振动保护监测仪

众所周知，任何机器的运转都会产生振动，有些振动代表运行正常，而有些振动则表示故障的初始信号。在预测维护领域，检测振动特征是诊断过程的关键因素，通过振动检测可以确定并缓解问题，以免发生更严重的事件。今天，小菲就给大家介绍下通过感应、放大和测量细微运动，使用户可以看到工厂资产（例如机器）上的振动特征，保障机器的正常运行。传统检测费时费力，停机成本高昂传统检测机器震动的方法是在机器上部署有线传感器（例如接触式加速计）监视出现的振动。在从传感器获取数据后，对该数据进行工作振型分析，以呈现机器运动的动画模型，从而使振动模式可视化。但是据RDI Technologies（美国田纳西州诺克斯维尔）的创始人和CEOJeff Hay博士称，该技术不仅需要花时间从多个点处采集测量数据，而且还需要能接触机器。在机器不便接触或根本接触不到时（机器前方有重重障碍或玻璃），该技术往往没有使用的可能性。另外，传统的接触式测量在安装加速计时经常需要机器停止运行，致使产生因停工而带来的高昂成本。为此，RDI Technologies的工程师开发出了一款名为Iris M的非接触式视频处理系统，该系统使用FLIR机器视觉相机感应、放大和测量机器引起的细微振动，消除了使用早期技术本身固有的缺陷。Iris M系统使用装在Vanguard三脚架上的FLIR 2.3Mpixel Grasshoppper3相机，此相机以默认分辨率为1920x1050、速度为120帧/秒的规格获取单色图像数据。从相机获取的数据将通过USB 3.0接口传输到平板电脑上，在此使用公司专用软件进行分析，使用户可以看到工厂资产（例如机器）上的振动特征。选择FLIR机器视觉相机的原因在Iris M系统中，FLIR机器视觉相机相当于数据获取的设备，它收集视频图像，然后从中提取和分析运动。FLIR 2.3Mpixel Grasshoppper3 GS3-U3-23S6M-C相机装在Vanguard三脚架上，以默认分辨率为1920x1050、速度为120 帧/秒的规格获取单色图像数据。 获取后的数据会通过防脱落电缆经USB 3.0接口从相机传输到Getac F110或Microsoft Surface Book的平板电脑上。“然后电脑软件Motion Amplification的专用视频处理算法会使机器振动可视化。它将逐帧分析每幅图像的像素，确定场景中哪些部分在移动。接下来，它将场景中所有运动振幅的幅度更改放大至肉眼可见的程度，从而加强对引起任何振动的组件之间的理解，”Hay 博士说道。通过使用电脑上运行的图形用户界面，用户可以选择图像的某一部分进行下一步分析。该系统软件将显示与这些区域关联或与时间相关的强度数据。然后可以使用各种数学函数（例如快速傅里叶变换，又称 FFT），将与时间相关的强度数据集转换为与频率相关的强度数据。随后将向用户呈现场景所选部分不同频率的未放大振幅和振动阶段。Iris M系统灵敏度高，可推广更多行业自从2016年第3季度发布以来，Iris M系统已经改变了行业内人士使用机器监控观察振动的方式。该系统不仅易于使用，还可反馈给用户可见的、简单明了的视频图像，以便用户更好地了解设备运行状况。据Hay博士称，选择FLIR Grasshopper相机已成为该系统大获成功的一个关键性原因。该相机具有12 位动态范围，可以捕获图像中亮光照射和黑暗区域之间像素强度的细微差别，使该系统软件相比于其他软件能够提取更详细的变化情况。Grasshopper相机系列将CCD和CMOS技术与Point Grey的专门技术相结合，实现了高性能、高质量的成像。但同样重要的是Motion Amplification算法本身， “得益于这套独特的算法，Iris 在测量位移方面比传统基于图像的测量工具要大约灵敏100倍。另外，在必要时，Iris M能够直接从图像点测量，可用于量化运动的位移，而不必通过解释该点测量来确定运动种类和呈现的错误，”他说。 这种技术的另一大好处就是数据反馈的速度和数据的详细程度。与传统的接触式测量系统不同，它还可以扩展，因为可以同时测量相机视野内的所有资产振动。另外，它还使自己成为技术人员和非技术人员用户之间良好的沟通工具，因为任何资产的任何问题根源都可直接在视频中看到。新系统已在各种实用应用中部署，除执行对工业资产（例如机器）的状态监控外，Iris M系统也可用于分析桥梁、建筑和相似结构的结构完整性。此外，它还可以用于生物医学监控应用，以评估个体呼吸作用。

