CN108414240B - 一种检测机器异常振动的方法与装置 - Google Patents
一种检测机器异常振动的方法与装置 Download PDFInfo
- Publication number
- CN108414240B CN108414240B CN201810213774.0A CN201810213774A CN108414240B CN 108414240 B CN108414240 B CN 108414240B CN 201810213774 A CN201810213774 A CN 201810213774A CN 108414240 B CN108414240 B CN 108414240B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- sound
- machine
- sound signal
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明实施例公开了一种检测机器异常振动的方法及装置,解决了基于机器视觉的车辆故障检测***,需要安插相当大量的摄像头对不同的部位进行捕捉,而且主要判别零件的丢失以及脱落问题,无法通过分析机器的振动异常来检测故障。而采用振动传感器提取声音,可能会存在周围大量的噪声干扰,大大降低检测的精准度。而且传感器只能安装在特定的敏感测量点,因为机器结构的原因,部分位置会存在无法安装传感器的问题。本发明实施例方法包括:S1、获取摄像机采集的机器表面的视频文件;S2、将所述视频文件中的机器表面在时间轴上的位移信号转换为声音信号;S3、利用已训练的判决规则对所述声音信号进行检验,判断所述声音信号是否异常。
Description
技术领域
本发明涉及机器视觉技术领域,尤其涉及一种检测机器异常振动的方法及装置。
背景技术
随着科技的进步与经济的发展,现代生产装备日趋大型化、综合化、精密化、复杂化,工艺过程自动化,流水作业,连续生产,非计划停产损失巨大。生产过程对人的依赖程度越来越低,但对设备的依赖程度越来越高。设备故障监测与诊断是提高设备可靠性的基本技术手段,而设备的振动与噪声监测与诊断是其中的重要技术途径。目前,振动与噪声的检测已经涵盖多个学科领域,比如说,振动法、特征分析法、模态分析与参数识别等。涉及到数学、物理学、机械学科。而通过计算机视觉运用摄像头的方法检测振动声音故障少之又少,而且还要借助工作人员的肉眼识别。
目前检测机器异常振动的方法主要有两种:
a.基于机器视觉的车辆故障识别***。
该***运用图像采集相机获取对车辆进行细致捕捉,采集的图像规格为 780x582像素,然后通过数据中转站对图片进行压缩,上传到服务器保存,对图片进行分类,调用不同的机器学习检测算法,如果发现图片中存在故障,将故障信息保存至故障数据库。
b.传感器提取声音信号及对声音分析进行异常检测。
通过特定的传感采集仪器采集机器的振动信息采集,对特别异常的信号分类出来。
现有技术中,基于机器视觉的车辆故障检测***,需要安插相当大量的摄像头对不同的部位进行捕捉,而且主要判别零件的丢失以及脱落问题,无法通过分析机器的振动异常来检测故障。而采用振动传感器提取声音,可能会存在周围大量的噪声干扰,大大降低检测的精准度。而且传感器只能安装在特定的敏感测量点,因为机器结构的原因,部分位置会存在无法安装传感器的问题。
发明内容
本发明提供了一种检测机器异常振动的方法及装置,解决了基于机器视觉的车辆故障检测***,需要安插相当大量的摄像头对不同的部位进行捕捉,而且主要判别零件的丢失以及脱落问题,无法通过分析机器的振动异常来检测故障。而采用振动传感器提取声音,可能会存在周围大量的噪声干扰,大大降低检测的精准度。而且传感器只能安装在特定的敏感测量点,因为机器结构的原因,部分位置会存在无法安装传感器的问题。
本发明提供了一种检测机器异常振动的方法,包括:
S1、获取摄像机采集的机器表面的视频文件;
S2、将所述视频文件中的机器表面在时间轴上的位移信号转换为声音信号;
S3、利用已训练的判决规则对所述声音信号进行检验,判断所述声音信号是否异常。
可选地,所述步骤S1之前还包括:
获取第一预置数量的无异音样本和第二预置数量的异音样本;
对所述无异音样本进行傅里叶变换,得到无异音幅频谱;
对所述异音样本进行傅里叶变换,得到异音幅频谱;
将所述无异音幅频谱和所述异音幅频谱进行比对,确定所述无异音样本中的差异部分;
