电机故障检测的小波分析红外图像增强

北京交通大学 电气工程学院，北京 100044

北京交通大学 电气工程学院，北京 100044

交流牵引电机故障诊断技术有很强的工程背景，具有重要的实用价值，并且以深厚的理论为基础。从本质上讲，电机故障诊断技术是个模式分类问题，即把交流牵引电机的运行状态分为正常和异常两类。从故障诊断流程来看，交流牵引电机故障诊断分为信号采集、信号处理和故障诊断三个阶段。交流牵引电机诊断技术是从电机的症状入手进行分析研究。电机症状指电机运行时产生的代表其状态的各种信号。因此，信号采集技术是电机诊断的前提。只有采集到反映电机实际状态的信号，诊断的后续工作才有意义。

目前，用于电机故障信号采集检测的技术有[1-2]：（l）在线放电检测法；（2）振动检测法；（3）磁通检测法；（4）绝缘检测法；（5）温度检测法；（6）振声检测法；（7）定子电流检测法。目前大多数方法都是基于定子电流检测的故障检测方法[3]。黄亮[4]提出了一种小波分解信号处理方法，采用异常信号检测的手段分析电机震动的异常，从而判断电机故障。Rangarajan等人[5]综述电机故障现有的一些检测手段，包括定子绕组匝问故障、定子铁心故障、温度监测和热保护以及定子绕组绝缘实验，研究了用电机电压和电流获得故障信号特征的无传感器法以及诸如局部放电的离线技术。贺昌权等[6]针对无刷直流电动机逆变器功率管短路及开路故障，采用小波变换对电机转速信号进行时频分析，并结合傅里叶变换进行对比研究，取得了满意的效果。王成亮[7]采用低励磁方法进行多台发电机定子铁心故障检测，实例表明采用低励磁方法对发电机定子铁心故障检测简便、有效。

本文利用红外摄像机成本越来越低、DSP计算能力越来越强的优势，试图采用红外温度检测法来实现对交流电机的实时检测，其布置方式如图1所示。红外成像技术作为一门新技术，在电机设备运行状态检测中有着广阔的应用前景。红外成像是以设备的热状态分布为依据对设备运行状态良好与否进行诊断，它具有不停运、不接触、远距离、快速、直观地对设备的热状态进行成像的优点。由于设备的热像图是设备运行状态下热状态及其温度分布的真实描写，而电力设备在运行状态下的热分布正常与否是判断设备状态良好与否的一个重要特征，因而采用红外成像技术可以通过对设备红外图像的分析来诊断设备的状态及其隐患缺陷。

图1 红外摄像机布置位置示意图

1 图像的小波分析

小波分析技术为电机故障信号处理提供了强有力的工具[8]。它不仅适合分析平稳信号，而且适合分析非平稳信号。对于图像信号，小波有极强的图像分解能力，将一幅图像分解成高频图像与低频图像。本文采用基于小波包分析的图像信号处理方法。由于良好的时频局部化特征，小波分析可准确呈现图像变化特征，在异常检测分析上显示出明显的优势。

当牵引电机出现各种电气或机械故障时，会引起电机温度较大的变化。通过对电机监测红外图像预处理，进行小波包变换，可以有效地提取出电机温度变化的特征向量，采用简单的模式识别方法，便可准确诊断交流牵引电机的故障。

本文利用小波分析将红外图像进行分解，将低频图像进行直方图均衡化处理，高频图像根据红外图像的特征进行有选择的保留，即对边缘特征的高频信息保留，其他高频信息全部置零，再使用小波反变换还原图像，即可得到图像边缘以及故障点增强后的红外图像。

图像可以看作是二维的矩阵，一般假设图像矩阵的大小为N×N，且有N=2n（n为非负的整数）。那么每次小波变换后，图像便被分解为4个大小为原来尺寸1/4的子块频带区域，如图2所示。每个频带分别包含了相应的小波系数，相当于在水平方向和竖直方向上进行隔点采样。

