课程名称：故障诊断方法与应用报告题目：内圈故障诊断实验报告学生班级；研152 学生姓名： 任课教师： 学位类别：
设备故障诊断技术是一种了解和掌握设备在使用过程中的状态，确定其整体或局部是正常或异常，早期发现故障及其原因，并能预报故障发展趋势的技术。安装合适的传感器可以获得故障的特征信号，通过信号反映故障产生原因。滚动轴承是机械中的易损元件，据统计旋转机械的故障有30%是由轴承引起的，它的好坏对机器的工作状态影响极大。轴承的缺陷会导致机器剧烈振动和产生噪声，甚至会引起设备的损坏。滚动轴承的振动可由于外部的振源引起，也可由于轴承本身的结构特点及缺陷引起。而随着科学技术不断发展和工业化程度的不断提高，机械设备精密程度、复杂程度及自动化程度不断提高，凭个人的感观经验对机械设备进行诊断己经远远不够，因此轴承的状态检测和故障诊断是十分必要的，已经成为机械设备故障诊断技术的重要内容。滚动轴承故障监测诊断方法有很多种，它们各具特点，其中振动信号法应用最广泛。本次实验就是采用振动信号法对滚动轴承故障实验平台的滚动轴承的故障信号进行分析。
1 绪论 (1) 2 轴承内圈故障特征频率 (2) 3 时域无量纲参数分析 (2) 3.1 时域波形 (2) 3.2 傅里叶变换运算分析故障 (3) 4通过自相关、互相关、功率谱运算分析故障 (4) 4.1 自相关分析 (4) 4.2 互相关运算分析故障 (5) 4.3功率谱密度 (6) 5 Haar小波分析 (7) 5.1小波分解 (7) 5.2 小波降噪 (9)
1 绪论 随着对滚动轴承的运动学、动力学的深入研究，对于轴承振动信号中的频率成分和轴承零件的几何尺寸及缺陷类型的关系有了比较清楚的了解，加之快速傅里叶变换技术的发展。开创了用频域分析方法来检测和诊断轴承故障的新领域。其中最具代表性的有对钢球共振频率的研究，对轴承圈自由共振频率的研究。本文主要着重于对滚动轴承内圈磨损的故障研究，主要研究方法为傅里叶变换，功率谱，自相关以及互相关，小波理论。 滚动轴承在运行过程中可能会因为各种原因出现故障，如安装不当、异物入侵、润滑不良、腐蚀和剥落等都会导致轴承出现故障。安装不当会导致轴承不对中，使得轴承在运行中，产生一种附加弯矩，给轴承增加附加载荷，形成附加激励，引起几组强烈振动，严重时会导致转子严重磨损、轴弯曲、联轴器和轴承断裂等严重后果。即使轴承安装正确，在长期的运行中，由于异物的入侵或则负荷的作用下，接触面会出现不同程度的金属剥落、裂痕等现象，进而导致旋转部件与故障区域接触时产生强烈振动。本次实验主要针对潜在危害很大的裂痕故障信号进行分析研究。滚动轴承在出现裂痕故障后，随着轴承的旋转，由于旋转部件与裂痕周期性的碰撞会产生周期性的冲击信号，且周期可以通过轴承结构计算得出。图1.1所示为滚动轴承基本结构。 图1.1 滚动轴承基本结构 d：滚动体直径 D：轴承节径（滚动体所在圆的直径） R：内圈直径 i R：外圈直径 o ：接触角（滚动体受力方向与轴承径向平面的夹角） Z：滚动体个数
经典图像边缘检测(微分法思想)——Sobel算子 2008-05-15 15:29Sobel于1970年提出了Sobel算子，与Prewitt算子相比较，Sobel算子对检测点的上下左右进一步加权。其加权模板如下： 经典图像边缘检测(微分法思想)——Roberts交叉算子 2008-05-14 17:16 如果我们沿如下图方向角度求其交叉方向的偏导数，则得到Roberts于1963年提出的交叉算子边缘检测方法。该方法最大优点是计算量小，速度快。但该方法由于是采用偶数模板，如下图所示，所求的(x,y)点处梯度幅度值，其实是图中交叉点处的值，从而导致在图像(x,y)点所求的梯度幅度值偏移了半个像素（见下图）。
上述偶数模板使得提取的点（x,y）梯度幅度值有半个像素的错位。为了解决这个定位偏移问题，目前一般是采用奇数模板。 奇数模板： 在图像处理中，一般都是取奇数模板来求其梯度幅度值，即：以某一点（x,y）为中心，取其两边相邻点来构建导数的近似公式：
这样就保证了在图像空间点(x,y)所求的梯度幅度值定位在梯度幅度值空间对应的(x,y)点上(如下图所示)。 前面我们讲过，判断某一点的梯度幅度值是否是边缘点，需要判断它是否大于设定的阈值。所以，只要我们设定阈值时考虑到加权系数产生的影响便可解决，偏导数值的倍数不是一个问题。 经典图像边缘检测(微分法思想)——Prewitt算子 2008-05-15 11:29 Prewitt算子 在一个较大区域中，用两点的偏导数值来求梯度幅度值，受噪声干扰很大。若对两个点的各自一定领域内的灰度值求和，并根据两个灰度值和的差来计算x,y的偏导数，则会在很
基于小波变换的图像边缘检测算法仿真实 现 学生姓名：XX 指导教师：xxx 专业班级：电子信息 学号：00000000000 学院：计算机与信息工程学院 二〇一五年五月二十日
摘要 数字图像边缘检测是图像分割、目标区域识别和区域形态提取等图像分析领域中十分重要的基础，是图像识别中提取图像特征一个重要方法。 目前在边缘检测领域已经提出许多算法，但是提出的相关理论和算法仍然存在很多不足之处，在某些情况下仍然无法很有效地检测出目标物的边缘。由于小波变换在时域和频域都具有很好的局部化特征，并且具有多尺度特征，因此，利用多尺度小波进行边缘检测既能得到良好的抑制噪声的能力，又能够保持边缘的完备。 本文就是利用此方法在MATLAB环境下来对数字图像进行边缘的检测。 关键词：小波变换；多尺度；边缘检测