对所述无异音样本中的差异部分进行PCA降维,得到第一有效特征;
将所述第一有效特征代入一类学习算法进行训练,得到已训练的判决规则。
可选地,所述步骤S2具体包括:
将所述视频文件中的机器表面在时间轴上的位移信号V=(x,y,t)的每一帧分解成对应于不同方向θ和尺度r的空间子带;
计算每一帧空间子带中的局部运动信号;
计算所述局部运动信号的空间加权平均值,得到声音信号。
可选地,所述步骤S2之后,所述步骤S3之前还包括:
利用小波包法对所述声音信号进行去噪处理。
可选地,所述步骤S3具体包括:
对所述声音信号进行傅里叶变换,得到声音信号幅频谱;
根据所述声音信号幅频谱,确定所述声音信号的异常部分;
对所述声音信号中的异常部分进行PCA降维,得到第二有效特征;
将所述第二有效特征输入至已训练的判决规则中,得到所述声音信号是否异常的结果。
本发明提供了一种检测机器异常振动的装置,包括:
第一获取单元,用于获取摄像机采集的机器表面的视频文件;
转换单元,用于将所述视频文件中的机器表面在时间轴上的位移信号转换为声音信号;
判断单元,用于利用已训练的判决规则对所述声音信号进行检验,判断所述声音信号是否异常。
可选地,本发明提供的一种检测机器异常振动的装置还包括:
第二获取单元,用于获取第一预置数量的无异音样本和第二预置数量的异音样本;
第一变换单元,用于对所述无异音样本进行傅里叶变换,得到无异音幅频谱;
第二变换单元,用于对所述异音样本进行傅里叶变换,得到异音幅频谱;
比对单元,用于将所述无异音幅频谱和所述异音幅频谱进行比对,确定所述无异音样本中的差异部分;
降维单元,用于对所述无异音样本中的差异部分进行PCA降维,得到第一有效特征;
训练单元,用于将所述第一有效特征代入一类学习算法进行训练,得到已训练的判决规则。
可选地,所述转换单元具体包括:
分解子单元,用于将所述视频文件中的机器表面在时间轴上的位移信号 V=(x,y,t)的每一帧分解成对应于不同方向θ和尺度r的空间子带;
第一计算子单元,用于计算每一帧空间子带中的局部运动信号;
第二计算子单元,用于计算所述局部运动信号的空间加权平均值,得到声音信号。
可选地,本发明提供的一种检测机器异常振动的装置还包括:
去噪单元,用于利用小波包法对所述声音信号进行去噪处理。
可选地,所述判断单元具体包括:
变换子单元,用于对所述声音信号进行傅里叶变换,得到声音信号幅频谱;
异常确认子单元,用于根据所述声音信号幅频谱,确定所述声音信号的异常部分;
降维子单元,用于对所述声音信号中的异常部分进行PCA降维,得到第二有效特征;
判断子单元,用于将所述第二有效特征输入至已训练的判决规则中,得到所述声音信号是否异常的结果。
从以上技术方案可以看出,本发明具有以下优点:
本发明提供了一种检测机器异常振动的方法,包括:S1、获取摄像机采集的机器表面的视频文件;S2、将所述视频文件中的机器表面在时间轴上的位移信号转换为声音信号;S3、利用已训练的判决规则对所述声音信号进行检验,判断所述声音信号是否异常。
本发明中,通过摄像头拍摄机器表面的视频文件,还原机器发出的声音信号,再利用已训练的判决规则对声音信号进行检验,判断声音信号是否异常,以机器视觉的方法从振动的角度来分析和解决机器故障的问题,解决了基于机器视觉的车辆故障检测***,需要安插相当大量的摄像头对不同的部位进行捕捉,而且主要判别零件的丢失以及脱落问题,无法通过分析机器的振动异常来检测故障。而采用振动传感器提取声音,可能会存在周围大量的噪声干扰,大大降低检测的精准度。而且传感器只能安装在特定的敏感测量点,因为机器结构的原因,部分位置会存在无法安装传感器的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明提供的一种检测机器异常振动的方法的一个实施例的流程示意图;
图2为本发明提供的一种检测机器异常振动的方法的另一个实施例的流程示意图;
图3为本发明提供了一种检测机器异常振动的装置的一个实施例的结构示意图;
图4为本发明提供了一种检测机器异常振动的装置的另一个实施例的结构示意图。
具体实施方式
本发明实施例提供了一种检测机器异常振动的方法及装置,解决了基于机器视觉的车辆故障检测***,需要安插相当大量的摄像头对不同的部位进行捕捉,而且主要判别零件的丢失以及脱落问题,无法通过分析机器的振动异常来检测故障。而采用振动传感器提取声音,可能会存在周围大量的噪声干扰,大大降低检测的精准度。而且传感器只能安装在特定的敏感测量点,因为机器结构的原因,部分位置会存在无法安装传感器的问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1,本发明提供了一种检测机器异常振动的方法的一个实施例,包括:
