滾動(dòng)軸承先進(jìn)故障診斷方法研究（本科畢業(yè)論文設(shè)計(jì)）.doc
約44頁(yè)DOC格式手機(jī)打開展開
滾動(dòng)軸承先進(jìn)故障診斷方法研究（本科畢業(yè)論文設(shè)計(jì)）,摘 要隨著科學(xué)技術(shù)的高速發(fā)展，對(duì)滾動(dòng)軸承進(jìn)行檢測(cè)越來越重要。目前，我國(guó)滾動(dòng)軸承缺陷依舊停留在手工檢測(cè)階段，技術(shù)落后、工作效率低。而日本、美國(guó)等國(guó)在其檢測(cè)方面進(jìn)行了大量的研究，并研制出了各種類型的檢測(cè)裝置，產(chǎn)生了巨大的經(jīng)濟(jì)效益。隨著我國(guó)工業(yè)控制技術(shù)領(lǐng)域的巨大進(jìn)步和市場(chǎng)的開放...
內(nèi)容介紹
此文檔由會(huì)員 cglina 發(fā)布
滾動(dòng)軸承先進(jìn)故障診斷方法研究（本科畢業(yè)論文設(shè)計(jì)）
摘 要
隨著科學(xué)技術(shù)的高速發(fā)展，對(duì)滾動(dòng)軸承進(jìn)行檢測(cè)越來越重要。目前，我國(guó)滾動(dòng)軸承缺陷依舊停留在手工檢測(cè)階段，技術(shù)落后、工作效率低。而日本、美國(guó)等國(guó)在其檢測(cè)方面進(jìn)行了大量的研究，并研制出了各種類型的檢測(cè)裝置，產(chǎn)生了巨大的經(jīng)濟(jì)效益。隨著我國(guó)工業(yè)控制技術(shù)領(lǐng)域的巨大進(jìn)步和市場(chǎng)的開放，給計(jì)算機(jī)控制技術(shù)、機(jī)器視覺技術(shù)、信息技術(shù)在鐵路系統(tǒng)的應(yīng)用帶來了前所未有的機(jī)遇。
本文根據(jù)滾動(dòng)軸承表面缺陷圖像的特點(diǎn)，利用數(shù)字圖像處理技術(shù)對(duì)采集到的滾動(dòng)軸承圖像進(jìn)行處理并提取出缺陷，最后利用有效特征對(duì)缺陷進(jìn)行分類。本文內(nèi)容由以下部分構(gòu)成：
1、在缺陷圖像預(yù)處理方面，本文首先分析了貨車滾動(dòng)軸承常見表面缺陷的形態(tài)特征、形成機(jī)理及其識(shí)別的難點(diǎn)，設(shè)計(jì)了表面缺陷圖像處理與識(shí)別系統(tǒng)的基本結(jié)構(gòu)。對(duì)圖像進(jìn)行濾波去噪，增強(qiáng)了圖像的對(duì)比度，濾除混入圖像中的噪聲，改善了圖像質(zhì)量。
2、在邊緣檢測(cè)方面，先利用改進(jìn)的模糊均值聚類算法檢測(cè)噪聲與邊緣，達(dá)到粗分割的目的，再利用多小波進(jìn)行二次邊緣檢測(cè)。
3、在缺陷類型分類方面上，將神經(jīng)網(wǎng)絡(luò)應(yīng)用于表面缺陷識(shí)別，提取缺陷目標(biāo)的面積、伸長(zhǎng)度、厚實(shí)度、圓度、邊緣平滑度五個(gè)特征向量，訓(xùn)練了一個(gè)神經(jīng)網(wǎng)絡(luò)分類器。
論文最后針對(duì)不同類型缺陷，給出了經(jīng)各個(gè)圖像處理步驟及模式識(shí)別后的缺陷分類結(jié)果，證明了系統(tǒng)能夠正確實(shí)現(xiàn)滾動(dòng)軸承表面缺陷檢測(cè)的目的，具有一定的適用性。
關(guān)鍵詞：滾動(dòng)軸承，機(jī)器視覺，模糊均值，非接觸檢測(cè)，CCD
ABSTRACT
With the development of the Science and Technology , defect inspection of roller bearing becomes more and more important to ensure the safety. but in our country, the roller bearing surface defect is still defected using hands leading low efficiency. In developed countries such as US and Japan, advanced research has been done and many defect equipment has been developed, thus high efficiency and economics could be reached. With the development of the industrial control technology and information technology, railway transport meets great challenges.