图2 一次小波变换后的频率分布

LL频带是图像内容的缩略图，它是图像数据能量集中的频带。

HL频带存放的是图像水平方向的高频信息，它反映了图像水平方向上的变化信息和边缘信息。

LH频带存放的是图像竖直方向的高频信息，它反映了在竖直方向上的灰度变化信息和图像的边缘信息。

HH频带存放的是图像在对角线方向的高频信息，它反映了水平方向和竖直方向上图像灰度的综合变化信息，同时包含了少量的边缘信息。

图像的灰度显示范围是有限的，其分量的取值范围在区间[0，255]内。本文所用的二维离散小波变换的快速算法（Mallat算法），在结果中小波系数的范围超出了设备的显示范围，因此为了显示变换结果，必须将小波系数的范围映射到区间[0，255]。假设小波系数Wt(i，j)的最大值为Wtmax,最小值为Wtmin,那么映射过程可以通过式（1）来完成。

2 红外图像特征增强

在基于小波分析的电机故障检测算法中，考虑到：

（1）本文是针对红外图像的电机故障检测，因此着重关注的是图像中亮度最高的区域，故可以设定亮度阈值的方法缩减小波图像变换的计算区域，以提高计算速度。

（2）由于电力机车的运动会造成红外摄像机上下、前后、左右方向的震动，其中对摄像机影响最大的是上下震动，会产生垂直高频噪声，因此原始图像经一次小波变换后，LH频带和HH频带受噪声污染较为严重，HL频带受噪声污染较小，故只对HL频带作边缘信息保留，其他高频频带中的数据置零，以达到去除垂直高频噪声的目的。

（3）图像的边缘需作一定的膨胀处理，才能在小波重构图像中保留较为完整的边缘信息。

（2）对 I(i，j)使用Canny算子进行边缘检测结果进行3×3的平滑滤波，并进行图像膨胀运算，得到边缘图像Ic(i，j)。

（3）对 I(i，j)使用Mallat小波分解算法，得到高频图像WHL(i， j) 。

（4）将 Ic(i，j)缩小 4 倍与 WHL相乘，得到仅有边缘高频信息的结果，并映射到检测结果I/(i，j)中。对任意像素点 (i，j)，有：

该算法的流程如图3所示。

3 仿真实验

实验采用具有红外功能的近红外相机NIR300，该相机价格低廉，在900～1 700 nm的近红外范围内有效。实验对象是SS6机车的牵引电机，图4所示是该类电机的红外图像。

图3 算法流程图

图4 电机红外图像

在电机故障检测时，由于红外摄像机采集到的是连续图像，最简单的方法是采用背景减除法得到故障点的位置。背景图像一般可采用电机最稳定可靠时的图像或若干帧实时图像的平均图像。由于电机运行稳定时所得到的图像与当前图像的采集条件有所不同，因此采用最简单的背景建模方法得到背景图像，即当前条件下前若干帧图像的平均图像。第一种方法对于故障点的检测门限要求低，利用视频图像连续检测的特点，可以较早检测到电机故障，及早处理问题；第二种方法虽然快捷，但是对于渐变故障，很难发现。因此，这两种方法各有利弊，在检测策略设计时可联合考虑，本文不讨论检测算法。

图像检测一般可通过对图像采取增强、滤波等处理手段，将检测点特征增强，以增加检测的准确率。本文采用小波方法以增强图像边缘特征并平滑图像噪声，使用直方图均衡化方法增强图像的表面特征，继而得到增强的故障点图像，达到便于故障点检测的目的。采用直方图均衡化方法与本文方法比较，图5所示为两种方法得到的电机红外图像的增强结果，表1显示了两种方法计算时间的差别。