101、获取摄像机采集的机器表面的视频文件;
102、将视频文件中的机器表面在时间轴上的位移信号转换为声音信号;
103、利用已训练的判决规则对声音信号进行检验,判断声音信号是否异常。
本发明实施例中,通过摄像头拍摄机器表面的视频文件,还原机器发出的声音信号,再利用已训练的判决规则对声音信号进行检验,判断声音信号是否异常,以机器视觉的方法从振动的角度来分析和解决机器故障的问题,解决了基于机器视觉的车辆故障检测***,需要安插相当大量的摄像头对不同的部位进行捕捉,而且主要判别零件的丢失以及脱落问题,无法通过分析机器的振动异常来检测故障。而采用振动传感器提取声音,可能会存在周围大量的噪声干扰,大大降低检测的精准度。而且传感器只能安装在特定的敏感测量点,因为机器结构的原因,部分位置会存在无法安装传感器的问题。
以上是对本发明提供的一种检测机器异常振动的方法的一个实施例进行的说明,以下将对本发明提供的一种检测机器异常振动的方法的另一个实施例进行说明。
请参阅图2,本发明提供了一种检测机器异常振动的方法的另一个实施例,包括:
201、获取第一预置数量的无异音样本和第二预置数量的异音样本;
需要说明的是,步骤201至步骤206为训练判决规则的方法,首先需要获取第一预置数量的无异音样本和第二预置数量的异音样本,第一预置数量远大于第二预置数量。
202、对无异音样本进行傅里叶变换,得到无异音幅频谱;
需要说明的是,对每个无异音样本进行傅里叶变换,得到无异音幅频谱。
203、对异音样本进行傅里叶变换,得到异音幅频谱;
需要说明的是,对每个异音样本进行傅里叶变换,得到异音幅频谱。
204、将无异音幅频谱和异音幅频谱进行比对,确定无异音样本中的差异部分;
需要说明的是,根据机器工作的频率特性,对比无异音幅频谱和异音幅频谱,确定无异音样本中的差异部分。
205、对无异音样本中的差异部分进行PCA降维,得到第一有效特征;
需要说明的是,对无异音样本中的差异部分进行PCA(主成分分析)降维,使得差异绝对化,从绝对化特征中选取异性更明显的第一有效特征。
降维是把原始特征经过一新的坐标转换,使原有特征投影在新的坐标系内,新特征在新坐标系每一坐标轴的大小即为新特征在此坐标轴上的方差分布大小。
利用无异音样本降维后的第一有效特征:
206、将第一有效特征代入一类学习算法进行训练,得到已训练的判决规则;
需要说明的是,将降维后的第一有效特征作为一类学习算法的输入进行训练,每一样本相当于映射在180维空间坐标系内的某一点,1200个样本都映射在180维空间,即形成一个空间分布区域,求解优化问题:
求得拉格朗日乘子αi,即可寻得无异音样本在180维空间的分布包围曲面,即判决函数f(x),其中xi指x的第i个样本,即x的第i列。进行结果检验时,落在包围曲面内的样本即为无异音样本,落在包围曲面外的即为异音样本,适当调节支持向量机映射的核函数因子σ,可以控制包围区域的紧凑性,根据经验选择合适的核函数因子,以达到权衡漏报和误报的目的。
207、获取摄像机采集的机器表面的视频文件;
需要说明的是,当声音碰到一个物体时,它会导致该物体的非常小的表面振动,我们通过高速摄像机拍摄机器表面的目的就是捕捉这种振动。因此首先获取摄像机采集的机器表面的视频文件。
208、将视频文件中的机器表面在时间轴上的位移信号V=(x,y,t)的每一帧分解成对应于不同方向θ和尺度r的空间子带;
需要说明的是,机器本身振动并发出声音,形成我们用相机拍摄的随着时间推移的一种振动模式,然后将物理位移转换为视频中的像素运动,最后使用算法处理录制的视频,以恢复输出声音。
我们的输入对象是一个机器的视频,将函数V=(x,y,t)看作是机器表面在时间轴上的位移。为了获取更高的精准度要用到高速摄像机拍摄的高速视频。假设我们的物体和相机的相对运动由声音信号S(t)造成的振动而主导。该方案最终的目标是从V=(x,y,t)中恢复S(t)。
首先,我们将输入视频V=(x,y,t)分解成对应于不同方向θ和尺度r的空间子带。
209、计算每一帧空间子带中的局部运动信号;
