基于紅外熱圖像的變速箱軸承狀態(tài)監(jiān)測(cè)與故障診斷

孫富成， 宋文淵， 滕紅智， 張 鑫

(1.軍械工程學(xué)院，石家莊 050003； 2.中國(guó)人民解放軍68129部隊(duì)，蘭州 730060)

基于紅外熱圖像的變速箱軸承狀態(tài)監(jiān)測(cè)與故障診斷

孫富成1， 宋文淵1， 滕紅智2， 張 鑫1

(1.軍械工程學(xué)院，石家莊 050003； 2.中國(guó)人民解放軍68129部隊(duì)，蘭州 730060)

針對(duì)運(yùn)行的變速箱軸承難以采集振動(dòng)信號(hào)進(jìn)行狀態(tài)監(jiān)測(cè)與故障診斷的缺點(diǎn)，采用紅外熱圖像對(duì)變速箱軸承進(jìn)行狀態(tài)監(jiān)測(cè)與故障診斷。利用紅外熱像儀采集變速箱兩端軸承的紅外熱圖像，然后通過(guò)二維經(jīng)驗(yàn)?zāi)B(tài)分解方法將紅外熱圖像分解成本征模式函數(shù)，對(duì)其處理后與主成分分析法相結(jié)合進(jìn)行圖像融合，得到對(duì)比度增強(qiáng)后的圖像。最后對(duì)原圖像與增強(qiáng)后的圖像進(jìn)行特征參數(shù)提取，并利用聚類(lèi)分析對(duì)軸承不同狀態(tài)進(jìn)行分離。證明了紅外熱圖像可以準(zhǔn)確地診斷出軸承故障。

紅外熱圖像； 變速箱軸承； 二維經(jīng)驗(yàn)?zāi)B(tài)分解； 特征提?。?狀態(tài)監(jiān)測(cè)； 故障診斷

0 引言

隨著我軍裝備逐漸發(fā)展，軍用裝備中的機(jī)械設(shè)備也越來(lái)越具有大型化與復(fù)雜化的特點(diǎn)，因此機(jī)械設(shè)備需要具有更高的可靠性以及較低的維修成本。近年來(lái)為了提高機(jī)械設(shè)備的可靠性和安全性，降低停機(jī)時(shí)間成本，避免資源浪費(fèi)，許多不同且有效的基于狀態(tài)監(jiān)測(cè)的技術(shù)逐漸應(yīng)用起來(lái)，例如振動(dòng)信號(hào)分析、油液分析、聲發(fā)射技術(shù)以及紅外技術(shù)等。這些技術(shù)的應(yīng)用能夠及時(shí)地檢測(cè)出機(jī)械設(shè)備是否存在故障，而振動(dòng)信號(hào)在監(jiān)

本文將利用紅外技術(shù)對(duì)某自行火炮變速箱左右兩側(cè)的軸承進(jìn)行狀態(tài)監(jiān)測(cè)與故障診斷，積累實(shí)驗(yàn)數(shù)據(jù)，并為下一步維修計(jì)劃打下良好的基礎(chǔ)，通過(guò)觀察所采集的紅外圖像，根據(jù)紅外熱圖像描繪出軸承區(qū)域的溫度變化趨勢(shì)，并對(duì)紅外熱圖像進(jìn)行預(yù)處理，提取部分特征參數(shù)以及將軸承不同狀態(tài)進(jìn)行聚類(lèi)分析。