Abstract The boundary detection of digital image is not only the important foundation in the field of image segmentation and target area identification and area shape extraction, but also an important method which extract image feature in image recognition. Right now, there are a lot of algorithms in the field of edge detection, but these algorithms also have a lot of shotucuts, sometimes, they are not very effective to check the boundary of the digital image. Wavelet transform has a good localization characteristic in the time domain and frequency domain and multi-scale features, So, the boundary detection of digital image by using multi-scale wavelet can not only get a good ability to suppress noise, but also to maintain the completeness of the edge. This article is to use this method in the environment of MATLAB to detect the boundary of the digital image. Keywords: wavelet transform; multi-scale; boundary detection.
电力系统故障诊断算法概述 摘要：本文概述了目前电力系统故障诊断的算法研究现状，总结了当前的主流研究算法——专家系统法、模糊理论法、人工神经网络法、遗传算法、petri 网的方法、粗糙集理论、多代理系统、贝叶斯网络法以及近似熵算法，并对他们在电力系统故障诊断应用中存在的一些缺点做出了概括。 关键词：申力系统；故障诊断；专家系统；人工神经网络；溃传算法； 0引言 当前，电力系统在国民经济中的地位越来越突出，因而对电力系统的安全性、可靠性提出了更高的要求。现在电网的规模庞大，结构趋于复杂，区域之间的联系密切，对电力系统故障诊断的研究意义重大。电力系统故障诊断是通过各类保护装置产生的信息，基于一定的理论和经验来对故障发生的区段、故障元器件、故障性质作出快速、准确的处理。虽然国家电网的SCAD/EMS系统在电力系统故障的获取方面起到了一定的作用，但是电网故障时大量的信息远远超出了运行人员的能力，所以迫切的需要一套更加完整的智能电力系统故障诊断系统，实现对电网故障的自动快速诊断。 但是，电力系统中电力设备的种类繁多品种不一，保护装置配合的复杂性、电网结构的变化不确定性，导致了电网故障诊断是一个复杂的综合问题。近年来国内外许多学者提出了多种故障诊断的技术和方法，主要包括：专家系统法ES （Expert System）、模糊理论法ET（Fuzzy Theory）、人工神经网络法ANN （Artificial Neural Network）、遗传算法GA（Genetic Algorithms）、petri网法、粗糙集理论RST（Rough Set Theory）、多代理系统MAS（Multi-agentSystem）、贝叶斯法BN（belief network）以及近似熵算法。本文对上述方法归纳总结，阐述了各自在电力网中的故障诊断的应用，分析各种方法的特点，并对一些相关技术和方法的发展进行简要的介绍。 1电力系统故障诊断国内外研究发展现状 1.1基于专家系统的方法ES 专家系统ES(Expert System)是目前发展最早相对比较成熟的一种智能技术。它是一个智能计算机程序系统，内部含有大量的某个领域专家水平的知识与经验，具有大量的专业知识与经验的程序系统，利用人类专家的知识和解决问题的方法