表1 两种计算方法的计算速度比较 s

在实验中，采用“haar”小波基对图像进行一级小波分解。通过大量实验发现，不同尺度的小波基对红外图像的处理结果几乎一样，可能是因为红外图像本身成像质量较可见光图像差，信噪比不高，高频信息主要是噪声，由于仅留下图像边缘的HL频带高频信息，其他高频信息全部去除（置零）的方式，使得反变换后的图像几乎是滤除高频信息的低频图像。因此，不管采用哪种尺度的小波基进行一级小波分解，得到的低频图像几乎都没有发生变化。

从图5可以看出，电机1圈出的故障点处，图（a）与图（b）直观差别不大，图（c）和图（d）都能很清晰地看到故障点，对比图（c）与（d），发现本文方法能平滑非边缘处的图像，而对边缘处即图像有变化的地方没有影响，所以本文方法能有效平滑一些机车震动和红外相机本身所造成的一些干扰，而直方图均衡化增强方法不能有效去除这些噪声。电机2的图（a）与图（b）看不出任何差别，采用直方图均衡化增强方法的图（c）也看不出故障点的变换，而采用本文方法的图（d）能看出图像的变化，可见本文方法能有效保留故障点，并能增强故障点信息，方便故障检测。

从表1可以看出，与直接直方图均衡化方法相比，新方法由于用小波分解后的图像进行均衡化处理，数据量是源图像的1/4，虽然小波分析方法占用了一些处理时间，但总体上能减小计算时间。视频图像处理一个重要的指标是处理速度，要称得上是实时处理，必须要求每秒10帧的图像处理速度，即算法的处理时间必须小于每幅图像100 ms。从表1中看出，直方图均衡化方法的计算时间均多于100 ms，无法达到实时处理的要求；而本文方法的每帧图像处理时间小于100 ms，即可以保证每秒10帧的处理速度，可以认为具有实时处理红外图像的能力。

图5 电机红外图像增强方法比较

4 总结

本文提出基于小波分析的红外图像增强算法，该算法采用对图像边缘高频图像信号进行提取，舍去其他高频信号，以此来重新构建红外图像，达到对红外图像去噪、边缘增强的作用。通过实验证明，该方法能有效去除图像高频噪声，并能有效保留红外图像的边缘特征，对电机红外图像故障检测提供有效信息。

[1]侯志祥，申群太，李河清.电机设备的现代故障诊断方法[J].电力系统及其自动化学报，2003，15（6）：61-63.

[2]梁信信，孙立志，吴凤江，等.感应电机故障在线检测的研究综述及展望[J].微电机，2011，44（9）：75-78.

[3]张昌凡，黄宜山，邵瑞.基于观测器的感应电机故障检测方法及应用[J].仪器仪表学报，2011，32（6）：1337-1343.

[4]黄亮.电力机车交流牵引电机故障诊断技术研究[D].成都：西南交通大学，2009.

[5]Tallan R M，裴彧，邱建甫.感应电机中定子相关故障检测方法的综述[J].国外大电机，2005（3）：18-26.

[6]贺昌权，包广清.基于小波变换的无刷直流电动机逆变器故障检测仿真研究[J].微电机，2010，43（1）：74-77.

[7]王成亮.基于低励磁法的发电机铁心故障检测研究[J].大电机技术，2010（6）：9-13.

[8]矫立新，张丽娟.基于小波变换的异步电机故障检测与分析[J].电气自动化，2011，33（2）：73-75.

电机故障检测的小波分析红外图像增强

李宇光，刘明光

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

针对红外成像电力机车电机检测技术中图像特征不明显，故障点获取困难等问题，提出基于小波分析的红外图像增强算法。采用对图像边缘高频图像信号进行提取，舍去其他高频信号，并对低频分量进行直方图均衡化处理，以此来重新构建红外图像，达到对红外图像去噪、边缘以及故障点增强的作用。通过实验证明，该方法能有效去除图像高频噪声，保留红外图像的边缘特征，对红外图像故障检测提供有效信息。

小波分析；图像增强；红外图像；电机故障检测

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，主要研究领域为电机故障检测、机车运用；刘明光（1956—），男，博士，教授，博导。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