滾動(dòng)軸承紅外熱成像故障診斷與狀態(tài)監(jiān)測(cè)

王建鑫，郭佑民，楊 君

滾動(dòng)軸承紅外熱成像故障診斷與狀態(tài)監(jiān)測(cè)

王建鑫，郭佑民，楊 君

（蘭州交通大學(xué) 機(jī)電技術(shù)研究所，甘肅 蘭州 730070）

紅外熱成像技術(shù)根據(jù)物體對(duì)外輻射強(qiáng)度進(jìn)行具體成像，所得熱圖像不僅包括物體輪廓而且對(duì)于物體表面溫度場(chǎng)分布可進(jìn)行直觀表征，利用該技術(shù)進(jìn)行滾動(dòng)軸承狀態(tài)判別可結(jié)合熱圖像特征豐富以及圖像處理技術(shù)將滾動(dòng)軸承狀態(tài)判別轉(zhuǎn)換到一個(gè)全新的技術(shù)視角。本文首先對(duì)紅外熱成像技術(shù)基本原理進(jìn)行簡(jiǎn)單介紹；其次，主要對(duì)國(guó)內(nèi)外利用紅外熱成像技術(shù)進(jìn)行滾動(dòng)軸承狀態(tài)監(jiān)測(cè)與故障診斷的各個(gè)環(huán)節(jié)所采用的多種技術(shù)方法進(jìn)行總結(jié)論述，最后對(duì)各技術(shù)環(huán)節(jié)所采用的多種方法的優(yōu)、缺點(diǎn)、以及局限性進(jìn)行對(duì)比性的總結(jié)分析，對(duì)滾動(dòng)軸承紅外熱成像故障診斷與狀態(tài)監(jiān)測(cè)發(fā)展前景進(jìn)行展望。

滾動(dòng)軸承；紅外熱圖像；故障診斷；狀態(tài)監(jiān)測(cè)

0 引言

滾動(dòng)軸承作為機(jī)械設(shè)備中應(yīng)用極其廣泛的一種零部件，其種類繁多，結(jié)構(gòu)各異。當(dāng)設(shè)備軸承發(fā)生故障時(shí)，往往會(huì)造成經(jīng)濟(jì)損失，甚至給現(xiàn)場(chǎng)的設(shè)備操作人員帶來(lái)人身安全威脅，因此對(duì)滾動(dòng)軸承進(jìn)行狀態(tài)監(jiān)測(cè)與故障診斷顯得十分重要[1]。滾動(dòng)軸承的狀態(tài)檢測(cè)與故障診斷技術(shù)歷經(jīng)多年的迭代更新發(fā)展，主要的技術(shù)手段包括振動(dòng)信號(hào)、溫度信號(hào)、聲發(fā)射信號(hào)、電磁信號(hào)、超聲信號(hào)、油樣分析等[2]，其中振動(dòng)信號(hào)發(fā)展應(yīng)用相對(duì)廣泛。伴隨著科學(xué)技術(shù)的不斷發(fā)展以及新興技術(shù)的創(chuàng)新融合，滾動(dòng)軸承狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)逐漸體現(xiàn)出自動(dòng)化、智能化特點(diǎn)。

紅外熱成像技術(shù)可以根據(jù)物體對(duì)外輻射強(qiáng)度進(jìn)行具體成像，所得熱圖像不僅包括物體輪廓而且對(duì)于物體表面溫度場(chǎng)分布可以進(jìn)行直觀表征[3]。當(dāng)滾動(dòng)軸承發(fā)生故障時(shí)，空間溫度場(chǎng)分布也發(fā)生相應(yīng)改變[4]；因此，基于溫度的軸承監(jiān)測(cè)技術(shù)已被廣泛應(yīng)用，同樣地通過(guò)軸承紅外熱圖像變化也可以進(jìn)行軸承狀態(tài)判別[5]。近年來(lái)，國(guó)內(nèi)外利用紅外熱成像技術(shù)進(jìn)行滾動(dòng)軸承狀態(tài)判別的研究逐漸增多，該技術(shù)方法將軸承狀態(tài)判別轉(zhuǎn)換到了一個(gè)全新的視角，利用熱圖像特征豐富結(jié)合快速發(fā)展的圖像處理技術(shù)實(shí)現(xiàn)軸承診斷監(jiān)測(cè)，可以實(shí)現(xiàn)遠(yuǎn)距離、無(wú)損傷、高精度、智能化等優(yōu)點(diǎn)，已逐漸發(fā)展成為軸承狀態(tài)判別領(lǐng)域新的研究方向。

本文首先對(duì)紅外熱成像技術(shù)基本原理進(jìn)行介紹；然后，對(duì)國(guó)內(nèi)外利用紅外熱成像進(jìn)行滾動(dòng)軸承狀態(tài)監(jiān)測(cè)與故障診斷的研究工作進(jìn)行總結(jié)論述，最后對(duì)紅外熱成像滾動(dòng)軸承狀態(tài)檢測(cè)與故障診斷研究趨勢(shì)進(jìn)行總結(jié)展望。

