热图像二阶统计特征与简化模糊ARTMAP在旋转机械故障诊断中的应用

"该研究提出了一种利用热图像的二阶统计特征和简化的模糊ARTMAP（SFAM）分类器来进行旋转机械故障诊断的方法。通过热图像，可以实时监测设备的温度分布，从而评估其运行状态。研究流程包括热图像预处理、特征提取、特征选择和故障诊断。具体步骤如下： 1. 热图像预处理：首先，对不同工作条件下的热图像进行预处理，目的是提升图像对比度，去除噪声并裁剪出感兴趣的区域（ROI），以突出关键信息。 2. 二阶统计特征提取：在预处理后的ROI上应用二维经验模式分解（2D EMD）增强算法，以提升图像质量。接着，从灰度共生矩阵（GLCM）中提取二阶统计特征，这些特征能反映图像的纹理和结构信息，有助于识别故障模式。 3. 特征选择：采用最小冗余最大相关性（mRMR）原则，从提取的全部特征中挑选出与机器状态最相关的一组特征。mRMR方法旨在找到一组具有高鉴别力且相互间不冗余的特征，以优化诊断性能。 4. 故障诊断：选取的特征输入到简化的模糊ARTMAP（SFAM）分类器中，进行故障诊断。SFAM是一种自适应共振理论（ART）的模糊版本，能有效处理模糊边界和不确定性，适用于复杂系统的分类任务。 5. 实验验证与比较：使用模拟故障数据集，包括正常状态、未对准、轴承故障和质量不平衡等不同条件，测试所提方法的性能。同时，与反向传播神经网络（BPNN）和概率神经网络（PNN）等传统方法进行对比，结果显示，所提出的二阶统计特征结合SFAM的框架在旋转机械故障诊断中展现出较高的准确性和有效性。 该研究强调了热图像在故障诊断中的潜力，以及二阶统计特征与SFAM相结合的优势，为实际的设备维护和故障预测提供了新的思路和技术支持。" 这篇论文发表于2017年，刊载在《Engineering》期刊第9卷第524-539页，DOI为10.4236/eng.2017.96033，作者是Faisal AlThobiani、Van Tung Tran和Tiedo Tinga，分别来自沙特阿拉伯吉达的国王阿卜杜勒阿齐兹大学海洋科学学院和荷兰特温特大学工程技术学院。