According to the surface defect image’s traits and using digital image processing, the paper abstracts the defects from the roller bearing surface defect image, makes classification of them according to their feature. The paper is composed of the following parts.
1. At the aspect of the image pretreatment, the thesis analyzes the characteristics and the way surface defect formed and difficulties of its recognition. Besides, it designs the basic framework of the processing and recognition system, improve an image, which help to enhance the contrast and remove the noise.
2. At the aspect of edge detect, at first, FCM clustering algorithm is used to separate edge from noise, then multiwavelet transform algorithm is used to make precision segmentation.
3. The neural network is applied to the recognition of surface detect. Defect’s area, its eccentricity, its solidity, its roundness, and its edge smoothness are extracted as 5 characters, also a BP neural network sorter is trained.
At last the paper provides the results of image processing and pattern recognition to different types of defects, which prove that the system could inspect roller bearing surface defects exactly and is applicable.
Key words: the roller bearing, Machine Vision , Fuzzy mean , Non-contact inspection ,CCD
目 錄
摘 要 I
ABSTRACT II
1 緒論 1
1.1 軸承故障診斷與檢測(cè)的重要性 1
1.2 滾動(dòng)軸承故障檢測(cè)技術(shù)的發(fā)展概況及現(xiàn)狀 1
1.2.1 振動(dòng)檢測(cè)技術(shù) 2
1.2.2 鐵譜檢測(cè)技術(shù) 2
1.2.3 油膜電阻檢測(cè)技術(shù) 2
1.2.4 溫度檢測(cè)技術(shù) 2
1.3 滾動(dòng)軸承故障分析技術(shù) 3
1.3.1 傳統(tǒng)的診斷方法 3
1.3.2 振動(dòng)診斷技術(shù)在滾動(dòng)軸承故障分析中的應(yīng)用 4
1.4 基于機(jī)器視覺的檢測(cè)方法 5
1.4.1 機(jī)器視覺技術(shù)的應(yīng)用和發(fā)展 5
1.4.2 機(jī)器視覺系統(tǒng)的介紹[4] 6
2 軸承外圈表面缺陷檢測(cè)裝置研究 8
2.1 軸承外圈表面缺陷研究 8
2.1.1 軸承外圈表面缺陷的主要類型[5] 8
2.1.2 檢測(cè)原理 9
2.2 軸承表面缺陷圖像的處理和識(shí)別系統(tǒng) 9
2.3 光源及照明設(shè)計(jì) 10
2.3.1 光源的類型 10
2.3.2 光源的選擇 12
2.3.3 照明方式 13
3 圖像預(yù)處理 15
3.1 圖像的自動(dòng)獲取 15
3.2 圖像平滑濾波 15
3.2.1 均值濾波 16
3.2.2 加權(quán)平均濾波 16
3.2.3 高斯濾波 17
3.2.4 中值濾波 17
3.3 圖像增強(qiáng) 18
3.3.1 灰度級(jí)線性變換[13] 19
3.3.2 直方圖均衡化處理 20
3.4 圖像二值化分割 20
3.4.1 固定閾值法（峰谷法） 21
3.4.2 迭代式閾值法 21
3.4.3 最優(yōu)閾值法 22
3.4.4 自適應(yīng)閾值法 22
4 診斷技術(shù)研究 24
4.1 缺陷識(shí)別的模糊C聚類分割算法 24
4.2 利用改進(jìn)的FCM進(jìn)行圖像分割 24
4.3 缺陷目標(biāo)邊緣檢測(cè) 25
