北京交通大學(xué) 電氣工程學(xué)院，北京 100044

北京交通大學(xué) 電氣工程學(xué)院，北京 100044

交流牽引電機(jī)故障診斷技術(shù)有很強(qiáng)的工程背景，具有重要的實(shí)用價(jià)值，并且以深厚的理論為基礎(chǔ)。從本質(zhì)上講，電機(jī)故障診斷技術(shù)是個(gè)模式分類(lèi)問(wèn)題，即把交流牽引電機(jī)的運(yùn)行狀態(tài)分為正常和異常兩類(lèi)。從故障診斷流程來(lái)看，交流牽引電機(jī)故障診斷分為信號(hào)采集、信號(hào)處理和故障診斷三個(gè)階段。交流牽引電機(jī)診斷技術(shù)是從電機(jī)的癥狀入手進(jìn)行分析研究。電機(jī)癥狀指電機(jī)運(yùn)行時(shí)產(chǎn)生的代表其狀態(tài)的各種信號(hào)。因此，信號(hào)采集技術(shù)是電機(jī)診斷的前提。只有采集到反映電機(jī)實(shí)際狀態(tài)的信號(hào)，診斷的后續(xù)工作才有意義。

目前，用于電機(jī)故障信號(hào)采集檢測(cè)的技術(shù)有[1-2]：（l）在線放電檢測(cè)法；（2）振動(dòng)檢測(cè)法；（3）磁通檢測(cè)法；（4）絕緣檢測(cè)法；（5）溫度檢測(cè)法；（6）振聲檢測(cè)法；（7）定子電流檢測(cè)法。目前大多數(shù)方法都是基于定子電流檢測(cè)的故障檢測(cè)方法[3]。黃亮[4]提出了一種小波分解信號(hào)處理方法，采用異常信號(hào)檢測(cè)的手段分析電機(jī)震動(dòng)的異常，從而判斷電機(jī)故障。Rangarajan等人[5]綜述電機(jī)故障現(xiàn)有的一些檢測(cè)手段，包括定子繞組匝問(wèn)故障、定子鐵心故障、溫度監(jiān)測(cè)和熱保護(hù)以及定子繞組絕緣實(shí)驗(yàn)，研究了用電機(jī)電壓和電流獲得故障信號(hào)特征的無(wú)傳感器法以及諸如局部放電的離線技術(shù)。賀昌權(quán)等[6]針對(duì)無(wú)刷直流電動(dòng)機(jī)逆變器功率管短路及開(kāi)路故障，采用小波變換對(duì)電機(jī)轉(zhuǎn)速信號(hào)進(jìn)行時(shí)頻分析，并結(jié)合傅里葉變換進(jìn)行對(duì)比研究，取得了滿意的效果。王成亮[7]采用低勵(lì)磁方法進(jìn)行多臺(tái)發(fā)電機(jī)定子鐵心故障檢測(cè)，實(shí)例表明采用低勵(lì)磁方法對(duì)發(fā)電機(jī)定子鐵心故障檢測(cè)簡(jiǎn)便、有效。

本文利用紅外攝像機(jī)成本越來(lái)越低、DSP計(jì)算能力越來(lái)越強(qiáng)的優(yōu)勢(shì)，試圖采用紅外溫度檢測(cè)法來(lái)實(shí)現(xiàn)對(duì)交流電機(jī)的實(shí)時(shí)檢測(cè)，其布置方式如圖1所示。紅外成像技術(shù)作為一門(mén)新技術(shù)，在電機(jī)設(shè)備運(yùn)行狀態(tài)檢測(cè)中有著廣闊的應(yīng)用前景。紅外成像是以設(shè)備的熱狀態(tài)分布為依據(jù)對(duì)設(shè)備運(yùn)行狀態(tài)良好與否進(jìn)行診斷，它具有不停運(yùn)、不接觸、遠(yuǎn)距離、快速、直觀地對(duì)設(shè)備的熱狀態(tài)進(jìn)行成像的優(yōu)點(diǎn)。由于設(shè)備的熱像圖是設(shè)備運(yùn)行狀態(tài)下熱狀態(tài)及其溫度分布的真實(shí)描寫(xiě)，而電力設(shè)備在運(yùn)行狀態(tài)下的熱分布正常與否是判斷設(shè)備狀態(tài)良好與否的一個(gè)重要特征，因而采用紅外成像技術(shù)可以通過(guò)對(duì)設(shè)備紅外圖像的分析來(lái)診斷設(shè)備的狀態(tài)及其隱患缺陷。

