基于圖像分析理論的機械故障診斷研究.pdf

1、由于現(xiàn)代工業(yè)和科學技術(shù)的飛速發(fā)展，機械設(shè)備及控制系統(tǒng)的規(guī)模不斷擴大，復(fù)雜性日益提高，同時設(shè)備的投資相當可觀，一旦因故障停機，將引起人力、物力的巨大損失，因此世界上許多國家都投入了大量的人力、物力和財力進行故障監(jiān)測和診斷的研究，故障檢測和診斷已經(jīng)成為了當今的研究熱點之一。本文以運動的機械設(shè)備為對象，進行了故障診斷的研究。全文主要研究內(nèi)容如下：
　　 (1)研究了機械設(shè)備圖像的預(yù)處理。首先，分析了機械設(shè)備圖像的主要噪聲來源，把模糊

2、技術(shù)與中值濾波相結(jié)合，提出了模糊自適應(yīng)中值濾波方法，去除脈沖噪聲的同時，保留圖像細節(jié)。然后，用直方圖均衡化提高圖像的對比度，并用維納濾波消去均衡化后的類似“馬賽克”現(xiàn)象。接著，對設(shè)備圖像進行邊緣檢測，重點研究了基于灰度差的邊緣檢測方法，該方法中，將一個模板窗口分成兩部分，表示成兩個集合，如果兩個集合間的灰度差越大，而集合內(nèi)的灰度差越小，則說明該窗口中的邊緣越明顯，據(jù)此可以檢測圖像的邊緣，運用非極大抑制去除偽邊緣。最后，研究了閾值分割方法

3、，提出了改進的二維自適應(yīng)Otsu閾值分割算法，該方法綜合考慮類間方差和類內(nèi)方差，提出新的閾值判決函數(shù)。
　　 (2)研究了基于圖像視覺特性的特征提取方法。首先介紹了基于主元分析、不變矩以及幾何特征的特征提取方法。然后，重點闡明了RHT—LSM直線提取算法，將隨機Hough變換與最小二乘法相結(jié)合，能檢測略帶彎曲的直線。最后，提出了FINRT特征提取算法，該方法將Radon變換的結(jié)果做積分、正則化和傅里葉變換，得到與圖像的仿射變換

4、無關(guān)的改進Radon變換，同時，它還大大降低了特征的維數(shù)，提高系統(tǒng)的魯棒性。
　　 (3)研究了基于徑向基(RBF)神經(jīng)網(wǎng)絡(luò)的圖像部位與故障的識別的方法。由于RBF網(wǎng)絡(luò)結(jié)構(gòu)簡單、學習效率高、收斂速度快，廣泛應(yīng)用于模式識別中。本文首先介紹RBF神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)、網(wǎng)絡(luò)特性及常用的學習方法。為了得到更佳的識別效果，將Fisher線性判決引入了RBF網(wǎng)絡(luò)的學習中，使同類模式的樣本特征矢量更加集中，而不同類模式之間的矢量更加分散。對樣

5、本均值用FCM聚類后，將各類的特征矢量沿最優(yōu)鑒別矢量集的方向投影，類內(nèi)的平均值作為該類的中心，然后采用不同類樣本矢量之間的距離中值與重疊系數(shù)的比值來估算RBF的寬度，最后用交叉驗證的方法來確定隱含層神經(jīng)元的節(jié)點數(shù)。
　　 (4)將本文研究得到的理論成果應(yīng)用于鐵路貨車運行故障圖像檢測系統(tǒng)，一方面驗證該理論成果的可行性，另外一方面實現(xiàn)鐵路貨車運行故障的檢測。該系統(tǒng)的主要目的是記錄行進中貨車的圖像，并且自動識別待診斷的重要部位，并判