故障诊断分析方法比较 摘要：小波变换作为信号处理的手段，逐渐被越来越多领域的理论工作者和工 程技术人员重视和应用。在机械系统和电气系统中，故障时常发生，为了诊断 系统是否故障，小波分析是很好的方法。小波分析的方法很多，小波的选择也 很多类，为了研究哪种小波分析方法更加适合于故障检测。论文将通过一个例 子来分别采用功率谱、多分辨小波分析和小波包三种方法进行突发性故障诊断，来研究各自的分析特点。并总结在故障发生时，一个更加好的分析方法。 关键词：故障功率谱多分辨分析小波包分析 正文： 在对机械设备进行故障检测时，通常采用对振动信号进行频谱分析找出奇 异点的方法来实现设备监测。傅里叶变换是频谱分析的主要工具，其方法是研 究函数在傅里叶变换后的衰减以推断函数是否具有奇异性及奇异性的大小，但 傅里叶分析只能确定一个函数奇异性的整体性质而难以确定奇异点空间的位置 分布情况，这一局限性导致了频谱分析不能精确的确定信号的奇异性特点，给 进一步分析信号的规律带来了一定的障碍。 而在傅里叶基础上发展而来的功率谱可以识别不同信号的故障信号。将正 常信号的功率谱与运行过程中不断连续收集的信号功率谱进行对比，功率谱异 常就表示机械系统有故障，不同类型的故障会有不同类型的频谱特征，从故障 信号的功率谱中可以识别故障的类型。 然而利用传统的频谱分析方法只能从频谱图上了解故障信号的所包含的频 率成分，而无法确定具体的频率成分的震动形式。无法对具体的频率成分进行 分析，难以直接描述机械的状态。小波分析是近十年发展起来的一门适用于时 变信号分析的新兴工具，它可以把时域信号变换到时间—尺度域中，在不同尺 度下观察不同的局部化特性。在信号突变时，其小波变换后的系数具有模量极 大值，可通过对模的极大值点的检测来确定故障发生的时间点。在从小波基础 上发展的小波包，对各个子小波空间做出更加细致的分解，其对应的频带被进 一步分解，这使得时—频分析能聚焦于任意的细节，在故障诊断时，可从细节 上分析故障。 很多工作系统正常工作时，工作输出点的采样信号是蠕变信号，当由于多 种原因系统系统故障时，输出信号将产生一突变信号（主要表现在幅度和频率 的变化），信号的突变时刻被称为信号的奇异点。这些奇异点数值包含有重要 的故障信息，因此，对突变信号进行检测和处理，是故障诊断的关键。 因此，本文从功率谱、多分辨分析分析和小波包三种方法进行蠕变信号突发性 故障诊断，并比较总结它们的特点。 实例：由于日常机械中很多振动信号都是由不通频率的正弦余弦波组成的，于 是这里选择的原始信号采用的是单一频率正弦波的形式。为了研究上述三种分 析方法，并且由于还未在先研究阶段中未得到研究机械的信号，为了简化分析
几种常用边缘检测算法的比较摘要:边缘是图像最基本的特征，边缘检测是图像分析与识别的重要环节。基于微分算子的边缘检测是目前较为常用的边缘检测方法。通过对Roberts，Sobel，Prewitt，Canny 和Log 及一种改进Sobel等几个微分算子的算法分析以及MATLAB 仿真实验对比，结果表明，Roberts，Sobel 和Prewitt 算子的算法简单，但检测精度不高，Canny 和Log 算子的算法复杂，但检测精度较高，基于Sobel的改进方法具有较好的可调性，可针对不同的图像得到较好的效果，但是边缘较粗糙。在应用中应根据实际情况选择不同的算子。 0 引言 边缘检测是图像分析与识别的第一步，边缘检测在计算机视觉、图像分析等应用中起着重要作用，图像的其他特征都是由边缘和区域这些基本特征推导出来的，边缘检测的效果会直接影响图像的分割和识别性能。边缘检测法的种类很多，如微分算子法、样板匹配法、小波检测法、神经网络法等等，每一类检测法又有不同的具体方法。目前，微分算子法中有Roberts，Sobel，Prewitt，Canny，Laplacian，Log 以及二阶方向导数等算子检测法，本文仅将讨论微分算子法中的几个常用算子法及一个改进Sobel算法。 1 边缘检测
在图像中，边缘是图像局部强度变化最明显的地方，它主要存在于目标与目标、目标与背景、区域与区域( 包括不同色彩) 之间。边缘表明一个特征区域的终结和另一特征区域的开始。边缘所分开区域的内部特征或属性是一致的，而不同的区域内部特征或属性是不同的。边缘检测正是利用物体和背景在某种图像特征上的差异来实现检测，这些差异包括灰度、颜色或纹理特征，边缘检测实际上就是检测图像特征发生变化的位置。边缘的类型很多，常见的有以下三种: 第一种是阶梯形边缘，其灰度从低跳跃到高; 第二种是屋顶形边缘，其灰度从低逐渐到高然后慢慢减小; 第三种是线性边缘，其灰度呈脉冲跳跃变化。如图1 所示。 (a) 阶梯形边缘(b) 屋顶形边缘 (b) 线性边缘 图像中的边缘是由许多边缘元组成，边缘元可以看作是一个短的直线段，每一个边缘元都由一个位置和一个角度确定。边缘元对应着图像上灰度曲面N 阶导数的不连续性。如果灰度曲面在一个点的N 阶导数是一个Delta 函数，那么就
安全检测与故障诊断 题目：故障诊断技术发展现状 导师：魏秀琨 学生姓名：刘典 学号：14114263
目录 1 引言 (3) 2 故障诊断的研究现状 (3) 1.1基于物理和化学分析的诊断方法 (3) 1.2基于信号处理的诊断方法对 (3) 1.3基于模型的诊断方法 (3) 1.4基于人工智能的诊断方法 (4) 2故障诊断研究存在的问题 (6) 2.1故障分辨率不高 (7) 2.2信息来源不充分 (7) 2.3自动获取知识能力差 (7) 2.4知识结合能力差 (7) 2.5对不确定知识的处理能力差 (7) 3发展方向 (8) 3.1多源信息的融合 (8) 3.2经验知识与原理知识紧密结合 (8) 3.3混合智能故障诊断技术研究 (9) 3.4基于物联网的远程协作诊断技术研究 (9) 4发展方向 (9)