圖1 紅外攝像機(jī)布置位置示意圖

1 圖像的小波分析

小波分析技術(shù)為電機(jī)故障信號(hào)處理提供了強(qiáng)有力的工具[8]。它不僅適合分析平穩(wěn)信號(hào)，而且適合分析非平穩(wěn)信號(hào)。對(duì)于圖像信號(hào)，小波有極強(qiáng)的圖像分解能力，將一幅圖像分解成高頻圖像與低頻圖像。本文采用基于小波包分析的圖像信號(hào)處理方法。由于良好的時(shí)頻局部化特征，小波分析可準(zhǔn)確呈現(xiàn)圖像變化特征，在異常檢測(cè)分析上顯示出明顯的優(yōu)勢(shì)。

當(dāng)牽引電機(jī)出現(xiàn)各種電氣或機(jī)械故障時(shí)，會(huì)引起電機(jī)溫度較大的變化。通過(guò)對(duì)電機(jī)監(jiān)測(cè)紅外圖像預(yù)處理，進(jìn)行小波包變換，可以有效地提取出電機(jī)溫度變化的特征向量，采用簡(jiǎn)單的模式識(shí)別方法，便可準(zhǔn)確診斷交流牽引電機(jī)的故障。

本文利用小波分析將紅外圖像進(jìn)行分解，將低頻圖像進(jìn)行直方圖均衡化處理，高頻圖像根據(jù)紅外圖像的特征進(jìn)行有選擇的保留，即對(duì)邊緣特征的高頻信息保留，其他高頻信息全部置零，再使用小波反變換還原圖像，即可得到圖像邊緣以及故障點(diǎn)增強(qiáng)后的紅外圖像。

圖像可以看作是二維的矩陣，一般假設(shè)圖像矩陣的大小為N×N，且有N=2n（n為非負(fù)的整數(shù)）。那么每次小波變換后，圖像便被分解為4個(gè)大小為原來(lái)尺寸1/4的子塊頻帶區(qū)域，如圖2所示。每個(gè)頻帶分別包含了相應(yīng)的小波系數(shù)，相當(dāng)于在水平方向和豎直方向上進(jìn)行隔點(diǎn)采樣。

圖2 一次小波變換后的頻率分布

LL頻帶是圖像內(nèi)容的縮略圖，它是圖像數(shù)據(jù)能量集中的頻帶。

HL頻帶存放的是圖像水平方向的高頻信息，它反映了圖像水平方向上的變化信息和邊緣信息。

LH頻帶存放的是圖像豎直方向的高頻信息，它反映了在豎直方向上的灰度變化信息和圖像的邊緣信息。

HH頻帶存放的是圖像在對(duì)角線方向的高頻信息，它反映了水平方向和豎直方向上圖像灰度的綜合變化信息，同時(shí)包含了少量的邊緣信息。

圖像的灰度顯示范圍是有限的，其分量的取值范圍在區(qū)間[0，255]內(nèi)。本文所用的二維離散小波變換的快速算法（Mallat算法），在結(jié)果中小波系數(shù)的范圍超出了設(shè)備的顯示范圍，因此為了顯示變換結(jié)果，必須將小波系數(shù)的范圍映射到區(qū)間[0，255]。假設(shè)小波系數(shù)Wt(i，j)的最大值為Wtmax,最小值為Wtmin,那么映射過(guò)程可以通過(guò)式（1）來(lái)完成。