双孢蘑菇属于呼吸跃变型，采后极易变软腐烂，通常采后常温下双孢蘑菇1～3 d就会出现失水、开伞或者褐变，冷藏可贮藏5～10 d，因此其货架期较短。此外，双孢蘑菇具有薄且多孔的表皮结构同时又缺乏保护组织，属于典型的机械损伤或瘀伤高敏感性作物。在流通过程中要经历长时间的振动胁迫，导致双孢蘑菇产生不同程度的机械损伤。严重的外部损伤可通过机器视觉技术等手段进行检测。沈阳农业大学信息与电气工程学院的姜凤利和食品学院的孙炳新*等以双孢蘑菇为研究对象，采集室温条件下不同振动胁迫时间的新鲜蘑菇高光谱信息，融合光谱和纹理特征，结合化学计量学方法，对双孢蘑菇的早期机械损伤进行快速预测和判别。1、双孢蘑菇色泽分析从表1可以看出，随着振动时间的延长，蘑菇菌盖的亮度L值逐渐下降，颜色值a、b愈加发黄、发红，体现出双孢蘑菇的颜色值随着振动时间的变化而变化。与蘑菇亮度L变化趋势相反，褐变度持续升高，这可能是因为振动处理加剧膜脂过氧化作用，细胞膜透性升高，导致细胞膜结构破坏，使酚类物质与褐变相关酶广泛接触并反应，从而加剧了褐变的发生。综上所述，说明振动胁迫会加速双孢蘑菇白度值下降和褐变。2、双孢蘑菇光谱特征图3为不同振动时间双孢蘑菇平均光谱曲线，可以看出，原光谱数据在400～450 nm和900～1 000 nm波段范围内存在较大噪声，为了保证后续模型的分类正确率，选择450～900 nm范围内的光谱数据进行后续研究。不同振动时间蘑菇平均反射率光谱曲线显著不同，振动120 s的平均光谱反射率最低，完好无损的最高，表明光谱反射率与L值有关，L值越大，蘑菇表面越明亮，光谱反射率越大，即随着褐变度的增加，双孢蘑菇反射率下降明显。进一步分析，光谱在450～750 nm波段不同损伤程度的双孢蘑菇反射率差异明显。3、光谱数据预处理为了提高光谱数据的信噪比，分别采用SNV、SG以及MSC对原光谱进行处理，原光谱曲线以及3种方法处理后光谱曲线（取3种样本各10个光谱数据）如图4所示。从表2可以看出，经过不同预处理方法后，分类模型的效果有很大差异，其中SG预处理后的建模效果最好，训练集和测试集分类正确率分别达到91.11%和84.44%，因此后续研究均采用SG平滑方法处理实验数据。4、特征提取特征波长提取采用SPA提取特征波长个数与RMSECV对应关系如图5a所示，可见选择的特征波长个数为5时，RMSECV值最小为0.191。最终提取出的5个特征波长依次为465、495、512、540、616 nm，如图5b所示。特征波长主要集中在500～650 nm之间，主要是由于该波段范围对应可见光谱的黄色及黄绿色，振动胁迫导致双孢蘑菇表面颜色逐渐变黄，因此随着褐变度增加光谱反射率呈下降趋势。从图6可以看出，CARS在第59次采样时，获得的变量子集建立的PLS模型RMSECV最小，因此，该子集定为关键变量子集，共包含8个变量。提取的特征波长依次为451、475、484、492、518、545、655、798 nm。与SPA相似，CARS提取的特征波长主要集中在500～650 nm附近范围内，除此之外，798 nm波段主要与蘑菇水分含量有关，由于蘑菇受振动胁迫时间较短，因此水分变化并不明显。纹理特征提取如图7所示，因此本研究采用500 nm波段下的灰度图作为特征图像进行感兴趣区域提取。从180个双孢蘑菇样本灰度图中提取240×240大小感兴趣区域图像作为纹理图像，根据纹理特征参数提取方法提取纹理特征值。5、损伤识别模型基于光谱特征的判别模型从表3可以看出，3种识别模型对完好无损、振动60 s、振动120 s的双孢蘑菇识别效果存在较大差异。从3种模型的检测结果看，在训练集和测试集中，SPA提取特征波长效果均优于CARS，可能是由于CARS特征提取算法选择的波长与双孢蘑菇振动损伤相关性较小，而SPA对于消除原始光谱中的冗余信息效果更为突出。此外，SPA-PLS-DA分类识别率最高，训练集和测试集的平均识别率分别为93.33%和91.11%，SPA-BP模型识别率次之，训练集和测试集平均识别率分别为91.11%和88.89%，可能是因为BP神经网络在训练时神经元反向传递学习过程中，易陷入局部最优解。