電機故障檢測的小波分析紅外圖像增強

北京交通大學 電氣工程學院，北京 100044

北京交通大學 電氣工程學院，北京 100044

交流牽引電機故障診斷技術有很強的工程背景，具有重要的實用價值，并且以深厚的理論為基礎。從本質上講，電機故障診斷技術是個模式分類問題，即把交流牽引電機的運行狀態分為正常和異常兩類。從故障診斷流程來看，交流牽引電機故障診斷分為信號采集、信號處理和故障診斷三個階段。交流牽引電機診斷技術是從電機的癥狀入手進行分析研究。電機癥狀指電機運行時產生的代表其狀態的各種信號。因此，信號采集技術是電機診斷的前提。只有采集到反映電機實際狀態的信號，診斷的后續工作才有意義。

目前，用于電機故障信號采集檢測的技術有[1-2]：（l）在線放電檢測法；（2）振動檢測法；（3）磁通檢測法；（4）絕緣檢測法；（5）溫度檢測法；（6）振聲檢測法；（7）定子電流檢測法。目前大多數方法都是基于定子電流檢測的故障檢測方法[3]。黃亮[4]提出了一種小波分解信號處理方法，采用異常信號檢測的手段分析電機震動的異常，從而判斷電機故障。Rangarajan等人[5]綜述電機故障現有的一些檢測手段，包括定子繞組匝問故障、定子鐵心故障、溫度監測和熱保護以及定子繞組絕緣實驗，研究了用電機電壓和電流獲得故障信號特征的無傳感器法以及諸如局部放電的離線技術。賀昌權等[6]針對無刷直流電動機逆變器功率管短路及開路故障，采用小波變換對電機轉速信號進行時頻分析，并結合傅里葉變換進行對比研究，取得了滿意的效果。王成亮[7]采用低勵磁方法進行多臺發電機定子鐵心故障檢測，實例表明采用低勵磁方法對發電機定子鐵心故障檢測簡便、有效。

本文利用紅外攝像機成本越來越低、DSP計算能力越來越強的優勢，試圖采用紅外溫度檢測法來實現對交流電機的實時檢測，其布置方式如圖1所示。紅外成像技術作為一門新技術，在電機設備運行狀態檢測中有著廣闊的應用前景。紅外成像是以設備的熱狀態分布為依據對設備運行狀態良好與否進行診斷，它具有不停運、不接觸、遠距離、快速、直觀地對設備的熱狀態進行成像的優點。由于設備的熱像圖是設備運行狀態下熱狀態及其溫度分布的真實描寫，而電力設備在運行狀態下的熱分布正常與否是判斷設備狀態良好與否的一個重要特征，因而采用紅外成像技術可以通過對設備紅外圖像的分析來診斷設備的狀態及其隱患缺陷。

圖1 紅外攝像機布置位置示意圖

1 圖像的小波分析

小波分析技術為電機故障信號處理提供了強有力的工具[8]。它不僅適合分析平穩信號，而且適合分析非平穩信號。對于圖像信號，小波有極強的圖像分解能力，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處理方法。由于良好的時頻局部化特征，小波分析可準確呈現圖像變化特征，在異常檢測分析上顯示出明顯的優勢。

當牽引電機出現各種電氣或機械故障時，會引起電機溫度較大的變化。通過對電機監測紅外圖像預處理，進行小波包變換，可以有效地提取出電機溫度變化的特征向量，采用簡單的模式識別方法，便可準確診斷交流牽引電機的故障。

本文利用小波分析將紅外圖像進行分解，將低頻圖像進行直方圖均衡化處理，高頻圖像根據紅外圖像的特征進行有選擇的保留，即對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增強后的紅外圖像。

圖像可以看作是二維的矩陣，一般假設圖像矩陣的大小為N×N，且有N=2n（n為非負的整數）。那么每次小波變換后，圖像便被分解為4個大小為原來尺寸1/4的子塊頻帶區域，如圖2所示。每個頻帶分別包含了相應的小波系數，相當于在水平方向和豎直方向上進行隔點采樣。

圖2 一次小波變換后的頻率分布

LL頻帶是圖像內容的縮略圖，它是圖像數據能量集中的頻帶。

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間[0，255]內。本文所用的二維離散小波變換的快速算法（Mallat算法），在結果中小波系數的范圍超出了設備的顯示范圍，因此為了顯示變換結果，必須將小波系數的范圍映射到區間[0，255]。假設小波系數Wt(i，j)的最大值為Wtmax,最小值為Wtmin,那么映射過程可以通過式（1）來完成。

2 紅外圖像特征增強

在基于小波分析的電機故障檢測算法中，考慮到：

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

（2）由于電力機車的運動會造成紅外攝像機上下、前后、左右方向的震動，其中對攝像機影響最大的是上下震動，會產生垂直高頻噪聲，因此原始圖像經一次小波變換后，LH頻帶和HH頻帶受噪聲污染較為嚴重，HL頻帶受噪聲污染較小，故只對HL頻帶作邊緣信息保留，其他高頻頻帶中的數據置零，以達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，才能在小波重構圖像中保留較為完整的邊緣信息。