1 紅外熱成像基本原理

物體表面溫度超過(guò)絕對(duì)零度時(shí)，會(huì)向外界輻射電磁波，自然界中一切的物體都可以向外界進(jìn)行紅外輻射。根據(jù)溫度的不同，電磁波的輻射強(qiáng)度與波長(zhǎng)分布特性也存在差異[6]。電磁波按波長(zhǎng)進(jìn)行劃分可分為不可見(jiàn)光線和可見(jiàn)光線，可見(jiàn)光線波長(zhǎng)區(qū)間為0.4～0.76mm，其余波長(zhǎng)區(qū)間為不可見(jiàn)光線。物體所散發(fā)的紅外輻射屬于不可見(jiàn)光線中的0.76～1000mm波段；按波長(zhǎng)進(jìn)行劃分可分為0.76～3mm的近紅外、3～6mm的中間紅外、6～1000mm的遠(yuǎn)紅外[7]。

光譜圖如圖1所示，大部份紅外熱像儀主要針對(duì)3～5mm以及8～14mm這兩個(gè)波段進(jìn)行檢測(cè)[8]，通過(guò)光學(xué)系統(tǒng)將采集光線進(jìn)行過(guò)濾實(shí)現(xiàn)紅外輻射聚焦，紅外探測(cè)器將光學(xué)信號(hào)轉(zhuǎn)化為電信號(hào)，然后生成對(duì)應(yīng)的紅外圖像。紅外探測(cè)器探測(cè)目標(biāo)本身和背景之間的紅外輻射插值計(jì)算并顯示物體的表面溫度分布[9]。此外，雖然紅外輻射穿透?jìng)鞑ツ芰^差，但是遠(yuǎn)紅外傳播時(shí)相對(duì)于近、中紅外損失較少，更適合全天候、遠(yuǎn)距離傳播[7]。紅外熱成像檢測(cè)是以測(cè)量物體表面的紅外線輻射能量為主；常見(jiàn)的紅外熱像儀包括制冷型和非制冷型[10]。制冷型響應(yīng)速度快，探測(cè)距離遠(yuǎn)、測(cè)量精度高，價(jià)格相對(duì)較高，主要應(yīng)用于軍事領(lǐng)域。非制冷型紅外熱像儀隨著紅外焦平面探測(cè)器技術(shù)的發(fā)展進(jìn)步，其檢測(cè)速度和精度有了一定程度提升，在民用領(lǐng)域得到廣泛應(yīng)用[11]。

2 滾動(dòng)軸承紅外熱成像狀態(tài)檢測(cè)與故障診斷

2.1 滾動(dòng)軸承紅外溫度監(jiān)測(cè)

對(duì)高速旋轉(zhuǎn)軸承的性能和使用壽命進(jìn)行評(píng)價(jià)時(shí)，溫度被 認(rèn)為是最重要的影響參數(shù)[12-13]。為了研發(fā)出使用壽命長(zhǎng)、工作性能穩(wěn)定的軸承，研究工作者進(jìn)行了軸承不同工況下的溫度場(chǎng)分布研究，其中紅外測(cè)溫儀由于操作簡(jiǎn)單、快速便捷、可以大面積溫度場(chǎng)監(jiān)測(cè)被廣泛使用[14]。進(jìn)行測(cè)量時(shí)，對(duì)被測(cè)物體進(jìn)行拍照，通過(guò)熱圖像灰度值對(duì)比可以確定圖像中每個(gè)單一像素區(qū)域的溫度值，進(jìn)而可以實(shí)現(xiàn)多點(diǎn)的實(shí)時(shí)整體測(cè)溫。

圖1 光譜圖

侯新玉指出目前軸承溫度測(cè)量采用多類型溫度傳感器，但是僅局限于單點(diǎn)測(cè)溫，利用紅外熱成像可以實(shí)現(xiàn)軸承無(wú)接觸的快速測(cè)溫[15]。李艷超等人針對(duì)航空發(fā)動(dòng)機(jī)軸承試驗(yàn)時(shí)軸承溫度場(chǎng)分布這一最為重要的監(jiān)視參數(shù)，將設(shè)計(jì)的紅外測(cè)溫系統(tǒng)測(cè)量溫度與熱電偶測(cè)量溫度進(jìn)行對(duì)比[12]，結(jié)果表明紅外測(cè)溫系統(tǒng)測(cè)量誤差可以滿足相關(guān)技術(shù)要求，且能夠推廣應(yīng)用于其它軸承溫度測(cè)量。鐵路領(lǐng)域中紅外測(cè)溫應(yīng)用較為廣泛且發(fā)展成熟的是紅外軸溫探測(cè)系統(tǒng)，通過(guò)紅外探頭在列車(chē)經(jīng)過(guò)時(shí)對(duì)軸箱局部進(jìn)行掃描，通過(guò)采集的溫度信號(hào)判斷軸箱軸承工作狀態(tài)[16]。李彬彬等人在高速旋轉(zhuǎn)軸承溫度測(cè)量技術(shù)綜述中指出軸承紅外輻射測(cè)溫法雖然能夠?qū)崿F(xiàn)非接觸式溫度動(dòng)態(tài)特性監(jiān)測(cè)，但是也容易受到背景以及環(huán)境中的紅外輻射影響，導(dǎo)致溫度測(cè)量結(jié)果與實(shí)際溫度存在一定偏差，需要進(jìn)行相應(yīng)的結(jié)果補(bǔ)償與修正[17]。圖2為B6204型深溝球軸承運(yùn)行速度為1000rpm時(shí)，處于正常、潤(rùn)滑油不足、滾道表面脫落3種情況下的紅外熱圖像[14]。