1 引言 故障可以定义为系统至少有一个特性或参数偏离正常的范围，难于完成系统预期功能的行为。故障诊断技术是一种通过监测设备的状态参数，发现设备的异常情况，分析设备的故障原因，并预测预报设备未来状态的技术，其宗旨是运用当代一切科技的新成就发现设备的隐患，以达到对设备事故防患于未然的目的，是控制领域的一个热点研究方向。它包括故障检测、故障分离和故障辨识。故障诊断能够定位故障并判断故障的类型及发生时刻，进一步分析后可确定故障的程度。故障检测与诊断技术涉及多个学科，包括信号处理、模式识别、人工智能、神经网络、计算机工程、现代控制理论和模糊数学等，并应用了多种新的理论和算法。 2 故障诊断的研究现状 1.1基于物理和化学分析的诊断方法 通过观察故障设备运行过程中的物理、化学状态来进行故障诊断，分析其声、光、气味及温度的变化，再与正常状态进行比较，凭借经验来判断设备是否故障。如对柴油机常见的诊断方法有油液分析法，运用铁谱、光谱等分析方法，分析油液中金属磨粒的大小、组成及含量来判断发动机磨损情况。对柴油机排出的尾气(包含有NOX，COX 等气体) 进行化学成分分析，即可判断出柴油机的工作状态。 1.2基于信号处理的诊断方法对 故障设备工作状态下的信号进行诊断，当超出一定的范围即判断出现了故障。信号处理的对象主要包括时域、频域以及峰值等指标。运用相关分析、频域及小波分析等信号分析方法，提取方差、幅值和频率等特征值，从而检测出故障。如在发动机故障领域中常用的检测信号是振动信号和转速波动信号。如以现代检测技术、信号处理及模式识别为基础，在频域范围内，进行快速傅里叶变换分析等方法，描述故障特征的特征值，通过采集到的发动机振动信号，确定了试验测量位置，利用加速传感器、高速采集卡等采集了发动机的振动信号，并根据小波包技术，提取了发动机故障信号的特征值。该诊断方法的缺点在于只能对单个或者少数的振动部件进行分析和诊断。而发动机振动源很多，用这种方法有一定的局限性。 1.3基于模型的诊断方法 基于模型的诊断方法，是在建立诊断对象数学模型的基础上，根据模型获得的预测形态和所测量的形态之间的差异，计算出最小冲突集即为诊断系统的最小诊断。其中，最小诊断就是关于故障元件的假设，基于模型的诊断方法具有不依赖于被诊断系统的诊断实例和经验。将系统的模型和实际系统冗余运行，通过对比产生残差信号，可有效的剔除控制信号对
故障诊断理论方法综述 故障诊断的主要任务有：故障检测、故障类型判断、故障定位及故障恢复等。其中：故障检测是指与系统建立连接后，周期性地向下位机发送检测信号，通过接收的响应数据帧，判断系统是否产生故障；故障类型判断就是系统在检测出故障之后，通过分析原因，判断出系统故障的类型；故障定位是在前两部的基础之上，细化故障种类，诊断出系统具体故障部位和故障原因，为故障恢复做准备；故障恢复是整个故障诊断过程中最后也是最重要的一个环节，需要根据故障原因，采取不同的措施，对系统故障进行恢复一、基于解析模型的方法 基于解析模型的故障诊断方法主要是通过构造观测器估计系统输出，然后将它与输出的测量值作比较从中取得故障信息。它还可进一步分为基于状态估计的方法和基于参数估计的方法，前者从真实系统的输出与状态观测器或者卡尔曼滤波器的输出比较形成残差，然后从残差中提取故障特征进而实行故障诊断；后者由机理分析确定系统的模型参数和物理元器件之间的关系方程，由实时辨识求得系统的实际模型参数，然后求解实际的物理元器件参数，与标称值比较而确定系统是否发生故障及故障的程度。基于解析模型的故障诊断方法都要求建立系统精确的数学模型，但随着现代设备的不断大型化、复杂化和非线性化，往往很难或者无法建立系统精确的数学模型，从而大大限制了基于解析模型的故障诊断方法的推广和应用。 二、基于信号处理的方法 当可以得到被控测对象的输入输出信号，但很难建立被控对象的解析数学模型时，可采用基于信号处理的方法。基于信号处理的方法是一种传统的故障诊断技术，通常利用信号模型，如相关函数、频谱、自回归滑动平均、小波变换等，直接分析可测信号，提取诸如方差、幅值、频率等特征值，识别和评价机械设备所处的状态。基于信号处理的方法又分为基于可测值或其变化趋势值检查的方法和基于可测信号处理的故障诊断方法等。基于可测值或其变化趋势值检查的方法根据系统的直接可测的输入输出信号及其变化趋势来进行故障诊断，当系统的输入输出信号或者变化超出允许的范围时，即认为系统发生了故障，根据异常的信号来判定故障的性质和发生的部位。基于可测信号处理的故障诊断方法利用系统的输出信号状态与一定故障源之间的相关性来判定和定位故障，具体有频谱分析方法等。 三、基于知识的方法 在解决实际的故障诊断问题时，经验丰富的专家进行故障诊断并不都是采用严格的数学算法从一串串计算结果中来查找问题。对于一个结构复杂的系统，当其运行过程发生故障时，人们容易获得的往往是一些涉及故障征兆的描述性知识以及各故障源与故障征兆之间关联性的知识。尽管这些知识大多是定性的而非定量的，但对准确分析故障能起到重要的作用。经验丰富的专家就是使用长期积累起来的这类经验知识，快速直接实现对系统故障的诊断。利用知识，通过符号推理的方法进行故障诊断，这是故障诊断技术的又一个分支——基于知识的故障诊断。基于知识的故障诊断是目前研究和应用的热点，国内外学者提出了很多方法。由于领域专家在基于知识的故障诊断中扮演重要角色，因此基于知识的故障诊断系统又称为故障诊断专家系统。如图1.1