需要说明的是,我们在表示视频V=(x,y,t)的复杂可控金字塔中使用相位变化来计算局部运动。复杂的可控金字塔是将视频V=(x,y,t)的每一帧分解成对应于不同尺度和方向的复值子带的滤波器组。该变换的基本函数是缩放和定向具有余弦和正弦相位分量的Gabor-like小波。每对余弦和正弦滤波器可用于将本地小波的幅度与其相位分离。具体地,每个尺度r和方向θ是可以以幅度A和相位Φ表示的复数图像,如下:
对于小的运动,这些相位变化大致与图像结构沿着相应方向和尺度的位移成比例。
210、计算局部运动信号的空间加权平均值,得到声音信号;
需要说明的是,对于视频的复杂可控金字塔分解中的每个方向θ和尺度r,我们计算局部运动信号的空间加权平均值,以产生单个运动信号Φ(r,θ,t)。我们执行加权平均,因为在没有太多纹理的区域中局部相位是不明确的,因此这些区域的运动信号是嘈杂的。复杂的可控金字塔振幅A给出了纹理强度的度量,因此我们用每个局部信号平方的振幅来对它进行加权:
在对不同尺度和方向的Φ(r,θ,t)进行平均之前,我们在时间上对准它们,以防止破坏性干扰。为了理解为什么我们这样做,考虑到该方案想要从单个空间尺度组合两个方向(x,y)的情况。现在,考虑一个小的高斯振动方向y=-x。在这里,我们的x和y方向的阶段的变化将是负相关的,总是与恒定的信号相加。然而,如果我们对准两个相位信号(通过在时间上移动它们之一),我们可以使建设性地增加相位。对齐的信号由Φ(ri,θi,t-ti)给出,使得:
ti=arg maxΦ0(r0,θ0,t)TΦi(ri,θi,t-ti);
其中,i是对所有尺度-取向对(r,θ)的索引,Φ0(r0,θ0,t)是参考尺度和方向的一个任意选择。我们的全局运动信号为:
其中我们缩放并集中到[-1,1]范围。
211、利用小波包法对声音信号进行去噪处理;
需要说明的是,运用小波包去噪,小波变换是将一维时间函数f(x)映射成二维的Wf(a,b)函数从而实现了函数的时频域分析,小波包分析是在小波分析理论基础上的进一步延伸,通过对小波变换中没有分解的高频部分进行了相似的小波分解进一步细化了信号的局部特征。小波包分解对信号低频成分进行了二剖分的同时对信号高频成分也进行了细化。去噪处理之后,能够将单个机器的声音精确的呈现出来。
212、对声音信号进行傅里叶变换,得到声音信号幅频谱;
需要说明的是,对声音信号进行检验时,对声音信号进行傅里叶变换,得到声音信号幅频谱。
213、根据声音信号幅频谱,确定声音信号的异常部分;
需要说明的是,声音存在差别的信号,其声音幅频谱一定是不同的。举个例子,就单从人的感官上来说,存在差别的两种机器声音,人耳能感受到音量的大、声音的“尖“,回到幅频谱会分别体现在幅度或者频率上的差别。音量更大的幅度更高,声音更”尖“的频率更大。我们得到声音信号幅频谱后,某些异常的幅度或者频率可以直接体现在图像的分布上,我们便可以从图像上观察出这些明显的异常部分。
214、对声音信号中的异常部分进行PCA降维,得到第二有效特征;
需要说明的是,对声音信号中的异常部分进行PCA(主成分分析)降维,使得差异绝对化,从绝对化特征中选取异性更明显的第二有效特征。
215、将第二有效特征输入至已训练的判决规则中,得到声音信号是否异常的结果;
需要说明的是,将第二有效特征输入至已训练的判决规则中,落在包围曲面内的样本即为无异音样本,落在包围曲面外的即为异音样本,适当调节支持向量机映射的核函数因子σ,可以控制包围区域的紧凑性,根据经验选择合适的核函数因子,以达到权衡漏报和误报的目的。
本发明实施例中,通过摄像头拍摄机器表面的视频文件,还原机器发出的声音信号,再利用已训练的判决规则对声音信号进行检验,判断声音信号是否异常,以机器视觉的方法从振动的角度来分析和解决机器故障的问题,解决了基于机器视觉的车辆故障检测***,需要安插相当大量的摄像头对不同的部位进行捕捉,而且主要判别零件的丢失以及脱落问题,无法通过分析机器的振动异常来检测故障。而采用振动传感器提取声音,可能会存在周围大量的噪声干扰,大大降低检测的精准度。而且传感器只能安装在特定的敏感测量点,因为机器结构的原因,部分位置会存在无法安装传感器的问题。
以上是对本发明提供的一种检测机器异常振动的方法的另一个实施例进行的说明,以下将对本发明提供的一种检测机器异常振动的装置的一个实施例进行说明。
请参阅图3,本发明提供了一种检测机器异常振动的装置的一个实施例,包括:
第一获取单元301,用于获取摄像机采集的机器表面的视频文件;
转换单元302,用于将视频文件中的机器表面在时间轴上的位移信号转换为声音信号;
判断单元303,用于利用已训练的判决规则对声音信号进行检验,判断声音信号是否异常。
