[发明专利]一种基于图像处理的转子系统轴心轨迹识别方法

说明书

技术领域

本发明属于转子系统故障诊断领域，具体涉及一种转子系统轴心轨迹的识别方法。

背景技术

近几十年来，随着现代工业技术迅速发展，旋转机械设备正朝着大型化、高速化、轻型化和智能化的方向发展。转子系统作为旋转机械的核心部件，长时间运行状态下，由于各种随机因素，难免发生故障，生产设备之间引起的连锁反应，常常会造成巨大的经济损失和灾难性后果^[1]。因此，对转子系统的故障监测与故障诊断具有重要意义。近年来，随着物联网的快速发展，对转子系统的智能故障诊断也提出了更高的要求。

在转子系统故障诊断中，轴心轨迹的特征提取与分类识别是一种有效的故障识别方法。轴心轨迹是利用轴系同一截面上相互垂直的两路振动信号合成的。它的动态特性和形状含有大量故障信息，可以形象、直观地反应设备的运行情况。如椭圆形、“8”字型、内“8”字型和“鸟巢”状轴心轨迹，分别对应转子系统不平衡、不对中、油膜涡动和油膜振荡状态。由于实际工况下存在许多干扰，传统的信号处理的方法得到的轴心轨迹信号往往难以实现自动识别。近年来用于轴心轨迹提纯和特征提取的方法有：小波分解、谐波小波包、EMD分解、组合矩、广义粒子群、数学形态法等。综合来看，数学形态学在图像平移、旋转、缩放不变性和归一性方面具有优势。目前的轴心轨迹自动识别技术较注重识别率，在自动识别速度方面考虑较少。

发明内容

本发明的目的是提供一种可靠有效的轴心轨迹识别方法，通过对轴心轨迹的图像处理，解决实际工况下通过轴心轨迹难以实现故障自动识别的问题，并提高其识别效率，通过对轴心轨迹的自动识别实现转子系统的调试和在线运行维护工作。

基于图像处理的转子系统轴心轨迹识别方法，其特征是对轴心轨迹图像进行数学形态学处理，得到纯净的轴心轨迹图像，计算Hu不变矩并以Hu不变矩作为特征向量，利用BP神经网络实现轴心轨迹的自动识别。

基于图像处理的转子系统轴心轨迹识别方法，其特征是包括如下步骤：

(1)在转子实验台主轴靠近轴承处布置水平和竖直方向的电涡流传感器，利用电涡流传感器采集原始水平轴心位移信号和原始竖直轴心位移信号；

(2)将采集的原始水平轴心位移信号和原始竖直轴心位移信号均采用中值滤波的方法处理后得到滤波水平轴心位移信号和滤波竖直轴心位移信号；

(3)将滤波水平轴心位移信号和滤波竖直轴心位移信号合成轴心轨迹图像；

(4)将图像处理技术应用于轴心轨迹提纯，利用数学形态学的方法，还原出干净的轴心轨迹；

(5)计算干净的轴心轨迹图像的7个Hu不变矩；

(6)以不变矩为特征向量，以转子系统故障状态编码为估计目标，采用标准BP神经网络进行训练与识别，将标准BP神经网络输出结果与转子系统故障状态编码对应得到最终的识别结果。

本发明与现有技术相比具有如下优点：

1.本发明采用信号中值滤波和图像膨胀运算降噪结合的方法，可以有效去除高频噪声的干扰，减少噪声干扰对转子系统故障识别率的影响；

2.本发明采用的骨架化处理是一种图像细化的处理方法，使得二值图像变换为由一些线和曲线的勾画的图像(比较理想的是单像素宽度)。骨架化的图像更为精简，同时，由于有效数据量减小，为后续计算图像特征向量减少计算量，提高计算效率；

3.本发明采用的图像Hu不变矩特征提取和BP神经网络识别相结合，是一种成熟有效的图像识别方法，应用于轴心轨迹的自动识别有较强的实际使用价值，对于故障特征，识别快捷有效。

附图说明

图1是信号采集说明图；

图2是原始信号轴心轨迹图；

图3是膨胀运算轴心轨迹图；

图4是骨架化运算轴心轨迹图；

图5是本发明所用方法实施流程图。

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。

实施例：

1、在转子实验台主轴靠近轴承处安装水平和竖直方向的电涡流传感器，采集位置如图1，X方向为水平方向，Y方向为竖直方向，采集X和Y方向的轴心位移信号。

本实施例采集转子系统不平衡、不对中、油膜涡动和油膜振荡四种状态的轴心位移信号，采集40组轴心位移信号作为实验样本，采集20组轴心位移信号作为测试对象。