图像边缘检测算法体验步骤 图像边缘检测算法体验步骤（Photoshop，Matlab）1. 确定你的电脑上已经安装了Photoshop和Matlab2. 使用手机或其他任何方式，获得一张彩色图像（任何格式），建议图像颜色丰富，分辨率比较高，具有比较明显的图像边界（卡通图像，风景图像，桌面图像）3. 将图像保存到一个能够找到的目录中，例如img文件夹（路径上没有汉字）4. 启动Photoshop，打开img文件夹中的图像5. 在工具箱中选择“矩形选择”工具，到图面上选择一个区域（如果分辨率比较高，建议不要太大，否则计算过程比较长）6. 点击下拉菜单【文件】-【新建】，新建一个与矩形选择框同样尺寸的Photoshop图像，不要求保存该图像7. 将该彩色图像转换为亮度图像，即点击下拉菜单【图像】-【模式】-【灰度】，如提示是否合并，选择“Yes”8. 将该单色的亮度图像另存为Windows的BMP文件，点击下拉菜单【文件】-【存储为】，在“存储为”窗口中，为该文件起一个名字，例如test1（保存为test1.bmp）9. 启动Matlab，将当期路径（Current Directory）定位到图像文件夹，例如这里的img文件夹10. 使用imread命令读入该图像，在命令行输入：>> f = imread(test1.bmp);11. 在Matlab中显示该图像，在命令行输入：>> figure, imshow(f)12. 然后，分别使用Matlab图像工具箱中的Edge函数，分别使用Sobel算法，高斯-拉普拉斯（Log）算法和Canny算法得到的边缘图像：在命令行输入：>> g_sobel = edge(f, sobel, 0.05); >> g_log = edge(f, log, 0.003, 2.25); >> g_canny = edge(f, canny, [0.04 0.10], 1.5);13 得到边缘图像计算结果后，显示这些边缘图像： >> figure, imshow(g_sobel) >> figure, imshow(g_log) >> figure, imshow(g_canny)14 可以用不同的图像做对比，后续课程解释算法后，可以变换不同的阈值，得到不同的边缘图像
基于小波分析的故障诊断算法 前言： 小波变换是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间- 频率”窗口，是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征，因此，小波变换在许多领域都得到了成功的应用，特别是小波变换的离散数字算法已被广泛用于许多问题的变换研究中。从此，小波变换越来越引起人们的重视，其应用领域来越来越广泛。 在实际的信号处理过程中，尤其是对非平稳信号的处理中，信号在任一时刻附近的频域特征都很重要。如在故障诊断中，故障点（机械故障、控制系统故障、电力系统故障等）一般都对应于测试信号的突变点。对于这些时变信号进行分析，通常需要提取某一时间段（或瞬间）的频率信息或某一频率段所对应的时间信息。 因此，需要寻求一种具有一定的时间和频率分辨率的基函数来分析时变信号。小波变换继承和发展了短时傅里叶变换的局部化思想，并且克服了其窗口大小和形状固定不变的缺点。它不但可以同时从时域和频域观测信号的局部特征，而且时间分辨率和频率分辨率都是可以变化的，是一种比较理想的信号处理方法。 小波分析被广泛应用于信号处理、图像处理、语音识别、模式识别、数据压缩、故障诊断、量子物理等应用领域中。 小波分析在故障诊断中应用进展 1）基于小波信号分析的故障诊断方法 基于小波分析直接进行故障诊断是属于故障诊断方法中的信号处理法。这一方法的优点是可以回避被诊断对象的数学模型, 这对于那些难以建立解析数学模型的诊断对象是非常有用的。 具体可分为以下4种方法: ①利用小波变换检测信号突变的故障方法连续小波变换能够通过多尺度分析提取信号的奇异点。基本原理是当信号在奇异点附近的Lipschitz指数a >0时，其连续小波变换的模极大值随尺度的增大而增大；当a <0时，则随尺度的增大而减小。噪声对应的Lipschitz指数远小于0, 而信号边沿对应的Lipschitz 指数大于或等于0。因此, 利用小波变换可以区分噪声和信号边沿, 有效地检测出强噪声背景下的信号边沿（奇变）。动态系统的故障通常会导致系统的观测信号发生奇异变化, 可以直接利用小波变换检测观测信号的奇异点, 从而实现对系统故障的检测。比如根据输油管泄漏造成的压力信号突变的特点, 用小波变换检测这些突变点, 实现输油管道的泄漏点诊断。 ②观测信号频率结构变化的故障诊断方法小波多分辨率分析能够描述信号的频谱随 时间变化情况或信号在某时刻