1 紅外熱圖像采集原理介紹

紅外技術(shù)在國(guó)際標(biāo)準(zhǔn)化組織中(ISO)被定義為通過(guò)無(wú)接觸式的紅外儀器設(shè)備獲得和分析熱量信息的一種技術(shù)[1]。文獻(xiàn)[2]將紅外熱成像技術(shù)的起源和基本原理進(jìn)行了詳細(xì)的描述。隨著對(duì)紅外輻射規(guī)律的研究，紅外成像技術(shù)主要在普朗克黑體輻射定律(Planck’s Law)、維恩位移定律(Wein’s Displacement Law)和斯特藩—波爾茲曼定律(Stefan-Boltzmann’s Law)三大定律下逐漸成熟[3]。根據(jù)紅外輻射原理，最先在軍事領(lǐng)域生產(chǎn)出比較簡(jiǎn)單的紅外熱像儀，隨著科學(xué)與技術(shù)的發(fā)展，紅外熱像儀越來(lái)越復(fù)雜化與智能化，并逐漸應(yīng)用于各個(gè)領(lǐng)域。各種紅外熱像儀的組成部分大致相同，如圖1所示，都是由光學(xué)系統(tǒng)、紅外探測(cè)器、視頻放大器以及顯示器組成。其紅外圖像的成像機(jī)理是通過(guò)將紅外探測(cè)器接收到的場(chǎng)景的紅外輻射映射成灰度值，轉(zhuǎn)化為紅外圖像，場(chǎng)景中某一部分的輻射強(qiáng)度越大，反映在圖像中的這一部分的灰度值越高，也就越亮。運(yùn)行中的變速箱軸承若發(fā)生故障，會(huì)因?yàn)槟Σ猎龃髮?dǎo)致溫度發(fā)生變化，而紅外技術(shù)可以簡(jiǎn)單方便地對(duì)其進(jìn)行檢測(cè)，及時(shí)發(fā)現(xiàn)故障并消除故障隱患，防止產(chǎn)生重大事故或者經(jīng)濟(jì)損失。

圖1 紅外熱像儀結(jié)構(gòu)及原理Fig.1 Structure and principle of infrared thermography

2 紅外熱圖像狀態(tài)監(jiān)測(cè)與故障診斷方法

紅外熱圖像與傳統(tǒng)的振動(dòng)信號(hào)對(duì)機(jī)械設(shè)備進(jìn)行狀態(tài)監(jiān)測(cè)與故障診斷研究方法流程大致相同。通過(guò)上述熱像儀基本原理的介紹，可以看出紅外熱圖像是通過(guò)直接接收物體的紅外輻射并把它轉(zhuǎn)換為電信號(hào)，即常說(shuō)的被動(dòng)式紅外成像。紅外熱像儀所采集的圖像為用R，G，B這3個(gè)分量表示1個(gè)像素的彩色圖像，熱圖像中顏色的不同代表各個(gè)像素點(diǎn)上溫度的不同，并且溫度越高的區(qū)域顏色比其他區(qū)域更亮。因?yàn)閳D像中顏色僅僅用來(lái)區(qū)分圖像像素點(diǎn)中溫度的差別，所以為了計(jì)算準(zhǔn)確以及定量化分析需將圖像數(shù)據(jù)轉(zhuǎn)化為數(shù)值之間的灰度圖像。