本发明实施例中,通过第一获取单元301获取摄像头拍摄机器表面的视频文件,再通过转换单元302还原机器发出的声音信号,最后判断单元303 利用已训练的判决规则对声音信号进行检验,判断声音信号是否异常,以机器视觉的方法从振动的角度来分析和解决机器故障的问题,解决了基于机器视觉的车辆故障检测***,需要安插相当大量的摄像头对不同的部位进行捕捉,而且主要判别零件的丢失以及脱落问题,无法通过分析机器的振动异常来检测故障。而采用振动传感器提取声音,可能会存在周围大量的噪声干扰,大大降低检测的精准度。而且传感器只能安装在特定的敏感测量点,因为机器结构的原因,部分位置会存在无法安装传感器的问题。
以上是对本发明提供的一种检测机器异常振动的装置的一个实施例进行的说明,以下将对本发明提供的一种检测机器异常振动的装置的另一个实施例进行说明。
请参阅图4,本发明提供了一种检测机器异常振动的装置的另一个实施例,包括:
第二获取单元401,用于获取第一预置数量的无异音样本和第二预置数量的异音样本;
第一变换单元402,用于对无异音样本进行傅里叶变换,得到无异音幅频谱;
第二变换单元403,用于对异音样本进行傅里叶变换,得到异音幅频谱;
比对单元404,用于将无异音幅频谱和异音幅频谱进行比对,确定无异音样本中的差异部分;
降维单元405,用于对无异音样本中的差异部分进行PCA降维,得到第一有效特征;
训练单元406,用于将第一有效特征代入一类学习算法进行训练,得到已训练的判决规则;
第一获取单元407,用于获取摄像机采集的机器表面的视频文件;
转换单元408,用于将视频文件中的机器表面在时间轴上的位移信号转换为声音信号;
转换单元408具体包括:
分解子单元4081,用于将视频文件中的机器表面在时间轴上的位移信号 V=(x,y,t)的每一帧分解成对应于不同方向θ和尺度r的空间子带;
第一计算子单元4082,用于计算每一帧空间子带中的局部运动信号;
第二计算子单元4083,用于计算局部运动信号的空间加权平均值,得到声音信号;
去噪单元409,用于利用小波包法对声音信号进行去噪处理;
判断单元410,用于利用已训练的判决规则对声音信号进行检验,判断声音信号是否异常;
判断单元410具体包括:
变换子单元4101,用于对声音信号进行傅里叶变换,得到声音信号幅频谱;
异常确认子单元4102,用于根据声音信号幅频谱,确定声音信号的异常部分;
降维子单元4103,用于对声音信号中的异常部分进行PCA降维,得到第二有效特征;
判断子单元4104,用于将第二有效特征输入至已训练的判决规则中,得到声音信号是否异常的结果。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种检测机器异常振动的方法,其特征在于,包括:
S1、获取摄像机采集的机器表面的视频文件;
S2、将所述视频文件中的机器表面在时间轴上的位移信号转换为声音信号;
S3、利用已训练的判决规则对所述声音信号进行检验,判断所述声音信号是否异常;
所述步骤S1之前还包括:
获取第一预置数量的无异音样本和第二预置数量的异音样本;
对所述无异音样本进行傅里叶变换,得到无异音幅频谱;
对所述异音样本进行傅里叶变换,得到异音幅频谱;
将所述无异音幅频谱和所述异音幅频谱进行比对,确定所述无异音样本中的差异部分;
对所述无异音样本中的差异部分进行PCA降维,得到第一有效特征;
将所述第一有效特征代入一类学习算法进行训练,得到已训练的判决规则。
2.根据权利要求1所述的检测机器异常振动的方法,其特征在于,所述步骤S2具体包括:
将所述视频文件中的机器表面在时间轴上的位移信号V=(x,y,t)的每一帧分解成对应于不同方向θ和尺度r的空间子带;
计算每一帧空间子带中的局部运动信号;
计算所述局部运动信号的空间加权平均值,得到声音信号。
3.根据权利要求1所述的检测机器异常振动的方法,其特征在于,所述步骤S2之后,所述步骤S3之前还包括:
利用小波包法对所述声音信号进行去噪处理。
4.根据权利要求2所述的检测机器异常振动的方法,其特征在于,所述步骤S3具体包括:
对所述声音信号进行傅里叶变换,得到声音信号幅频谱;
根据所述声音信号幅频谱,确定所述声音信号的异常部分;
对所述声音信号中的异常部分进行PCA降维,得到第二有效特征;
将所述第二有效特征输入至已训练的判决规则中,得到所述声音信号是否异常的结果。
5.一种检测机器异常振动的装置,其特征在于,包括:
第一获取单元,用于获取摄像机采集的机器表面的视频文件;