视觉检测系统报告 年春季学期研究生课程考核（阅读报告、研究报告）考核科目:视觉测量系统学所在院（系）:电气工程及自动化学院学生所在学科:仪器科学与技术学生姓名:***学 号:10S001***学生类别:工学硕士考核结果: 阅卷人: 视觉测量系统课程报告第一部分视觉测量系统发展现状综述机器视觉自起步发展到现在，已有15年的发展历史。应该说机器视觉作为一种应用系统，其功能特点是随着工业自动化的发展而逐渐完善和发展的。 目前全球整个视觉市场总量大概在60～70亿美元，是按照每年 8、8%的增长速度增长的。而在中国，这个数字目前看来似乎有些庞大，但是随着加工制造业的发展，中国对于机器视觉的需求将承上升趋势。 一、机器视觉的定义及特点简言之，机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是指通过机器视觉产品（即图像摄取装置，分CMOS和CCD两种）将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。
机器视觉系统的特点是提高生产的柔性和自动化程度。在一些不适合于人工作业的危险工作环境或人工视觉难以满足要求的场合，常用机器视觉来替代人工视觉；同时在大批量工业生产过程中，用人工视觉检查产品质量效率低且精度不高，用机器视觉检测方法可以大大提高生产效率和生产的自动化程度。而且机器视觉易于实现信息集成，是实现计算机集成制造的基础技术。 正是由于机器视觉系统可以快速获取大量信息，而且易于自动处理，也易于同设计信息以及加工控制信息集成，因此，在现代自动化生产过程中，人们将机器视觉系统广泛地用于工况监视、成品检验和质量控制等领域。在中国，这种应用也在逐渐被认知，且带来最直接的反应就是国内对于机器视觉的需求将越来越多。 二、机器视觉在国内外的应用现状在国外，机器视觉的应用普及主要体现在半导体及电子行业，其中大概40%～50%都集中在半导体行业。具体如PCB印刷电路：各类生产印刷电路板组装技术、设备；单、双面、多层线路板，覆铜板及所需的材料及辅料；辅助设施以及耗材、油墨、药水药剂、配件；电子封装技术与设备；丝网印刷设备及丝网周边材料等。SMT表面贴装：SMT工艺与设备、焊接设备、测试仪器、返修设备及各种辅助工具及配件、SMT材料、贴片剂、胶粘剂、焊剂、焊料及防氧化油、焊膏、清洗剂等；再流焊机、波峰焊机及自动化生产线设备。电子生产加工设备：电子元件制造设备、半导体及集成电路制造设备、元
前言： 相对PC机而言服务器出故障的机率是小多了，但是它的故障给企业也带来了一些影响。作为服务器工程师除要有服务器基础知识以外，还需要具备服务器故障的诊断思路，这样才能最快速的解决问题也可以减少故障停机时间。 本文并不是针对某个厂家服务器故障完全手册，而是根据个人经验总结出来的一些经验思路还有一些总结案例。按照下面思路和方法基本上能够解决目前服务器更换式维修的大多数问题。而且里面的一些操作风险性也不是很大，因为服务器本身就是坏的，最坏的情况下就是它一点都不能工作了呗，（主要确认是否有数据，数据无价啊）而且现在很多厂商都有自己的客服电话关于产品问题打个电话也很方便，所以安心做啦 当然如果服务器在保修期内就打电话让售后工程师上门服务，毕竟顾客就是上帝嘛，但是如果上帝比较着急使用，一般小故障自己解决一下就好了，因为一般报修最快都是第二天（大客户如银行等除外，一般当天还得是晚上才能停机解决） 目录： 一、服务器常见故障分类 二、服务器常见故障现象及其对应排错方法 三、服务器排错基本原则 四、服务器故障需要收集哪些信息 五、服务器硬件故障排错实例 六、服务器软件故障排错实例 七、服务器常见内存故障现象 一、服务器常见故障类型分类： A. 开机无显示 B. 加电BIOS自检阶段故障 C. 系统和软件安装阶段故障和现象 D. 操作系统启动失败 E. 系统运行阶段故障 二、服务器常见故障现象及其对应的排除方法
A．服务器开机无显示（加电无显示和不加电无显示） 1. 检查供电环境 2. 检查电源和故障指示灯（故障指示灯状态，目前很多厂商的服务器都有故障指示灯，或故障诊断卡等。） 3. 按下电源开关时，键盘指示灯是否亮、风扇是否全部转动 4. 是否更换过显示器，尝试更换另外一台显示器 5. 插拔内存，用橡皮擦擦拭一下金手指，如果在故障之前有增加内存，去掉增加的内存尝试 6. 是否添加了CPU，如果有增加CPU尝试去掉 7. 去掉增加的第三方I/O卡包括Raid卡等 8. ClearCMOS (记得使用跳线来清除，尽量不要直接拔电池，每款服务器清除跳线位置不一致，具体找不到电话联系一下厂商客服) 9. 尝试更换主板、内存等主要部件 10．清除静电，将电源线等外插在服务器上的线缆全部拔掉，然后轻按开机键几下 B．加电BIOS自检报错 1. 根据BIOS自检报错信息提示 2. 查看是否外插了第三方的卡或者添加部件，如果有还原基本配置重启 3. 做最小化测试 4. 尝试清除CMOS 5. 看能否正常进入BIOS C. 系统安装阶段故障和现象 1.查看服务器支持操作系统的兼容版本（从厂商能查到兼容性列表） 2.系统安装蓝屏（对蓝屏故障代码诊断） 3.安装在分区格式化的时候找不到硬盘 （阵列驱动没有安装或者没有配置阵列，可以尝试适应引导光盘安装） 4.大于2T的硬盘式应该如何分区（必须使用阵列卡才能实现或者有外插识别卡） （使用阵列卡配置阵列分成一个小于2T的空间，一个大于2T的空间，然后将系统安装在小于2T的上面，安装好系统后在使用GPT方式分区即可） 5.安装过程是死机 (检查兼容性列表---查看硬盘接口选择是否正确---阵列驱动安装是否正确---尝试最小化配置安装检查是否为内存和CPU等问题) 6.引导光盘安装失败