圖2 滾動(dòng)軸承紅外熱圖像

Fig.2 Rolling bearing infrared thermal images

2.2 滾動(dòng)軸承紅外熱成像故障診斷與狀態(tài)監(jiān)測(cè)

滾動(dòng)軸承隸屬于旋轉(zhuǎn)機(jī)械[18]，因此滾動(dòng)軸承紅外熱成像故障診斷與狀態(tài)監(jiān)測(cè)可以劃分為旋轉(zhuǎn)機(jī)械紅外智能狀態(tài)監(jiān)測(cè)與故障診斷。旋轉(zhuǎn)機(jī)械紅外智能狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)流程主要包括：圖像采集、圖像預(yù)處理增強(qiáng)、圖像特征參數(shù)提取、故障特征分類[19-20]。通過(guò)紅外熱像儀采集滾動(dòng)軸承原始熱圖像之后需進(jìn)行預(yù)處理增強(qiáng)，使得圖像信噪比降低，故障特征更加明顯。預(yù)處理增強(qiáng)后的圖像包含了滾動(dòng)軸承的狀態(tài)特征，提取更具代表性的圖像特征參數(shù)可以訓(xùn)練得到性能參數(shù)更佳的分類器，實(shí)現(xiàn)更高的分類診斷精度。對(duì)應(yīng)不同的圖像特征，對(duì)其進(jìn)行準(zhǔn)確分類，即可判斷出滾動(dòng)軸承當(dāng)前的工作狀態(tài)。圖3即為一個(gè)完整的利用紅外熱成像進(jìn)行滾動(dòng)軸承狀態(tài)判別的技術(shù)流程圖[21]。首先紅外熱像儀采集滾動(dòng)軸承紅外熱圖像并制作圖像數(shù)據(jù)集，之后采用二維離散小波變換（2-dimensional discrete wavelet transform, 2D-DWT）進(jìn)行預(yù)處理增強(qiáng)，其次進(jìn)行特征提取降維，最后對(duì)其進(jìn)行故障分類及結(jié)果驗(yàn)證。

圖3 滾動(dòng)軸承紅外熱成像狀態(tài)判別

Fig.3 Rolling bearing infrared thermal imaging status discrimination

1）圖像采集與預(yù)處理增強(qiáng)

在實(shí)際工程應(yīng)用中所得熱圖像視場(chǎng)中不僅包括軸承，而且包括電機(jī)、齒輪、軸承支架等其他多種目標(biāo)，如果需要對(duì)多個(gè)單一目標(biāo)進(jìn)行狀態(tài)判別，則需要對(duì)圖像進(jìn)行裁剪、切割才能進(jìn)行后續(xù)處理[22]。王洋等人對(duì)于這一問(wèn)題提出了較好方案，利用深度學(xué)習(xí)目標(biāo)檢測(cè)算法，通過(guò)訓(xùn)練的模型可以對(duì)紅外熱圖像視野中的多類別目標(biāo)進(jìn)行識(shí)別分類、定位裁剪[18]，將紅外熱圖像中的滾動(dòng)軸承快速自動(dòng)識(shí)別裁剪，可以為后續(xù)滾動(dòng)軸承紅外智能狀態(tài)監(jiān)測(cè)與故障診斷提供了較大便利。孫富成、Van Tung Tran等利用二維經(jīng)驗(yàn)?zāi)B(tài)分解（bi-dimensional empirical mode decomposition, BEMD）將軸承紅外熱圖像分解成本征模式函數(shù)（intrinsic mode function, IMF），利用主成分分析法（principal component analysis, PCA）進(jìn)行降維后再進(jìn)行圖像融合[22-23]，從而實(shí)現(xiàn)圖像預(yù)處理增強(qiáng)。楊二斌等人將列車(chē)轉(zhuǎn)向架可見(jiàn)光圖像與紅外熱圖像通過(guò)仿射變換的方法進(jìn)行融合后用于后期的軸箱軸承故障診斷與模型訓(xùn)練[24]。Deila-msalehy H.等人由于直接采用霍夫變換（Hough transform, HF）檢測(cè)紅外熱圖像中橢圓計(jì)算速度緩慢，于是先采用Canny邊緣檢測(cè)器檢測(cè)出圖像邊緣，然后再采用HF從而加快圖像中車(chē)輪橢圓區(qū)域、軸箱軸承區(qū)域檢測(cè)[25]。Anurag Choudhary等人利用二維離散小波變換對(duì)軸承熱圖像進(jìn)行分解，然后選擇所需的小波系數(shù)作為特征提取階段的輸入；文獻(xiàn)[5,20-21,26-28]中也采用二維離散小波變換在圖像預(yù)處理階段進(jìn)行滾動(dòng)軸承紅外熱圖像預(yù)處理增強(qiáng)。