转换单元,用于将所述视频文件中的机器表面在时间轴上的位移信号转换为声音信号;
判断单元,用于利用已训练的判决规则对所述声音信号进行检验,判断所述声音信号是否异常;
还包括:
第二获取单元,用于获取第一预置数量的无异音样本和第二预置数量的异音样本;
第一变换单元,用于对所述无异音样本进行傅里叶变换,得到无异音幅频谱;
第二变换单元,用于对所述异音样本进行傅里叶变换,得到异音幅频谱;
比对单元,用于将所述无异音幅频谱和所述异音幅频谱进行比对,确定所述无异音样本中的差异部分;
降维单元,用于对所述无异音样本中的差异部分进行PCA降维,得到第一有效特征;
训练单元,用于将所述第一有效特征代入一类学习算法进行训练,得到已训练的判决规则。
6.根据权利要求5所述的检测机器异常振动的装置,其特征在于,所述转换单元具体包括:
分解子单元,用于将所述视频文件中的机器表面在时间轴上的位移信号V=(x,y,t)的每一帧分解成对应于不同方向θ和尺度r的空间子带;
第一计算子单元,用于计算每一帧空间子带中的局部运动信号;
第二计算子单元,用于计算所述局部运动信号的空间加权平均值,得到声音信号。
7.根据权利要求5所述的检测机器异常振动的装置,其特征在于,还包括:
去噪单元,用于利用小波包法对所述声音信号进行去噪处理。
8.根据权利要求5所述的检测机器异常振动的装置,其特征在于,所述判断单元具体包括:
变换子单元,用于对所述声音信号进行傅里叶变换,得到声音信号幅频谱;
异常确认子单元,用于根据所述声音信号幅频谱,确定所述声音信号的异常部分;
降维子单元,用于对所述声音信号中的异常部分进行PCA降维,得到第二有效特征;
判断子单元,用于将所述第二有效特征输入至已训练的判决规则中,得到所述声音信号是否异常的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810213774.0A CN108414240B (zh) | 2018-03-15 | 2018-03-15 | 一种检测机器异常振动的方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810213774.0A CN108414240B (zh) | 2018-03-15 | 2018-03-15 | 一种检测机器异常振动的方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108414240A CN108414240A (zh) | 2018-08-17 |
CN108414240B true CN108414240B (zh) | 2020-08-11 |
Family
ID=63131646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810213774.0A Active CN108414240B (zh) | 2018-03-15 | 2018-03-15 | 一种检测机器异常振动的方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108414240B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271936B (zh) * | 2018-09-18 | 2021-09-24 | 哈尔滨工程大学 | 基于感知哈希算法的飞机振动故障数据库构建与检索方法 |
CN110084127B (zh) * | 2019-03-29 | 2021-06-22 | 南京航空航天大学 | 一种基于视觉的磁悬浮转子振动测量方法 |
CN110595602B (zh) * | 2019-04-26 | 2021-10-15 | 深圳市豪视智能科技有限公司 | 振动检测方法及相关产品 |
CN110617973B (zh) * | 2019-04-26 | 2021-08-27 | 深圳市豪视智能科技有限公司 | 振动检测方法及相关装置 |
CN110602485B (zh) * | 2019-04-26 | 2020-09-29 | 深圳市豪视智能科技有限公司 | 故障检测方法及相关产品 |
CN110642109B (zh) * | 2019-04-26 | 2021-03-19 | 深圳市豪视智能科技有限公司 | 升降设备的振动检测方法、装置、服务器及存储介质 |