2.1 圖像增強(qiáng)技術(shù)方法研究

紅外熱圖像在采集過(guò)程中，易受其他因素的影響，故需進(jìn)行圖像的預(yù)處理。圖像增強(qiáng)技術(shù)是圖像預(yù)處理中一種常見(jiàn)的技術(shù)手段，其目的是加強(qiáng)圖像中人們所感興趣區(qū)域的一些信息，消除或者減弱圖像不想要的信息，該方法主要是使原始圖像變得更利于人眼觀察和方便計(jì)算分析。圖像增強(qiáng)技術(shù)通常有兩種方式[4]，即從圖像空域和時(shí)域兩方面進(jìn)行增強(qiáng)。本文采用二維經(jīng)驗(yàn)?zāi)B(tài)分解(BEMD)方法對(duì)圖像進(jìn)行增強(qiáng)處理。經(jīng)驗(yàn)?zāi)B(tài)分解是由美籍華人HUANG等人在對(duì)瞬時(shí)頻率的概念進(jìn)行了深入研究之后，創(chuàng)造性地提出了本征模式函數(shù)(IMF)的概念，同時(shí)證明了任意信號(hào)都可以由若干個(gè)本征模式函數(shù)及一個(gè)剩余分量組成，即一維經(jīng)驗(yàn)?zāi)B(tài)分解，二維經(jīng)驗(yàn)?zāi)B(tài)分解是在其基礎(chǔ)上發(fā)展起來(lái)[5]。二維經(jīng)驗(yàn)?zāi)B(tài)分解具有自適應(yīng)性以及可以高效處理非穩(wěn)定、非線性的數(shù)據(jù)信息，該方法克服傳統(tǒng)技術(shù)方法的缺陷，提供了有效的圖像處理方法，并廣泛應(yīng)用在圖像分析的許多領(lǐng)域中，比如圖像融合[6]、圖像壓縮[7-8]、紋理分析[9]以及特征參數(shù)提取[10]等，但二維經(jīng)驗(yàn)?zāi)B(tài)分解是隨著圖像增強(qiáng)技術(shù)的發(fā)展被人們所了解，秦旭家等人利用二維經(jīng)驗(yàn)?zāi)B(tài)分解方法分解醫(yī)學(xué)圖像并對(duì)其高頻分量進(jìn)行擴(kuò)充處理來(lái)達(dá)到圖像增強(qiáng)的目的[11]。CELEBI等人利用二維經(jīng)驗(yàn)?zāi)B(tài)分解方法將水下彩色圖像的顏色通道分解為本征模式函數(shù)(IMF)，并根據(jù)每一個(gè)通道的本征模式函數(shù)的權(quán)重重新構(gòu)建達(dá)到圖像增強(qiáng)的目的[12]。本文在圖像預(yù)處理方面提出了利用二維經(jīng)驗(yàn)?zāi)B(tài)分解方法與主成分分析圖像融合技術(shù)相結(jié)合，該方法克服了單獨(dú)采用二維經(jīng)驗(yàn)?zāi)B(tài)分解對(duì)圖像造成的邊緣效應(yīng)的問(wèn)題，在對(duì)圖像進(jìn)行增強(qiáng)的同時(shí)，并沒(méi)有使圖像信息丟失。參考文獻(xiàn)[13]中詳細(xì)介紹了二維經(jīng)驗(yàn)?zāi)B(tài)分解的具體公式。采用該方法增強(qiáng)圖像的步驟如下:

1) 利用二維經(jīng)驗(yàn)?zāi)B(tài)分解將原始圖像分解為本征模式函數(shù)，在每一個(gè)分解過(guò)程中，高頻分量為本征模式函數(shù)，表示圖像的紋理信息,低頻分量為剩余部分，表示圖像的基本內(nèi)容;

2) 當(dāng)?shù)玫奖菊髂Ｊ胶瘮?shù)后，為了使其輪廓更加清晰和突出圖像中重要部分，需乘以一個(gè)因素K，取值范圍在1

3) 利用主成分分析圖像融合技術(shù)將擴(kuò)充后的本征模式函數(shù)與剩余分量進(jìn)行圖形融合，其具體主成分分析法公式參考文獻(xiàn)[14];

4) 重復(fù)1)～3)，直到分解過(guò)程終止而結(jié)束;

5) 最后將融合后各個(gè)本征模式函數(shù)重構(gòu)以達(dá)到圖像增強(qiáng)的目的。

2.2 紅外圖像的特征參數(shù)提取

將增強(qiáng)后的圖像作為提取特征參數(shù)過(guò)程中的輸入，求出有用的圖像信息。根據(jù)參考文獻(xiàn)[15]可知，圖像的特征包括直方圖數(shù)值、光譜、紋理和顏色等方面。直方圖數(shù)值作為統(tǒng)計(jì)學(xué)中的數(shù)值特征能夠較好地表征圖像的信息和特點(diǎn)，包括均值、方差、峰度、能量、熵等,因此本文主要提取增強(qiáng)后的圖像的直方圖特征均值、峰度、能量,該3種特征參數(shù)可以基本全面概括圖像的全部信息。具體求解公式如下。