2）圖像特征參數(shù)提取

圖像特征包括直方圖、顏色、紋理等多種參數(shù)[29]。圖像處理技術(shù)中，卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network, CNN）受到了工程師的廣泛贊譽(yù)，其主要原因是CNN具有強(qiáng)大的自動(dòng)特征提取能力，在滾動(dòng)軸承紅外熱成像故障診斷中能實(shí)現(xiàn)較好效果[5,30]。直方圖能夠較好表征圖像信息和特點(diǎn)，因此被廣泛應(yīng)用，Deila-msalehy H.等人在判斷熱圖像中車(chē)輪和軸箱軸承狀態(tài)時(shí)提取了圖像的方向梯度直方圖特征（histogram of oriented gradient, HOG特征）[25]。Lixiang Duan等人針對(duì)旋轉(zhuǎn)機(jī)械紅外圖像信息不明顯、噪聲強(qiáng)問(wèn)題，采用離散度區(qū)域選擇準(zhǔn)則，提出了一種新的圖像分割方法來(lái)增強(qiáng)紅外圖像分析中的特征提取[31]。紅外熱成像（infrared thermography, IRT）和傳統(tǒng)的振動(dòng)信號(hào)對(duì)旋轉(zhuǎn)機(jī)械進(jìn)行故障診斷的精度相比較而言，IRT最初對(duì)旋轉(zhuǎn)機(jī)械的診斷精度不能超過(guò)振動(dòng)信號(hào)。對(duì)于這一現(xiàn)象，ZHEN JIA等人指出旋轉(zhuǎn)機(jī)械的紅外智能診斷精度高度依賴于紅外熱圖像特征選擇，傳統(tǒng)模式識(shí)別在特征選取階段人為設(shè)定了需要提取的特征，特征選擇不當(dāng)往往導(dǎo)致不能達(dá)到較高的診斷精度[32]，因此他們采用視覺(jué)詞袋（bag-of-visual word, BoVW）和CNN這兩種流行的圖像特征提取方法提取特征后利用支持向量機(jī)（support vector machines, SVM）進(jìn)行分類，結(jié)果中IRT診斷精度高于傳統(tǒng)的振動(dòng)信號(hào)方法。Yongbo Li等人后續(xù)利用BoVW從IRT圖像中提取故障特征采用SVM進(jìn)行分類，也實(shí)現(xiàn)了較好效果[33]。Tauheed Mian等人在軸承雙重及多重故障條件下，將振動(dòng)信號(hào)和非侵入式紅外熱成像的軸承故障診斷精度進(jìn)行了比較，振動(dòng)信號(hào)在雙重和多重故障條件下都實(shí)現(xiàn)了足夠的準(zhǔn)確性，范圍為99.39%～99.97%，非侵入式紅外熱成像利用CNN進(jìn)行自動(dòng)特征提取分類，分類準(zhǔn)確性達(dá)到了100%效果[5]。對(duì)圖像進(jìn)行特征提取后，往往會(huì)獲得維數(shù)較高的特征矢量，如果將較高維數(shù)的特征矢量輸入映射分類函數(shù)，往往會(huì)引發(fā)分類函數(shù)的過(guò)度擬合；同時(shí)特征矢量各個(gè)維度之間存在較高的相關(guān)性；在盡可能減少信息損失的前提下，對(duì)數(shù)據(jù)進(jìn)行降維，不僅可以保證分類精度而且可以加快分類速度；常見(jiàn)的降維方法有PCA，又稱K-L變化、遺傳算法以及線性判別分析（linear discriminant analysis, LDA）等也可用于數(shù)據(jù)降維[21,27-28,32]。

3）故障特征分類

對(duì)于滾動(dòng)軸承紅外熱圖像的故障特征分類，與利用普通圖像進(jìn)行識(shí)別預(yù)測(cè)的特征分類方法并無(wú)較大差異。在分類問(wèn)題中機(jī)器學(xué)習(xí)備受青睞，經(jīng)由最初的淺層學(xué)習(xí)到如今迅速發(fā)展的深度學(xué)習(xí)，機(jī)器學(xué)習(xí)逐漸在滾動(dòng)軸承紅外熱成像故障診斷與狀態(tài)監(jiān)測(cè)中發(fā)揮越來(lái)越重要的作用。在有監(jiān)督學(xué)習(xí)中，二分類廣義線性分類器支持向量機(jī)被廣泛應(yīng)用于滾動(dòng)軸承紅外熱圖像故障特征分類[20-21,25-26,28,32-33]。此外，樸素貝葉斯分類器（Naive Bayes）、k近鄰分類算法（k-nearest neighbor, KNN）、線性判別分析、復(fù)雜決策樹(shù)（complex decision tree, CDT）在紅外熱成像滾動(dòng)軸承故障特征分類中也有所應(yīng)用[20,32]。非監(jiān)督學(xué)習(xí)中聚類分析的典型代表k-means算法在紅外熱成像軸承特征分類中也能實(shí)現(xiàn)較好分類效果[22]。Anurag Choudhary等人采用馬氏距離（Mahalanobis distance, MD）準(zhǔn)則得到最優(yōu)特征集后，將特征分別傳遞給復(fù)雜決策樹(shù)、線性判別分析和支持向量機(jī)進(jìn)行故障分類和性能評(píng)價(jià)[21]，結(jié)果表明，SVM優(yōu)于CDT和LDA。Ankush Mehta等人利用二維離散小波變換對(duì)軸承紅外熱圖像分解融合且利用主成分分析降維后，采用支持向量機(jī)、線性判別分析和KNN作為分類器進(jìn)行故障分類和性能評(píng)價(jià)[28]；結(jié)果表明，SVM優(yōu)于LDA和KNN。CNN是具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，是深度學(xué)習(xí)的代表算法之一，按照生物的視覺(jué)機(jī)制進(jìn)行構(gòu)建，可以進(jìn)行監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)；Kunal Sharma等人對(duì)滾動(dòng)軸承在內(nèi)圈、外圈、以及滾動(dòng)體故障下的紅外熱圖像進(jìn)行特征提取后，利用支持向量機(jī)SVM和使用AlexNet架構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類性能對(duì)比，結(jié)果證明卷積神經(jīng)網(wǎng)絡(luò)分類性能更佳[5,34]。

