System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及机械设备检测,尤其是一种旋转型机械设备异常边缘检测方法及装置。
技术介绍
1、旋转型机械是指主要依靠旋转动作完成特定功能的机械,典型的旋转机械有汽轮机、燃气轮机、离心式和轴流式压缩机、风机、泵、水轮机、发电机和航空发动机等。
2、旋转型机械设备当前的异常检测主要检测设备运行时的各项运行参数以及发热情况。
3、目前的异常检测方法大多依靠专家知识库、专家团队来实现,掺杂了较多的人为主观因素。因此,检测结果不够客观,也不能保证检测结果的准确性和时效性。
4、为此,我们提出一种旋转型机械设备异常边缘检测方法及装置解决上述问题。
技术实现思路
1、本专利技术的目的在于提供一种旋转型机械设备异常边缘检测方法及装置,以解决上述
技术介绍
中提出的问题。
2、为实现上述目的,本专利技术提供如下技术方案:
3、一种旋转型机械设备异常边缘检测方法,包括:
4、构建设备无异常运行下检测模型,获取设备无异常下的数据,对获取的数据进行剪枝训练,得到压缩后的设备无异常运行下检测模型;
5、构建设备有异常运行下检测模型,获取设备有异常下的数据集和图像集;
6、构建实时检测模型,获取设备未知异常或正常运行下的数据和图像;
7、构建计算模型;
8、将压缩后的设备无异常运行下检测模型获取的数据集和图像集、设备有异常运行下检测模型获取的数据集和图像集以及实时检测模型获取的设备运行时的数据和图
9、在进一步的实施例中,所构建设备无异常运行下检测模型中,获取多台设备在同一环境下无异常下的数据,构成正常的数据集。
10、在进一步的实施例中,所述构建实时检测模型包括多个子检测模型,多个子检测模型陆续对同一设备进行检测,形成多组检测数据。
11、在进一步的实施例中,所述构建实时检测模型中,对检测的数据进行rep后剪枝方法处理。
12、在进一步的实施例中,所述计算模型对实时检测模型获取的设备运行时的数据和图像分别与压缩后的设备无异常运行下检测模型获取的数据集和图像集、设备有异常运行下检测模型获取的数据集和图像集进行比对,其中,
13、通过kaze算法对所述压缩后的设备无异常运行下检测模型获取的图像集和所述设备有异常运行下检测模型获取的图像集进行特征点检测,得到所述设备无异常和有异常之间的图像特征点;
14、对所述压缩后的设备无异常运行下检测模型获取的图像集特征点和所述备有异常运行下检测模型获取的图像集特征点进行匹配,得到匹配的特征点对,并获取所述匹配特征点对对应的距离比值,将所述距离比值从小到大进行排序,得到排序后的距离比值,在排序后的距离比值中从前到后选取第一预设数量的目标距离比值,并将所述目标距离比值对应的匹配特征点对确定为初始数据集;
15、执行内特征点对确定流程:在所述初始数据集中随机选取含有第二预设数量匹配特征点对的子集,根据所述子集计算得到变换模型参数,并根据所述变换模型参数对所述初始数据集中除所述子集外的匹配特征点对进行判断,以确定匹配特征点中的内特征点对;
16、计算所述内特征点对确定流程的执行次数,并在所述执行次数大于预设次数时将最多内特征点对对应的变换模型参数确定为所述红外边缘图像和所述可见光边缘图像之间变换模型的变换参数;
17、根据所述变换参数放大所述压缩后的设备无异常运行下检测模型获取的边缘图像,得到放大后的压缩后的设备无异常运行下检测模型获取的图像,并根据所述变换参数确定所述设备有异常运行下检测模型获取的边缘图像中的待匹配区域,在所述待匹配区域中,以滑动窗口的方式搜索出与放大后的压缩后的设备无异常运行下检测模型获取的边缘图像相同尺寸的子图像;
18、计算每次滑动窗口对应的归一化相关系数,并确定所计算的归一化相关系数中的最大系数,将所述最大系数对应子图像的区域确定为匹配边缘区域,并根据所述匹配边缘区域确定所述备有异常运行下检测模型获取的图像中的非匹配区域;
19、对所述压缩后的设备无异常运行下检测模型获取的图像进行阈值分割,得到所述压缩后的设备无异常运行下检测模型获取的图像对应的掩码图,根据所述掩码图和所述非匹配区域确定所述设备有异常运行下检测模型获取的图像中的异常区域,并将所述异常区域对应的机械设备确定为异常的机械设备。
20、一种旋转型机械设备异常边缘检测装置,所述数据发送模块、设备无异常运行下检测模型构建模块、设备有异常运行下检测模型构建模块、实时检测模型构建模块及计算平台;计算平台内有数据接收模块、数据处理模块、图像获取模块、边缘检测模块、特征点检测模块、匹配模块及判定模块。
21、与现有技术相比,本专利技术的有益效果是:
22、本专利技术通过将实时监测的数据分别与历史正常数据以及不正常数据进行比对和分析,得出更为准确的分析数据,以此来判断设备的异常情况,同时利用rep后剪枝方法来剔除掉检测中的数据误差,提高数据的精准性,同时能够检测出设备的发热情况,分析出设备发热区域。
本文档来自技高网...【技术保护点】
1.一种旋转型机械设备异常边缘检测方法,其特征在于,包括:
2.根据权利要求1所述的旋转型机械设备异常边缘检测方法,其特征在于:所述构建设备无异常运行下检测模型中,获取多台设备在同一环境下无异常下的数据,构成正常的数据集。
3.根据权利要求1所述的旋转型机械设备异常边缘检测方法及装置,其特征在于:所述构建实时检测模型包括多个子检测模型,多个子检测模型陆续对同一设备进行检测,形成多组检测数据。
4.根据权利要求1所述的旋转型机械设备异常边缘检测方法及装置,其特征在于:所述构建实时检测模型中,对检测的数据进行REP后剪枝方法处理。
5.根据权利要求1所述的旋转型机械设备异常边缘检测方法及装置,其特征在于:所述计算模型对实时检测模型获取的设备运行时的数据和图像分别与压缩后的设备无异常运行下检测模型获取的数据集和图像集、设备有异常运行下检测模型获取的数据集和图像集进行比对,其中,
6.根据权利要求1-5任意一项所述的旋转型机械设备异常边缘检测装置,其特征在于:所述数据发送模块、设备无异常运行下检测模型构建模块、设备有异常运行下检
...【技术特征摘要】
1.一种旋转型机械设备异常边缘检测方法,其特征在于,包括:
2.根据权利要求1所述的旋转型机械设备异常边缘检测方法,其特征在于:所述构建设备无异常运行下检测模型中,获取多台设备在同一环境下无异常下的数据,构成正常的数据集。
3.根据权利要求1所述的旋转型机械设备异常边缘检测方法及装置,其特征在于:所述构建实时检测模型包括多个子检测模型,多个子检测模型陆续对同一设备进行检测,形成多组检测数据。
4.根据权利要求1所述的旋转型机械设备异常边缘检测方法及装置,其特征在于:所述构建实时检测模型中,对检测的数据进行rep后剪枝方法处理。
【专利技术属性】
技术研发人员:刘勇攀,武通达,曲晓峰,王克剑,毛静轩,平丽琪,
申请(专利权)人:清华大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。