一幅灰度圖像Y，那么該圖像的直方圖概率定義為

Pg=N(g)/M

(1)

式中：M為圖像Y的像素總數(shù)；N(g)是圖像中灰度級(jí)為g的像素個(gè)數(shù)。圖像的其他數(shù)值特征均值、方差、偏度、峰度以及能量等都是在直方圖的基礎(chǔ)上求解的。

圖像的均值表示整個(gè)圖像的亮度信息，即圖像整體的明暗程度，其算式為

(2)

式中，L表示圖像范圍為0～255灰度級(jí)數(shù)量。

圖像的峰度主要描述的是圖像構(gòu)成的分布的峰值是否突?；蛘咂教沟拿枋?，其算式為

(3)

式中,δ表示圖像的方差。

圖像的能量表示圖像灰度級(jí)如何分布的信息，其最大值為1,其算式為

。

(4)

紅外熱像儀對(duì)變速箱軸承進(jìn)行實(shí)時(shí)監(jiān)測(cè)，儲(chǔ)存各個(gè)時(shí)間段的紅外熱圖像，然后對(duì)每幅圖像的均值、峰度以及能量進(jìn)行計(jì)算并記錄。

2.3K均值聚類(lèi)分析

變速箱兩端軸承的紅外熱圖像在特征參數(shù)提取后，利用K均值聚類(lèi)分析[16]將其不同狀態(tài)進(jìn)行分組。K均值算法比較簡(jiǎn)單，但對(duì)于分組數(shù)少的情況下應(yīng)用較為廣泛。該算法的關(guān)鍵問(wèn)題在于聚類(lèi)質(zhì)量的目標(biāo)函數(shù)的設(shè)定，本文使用誤差平方和(Sum of the Squared Error,SSE)最小化作為評(píng)定標(biāo)準(zhǔn)，其具體形式定義為

(5)

式中：dist是歐幾里德空間中兩個(gè)對(duì)象之間的標(biāo)準(zhǔn)歐幾里德距離；x為研究對(duì)象；Ci是第i個(gè)簇；ci是簇Ci的質(zhì)心；K是簇的個(gè)數(shù)。K均值算法流程如圖2所示。

圖2 K均值算法流程Fig.2 Flow chart of K-means algorithm

通過(guò)K均值算法，可以對(duì)不同圖像中的參數(shù)進(jìn)行分類(lèi)處理，判斷出變速箱軸承的不同狀態(tài)。

根據(jù)上述方法介紹，可以總結(jié)出本文研究方法的流程，如圖3所示。流程分為圖像采集、圖像預(yù)處理、特征參數(shù)提取和聚類(lèi)分析4部分。

圖3 本文研究方法流程Fig.3 Flow chart of our method

3 紅外熱圖像實(shí)驗(yàn)研究

3.1 實(shí)驗(yàn)設(shè)計(jì)與圖像采集

為了驗(yàn)證利用紅外技術(shù)對(duì)機(jī)械設(shè)備進(jìn)行狀態(tài)監(jiān)測(cè)與故障診斷的有效性，利用紅外熱像儀對(duì)某計(jì)劃中維修的自行火炮中型底盤(pán)變速箱左右兩端軸承進(jìn)行實(shí)驗(yàn)研究。變速箱左側(cè)軸承C1是正常狀態(tài)，沒(méi)有任何故障，而右側(cè)軸承C2中保持架發(fā)生磨損。當(dāng)被測(cè)試的傳動(dòng)機(jī)構(gòu)變速箱啟動(dòng)時(shí)，利用紅外熱像儀分別對(duì)軸承左右兩端進(jìn)行圖像采集，紅外熱像儀直接與電腦相連接，通過(guò)開(kāi)發(fā)的紅外數(shù)據(jù)采集軟件，可將圖像數(shù)據(jù)直接保存到電腦中，如圖4所示。