3 總結(jié)與展望

針對(duì)滾動(dòng)軸承紅外熱成像故障診斷與狀態(tài)監(jiān)測(cè)相關(guān)文獻(xiàn)進(jìn)行調(diào)研，對(duì)該技術(shù)方法中圖像采集與預(yù)處理增強(qiáng)、圖像特征參數(shù)提取與分類各個(gè)環(huán)節(jié)所采用方法進(jìn)行對(duì)比分析，可以發(fā)現(xiàn)：相較于傳統(tǒng)圖像裁剪切割以及濾波降噪等預(yù)處理增強(qiáng)方法而言，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法對(duì)圖像要求較低，通過(guò)卷積計(jì)算可以快速、準(zhǔn)確地發(fā)現(xiàn)圖像視野中的滾動(dòng)軸承及其他類別物體，甚至可以直接判斷出紅外熱圖像中的滾動(dòng)軸承狀態(tài)，具有較大的發(fā)展前景和優(yōu)勢(shì)，但是存在的問(wèn)題是分類性能良好的檢測(cè)模型獲取需要大量不同類型的圖像樣本數(shù)據(jù)進(jìn)行訓(xùn)練。通過(guò)可見(jiàn)光圖像與紅外圖像進(jìn)行融合可以極大彌補(bǔ)滾動(dòng)軸承紅外熱圖像邊界輪廓模糊的先天缺陷，可以得到高質(zhì)量紅外熱圖像，但是兩種圖像的有效融合方法也是需要積極探索的關(guān)鍵問(wèn)題。而霍夫變換、二維經(jīng)驗(yàn)?zāi)B(tài)分解、二維離散小波變換等圖像處理方法，圖像診斷步驟相對(duì)復(fù)雜，需要占用較多計(jì)算資源，且對(duì)于大尺寸圖像效率不高、兼容適應(yīng)性不強(qiáng)。圖像特征參數(shù)提取時(shí)，數(shù)據(jù)量較大且相關(guān)性較高的高維特征參數(shù)往往會(huì)導(dǎo)致計(jì)算緩慢且產(chǎn)生分類模型過(guò)度擬合，需要對(duì)其進(jìn)行適當(dāng)降維并選擇具有代表性的典型特征進(jìn)行后續(xù)分類，特征參數(shù)是否有效選取一定程度上作為關(guān)鍵因素限制了后續(xù)的最終分類診斷精度。卷積神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的圖像特征提取能力，通過(guò)多次上、下采樣，以及特征空間金字塔的植入，可以對(duì)圖像特征進(jìn)行全面、有效的提取，實(shí)現(xiàn)較高的分類精度。方向梯度直方圖（HOG特征）對(duì)于大尺寸圖像而言，特征數(shù)據(jù)會(huì)呈現(xiàn)指數(shù)級(jí)增長(zhǎng)，需占用較多計(jì)算存儲(chǔ)資源，且HOG特征對(duì)于圖像輪廓邊緣敏感，對(duì)于圖像小范圍的灰度亮暗變化不能很好適應(yīng)。在進(jìn)行滾動(dòng)軸承故障特征分類時(shí)，支持向量機(jī)、線性判別分析、k近鄰分類算法等方法，分類診斷精度受限于上一階段圖像特征是否有效提?。坏蔷矸e神經(jīng)網(wǎng)絡(luò)就圖像特征提取、識(shí)別分類體現(xiàn)出巨大優(yōu)勢(shì)，通過(guò)特征池化連接至全連接層，以及網(wǎng)絡(luò)結(jié)構(gòu)的不斷優(yōu)化改進(jìn)，可以實(shí)現(xiàn)較好分類效果，具有廣闊的應(yīng)用發(fā)展前景。K-means算法作為無(wú)監(jiān)督學(xué)習(xí)聚類分析中的典型代表，在進(jìn)行滾動(dòng)軸承狀態(tài)判別時(shí)，不同的K類別劃分將會(huì)達(dá)到不同的診斷精度，尋求最優(yōu)K值將會(huì)實(shí)現(xiàn)相對(duì)較好的分類效果。視覺(jué)詞袋法通過(guò)提取圖像特征后結(jié)合聚類分析建立訓(xùn)練集、測(cè)試集詞袋，提取特征向量后對(duì)分類模型進(jìn)行訓(xùn)練、驗(yàn)證，可以實(shí)現(xiàn)較高的分類診斷精度，并且相較于有監(jiān)督學(xué)習(xí)避免了對(duì)大量圖像進(jìn)行耗時(shí)的標(biāo)簽標(biāo)記工作。