ELM识别模型分类效果差于PLS-DA和BP，训练集和测试集平均识别率分别为82.96%和71.11%，原因可能是ELM模型权重和偏置在后续训练中不进行更新，使其陷入局部最小值，无法获得最优解。基于纹理特征的判别模型从表4可知，与光谱特征判别模型一致，基于纹理特征判别模型的准确率高低依次为PLS-DA、BP和ELM。PLS-DA识别模型在训练集和测试集中，完好无损双孢蘑菇识别正确率均在90%以上，振动60 s类型、振动120 s类型双孢蘑菇识别正确率均低于90%；BP判别模型的分类效果不理想，训练集和测试集中，3 类双孢蘑菇识别正确率均在90%以下，尤其是测试集中，振动60 s双孢蘑菇识别正确率为53.33%。ELM判别模型平均分类正确率最低，训练集和测试集中仅有振动120 s类型双孢蘑菇识别正确率在80%以上。以上建模结果表明单从外部纹理特征建模并不能准确表达蘑菇的内部信息，识别效果不理想。基于光谱-纹理特征融合的判别模型从表5可以看出，训练集的3种不同损伤程度的双孢蘑菇识别正确率均为97.78%，测试集的完好无损类型和振动120 s类型的双孢蘑菇识别正确率为100%，振动60 s类型识别正确率为86.67%，总体识别率为95.56%。从图8可以看出，测试集的振动60 s出现了识别错误的情况，振动60 s被识别成振动120 s和完好无损类型各1个，识别错误的原因可能是振动60 s类型的部分样本与之相邻两类样本的纹理特征差异较小，且光谱特征区分不够明显，导致测试集发生误判的情况。结 论分析并比较SG、MSC和SNV作为高光谱数据预处理方法的建模效果，确定SG为预处理最佳方法。将处理后的数据采用SPA、CARS方法提取特征波长。基于特征波长下的光谱数据以及全波段光谱数据建立PLS-DA、BP神经网络以及ELM分类模型，最终确定SPA-PLS-DA模型分类效果最好，训练集和测试集总体识别率分别为93.33%、91.11%。利用灰度共生矩阵提取500 nm波段下双孢蘑菇纹理特征参数16个，基于特征值建立双孢蘑菇图像信息的PLS-DA、BP神经网络以及ELM分类模型，通过分析实验结果，确定PLS-DA为最佳分类模型，其中训练集和测试集总体识别率分别为88.89%、86.67%。相比光谱建模效果稍差。融合光谱特征和图像特征，建立PLS-DA双孢蘑菇分类模型，训练集和测试集总体识别率分别为97.78%和95.56%。预测效果优于单一信息建立的判别模型。结果表明，采用光谱-图像融合信息建模可以提高双孢蘑菇损伤程度检测精度。

据有关人士分析，未来几年间，我国振动试验机发展将重点围绕以下几个方面：　　工业自动化振动试验机：重点发展基于现场总线技术的主控系统装置及智能化仪表、特种和专用自动化仪表 全面扩大服务领域，推进仪器仪表系统的数字化、智能化、网络化，完成自动化仪表从模拟技术向数字技术的转变，5年内数字仪表比例达到60%以上 加速具有自主知识产权的自动化软件的商品化。　　电工仪器振动试验机：重点发展长寿命电能表、电子式电能表、特种专用电测仪表和电网计量自动管理系统。到2005年，中低档电工仪器仪表国内市场占有率要达到95% 到2010年，高中档电工仪器仪表国内市场占有率达到80%。　　科学测试振动试验机：重点发展过程分析仪器、环保监测仪器仪表、工业炉窑节能分析仪器以及围绕基础产业所需的汽车零部件动平衡、动力测试及整车性能检测仪、大地测量仪、电子速测仪、测量型全球定位系统以及其他实验机、实验室仪器等新产品。产品以技术含量叫高的中档产品为主，到2005年在总产值中占50%～60%。　　振动试验机元器件：“十五”及2010年以前，尽快开发出一批适销对路、市场效果好的产品，品种占有率达到70%～80%，高档产品市场占有率达到60%以上。通过科技公关、新品开发，使产品质量水平达到国际20世纪90年代末水平，部分产品接近国外同类产品先进水平。　　信息技术振动试验机仪器：主要发展振动试验机仪器软件化智能化技术、总线式自动测试技术、综合自动化测试系统、新型元器件测量技术及测试仪器、在线测试技术、信息产业产品测试技术、多媒体测量技术以及相应测试仪器等。