4.3.1 微分邊緣檢測(cè)算子 26
4.3.2 基于小波理論的邊緣檢測(cè)算法[20] 27
4.4 缺陷識(shí)別的神經(jīng)網(wǎng)絡(luò)方法 28
4.4.1 人工神經(jīng)網(wǎng)絡(luò)概述 28
4.4.2 利用BP網(wǎng)絡(luò)對(duì)缺陷分類 29
5 實(shí)驗(yàn)及分析 31
5.1 實(shí)驗(yàn)方案 31
5.2 結(jié)果分析 31
5.3 實(shí)驗(yàn)結(jié)論 35
6 結(jié)論 36
6.1 機(jī)器視覺檢測(cè)技術(shù)的優(yōu)缺點(diǎn) 36
6.2 以后的研究方向 36
致謝 38
參考文獻(xiàn) 39
摘 要
隨著科學(xué)技術(shù)的高速發(fā)展，對(duì)滾動(dòng)軸承進(jìn)行檢測(cè)越來越重要。目前，我國(guó)滾動(dòng)軸承缺陷依舊停留在手工檢測(cè)階段，技術(shù)落后、工作效率低。而日本、美國(guó)等國(guó)在其檢測(cè)方面進(jìn)行了大量的研究，并研制出了各種類型的檢測(cè)裝置，產(chǎn)生了巨大的經(jīng)濟(jì)效益。隨著我國(guó)工業(yè)控制技術(shù)領(lǐng)域的巨大進(jìn)步和市場(chǎng)的開放，給計(jì)算機(jī)控制技術(shù)、機(jī)器視覺技術(shù)、信息技術(shù)在鐵路系統(tǒng)的應(yīng)用帶來了前所未有的機(jī)遇。
本文根據(jù)滾動(dòng)軸承表面缺陷圖像的特點(diǎn)，利用數(shù)字圖像處理技術(shù)對(duì)采集到的滾動(dòng)軸承圖像進(jìn)行處理并提取出缺陷，最后利用有效特征對(duì)缺陷進(jìn)行分類。本文內(nèi)容由以下部分構(gòu)成：
1、在缺陷圖像預(yù)處理方面，本文首先分析了貨車滾動(dòng)軸承常見表面缺陷的形態(tài)特征、形成機(jī)理及其識(shí)別的難點(diǎn)，設(shè)計(jì)了表面缺陷圖像處理與識(shí)別系統(tǒng)的基本結(jié)構(gòu)。對(duì)圖像進(jìn)行濾波去噪，增強(qiáng)了圖像的對(duì)比度，濾除混入圖像中的噪聲，改善了圖像質(zhì)量。
2、在邊緣檢測(cè)方面，先利用改進(jìn)的模糊均值聚類算法檢測(cè)噪聲與邊緣，達(dá)到粗分割的目的，再利用多小波進(jìn)行二次邊緣檢測(cè)。
3、在缺陷類型分類方面上，將神經(jīng)網(wǎng)絡(luò)應(yīng)用于表面缺陷識(shí)別，提取缺陷目標(biāo)的面積、伸長(zhǎng)度、厚實(shí)度、圓度、邊緣平滑度五個(gè)特征向量，訓(xùn)練了一個(gè)神經(jīng)網(wǎng)絡(luò)分類器。
論文最后針對(duì)不同類型缺陷，給出了經(jīng)各個(gè)圖像處理步驟及模式識(shí)別后的缺陷分類結(jié)果，證明了系統(tǒng)能夠正確實(shí)現(xiàn)滾動(dòng)軸承表面缺陷檢測(cè)的目的，具有一定的適用性。
關(guān)鍵詞：滾動(dòng)軸承，機(jī)器視覺，模糊均值，非接觸檢測(cè)，CCD
ABSTRACT
With the development of the Science and Technology , defect inspection of roller bearing becomes more and more important to ensure the safety. but in our country, the roller bearing surface defect is still defected using hands leading low efficiency. In developed countries such as US and Japan, advanced research has been done and many defect equipment has been developed, thus high efficiency and economics could be reached. With the development of the industrial control technology and information technology, railway transport meets great challenges.
According to the surface defect image’s traits and using digital image processing, the paper abstracts the defects from the roller bearing surface defect image, makes classification of them according to their feature. The paper is composed of the following parts.