CN110672342B (zh) * | 2019-04-26 | 2021-10-12 | 深圳市豪视智能科技有限公司 | 洗衣机振动故障检测方法及装置 |
CN110956645B (zh) * | 2019-08-28 | 2023-10-31 | 深圳市广宁股份有限公司 | 多模输出的智能振动检测方法及装置 |
CN111366375A (zh) * | 2020-03-05 | 2020-07-03 | 三一汽车起重机械有限公司 | 基于音频和图像处理的车辆噪声和振动诊断方法和*** |
CN113432856A (zh) * | 2021-06-28 | 2021-09-24 | 西门子电机(中国)有限公司 | 电动机测试方法、装置、电子设备和存储介质 |
CN117743836B (zh) * | 2024-02-21 | 2024-05-03 | 聊城市产品质量监督检验所 | 一种轴承异常振动监测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104333736A (zh) * | 2014-10-28 | 2015-02-04 | 山东大学 | 无人变电站智能识别监控***及方法 |
CN106899919A (zh) * | 2017-03-24 | 2017-06-27 | 武汉海慧技术有限公司 | 一种基于视觉麦克风技术的侦听***及方法 |
CN106934421A (zh) * | 2017-03-16 | 2017-07-07 | 山东大学 | 基于2dpca及svm的变电站电力变压器故障检测***及检测方法 |
CN107144342A (zh) * | 2017-05-08 | 2017-09-08 | 潘明远 | 采用高速摄像恢复声音的装置 |
CN107458383A (zh) * | 2016-06-03 | 2017-12-12 | 法拉第未来公司 | 使用音频信号的车辆故障自动检测 |
-
2018
- 2018-03-15 CN CN201810213774.0A patent/CN108414240B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104333736A (zh) * | 2014-10-28 | 2015-02-04 | 山东大学 | 无人变电站智能识别监控***及方法 |
CN107458383A (zh) * | 2016-06-03 | 2017-12-12 | 法拉第未来公司 | 使用音频信号的车辆故障自动检测 |
CN106934421A (zh) * | 2017-03-16 | 2017-07-07 | 山东大学 | 基于2dpca及svm的变电站电力变压器故障检测***及检测方法 |
CN106899919A (zh) * | 2017-03-24 | 2017-06-27 | 武汉海慧技术有限公司 | 一种基于视觉麦克风技术的侦听***及方法 |
CN107144342A (zh) * | 2017-05-08 | 2017-09-08 | 潘明远 | 采用高速摄像恢复声音的装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108414240A (zh) | 2018-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108414240B (zh) | 一种检测机器异常振动的方法与装置 | |
Chen et al. | Modal identification of simple structures with high-speed video using motion magnification | |
Gaidhane et al. | An efficient similarity measure approach for PCB surface defect detection | |
Li et al. | No-reference image blur assessment based on discrete orthogonal moments | |
Wang et al. | Fault diagnosis of diesel engine based on adaptive wavelet packets and EEMD-fractal dimension | |