2 紅外圖像特征增強(qiáng)

在基于小波分析的電機(jī)故障檢測(cè)算法中，考慮到：

（1）本文是針對(duì)紅外圖像的電機(jī)故障檢測(cè)，因此著重關(guān)注的是圖像中亮度最高的區(qū)域，故可以設(shè)定亮度閾值的方法縮減小波圖像變換的計(jì)算區(qū)域，以提高計(jì)算速度。

（2）由于電力機(jī)車(chē)的運(yùn)動(dòng)會(huì)造成紅外攝像機(jī)上下、前后、左右方向的震動(dòng)，其中對(duì)攝像機(jī)影響最大的是上下震動(dòng)，會(huì)產(chǎn)生垂直高頻噪聲，因此原始圖像經(jīng)一次小波變換后，LH頻帶和HH頻帶受噪聲污染較為嚴(yán)重，HL頻帶受噪聲污染較小，故只對(duì)HL頻帶作邊緣信息保留，其他高頻頻帶中的數(shù)據(jù)置零，以達(dá)到去除垂直高頻噪聲的目的。

（3）圖像的邊緣需作一定的膨脹處理，才能在小波重構(gòu)圖像中保留較為完整的邊緣信息。

（2）對(duì) I(i，j)使用Canny算子進(jìn)行邊緣檢測(cè)結(jié)果進(jìn)行3×3的平滑濾波，并進(jìn)行圖像膨脹運(yùn)算，得到邊緣圖像Ic(i，j)。

（3）對(duì) I(i，j)使用Mallat小波分解算法，得到高頻圖像WHL(i， j) 。

（4）將 Ic(i，j)縮小 4 倍與 WHL相乘，得到僅有邊緣高頻信息的結(jié)果，并映射到檢測(cè)結(jié)果I/(i，j)中。對(duì)任意像素點(diǎn) (i，j)，有：

該算法的流程如圖3所示。

3 仿真實(shí)驗(yàn)

實(shí)驗(yàn)采用具有紅外功能的近紅外相機(jī)NIR300，該相機(jī)價(jià)格低廉，在900～1 700 nm的近紅外范圍內(nèi)有效。實(shí)驗(yàn)對(duì)象是SS6機(jī)車(chē)的牽引電機(jī)，圖4所示是該類(lèi)電機(jī)的紅外圖像。

圖3 算法流程圖

圖4 電機(jī)紅外圖像

在電機(jī)故障檢測(cè)時(shí)，由于紅外攝像機(jī)采集到的是連續(xù)圖像，最簡(jiǎn)單的方法是采用背景減除法得到故障點(diǎn)的位置。背景圖像一般可采用電機(jī)最穩(wěn)定可靠時(shí)的圖像或若干幀實(shí)時(shí)圖像的平均圖像。由于電機(jī)運(yùn)行穩(wěn)定時(shí)所得到的圖像與當(dāng)前圖像的采集條件有所不同，因此采用最簡(jiǎn)單的背景建模方法得到背景圖像，即當(dāng)前條件下前若干幀圖像的平均圖像。第一種方法對(duì)于故障點(diǎn)的檢測(cè)門(mén)限要求低，利用視頻圖像連續(xù)檢測(cè)的特點(diǎn)，可以較早檢測(cè)到電機(jī)故障，及早處理問(wèn)題；第二種方法雖然快捷，但是對(duì)于漸變故障，很難發(fā)現(xiàn)。因此，這兩種方法各有利弊，在檢測(cè)策略設(shè)計(jì)時(shí)可聯(lián)合考慮，本文不討論檢測(cè)算法。

