学位论文 > 优秀研究生学位论文题录展示

数字图像处理与分析及其在故障诊断中的应用研究

作　者: 王常青
导　师: 张勇传; 周建中
学　校: 华中科技大学
专　业: 系统分析与集成
关键词: 图像处理图像分析改进链码直方图脉冲耦合神经网络概率神经网络 Contourlet变换支持向量机轴心轨迹故障诊断
分类号: TP391.41
类　型: 博士论文
年　份: 2012年
下　载: 596次
引　用: 1次
阅　读: 论文下载

内容摘要

随着科学技术的不断发展,旋转机械设备的结构越来越复杂,造价越来越高,各部分之间的联系更加紧密,因而发生故障的风险也在逐渐加大。及时准确的提取表征旋转机械设备运行状态的信息,从而捕捉其中的故障信息并加以识别判断,对发现旋转机械设备的异常,提高旋转机械本身运行的可靠性有着重要的意义。轴心轨迹是旋转机械故障诊断的重要手段之一,反映了转子旋转时轴上任一点在其旋转平面内相对轴承座的运行轨迹,它包含了机组的各种故障信息,因此,其形状特征对判断旋转机械转子轴系故障非常重要。从这一问题入手,可将故障诊断问题转化为图像处理、分析与识别问题,传统的方法多集中在以傅里叶变换、小波变换和矩为基础的特征提取的研究上,而图像的特征提取寻求的最佳效果是用较少的数学描述来表达图像中重要的信息,将目前数字图像处理与分析的先进理论与方法引入轴心轨迹的特征提取与分类识别,无疑将为旋转机械故障诊断提供一个新的研究思路。论文的主要工作及创新性成果如下：(I)针对旋转机械轴心轨迹自动识别的研究需求,深入研究了数字图像模型的描述、基本运算、图像的变换、图像分割,以及目标的表示与描述方法和图像的模式识别理论,为轴心轨迹自动识别研究打下了基础。(2)在对轴心轨迹的几何特征如面积、周长、圆度和离散指数等进行分析的基础上,针对传统的链码不具有旋转、平移和尺度不变性的问题,提出了改进的链码直方图。然而,采用单一的改进链码直方图对轴心轨迹特征进行提取,椭圆形和外“8”字形存在特征向量相同的情况,给分类识别增加了难度。因此,本文更进一步的提出了基于边界描述的改进链码直方图和形状数融合的轴心轨迹特征提取方法,同时引入概率神经网络学习几何特征和轴心轨迹类型之间的映射关系,从而将训练好的识别器用于轴心轨迹识别。此外,对改进链码直方图与其他几何信息融合的特征提取方法进行了研究,实验结果表明,将改进链码直方图和形状数融合的特征提取方法优于其他融合形式,具有较高的识别率。(3)针对旋转机械振动信号常常伴有噪声导致轴心轨迹曲线不光滑的情况,利用脉冲耦合神经网络模型源于哺乳动物视觉皮层神经细胞的研究,并且不需要训练的固有属性,提出了脉冲耦合神经网络时间序列与轴心轨迹的圆度融合的特征提取方法,得到用于进行轴心轨迹图像识别的特征向量二值图像。此外,提出了基于脉冲耦合神经网络信息熵时间序列的轴心轨迹特征提取方法,将两种方法提取的特征向量分别通过概率神经网络和径向基函数神经网络进行分类识别,实验结果表明脉冲耦合神经网络时间序列与轴心轨迹的圆度融合的特征提取方法能够更精确的表达轴心轨迹的原始信息,而概率神经网络在多类别识别方面的能力优于径向基函数神经网络。(4)利用Contourlet变换能够在任意尺度上实现任意方向的分解,并且擅长描述图像中的轮廓信息,仅用少量系数即可有效的表达图像中的边缘轮廓的特点,提出了将小波变换与Contourlet变换融合的轴心轨迹特征提取方法,将小波变换对于点奇异性的良好稀疏性与Contourlet对线性特征的良好检测性相结合,精确的描述轴心轨迹的形状信息,为轴心轨迹的自动分类提供一种新的特征向量,也为旋转机械故障诊断自动化提供了新的思路。引入支持向量机对特征向量进行分类,使得轴心轨迹的自动分类过程变得更加快速、有效。

全文目录

摘要  4-6
Abstract  6-10
1 绪论  10-22
  1.1 课题研究的背景及意义  10-11
  1.2 旋转机械振动故障机理与特征分析  11-13
  1.3 旋转机械振动信号分析方法研究现状  13-15
  1.4 轴心轨迹自动识别在故障诊断领域的研究进展  15-19
  1.5 本文主要研究内容与结构  19-22
2 数字图像处理与分析方法研究  22-71
  2.1 引言  22
  2.2 数字图像模型的描述  22-29
  2.3 数字图像处理的基本运算  29-37
  2.4 数字图像的变换  37-54
  2.5 数字图像的分割  54-57
  2.6 目标的表示与描述  57-64
  2.7 数字图像的模式识别  64-70
  2.8 本章小结  70-71
3 基于几何特征分析的轴心轨迹自动识别  71-84
  3.1 引言  71
  3.2 轴心轨迹的几何特征提取  71-76
  3.3 基于概率神经网络的轴心轨迹自动识别  76-82
  3.4 本章小结  82-84
4 基于混合神经网络的轴心轨迹自动识别  84-101
  4.1 引言  84
  4.2 脉冲耦合神经网络  84-91
  4.3 基于脉冲耦合神经网络融合的轴心轨迹特征提取  91-97
  4.4 概率神经网络与径向基函数神经网络识别比较  97-99
  4.5 本章小结  99-101
5 基于多尺度小波变换的轴心轨迹自动分类  101-122
  5.1 引言  101
  5.2 Contourlet变换  101-107
  5.3 非下采样contourlet变换  107-109
  5.4 基于小波变换和contourlet变换融合的轴心轨迹特征提取  109-113
  5.5 基于支持向量机的轴心轨迹识别  113-119
  5.6 本文提出的轴心轨迹自动识别方法的综合比较  119-120
  5.7 本章小结  120-122
6 全文总结与展望  122-124
  6.1 全文工作总结  122-123
  6.2 进一步研究展望  123-124
致谢  124-125
参考文献  125-137
附录1：攻读博士期间所发表的论文  137-139
附录2：攻读博士期间完成和参与的科研项目  139

数字图像处理与分析及其在故障诊断中的应用研究

内容摘要

全文目录

相似论文