基于模糊软形态学图形识别的旋转机械故障智能诊断方法技术

本发明专利技术涉及一种基于模糊软形态学图形识别的旋转机械故障智能诊断方法。包括：在需要诊断的旋转机械上布置振动传感器采集振动信号，由采集的数据形成时间序列振动信号；将采集得到的时间序列振动信号生成三维参数图形；对所述三维参数图形进行差值重构预处理；对差值重构预处理后的图形进行灰度自适应直方图均衡化增强预处理；采用复合模糊软形态滤波器对增强预处理之后的旋转机械振动参数图形进行增强处理；采用模糊软形态学复合边缘检测算子对增强处理后的旋转机械振动参数图形进行纹理特征提取；针对纹理特征，采用灰度‑基元‑梯度共生矩阵提取故障特征；根据提取得到的故障特征，采用人工神经网络方法进行故障诊断。

【技术实现步骤摘要】
基于模糊软形态学图形识别的旋转机械故障智能诊断方法
本专利技术涉及一种基于模糊软形态学图形识别的旋转机械故障智能诊断方法，属于高速旋转机械故障诊断及信号处理

技术介绍
随着现代工业生产的不断发展和科技的日益进步，为了最大限度提高生产效率和产品质量，一些大型旋转机械如航空发动机、燃气轮机、风机、汽轮机、压缩机及发电机等不断朝着大型、高速、自动化、智能化、连续运转以及结构复杂的方向发展，这样由于旋转机械设备故障所带来的危害愈加严重，一旦发生故障将会给企业造成巨大的损失，因此，对旋转机械的运行状态进行监测及故障诊断具有重要意义。常规的诊断方法是通过监测采集设备的振动、转速等信号，进行基于对比统计阈值、基于模型或者人工智能方法开展设备诊断的，但是在实际旋转机械故障诊断中，通常是领域专家通过观察和分析由振动信号得到大量反映设备运行状态的参数图形特征做出诊断的。这些含有大量状态信息的参数图形有二维的幅频特性曲线、相频特性曲线、轴心轨迹图、频谱图、趋势图及三维的振动三维谱图、三维阶比图以及近年来发展起来的含有信息量更大的全息谱图等。在实际故本文档来自技高网...

【技术保护点】
1.基于模糊软形态学图形识别的旋转机械故障智能诊断方法，其特征在于步骤如下：/n(1)在需要诊断的旋转机械上布置振动传感器采集振动信号，由采集的数据形成时间序列振动信号；/n(2)将采集得到的时间序列振动信号生成三维参数图形；/n(3)对所述三维参数图形进行差值重构预处理；/n(4)对差值重构预处理后的图形进行灰度自适应直方图均衡化增强预处理；/n(5)采用复合模糊软形态滤波器对步骤(4)增强预处理之后的旋转机械振动参数图形进行增强处理；/n(6)采用模糊软形态学复合边缘检测算子对步骤(5)增强处理后的旋转机械振动参数图形进行纹理特征提取；/n(7)针对步骤(6)提取得到的纹理特征，采用灰度-...

【技术特征摘要】
1.基于模糊软形态学图形识别的旋转机械故障智能诊断方法，其特征在于步骤如下：
(1)在需要诊断的旋转机械上布置振动传感器采集振动信号，由采集的数据形成时间序列振动信号；
(2)将采集得到的时间序列振动信号生成三维参数图形；
(3)对所述三维参数图形进行差值重构预处理；
(4)对差值重构预处理后的图形进行灰度自适应直方图均衡化增强预处理；
(5)采用复合模糊软形态滤波器对步骤(4)增强预处理之后的旋转机械振动参数图形进行增强处理；
(6)采用模糊软形态学复合边缘检测算子对步骤(5)增强处理后的旋转机械振动参数图形进行纹理特征提取；
(7)针对步骤(6)提取得到的纹理特征，采用灰度-基元-梯度共生矩阵提取故障特征；
(8)根据提取得到的故障特征，采用人工神经网络方法进行故障诊断。


2.根据权利要求1所述的基于模糊软形态学图形识别的旋转机械故障智能诊断方法，其特征在于：所述步骤(2)将采集得到的时间序列振动信号生成三维参数图形，具体包括如下步骤：
(2.1)在旋转机械上布设振动传感器，采集振动时间序列信号Xn，n＝1,2.......N，N为正整数；
(2.2)对振动时间序列信号Xn进行截取，生成振动时间序列信号的矩阵表达Y：



(2.3)对矩阵表达Y进行谱分析,得到三维参数图形集合f。


3.根据权利要求2所述的基于模糊软形态学图形识别的旋转机械故障智能诊断方法，其特征在于：所述步骤(5)采用复合模糊软形态滤波器对增强预处理之后的旋转机械振动参数图形进行增强处理，具体通过如下公式进行：



其中，gm是增强处理后的图形集合，m＝1,2,3,4,5,6，α为模糊软开运算的灰度等级权值；f为图形集合，b为结构元素，用b来腐蚀和膨胀f，分别定义如下：






式中，表示b对原点映射；
开运算和闭运算分别用符号和f·b来表示，分别定义为：








4.根据权利要求3所述的基于模糊软形态学图形识别的旋转机械故障智能诊断方法，其特征在于：所述步骤(6)采用模糊软形态学复合边缘检测算子对增强处理后的旋转机械振动参数图形进行纹理特征提取，具体通过如下公式实现：
h＝a·g1+b·g2+c·g3+d·g4+e·g5+k·g6
其中，h是模糊软形态学复合边缘检测算子处理后图形集合，即纹理特征；
g1＝f-fΘb；









g5＝f·b-f；



加权系数为a、b、c、d、e、k。


5.根据权利要求4所述的基于模糊软形态学图形识别的旋转机械故障智能诊断方法，其特征在于：加权系数为a、b、c、d、e、k的具体的计算方法是：
(5.1)计算得到增强处理后的图形集合gm的特征值M1、M2、M3、M4、M5M6；
(5.2)求平均值：Mn＝(M1+M2+M3+M4+M5+M6)/6；
(5.3)计算权重Wi＝1/(|Mi-Mn|+1),i＝1,2,3,4,5,6；
(5.4)计算加权系数为：
a＝W1/(W1+W2+W3+W4+M5+M6)
b＝W2/(W1+W2+W3+W4+M5+M6)
c＝W3/(W1+W2+W3+W4+M5+M6)
d＝W4/(W1+W2+W3+W4+M5+M6)
e＝W5/(W1+W2+W3+W4+M5+M6)
k＝W6/(W1+W2+W3+W4+M5+M6)。


6.根据权利要求5所述的基于模糊软形态学图形识别的旋转机械故障智能诊断方法，其特征在于：所述步骤(7)针对提取得到的纹理特征，采用灰度-基元-梯度共生矩阵提取故障特征，具体为：
设B(m1,n1,p1)为灰度-基元-梯度三维共生矩阵，三个维度分别为：F(u,w)为图形灰度矩阵，TG(s,t)为归一化的图形基元矩阵，QG(r,v)为归一化的图形梯度矩阵；
将纹理特征矩阵h转化为F(u,w)为图形灰度矩阵、TG(s,t)为归一化的图形基元矩阵和QG(r,v)为归一化的图形梯度矩阵；
统计使F(u,w)＝m1、TG...

【专利技术属性】
技术研发人员：刘占生，
申请(专利权)人：哈尔滨雅静振动测试技术有限公司，
类型：发明
国别省市：黑龙江;23