圖像檢測(cè)一般可通過(guò)對(duì)圖像采取增強(qiáng)、濾波等處理手段，將檢測(cè)點(diǎn)特征增強(qiáng)，以增加檢測(cè)的準(zhǔn)確率。本文采用小波方法以增強(qiáng)圖像邊緣特征并平滑圖像噪聲，使用直方圖均衡化方法增強(qiáng)圖像的表面特征，繼而得到增強(qiáng)的故障點(diǎn)圖像，達(dá)到便于故障點(diǎn)檢測(cè)的目的。采用直方圖均衡化方法與本文方法比較，圖5所示為兩種方法得到的電機(jī)紅外圖像的增強(qiáng)結(jié)果，表1顯示了兩種方法計(jì)算時(shí)間的差別。

表1 兩種計(jì)算方法的計(jì)算速度比較 s

在實(shí)驗(yàn)中，采用“haar”小波基對(duì)圖像進(jìn)行一級(jí)小波分解。通過(guò)大量實(shí)驗(yàn)發(fā)現(xiàn)，不同尺度的小波基對(duì)紅外圖像的處理結(jié)果幾乎一樣，可能是因?yàn)榧t外圖像本身成像質(zhì)量較可見(jiàn)光圖像差，信噪比不高，高頻信息主要是噪聲，由于僅留下圖像邊緣的HL頻帶高頻信息，其他高頻信息全部去除（置零）的方式，使得反變換后的圖像幾乎是濾除高頻信息的低頻圖像。因此，不管采用哪種尺度的小波基進(jìn)行一級(jí)小波分解，得到的低頻圖像幾乎都沒(méi)有發(fā)生變化。

從圖5可以看出，電機(jī)1圈出的故障點(diǎn)處，圖（a）與圖（b）直觀差別不大，圖（c）和圖（d）都能很清晰地看到故障點(diǎn)，對(duì)比圖（c）與（d），發(fā)現(xiàn)本文方法能平滑非邊緣處的圖像，而對(duì)邊緣處即圖像有變化的地方?jīng)]有影響，所以本文方法能有效平滑一些機(jī)車(chē)震動(dòng)和紅外相機(jī)本身所造成的一些干擾，而直方圖均衡化增強(qiáng)方法不能有效去除這些噪聲。電機(jī)2的圖（a）與圖（b）看不出任何差別，采用直方圖均衡化增強(qiáng)方法的圖（c）也看不出故障點(diǎn)的變換，而采用本文方法的圖（d）能看出圖像的變化，可見(jiàn)本文方法能有效保留故障點(diǎn)，并能增強(qiáng)故障點(diǎn)信息，方便故障檢測(cè)。

從表1可以看出，與直接直方圖均衡化方法相比，新方法由于用小波分解后的圖像進(jìn)行均衡化處理，數(shù)據(jù)量是源圖像的1/4，雖然小波分析方法占用了一些處理時(shí)間，但總體上能減小計(jì)算時(shí)間。視頻圖像處理一個(gè)重要的指標(biāo)是處理速度，要稱(chēng)得上是實(shí)時(shí)處理，必須要求每秒10幀的圖像處理速度，即算法的處理時(shí)間必須小于每幅圖像100 ms。從表1中看出，直方圖均衡化方法的計(jì)算時(shí)間均多于100 ms，無(wú)法達(dá)到實(shí)時(shí)處理的要求；而本文方法的每幀圖像處理時(shí)間小于100 ms，即可以保證每秒10幀的處理速度，可以認(rèn)為具有實(shí)時(shí)處理紅外圖像的能力。

圖5 電機(jī)紅外圖像增強(qiáng)方法比較

4 總結(jié)

本文提出基于小波分析的紅外圖像增強(qiáng)算法，該算法采用對(duì)圖像邊緣高頻圖像信號(hào)進(jìn)行提取，舍去其他高頻信號(hào)，以此來(lái)重新構(gòu)建紅外圖像，達(dá)到對(duì)紅外圖像去噪、邊緣增強(qiáng)的作用。通過(guò)實(shí)驗(yàn)證明，該方法能有效去除圖像高頻噪聲，并能有效保留紅外圖像的邊緣特征，對(duì)電機(jī)紅外圖像故障檢測(cè)提供有效信息。

[1]侯志祥，申群太，李河清.電機(jī)設(shè)備的現(xiàn)代故障診斷方法[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2003，15（6）：61-63.