数字图像处理实验报告 学生姓名王真颖 学生学号L0902150101 指导教师梁毅雄 专业班级计算机科学与技术1501 完成日期2017年11月06日
计算机科学与技术系信息科学与工程学院
目录 实验一.................................................................................................. 错误!未定义书签。 一、实验目的.................................................................................................... 错误!未定义书签。 二、实验基本原理 ........................................................................................... 错误!未定义书签。 三、实验内容与要求....................................................................................... 错误!未定义书签。 四、实验结果与分析....................................................................................... 错误!未定义书签。实验总结............................................................................................... 错误!未定义书签。参考资料.. (3) 实验一图像分割与边缘检测 一．实验目的 1. 理解图像分割的基本概念； 2. 理解图像边缘提取的基本概念； 3. 掌握进行边缘提取的基本方法；
故障诊断技术发展历史 故障诊断(FD)始于(机械)设备故障诊断，其全名是状态监测与故障诊断(CMFD)。它包含两方面内容：一是对设备的运行状态进行监测；二是在发现异常情况后对设备的故障进行分析、诊断。设备故障诊断是随设备管理和设备维修发展起来的。欧洲各国在欧洲维修团体联盟(FENMS)推动下，主要以英国倡导的设备综合工程学为指导；美国以后勤学(Logistics)为指导；日本吸收二者特点，提出了全员生产维修(TPM)的观点。美国自1961年开始执行阿波罗计划后，出现一系列因设备故障造成的事故，导致1967年在美国宇航局(NASA)倡导下，由美国海军研究室(ONR)主持成立了美国机械故障预防小组(MFPG)，并积极从事技术诊断的开发。 美国诊断技术在航空、航天、军事、核能等尖端部门仍处于世界领先地位。英国在60～70年代，以Collacott为首的英国机器保健和状态监测协会(MHMG & CMA)最先开始研究故障诊断技术。英国在摩擦磨损、汽车和飞机发电机监测和诊断方面具领先地位。日本的新日铁自1971年开发诊断技术，1976年达到实用化。日本诊断技术在钢铁、化工和铁路等部门处领先地位。我国在故障诊断技术方面起步较晚，1979年才初步接触设备诊断技术。目前我国诊断技术在化工、冶金、电力等行业应用较好。故障诊断技术经过30多年的研究与发展，已应用于飞机自动驾驶、人造卫星、航天飞机、核反应堆、汽轮发电机组、大型电网系统、石油化工过程和设备、飞机和船舶发动机、汽车、冶金设备、矿山设备和机床等领域。 故障诊断的主要理论和方法 故障诊断技术已有30多年的发展历史，但作为一门综合性新学科——故障诊断学——还是近些年发展起来的。从不同的角度出发有多种故障诊断分类方法，这些方法各有特点。从学科整体可归纳以下理论和方法。 (1)基于机理研究的诊断理论和方法从动力学角度出发研究故障原因及其状态效应。针对不同机械设备进行的故障敏感参数及特征提取是重点。 (2)基于信号处理及特征提取的故障诊断方法主要有时域特征参数及波形特征诊断法、时差域特征法、幅值域特征法、信息特征法、频谱分析及频谱特征再分析法、时间序列特征提取法、滤波及自适应除噪法等。今后应注重实时性、自动化性、故障凝聚性、相位信息和引入人工智能方法，并相互结合。 (3)模糊诊断理论和方法模糊诊断是根据模糊集合论征兆空间与故障状态空间的某种映射关系，由征兆来诊断故障。由于模糊集合论尚未成熟，诸如模糊集合论中元素隶属度的确定和两模糊集合之间的映射关系规律的确定都还没有统一的方法可循，通常只能凭经验和大量试验来确定。另外因系统本身不确定的和模糊的信息(如相关性大且复杂)，以及要对每一个征兆和特征参数确定其上下限和合适的隶属度函数，而使其应用有局限性。但随着模糊集合论的完善，相信该方法有较光明的前景。 (4)振动信号诊断方法该方法研究较早，理论和方法较多且比较完善。它是依据设备运行或激振时的振动信息，通过某种信息处理和特征提取方法来进行故障诊断。在这方面应注重引入非线性理论、新的信息处理理论和方法。