1. At the aspect of the image pretreatment, the thesis analyzes the characteristics and the way surface defect formed and difficulties of its recognition. Besides, it designs the basic framework of the processing and recognition system, improve an image, which help to enhance the contrast and remove the noise.
2. At the aspect of edge detect, at first, FCM clustering algorithm is used to separate edge from noise, then multiwavelet transform algorithm is used to make precision segmentation.
3. The neural network is applied to the recognition of surface detect. Defect’s area, its eccentricity, its solidity, its roundness, and its edge smoothness are extracted as 5 characters, also a BP neural network sorter is trained.
At last the paper provides the results of image processing and pattern recognition to different types of defects, which prove that the system could inspect roller bearing surface defects exactly and is applicable.
Key words: the roller bearing, Machine Vision , Fuzzy mean , Non-contact inspection ,CCD
目 錄
摘 要 I
ABSTRACT II
1 緒論 1
1.1 軸承故障診斷與檢測(cè)的重要性 1
1.2 滾動(dòng)軸承故障檢測(cè)技術(shù)的發(fā)展概況及現(xiàn)狀 1
1.2.1 振動(dòng)檢測(cè)技術(shù) 2
1.2.2 鐵譜檢測(cè)技術(shù) 2
1.2.3 油膜電阻檢測(cè)技術(shù) 2
1.2.4 溫度檢測(cè)技術(shù) 2
1.3 滾動(dòng)軸承故障分析技術(shù) 3
1.3.1 傳統(tǒng)的診斷方法 3
1.3.2 振動(dòng)診斷技術(shù)在滾動(dòng)軸承故障分析中的應(yīng)用 4
1.4 基于機(jī)器視覺的檢測(cè)方法 5
1.4.1 機(jī)器視覺技術(shù)的應(yīng)用和發(fā)展 5
1.4.2 機(jī)器視覺系統(tǒng)的介紹[4] 6
2 軸承外圈表面缺陷檢測(cè)裝置研究 8
2.1 軸承外圈表面缺陷研究 8
2.1.1 軸承外圈表面缺陷的主要類型[5] 8
2.1.2 檢測(cè)原理 9
2.2 軸承表面缺陷圖像的處理和識(shí)別系統(tǒng) 9
2.3 光源及照明設(shè)計(jì) 10
2.3.1 光源的類型 10
2.3.2 光源的選擇 12
2.3.3 照明方式 13
3 圖像預(yù)處理 15
3.1 圖像的自動(dòng)獲取 15
3.2 圖像平滑濾波 15
3.2.1 均值濾波 16
3.2.2 加權(quán)平均濾波 16
3.2.3 高斯濾波 17
3.2.4 中值濾波 17
3.3 圖像增強(qiáng) 18
3.3.1 灰度級(jí)線性變換[13] 19
3.3.2 直方圖均衡化處理 20
3.4 圖像二值化分割 20
3.4.1 固定閾值法（峰谷法） 21
3.4.2 迭代式閾值法 21
3.4.3 最優(yōu)閾值法 22
3.4.4 自適應(yīng)閾值法 22
4 診斷技術(shù)研究 24
4.1 缺陷識(shí)別的模糊C聚類分割算法 24
4.2 利用改進(jìn)的FCM進(jìn)行圖像分割 24
4.3 缺陷目標(biāo)邊緣檢測(cè) 25
4.3.1 微分邊緣檢測(cè)算子 26
4.3.2 基于小波理論的邊緣檢測(cè)算法[20] 27
4.4 缺陷識(shí)別的神經(jīng)網(wǎng)絡(luò)方法 28
4.4.1 人工神經(jīng)網(wǎng)絡(luò)概述 28
4.4.2 利用BP網(wǎng)絡(luò)對(duì)缺陷分類 29
5 實(shí)驗(yàn)及分析 31
5.1 實(shí)驗(yàn)方案 31
5.2 結(jié)果分析 31
5.3 實(shí)驗(yàn)結(jié)論 35
6 結(jié)論 36
6.1 機(jī)器視覺檢測(cè)技術(shù)的優(yōu)缺點(diǎn) 36
6.2 以后的研究方向 36
致謝 38
參考文獻(xiàn) 39