利用紅外熱成像對(duì)滾動(dòng)軸承進(jìn)行故障診斷與狀態(tài)監(jiān)測(cè)的技術(shù)方法，相較于傳統(tǒng)的振動(dòng)信號(hào)、溫度信號(hào)等，紅外熱圖像的診斷方法結(jié)合了紅外熱成像技術(shù)以及圖像處理技術(shù)，將滾動(dòng)軸承的狀態(tài)判別轉(zhuǎn)換到了相對(duì)新穎的技術(shù)視角。具有遠(yuǎn)距離。無(wú)接觸、高效便捷、泛化適應(yīng)性強(qiáng)的技術(shù)優(yōu)勢(shì)。初始時(shí)期，利用紅外熱成像技術(shù)進(jìn)行滾動(dòng)軸承故障診斷的診斷精度低于應(yīng)用廣泛的振動(dòng)信號(hào)，伴隨著CNN、2D-DWT、BEMD以及視覺(jué)詞袋等多種圖像處理技術(shù)在圖像預(yù)處理增強(qiáng)、圖像特征提取、分類環(huán)節(jié)的應(yīng)用，利用紅外熱成像進(jìn)行滾動(dòng)軸承故障診斷的診斷精度已經(jīng)高于振動(dòng)信號(hào)。與此同時(shí)伴隨著紅外熱像儀分辨率的不斷提高、響應(yīng)速度逐漸加快，高質(zhì)量的紅外熱圖像將為后續(xù)的狀態(tài)監(jiān)測(cè)、故障特征分類帶來(lái)便利，進(jìn)而實(shí)現(xiàn)更高的診斷精度。此外，紅外熱圖像的高噪聲特點(diǎn)為滾動(dòng)軸承紅外熱圖像診斷帶來(lái)了困擾，對(duì)其進(jìn)行有效地濾波降噪，才能使圖像特征更加明顯。紅外測(cè)量的滾動(dòng)軸承溫度與實(shí)際溫度存在的測(cè)量誤差也不可忽視，需要對(duì)其進(jìn)行必要的補(bǔ)償校正。伴隨著人工智能、圖像處理技術(shù)的快速發(fā)展，機(jī)器學(xué)習(xí)、深度學(xué)習(xí)正在紅外熱成像滾動(dòng)軸故障診斷與狀態(tài)監(jiān)測(cè)中發(fā)揮重要作用，將能夠?qū)崿F(xiàn)更高精度的、更加智能的滾動(dòng)軸承狀態(tài)判別。

[1] 陳強(qiáng)強(qiáng), 戴邵武, 戴洪德, 等. 滾動(dòng)軸承故障診斷方法綜述[J]. 儀表技術(shù), 2019(9): 1-4, 42(DOI:10.19432/j.cnki.issn1006-2394. 2019.09.001).

CHEN Qiangqiang, DAI Shaowu, DAI Hongde, et al. Reviewof fault diagnosis methods of rolling bearings[J]., 2019(9): 1-4, 42(DOI:10.19432/j.cnki.issn1006-2394. 2019.09.001).

[2] 顧曉輝, 楊紹普, 劉文朋. 高速列車(chē)軸箱軸承健康監(jiān)測(cè)與故障診斷研究綜述[J]. 力學(xué)學(xué)報(bào), 2022, 54(7): 1780-1796.

GU Xiaohui, YANG Shaopu, LIU Wenpeng, Review of research on health monitoring and fault diagnosis of axlebox bearings of high-speed train[J]., 2022, 54(7): 1780-1796.

[3] 王華偉. 基于紅外熱成像的溫度場(chǎng)測(cè)量關(guān)鍵技術(shù)研究[D]. 西安: 中國(guó)科學(xué)院研究生院(西安光學(xué)精密機(jī)械研究所), 2013.

WANG Huawei. Research on Key Technology of Temperature Field Measurement Based on Infrared Thermography[D]. Xi'an: Graduate School of Chinese Academy of Sciences(Xi'an Institute of Optics and Fine Mechanics), 2013.

[4] 湯武初, 王敏杰, 陳光東, 等. 高速列車(chē)故障軸箱軸承的溫度分布研究[J]. 鐵道學(xué)報(bào), 2016, 38(7): 50-56.

TANG Wuchu, WANG Minjie, CHEN Guangdong, et al. Study on temperature distribution of faulty axlebox bearings of high-speed train[J]., 2016, 38(7): 50-56.

[5] Mian Tauheed, Anurag Choudhary, Shahab Fatima. Vibration and infrared thermography based multiple fault diagnosis of bearing using deep learning[J]., 2022, 38(7): 275-296.