[2]梁信信，孫立志，吳鳳江，等.感應(yīng)電機(jī)故障在線檢測(cè)的研究綜述及展望[J].微電機(jī)，2011，44（9）：75-78.

[3]張昌凡，黃宜山，邵瑞.基于觀測(cè)器的感應(yīng)電機(jī)故障檢測(cè)方法及應(yīng)用[J].儀器儀表學(xué)報(bào)，2011，32（6）：1337-1343.

[4]黃亮.電力機(jī)車(chē)交流牽引電機(jī)故障診斷技術(shù)研究[D].成都：西南交通大學(xué)，2009.

[5]Tallan R M，裴彧，邱建甫.感應(yīng)電機(jī)中定子相關(guān)故障檢測(cè)方法的綜述[J].國(guó)外大電機(jī)，2005（3）：18-26.

[6]賀昌權(quán)，包廣清.基于小波變換的無(wú)刷直流電動(dòng)機(jī)逆變器故障檢測(cè)仿真研究[J].微電機(jī)，2010，43（1）：74-77.

[7]王成亮.基于低勵(lì)磁法的發(fā)電機(jī)鐵心故障檢測(cè)研究[J].大電機(jī)技術(shù)，2010（6）：9-13.

[8]矯立新，張麗娟.基于小波變換的異步電機(jī)故障檢測(cè)與分析[J].電氣自動(dòng)化，2011，33（2）：73-75.

電機(jī)故障檢測(cè)的小波分析紅外圖像增強(qiáng)

李宇光，劉明光

LI Yuguang,LIU Mingguang

School of Electrical Engineering,Beijing Jiaotong University,Beijing 100044,China

A new method based on wavelet is proposed to enhance the features of infrared imaging in electric locomotive motor detection.When infrared image decomposed by wavelet,according to the edge of this image,pixels of edge in high-frequency images are retained and the other pixels are zero.And it processes the low frequency image using histogram equalization.With the new low and high images,an enhanced infrared image is reconstructed.Experimental results illustrate that the new method can effectively remove the image noise,retain the infrared image edge features,and provide effective information for fault detection of motor with infrared image.

wavelet analysis;image enhancement;infrared image;motor fault detection

針對(duì)紅外成像電力機(jī)車(chē)電機(jī)檢測(cè)技術(shù)中圖像特征不明顯，故障點(diǎn)獲取困難等問(wèn)題，提出基于小波分析的紅外圖像增強(qiáng)算法。采用對(duì)圖像邊緣高頻圖像信號(hào)進(jìn)行提取，舍去其他高頻信號(hào)，并對(duì)低頻分量進(jìn)行直方圖均衡化處理，以此來(lái)重新構(gòu)建紅外圖像，達(dá)到對(duì)紅外圖像去噪、邊緣以及故障點(diǎn)增強(qiáng)的作用。通過(guò)實(shí)驗(yàn)證明，該方法能有效去除圖像高頻噪聲，保留紅外圖像的邊緣特征，對(duì)紅外圖像故障檢測(cè)提供有效信息。

小波分析；圖像增強(qiáng)；紅外圖像；電機(jī)故障檢測(cè)

A

TN911.73

10.3778/j.issn.1002-8331.1110-0203

LI Yuguang,LIU Mingguang.Using wavelet to enhance infrared image in motor fault detection.Computer Engineering and Applications,2013,49（11）：241-243.

李宇光（1973—），男，高工，主要研究領(lǐng)域?yàn)殡姍C(jī)故障檢測(cè)、機(jī)車(chē)運(yùn)用；劉明光（1956—），男，博士，教授，博導(dǎo)。E-mail：liyuguang_73@sohu.com

2011-10-12

2011-12-29

1002-8331（2013）11-0241-03

CNKI出版日期：2012-03-08 http://www.cnki.net/kcms/detail/11.2127.TP.20120308.1521.042.html