圖4 實(shí)驗(yàn)方案Fig.4 Experimental scheme

紅外熱像儀是一種可將物體的熱信息瞬間可視化的設(shè)備，采集的紅外熱圖像中的每一個(gè)點(diǎn)、每一個(gè)區(qū)域都記錄著此時(shí)此刻變速箱各個(gè)部分的溫度信息，本實(shí)驗(yàn)共進(jìn)行70 min，并且在進(jìn)行紅外測(cè)試的過(guò)程中，自變速箱啟動(dòng)20 min后，每隔10 min記錄溫度，并分別保存兩側(cè)軸承的紅外熱圖像。圖5為變速箱在實(shí)驗(yàn)時(shí)間為30 min時(shí)左右兩端軸承區(qū)域的溫度變化，從圖中可以知道，右側(cè)軸承C2的溫度明顯高于左側(cè)軸承C1;圖6是實(shí)驗(yàn)從開(kāi)始到結(jié)束變速箱兩端軸承溫度變化曲線圖。由于本實(shí)驗(yàn)是在室內(nèi)完成，并且變速箱左右兩端軸承基本是在相同環(huán)境下進(jìn)行實(shí)驗(yàn)測(cè)試的，因此，本文將紅外熱像儀在采集過(guò)程受到環(huán)境、被測(cè)對(duì)象的發(fā)射率等因素忽略不計(jì)，從圖6中可以判定右側(cè)軸承確實(shí)存在故障。

圖5 變速箱軸承在實(shí)驗(yàn)30 min時(shí)的溫度Fig.5 The temperature of gearbox bearings at the time of 30 minute

圖6 變速箱兩端軸承溫度變化對(duì)比Fig.6 Temperature variation of bearings at two ends of gearbox

3.2 圖像預(yù)處理

對(duì)紅外熱像儀所采集到的左右兩端軸承圖像進(jìn)行定量分析。將保存的兩端軸承紅外熱圖像進(jìn)行對(duì)比分析，圖7為右側(cè)軸承C2中的一幅熱圖像，對(duì)所保存的圖像進(jìn)行增強(qiáng)技術(shù)處理，因?yàn)楸緦?shí)驗(yàn)紅外熱像儀像素大小為288×384，為了計(jì)算方便，選擇圖像中所感興趣的軸承區(qū)域圖像，通過(guò)圖像分割技術(shù)最后得到像素大小為147×142的圖像，對(duì)其進(jìn)行圖像增強(qiáng)技術(shù)處理，將分割后的圖像進(jìn)行二維經(jīng)驗(yàn)?zāi)B(tài)分解與主成分分析圖像融合方法結(jié)合，本文的分解級(jí)數(shù)為3，最后得到重構(gòu)后的圖像，如圖8所示。圖8為原圖像經(jīng)過(guò)BEMD與主成分分析相結(jié)合的圖像處理過(guò)程以及與圖像增強(qiáng)后的對(duì)比,從圖中可以觀察到,經(jīng)過(guò)圖像處理后，圖像輪廓相比于原圖像更加清晰，對(duì)比度也得到了增強(qiáng)，而軸承外圈處的亮度也更加明顯。

圖7 圖像分割Fig.7 Image segmentation

圖8 圖像處理與對(duì)比Fig.8 Image processing and comparison

對(duì)實(shí)驗(yàn)中的變速箱兩端軸承在30 min的紅外熱圖像進(jìn)行采集，每隔10 min保存一次紅外熱圖像，直到實(shí)驗(yàn)結(jié)束為止，即時(shí)間為70 min。分別獲取變速箱左右兩端軸承的5幅熱圖像，并利用BEMD對(duì)左右兩端軸承進(jìn)行圖像增強(qiáng)處理，對(duì)比如圖9所示。