[6] 戴景民, 汪子君. 紅外熱成像無(wú)損檢測(cè)技術(shù)及其應(yīng)用現(xiàn)狀[J].自動(dòng)化技術(shù)與應(yīng)用, 2007, 139(1): 1-7.

DAI Jingmin, WANG Zijun. Nondestructive testing technology and application status of infrared thermography[J]., 2007, 139(1): 1-7.

[7] 蘭孟華. 基于DM642的紅外測(cè)溫與圖像處理算法研究[D]. 南京: 南京理工大學(xué), 2010.

LAN Menghua. Research on Infrared Temperature Measurement and Image Processing Algorithm Based on DM642[D]. Nanjing: Nanjing University of Science and Technology, 2010.

[8] 王瑞鳳, 楊憲江, 吳偉東. 發(fā)展中的紅外熱成像技術(shù)[J]. 紅外與激光工程, 2008, 37(S2): 699-702.

WANG Ruifeng, YANG Xianjiang, WU Weidong. Infrared thermography technology under development[J]., 2008, 37(S2): 699-702.

[9] 尚磊. 紅外成像系統(tǒng)關(guān)鍵技術(shù)研究與實(shí)現(xiàn)[D]. 西安: 西安電子科技大學(xué), 2013.

SHANG Lei. Research and Implementation of Key Technologies of Infrared Imaging System[D]. Xi'an: Xidian University, 2013.

[10] 董顯林, 毛朝梁, 姚春華, 等. 非制冷紅外探測(cè)器用熱釋電陶瓷材料研究進(jìn)展[J]. 紅外與激光工程, 2008, 177(1): 37-41.

DONG Xianlin, MAO Chaoliang, YAO Chunhua, et al. Research progress on pyroelectric ceramic materials for uncooled infrared detectors[J]., 2008, 177(1): 37-41.

[11] 陳大鵬, 毛宏霞, 肖志河. 紅外熱成像無(wú)損檢測(cè)技術(shù)現(xiàn)狀及發(fā)展[J]. 計(jì)算機(jī)測(cè)量與控制, 2016, 24(4): 1-6, 9.

CHEN Dapeng, MAO Hongxia, XIAO Zhihe. Status quo and development of nondestructive testing technology for infrared thermography[J]., 2016, 24(4): 1-6, 9.

[12] 李艷超, 楊兵華, 劉歡, 等. 基于紅外技術(shù)的滾動(dòng)軸承溫度場(chǎng)測(cè)量系統(tǒng)[J]. 軸承, 2020(9): 63-66.

LI Yanchao, YANG Binghua, LIU Huan, et al. Temperature field measurement system of rolling bearing based on infrared technology[J]., 2020(9): 63-66.

[13] 劉喆, 王燕霜. 滾動(dòng)軸承溫度場(chǎng)研究的現(xiàn)狀和展望[J]. 機(jī)械傳動(dòng), 2010, 34(3): 88-91

LIU Zhe, WANG Yanshuang. Current status and prospect of rolling bearing temperature field research[J]., 2010, 34(3): 88-91

[14] Kim W, Seo J, Hong D. Infrared thermographic inspection of ball bearing; condition monitoring for defects under dynamic loading stages[J/OL]. [2012]., https://www. semantic scholar.org/paper/Infrared-Thermographic-Inspection-of-Ball-Bear- ing%3B-Kim-Seo/46d9b4b60 d014338609b6f3 ba67c57a 8b2afd6c1.

[15] 侯新玉. 紅外熱成像攝像頭在軸承測(cè)溫方面的研究[J]. 華東科技, 2022(2): 103-105.

HOU Xinyu. Research on infrared thermal imaging camera in bearing temperature measurement[J]., 2022(2): 103-105.

[16] 武崢嶸. 基于多點(diǎn)紅外探頭的鐵路軸溫?zé)崤蟹椒ê吞綔y(cè)系統(tǒng)研究[D]. 北京: 北京工業(yè)大學(xué), 2013.

WU Zhengrong. Research on Railway Shaft Temperature Judgment Method and Detection System Based on Multi-point Infrared Probe[D]. Beijing: Beijing University of Technology, 2013.

[17] 李彬彬, 寇志海, 郭宇航. 高速旋轉(zhuǎn)軸承溫度測(cè)量技術(shù)綜述[J] .科技創(chuàng)新與應(yīng)用, 2022, 12(20): 160-164.

LI Binbin, KOU Zhihai, GUO Yuhang. Review of temperature measurement technology of high-speed rotating bearings[J]., 2022, 12(20): 160-164.

[18] 王洋, 楊立. 基于Faster R-CNN的旋轉(zhuǎn)機(jī)械紅外檢測(cè)與識(shí)別[J]. 紅外技術(shù), 2020, 42(11): 1053-1060.

WANG Yang, YANG Li. Infrared detection and identification of rotating machinery based on faster R-CNN[J]., 2020, 42(11): 1053-1060.

[19] 王洋, 楊立. 旋轉(zhuǎn)機(jī)械紅外智能狀態(tài)監(jiān)測(cè)與故障診斷[J]. 光學(xué)精密工程, 2022, 30(16): 1905-1914.

