎn)子實(shí)驗(yàn)臺(tái)主軸靠近軸承處安裝水平和豎直方向的電渦流傳感器，采集位置如圖1，x方向?yàn)樗椒较?，y方向?yàn)樨Q直方向，采集x和y方向的軸心位移信號(hào)。本實(shí)施例采集轉(zhuǎn)子系統(tǒng)不平衡、不對(duì)中、油膜渦動(dòng)和油膜振蕩四種狀態(tài)的軸心位移信號(hào)，采集40組軸心位移信號(hào)作為實(shí)驗(yàn)樣本，采集20組軸心位移信號(hào)作為測(cè)試對(duì)象。2、對(duì)于原始信號(hào)的噪聲干擾，采用中值濾波的方法處理得到濾波后的軸心位移信號(hào)。濾波程序：3、將水平和豎直方向的軸心位移信號(hào)合成軸心軌跡圖像。40個(gè)樣本軸心軌跡圖編號(hào)如下：1-10的為不平衡狀態(tài)，11-20為不對(duì)中狀態(tài)，21-30為油膜渦動(dòng)狀態(tài)，31-40為油膜振蕩狀態(tài)的軸心軌跡圖。20個(gè)待測(cè)試軸心軌跡圖編號(hào)如下：1-5的為不平衡狀態(tài)，6-10為不對(duì)中狀態(tài)，11-15為油膜渦動(dòng)狀態(tài)，16-20為油膜振蕩狀態(tài)的軸心軌跡圖。4、將圖像處理技術(shù)應(yīng)用于軸心軌跡提純，利用數(shù)學(xué)形態(tài)學(xué)的方法，還原出干凈的軸心軌跡。以1個(gè)油膜渦動(dòng)狀態(tài)的軸心軌跡圖像為例，原始信號(hào)軸心軌跡如圖2。利用數(shù)學(xué)形態(tài)學(xué)還原干凈軸心軌跡的具體操作步驟如下：1、將軸心軌跡圖像轉(zhuǎn)化為統(tǒng)一像素的512*512的灰度圖像；2、將灰度圖像轉(zhuǎn)化為二值圖像；3、利用數(shù)學(xué)形態(tài)學(xué)的方法，對(duì)二值圖像進(jìn)行膨脹處理，在matlab2013a環(huán)境下，利用imdialate函數(shù)，選取6*6的圓盤狀結(jié)構(gòu)元素對(duì)得到的二值圖像進(jìn)行膨脹運(yùn)算，得到膨脹處理后的軸心軌跡圖像如圖3所示，膨脹運(yùn)算使圖像的外部邊緣變得平滑，起到了一定的圖像降噪處理效果；4、將膨脹處理后的軸心軌跡圖像進(jìn)行骨架化處理，在matlab2013a環(huán)境下，利用bwmorph中的shrink算法對(duì)圖像進(jìn)行骨架化運(yùn)算，得到單像素曲線的干凈軸心軌跡圖像如圖4所示。5、利用圖像不變矩計(jì)算公式，計(jì)算干凈軸心軌跡圖像的7個(gè)hu不變矩值并構(gòu)建相應(yīng)的特征向量。圖像形態(tài)學(xué)處理及hu不變矩計(jì)算程序：hu不變矩計(jì)算子程序：6、以不變矩值為特征向量，以轉(zhuǎn)子系統(tǒng)故障狀態(tài)編碼為估計(jì)目標(biāo)，采用標(biāo)準(zhǔn)bp神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練與識(shí)別，將神經(jīng)網(wǎng)絡(luò)輸出結(jié)果與轉(zhuǎn)子系統(tǒng)故障狀態(tài)編碼對(duì)應(yīng)可得到最終的識(shí)別結(jié)果：(1)bp神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置：輸入層節(jié)點(diǎn)為7(hu矩)，隱含層節(jié)點(diǎn)為6，輸出層節(jié)點(diǎn)為3(神經(jīng)網(wǎng)絡(luò)的輸出編碼：不平衡(001)、不對(duì)中(010)、油膜渦動(dòng)(011)、油膜振蕩(100))，學(xué)習(xí)率lr＝0.1，最大訓(xùn)練步數(shù)epochs＝1000，誤差goal＝0.001；(2)將待測(cè)試軸心軌跡的特征向量帶入神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試；(3)將神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果四舍五入取整后，與神經(jīng)網(wǎng)絡(luò)的輸出編碼對(duì)應(yīng)可得到識(shí)別的轉(zhuǎn)子系統(tǒng)故障類型。表1為待測(cè)試軸心軌跡形態(tài)學(xué)處理與未處理的神經(jīng)網(wǎng)絡(luò)識(shí)別結(jié)果對(duì)比。由識(shí)別結(jié)果可見，對(duì)比是否經(jīng)過(guò)形態(tài)學(xué)處理的軸心軌跡識(shí)別結(jié)果，不平衡和不對(duì)中故障的識(shí)別效果均達(dá)到100％，但未形態(tài)學(xué)處理的軸心軌跡出現(xiàn)將油膜渦動(dòng)故障誤識(shí)別為不對(duì)中的情況，經(jīng)過(guò)形態(tài)學(xué)處理的軸心軌跡未出現(xiàn)這種情況。油膜渦動(dòng)和油膜振蕩的識(shí)別情況，經(jīng)過(guò)形態(tài)學(xué)處理的軸心軌跡1個(gè)誤判，為形態(tài)學(xué)處理的軸心軌跡4個(gè)誤判，經(jīng)過(guò)形態(tài)學(xué)處理的識(shí)別結(jié)果相對(duì)較好。表1待測(cè)試軸心軌跡形態(tài)學(xué)處理與未處理的神經(jīng)網(wǎng)絡(luò)輸出結(jié)果表2為統(tǒng)計(jì)的測(cè)試對(duì)象的識(shí)別效果對(duì)比。由表中數(shù)據(jù)可知，相比較于未經(jīng)過(guò)形態(tài)學(xué)處理的軸心軌跡，經(jīng)過(guò)形態(tài)學(xué)處理的軸心軌跡神經(jīng)網(wǎng)絡(luò)訓(xùn)練與識(shí)別的總時(shí)間為13.054s，提高了22.42％，識(shí)別率為95％，提高了18.75％。表2測(cè)試軸心軌跡形態(tài)學(xué)處理與未處理效果對(duì)比訓(xùn)練與識(shí)別總時(shí)間(s)識(shí)別率形態(tài)學(xué)處理的軸心軌跡13.05495％未形態(tài)學(xué)處理的軸心軌跡16.82780％綜合實(shí)施例的上述分析，本發(fā)明能夠有效提高軸心軌跡的識(shí)別效率和識(shí)別精度；采用信號(hào)中值濾波和圖像膨脹運(yùn)算降噪結(jié)合的方法，可以有效去除高頻噪聲的干擾，減少噪聲干擾對(duì)轉(zhuǎn)子系統(tǒng)故障識(shí)別率的影響；采用圖像骨架化處理，將二值圖像變換為由一些線和曲線的勾畫的圖像(比較理想的是單像素寬度)，由于有效數(shù)據(jù)量減小，為后續(xù)計(jì)算圖像特征向量減少計(jì)算量，提高計(jì)算效率。本發(fā)明所述方法經(jīng)過(guò)修改可適用于其他通過(guò)軸心軌跡進(jìn)行故障診斷的轉(zhuǎn)子系統(tǒng)中。當(dāng)前第1頁(yè)12