（2）對 I(i，j)使用Canny算子進行邊緣檢測結果進行3×3的平滑濾波，并進行圖像膨脹運算，得到邊緣圖像Ic(i，j)。

（3）對 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果，并映射到檢測結果I/(i，j)中。對任意像素點 (i，j)，有：

該算法的流程如圖3所示。

3 仿真實驗

實驗采用具有紅外功能的近紅外相機NIR300，該相機價格低廉，在900～1 700 nm的近紅外范圍內有效。實驗對象是SS6機車的牽引電機，圖4所示是該類電機的紅外圖像。

圖3 算法流程圖

圖4 電機紅外圖像

在電機故障檢測時，由于紅外攝像機采集到的是連續圖像，最簡單的方法是采用背景減除法得到故障點的位置。背景圖像一般可采用電機最穩定可靠時的圖像或若干幀實時圖像的平均圖像。由于電機運行穩定時所得到的圖像與當前圖像的采集條件有所不同，因此采用最簡單的背景建模方法得到背景圖像，即當前條件下前若干幀圖像的平均圖像。第一種方法對于故障點的檢測門限要求低，利用視頻圖像連續檢測的特點，可以較早檢測到電機故障，及早處理問題；第二種方法雖然快捷，但是對于漸變故障，很難發現。因此，這兩種方法各有利弊，在檢測策略設計時可聯合考慮，本文不討論檢測算法。

圖像檢測一般可通過對圖像采取增強、濾波等處理手段，將檢測點特征增強，以增加檢測的準確率。本文采用小波方法以增強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圖像的表面特征，繼而得到增強的故障點圖像，達到便于故障點檢測的目的。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紅外圖像的增強結果，表1顯示了兩種方法計算時間的差別。

表1 兩種計算方法的計算速度比較 s

在實驗中，采用“haar”小波基對圖像進行一級小波分解。通過大量實驗發現，不同尺度的小波基對紅外圖像的處理結果幾乎一樣，可能是因為紅外圖像本身成像質量較可見光圖像差，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行一級小波分解，得到的低頻圖像幾乎都沒有發生變化。

從圖5可以看出，電機1圈出的故障點處，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，對比圖（c）與（d），發現本文方法能平滑非邊緣處的圖像，而對邊緣處即圖像有變化的地方沒有影響，所以本文方法能有效平滑一些機車震動和紅外相機本身所造成的一些干擾，而直方圖均衡化增強方法不能有效去除這些噪聲。電機2的圖（a）與圖（b）看不出任何差別，采用直方圖均衡化增強方法的圖（c）也看不出故障點的變換，而采用本文方法的圖（d）能看出圖像的變化，可見本文方法能有效保留故障點，并能增強故障點信息，方便故障檢測。

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行均衡化處理，數據量是源圖像的1/4，雖然小波分析方法占用了一些處理時間，但總體上能減小計算時間。視頻圖像處理一個重要的指標是處理速度，要稱得上是實時處理，必須要求每秒10幀的圖像處理速度，即算法的處理時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算時間均多于100 ms，無法達到實時處理的要求；而本文方法的每幀圖像處理時間小于100 ms，即可以保證每秒10幀的處理速度，可以認為具有實時處理紅外圖像的能力。

圖5 電機紅外圖像增強方法比較

4 總結

本文提出基于小波分析的紅外圖像增強算法，該算法采用對圖像邊緣高頻圖像信號進行提取，舍去其他高頻信號，以此來重新構建紅外圖像，達到對紅外圖像去噪、邊緣增強的作用。通過實驗證明，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，對電機紅外圖像故障檢測提供有效信息。

[1]侯志祥，申群太，李河清.電機設備的現代故障診斷方法[J].電力系統及其自動化學報，2003，15（6）：61-63.

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

[3]張昌凡，黃宜山，邵瑞.基于觀測器的感應電機故障檢測方法及應用[J].儀器儀表學報，2011，32（6）：1337-1343.

[4]黃亮.電力機車交流牽引電機故障診斷技術研究[D].成都：西南交通大學，2009.

[5]Tallan R M，裴彧，邱建甫.感應電機中定子相關故障檢測方法的綜述[J].國外大電機，2005（3）：18-26.

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

[7]王成亮.基于低勵磁法的發電機鐵心故障檢測研究[J].大電機技術，2010（6）：9-13.

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

電機故障檢測的小波分析紅外圖像增強

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

針對紅外成像電力機車電機檢測技術中圖像特征不明顯，故障點獲取困難等問題，提出基于小波分析的紅外圖像增強算法。采用對圖像邊緣高頻圖像信號進行提取，舍去其他高頻信號，并對低頻分量進行直方圖均衡化處理，以此來重新構建紅外圖像，達到對紅外圖像去噪、邊緣以及故障點增強的作用。通過實驗證明，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，對紅外圖像故障檢測提供有效信息。

小波分析；圖像增強；紅外圖像；電機故障檢測

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，主要研究領域為電機故障檢測、機車運用；劉明光（1956—），男，博士，教授，博導。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