圖9 兩端軸承增強(qiáng)后圖像對(duì)比Fig.9 Enhanced images of two end bearings

3.3 特征參數(shù)提取與聚類(lèi)分析

將原圖中的軸承C1和C2以及增強(qiáng)后的灰度圖像分別計(jì)算其均值、偏度和能量3個(gè)特征參數(shù)。采用K均值聚類(lèi)分析的方法對(duì)原圖中和增強(qiáng)后的圖像進(jìn)行分析研究，如圖10所示。從圖10a中可以看出，在未對(duì)圖像進(jìn)行增強(qiáng)前，軸承C1和C2的特征參數(shù)聚類(lèi)的效果并不是很好，并且兩種軸承狀態(tài)沒(méi)有很好地分離出來(lái)。從圖10b中可以看出，在對(duì)圖像增強(qiáng)處理后，正常軸承與保持架磨損軸承的特征值很好地分離。

圖10 圖像增強(qiáng)前后的聚類(lèi)分析對(duì)比Fig.10 Comparison of cluster analysis before and after image enhancement

4 總結(jié)

本文利用紅外技術(shù)對(duì)變速箱兩端軸承進(jìn)行狀態(tài)監(jiān)測(cè)與故障診斷分析，二維經(jīng)驗(yàn)?zāi)B(tài)分解進(jìn)行圖像增強(qiáng)處理，以及K均值聚類(lèi)分析進(jìn)行圖像特征值的分類(lèi)研究?？梢缘贸鼋Y(jié)論：1) 紅外技術(shù)不僅可以有效地對(duì)機(jī)械設(shè)備進(jìn)行定性的狀態(tài)監(jiān)測(cè)與故障診斷，也可以對(duì)其進(jìn)行系統(tǒng)化的定量分析，具有一定的工程應(yīng)用價(jià)值;2) 用增強(qiáng)后的圖像對(duì)其故障模式分類(lèi)比直接用原圖進(jìn)行分類(lèi)的準(zhǔn)確性高很多，可見(jiàn)圖像預(yù)處理對(duì)利用紅外技術(shù)對(duì)機(jī)械設(shè)備進(jìn)行狀態(tài)監(jiān)測(cè)與故障診斷的重要性。

本文的不足之處在于，僅僅對(duì)軸承保持架磨損與正常情況的兩種狀態(tài)進(jìn)行分析研究，并且分析的圖像數(shù)量比較少，影響了診斷的準(zhǔn)確性。下一步將模擬多種機(jī)械設(shè)備的故障模式，并且保留和獲得更多的實(shí)驗(yàn)數(shù)據(jù)，以及采用其他的模式識(shí)別方法對(duì)故障進(jìn)行區(qū)分。

[1] ISO/TC 108/SC 5 Condition Monitoring and Diagnostics of Machine Systems.ISO 18434-1:2008 condition monitoring and diagnostics of machines—thermography[S].Geneva:ISO,2008.

[2] CAROSENA M.Infrared thermography recent advances and future trends[M].Potomac:Bentham eBooks,2012.

[3] 由富田.輻射測(cè)溫原理及檢定[M].北京:中國(guó)計(jì)量出版社,1990.

[4] GONZALEZ R C,WOODS R E.Digital image processing[M].3rd ed.Boston:Addison-Wesley,1993.

[5] HUANG N E，SHEN Z，LONG S R，et al.The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J].Proceedings of the Royal Society A Mathematical Physical & Engineering Sciences,1998,454(1971):903-995.

[6] HARIHARAN H,GRIBOK A,ABIDI M,et al.Image fusion and enhancement via empirical mode decomposition[J].Pattern Recognition Res,2006(1):16-32.

[7] LINDERHED A.2D empirical mode decomposition in the spirit of image compression[J].Proceedings of SPIE-the International Society for Optical Engineering,2002,4738(7):1-8.

[8] LINDERHED A.Compression by image empirical mode decomposition [C]//IEEE International Conference on Image Processing,2005:553-559.

[9] NUNES J C,GUYOT S,DELECHELLE E,et al.Image analysis by bi-dimensional empirical mode decomposition[J].Image & Vision Computing,2003,21(12):1019-1026.