WANG Yang, YANG Li. Infrared intelligent condition monitoring and fault diagnosis of rotating machinery[J]., 2022, 30(16): 1905-1914.

[20] Younus Ali M D, Bo-Suk Yang. Intelligent fault diagnosis of rotating machinery using infrared thermal image[J]., 2012, 39: 2082-2091.

[21] Choudhary Anurag, Deepam Goyal, Shimi Sudha Letha. Infrared thermography-based fault diagnosis of induction motor bearings using machine learning[J]., 2021, 21: 1727-1734.

[22] 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 Fucheng, SONG Wenyuan, TENG Hongzhi, et al. Transmission bearing condition monitoring and fault diagnosis based on infrared thermal image[J]., 2017, 24(7): 113-117.

[23] Tran Van Tung, YANG Bo-Suk, GU Fengshou, et al. Thermal image enhancement using bi-dimensional empirical mode decomposition in combination with relevance vector machine for rotating machinery fault diagnosis[J]., 2013, 38: 601-614.

[24] 楊二斌, 王文剛, 問(wèn)國(guó)輝. 基于紅外熱成像和機(jī)器學(xué)習(xí)的動(dòng)態(tài)轉(zhuǎn)向架監(jiān)測(cè)系統(tǒng)研發(fā)[J]. 鐵道機(jī)車(chē)車(chē)輛, 2022, 42(4): 52-58.

YANG Erbin, WANG Wengang, WEN Guohui. Development of dynamic bogie monitoring system based on infrared thermal imaging and machine learning[J]., 2022, 42(4): 52-58.

[25] Deilamsalehy H, Havens T C, Lautala P, et al. An automatic method for detecting sliding railway wheels and hot bearings using thermal imagery., Part F:. 2017, 231(6): 690-700(DOI:10.1177/0954409716638703).

[26] Choudhary A, Shimi S L, Akula A. Bearing fault diagnosis of induction motor using thermal imaging[C]//(GUCON), 2018: 950-955.

[27] HUO Zhiqiang, ZHANG Yu, Richard Sath, et al. Self-adaptive fault diagnosis of roller bearings using infrared thermal images[C]//43, 2017: 6113-6118.

[28] Mehta Ankush, Deepam Goyal, Anurag Choudhary, et al. Machine learning-based fault diagnosis of self-aligning bearings for rotating machinery using infrared thermography[C]//, 2021: 1-15.

[29] 劉淑琴. 圖像特征提取方法及其應(yīng)用研究[D]. 西安: 西北大學(xué), 2016.

LIU Shuqin. Research on Image Feature Extraction Method and Its Application[D]. Xi'an: Northwest University, 2016.

[30] 周飛燕, 金林鵬, 董軍. 卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 計(jì)算機(jī)學(xué)報(bào), 2017, 40(6): 1229-1251.

ZHOU Feiyan, JIN Linpeng, DONG Jun. Review of research on convolutional neural networks[J]., 2017, 40(6): 1229-1251.

[31] DUAN L, YAO M, WANG J, et al. Segmented infrared image analysis for rotating machinery fault diagnosis[J]., 2016, 77: 267-276.

[32] JIA Zhen, LIU Zhenbao, Vong Chi-Man, et al. A rotating machinery fault diagnosis method based on feature learning of thermal images[J]., 2019(7): 12348-12359.

[33] LI Yongbo, WANG Xianzhi, SI Shubin, et al. A new intelligent fault diagnosis method of rotating machinery under varying-speed conditions using infrared thermography[J]., 2019: 2619252-1-2619252-12.

[34] Sharma Kunal, Deepam Goyal, Rajesh Kanda. Intelligent fault diagnosis of bearings based on convolutional neural network using infrared thermography[C]//, 2022, 236: 2439-2446.

Fault Diagnosis and Status Monitoring of Rolling Bearings Using Infrared Thermal Imaging

WANG Jianxin，GUO Youmin，YANG Jun

(,,730070,)

Infrared thermal imaging technology captures the external radiation intensity of an object, and the obtained thermal image includes not only the outline of the object but also the surface temperature field distribution, which can be visually characterized. Infrared thermal imaging can be combined with image processing technologies to enhance rolling bearing state discrimination. Here, we first introduce the basic principle of infrared thermal imaging technology. Second, different technical methods used in different aspects of rolling bearing condition monitoring and fault diagnosis using infrared thermal imaging technology are summarized and discussed. Finally, we summarize and analyze the advantages, shortcomings, and limitations of the different methods used in infrared thermal imaging fault diagnosis and condition monitoring of rolling bearings. The development prospects of infrared thermal imaging fault diagnosis and condition monitoring of rolling bearings are also summarized and discussed.

rolling bearing, infrared thermal imaging technology, fault diagnosis, condition monitoring

TN974

A

1001-8891(2023)10-1045-07

2023-05-27；

2023-10-06.

王建鑫（1996-），男，碩士研究生，主要研究方向?yàn)檩S箱軸承故障診斷與狀態(tài)檢測(cè)。E-mail: 2692261920@qq.com。