Bovik | On detecting edges in speckle imagery | |
CN108680796A (zh) | 用于计算机显示器的电磁信息泄漏检测***及方法 | |
Raghavendra et al. | Presentation attack detection algorithm for face and iris biometrics | |
Shao et al. | Target-free 3D tiny structural vibration measurement based on deep learning and motion magnification | |
CN109060371A (zh) | 一种汽车零部件异响检测装置 | |
Su et al. | A novel forgery detection algorithm for video foreground removal | |
CN107808100B (zh) | 针对特定测试样本的隐写分析方法 | |
CN111735523A (zh) | 基于视频识别的车重检测方法、装置及存储介质 | |
CN117076928A (zh) | 一种桥梁健康状态监测方法、装置、***及电子设备 | |
Cai et al. | Gaussian mixture model based phase prior learning for video motion estimation | |
Shang et al. | Multi-point vibration measurement for mode identification of bridge structures using video-based motion magnification | |
Zhu et al. | Image sharpening detection based on multiresolution overshoot artifact analysis | |
Nakanishi et al. | Anomaly detection by autoencoder based on weighted frequency domain loss | |
Sahasrabudhe et al. | Structured spatial domain image and data comparison metrics | |
Tiwari et al. | Certain investigations on motion blur detection and estimation | |
Yang et al. | Sparse representation of complex steerable pyramid for machine fault diagnosis by using non-contact video motion to replace conventional accelerometers | |
Wang et al. | Motion estimation from noisy data with unknown distributions using multi-frame phase-preserving denoising | |
CN116295790A (zh) | 基于桥梁拉索特征区域帧间相位差的频率检测方法及*** | |
CN106709516B (zh) | 一种基于朴素贝叶斯方法的模糊图像检测方法 | |
Thiyagarajan et al. | Implementation of video motion magnification technique for non-contact operational modal analysis of light poles |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Chen Zitao Inventor after: Feng Zhonglun Inventor after: Huang Xinyun Inventor before: Feng Zhonglun Inventor before: Chen Zitao Inventor before: Huang Xinyun |