[10] WAN J,REN L,ZHAO C.Image feature extraction based on the two-dimensional empirical mode decomposition[C]//Congress on Image and Signal Processing,2008:627-631.

[11] QIN X,LIU S,WU Z,et al.Medical image enhancement method based on 2D empirical mode decomposition[C]//The International Conference on Bioinformatics and Biomedical Engineering,2008:2533-2536.

[12] CELEBI A T,ERTURK S.Empirical mode decomposition based visual enhancement of underwater images[C]//The 2nd International Conference on Image Processing Theory Tools and Applications (IPTA),2010:221-224.

[13] VAN T T,YANG B S,GU F S.Thermal image enhancement using bi-dimensional empirical mode decomposition in combination with relevance vector machine for rotaing machinery fault diagnosis[J].Mechanical Systems & Signal Processing,2013,38(2):601-614.

[14] NAIDU V,RAOL J R.Pixel-level image fusion using wavelets and principal component analysis[J].Defence Science Journal,2008,58(3):338-352.

[15] UMBAUGH S E.Digital image analysis and process[M].Boca Raton:CRC Press,2005.

[16] 范明,范宏建.數(shù)據(jù)挖掘?qū)д揫M].北京：人民郵電出版社，2011.

InfraredThermalImageBasedConditionMonitoringandFaultDiagnosisofGearboxBearings

SUN Fu-cheng1, SONG Wen-yuan1, TENG Hong-zhi2, ZHANG Xin1

(1.Ordnance Engineering College,Shijiazhuang 050003,China; 2.No.68129 Unit of PLA,Lanzhou 730060,China)

Considering that it is difficult to collect vibration signal of the running gearbox bearings for condition monitoring and fault diagnosis,we used infrared thermal image to carry out the jobs.Firstly,infrared thermal images of the two end bearings of the gearbox were collected by infrared thermography,and the infrared thermal image was decomposed into intrinsic mode function through bi-dimensional empirical mode decomposition.Then,the image was processed for image fusion with the principal component analysis method,and the image with enhanced contrast was obtained.Finally,feature parameters of the original image and the enhanced image were extracted,and cluster analysis was used to isolate the bearings of different states.It is proved that the infrared thermal image can accurately diagnose the faults of bearings.

infrared thermal image; gearbox bearing; bi-dimensional empirical mode decomposition; feature extraction; condition monitoring; fault diagnosis

孫富成，宋文淵，滕紅智，等.基于紅外熱圖像的變速箱軸承狀態(tài)監(jiān)測(cè)與故障診斷[J].電光與控制，2017，24(7)：113-117.SUN F C,SONG W Y,TENG H Z,et al.Infrared thermal image based condition monitoring and fault giagnosis of gearbox bearings [J].Electronics Optics & Control,2017,24(7):113-117.

TH165

A

10.3969/j.issn.1671-637X.2017.07.024

2016-06-23

2016-07-21

孫富成(1991 —),男，遼寧營(yíng)口人，碩士生，研究方向?yàn)榧t外圖像處理、機(jī)械故障診斷與狀態(tài)監(jiān)測(cè)。測(cè)旋轉(zhuǎn)機(jī)械故障中扮演著重要的角色，并且被廣泛應(yīng)用。但利用振動(dòng)信號(hào)對(duì)運(yùn)行中的機(jī)械設(shè)備進(jìn)行狀態(tài)監(jiān)測(cè)與故障診斷，存在振動(dòng)信號(hào)采集困難，信號(hào)波動(dòng)較大，分析效果不理想的問(wèn)題,而紅外技術(shù)對(duì)機(jī)械設(shè)備進(jìn)行狀態(tài)監(jiān)測(cè)與故障診斷時(shí)具有不停機(jī)、無(wú)接觸、操作簡(jiǎn)單等特點(diǎn)，因此對(duì)運(yùn)行中的機(jī)械設(shè)備進(jìn)行狀態(tài)監(jiān)測(cè)與故障診斷，采用紅外熱圖像分析更加有效與便利。