技术细节 本项目应用了嵌入式中央控制及工业级图像高速传输控制技术，基于CCD/CMOS与DSP/FPGA的图像识别与处理技术，成功建立了光电检测系统。应用模糊控制的精选参数自整定技术，使系统具有对精确检测的自适应调整,实现产品的自动分选功能。 图1 控制系统流程图 光电检测系统主要通过检测被检物的一些特征参数(灰度分布,RGB分值等)，从而将缺陷信息从物体中准确地识别出来，通过后续的系统进行下一步操作，主要分为以下几部分 CCD/CMOS图像采集部分 系统图像数据采集处理板中光信号检测元件CCD/CMOS采用进口的适合于高精度检测的动态分析单路输出型、保证实际数据输出速率为320MB/s的面阵CCD/CMOS。像素分别为4000*3000和1600*1200，帧率达到10FPS。使用CCD/CMOS 作为输入图像传感器，从而实现了图像信息从空间域到时间域的变换。为了保证所需的检测精度，需要确定合理的分辨率。根据被检测产品的大小,初步确定系统设计分辨率为像素为0.2mm。将CCD/CMOS接收的光强信号转换成电压幅值，再经过A/D转换后由DSP/ FPGA芯片进行信号采集，即视频信号的量化处理过程，图像采集处理过程如图所示：
图2 图像采集处理过程 数据处理部分 在自动检测中，是利用基于分割的图像匹配算法来进行图像的配对为基础的。图像分割的任务是将图像分解成互不相交的一些区域，每一个区域都满足特定区域的一致性，且是连通的，不同的区域有某种显著的差异性。分割后根据每个区域的特征来进行图像匹配，基于特征的匹配方法一般分为四个步骤：特征检测、建立特征描述、特征匹配、利用匹配的“特征对”求取图像配准模型参数。 算法基本步骤如下: 1)利用图像的色彩、灰度、边缘、纹理等信息对异源图像分别进行分割，提取区域特征； 2)进行搜索匹配，在每一匹配位置将实时图与基准图的分割结果进行融合，得到综合分割结果； 3)利用分割相似度描述或最小新增边缘准则找出正确匹配位置。 设实时图像分割为m个区域，用符号{A1，A2，… Am}表示，其异源基准图像分割为n个区域，用符号{B1，B2，…Bn}表示。分割结果融合方法如下: 在每一个匹配位置，即假设的图像点对应关系成立时，图像点既位于实时图中，又位于其异源基准图像中，则融合后区域点的标识记为：（A1B1，A1B2，…，A2B1，A2B2，…）。标识AiBj表示该点在实时图中位于区域i，在基准图中位于区域j。算法匹配过程如下图所示：
课程设计任务书 学院信息科学与工程专业电子信息工程 学生姓名*** 班级学号09******* 课程设计题目图像边缘检测算子 课程设计目的与要求: 设计目的： 1.熟悉几种经典图像边缘检测算子的基本原理。 2.用Matlab编程实现边缘检测，比较不同边缘检测算子的实验结果。设计要求： 1.上述实验内容相应程序清单，并加上相应的注释。 2.完成目的内容相应图像，并提交原始图像。 3.用理论对实验内容进行分析。 工作计划与进度安排: 2012年 06月29 日选题目查阅资料 2012年 06月30 日编写软件源程序或建立仿真模块图 2012年 07月01 日调试程序或仿真模型 2012年 07月01 日结果分析及验收 2012年 07月02 日撰写课程设计报告、答辩 指导教师： 2012年 6月29日专业负责人： 2012年 6月29日 学院教学副院长： 2012年 6月29日
摘要 边缘检测是数字图像处理中的一项重要内容。本文对图像边缘检测的几种经典算法（Roberts算子、Sobel算子、Prewitt算子）进行了分析和比较，并用MATLAB实现这几个算法。最后通过实例图像对不同边缘检测算法的效果进行分析，比较了不同算法的特点和适用范围。 关键词：图像处理；边缘检测；Roberts算子；Sobel算子；Prewitt算子
目录 第1章相关知识.................................................................................................... IV 1.1 理论背景 (1) 1.2 数字图像边缘检测意义 (1) 第2章课程设计分析 (3) 2.1 Roberts(罗伯特)边缘检测算子 (3) 2.2 Prewitt(普瑞维特)边缘检测算子 (4) 2.3 Sobel(索贝尔)边缘检测算子 (5) 第3章仿真及结果分析 (7) 3.1 仿真 (7) 3.2 结果分析 (8) 结论 (10) 参考文献 (11)
图像边缘检测方法的研究与实现刘法200832800066
青岛大学专业课程设计 院系: 自动化学院 专业: 电子信息工程 班级: 08级电子信息工程3班学生姓名: 刘法 指导教师: 王汉萍庄晓东 日期: 2011年12月23日
题目：图像边缘检测方法的研究与实现 一、边缘检测以及相关概念 1．1边缘，边缘检测的介绍 边缘(edge)是指图像局部强度变化最显著的部分．边缘主要存在于目标与目标、目标与背景、区域与区域(包括不同色彩)之间，是图像分割、纹理特征和形状特征等图像分析的重要基础．图像分析和理解的第一步常常是边缘检测(edge detection)． 边缘检测是指使用数学方法提取图像像元中具有亮度值（灰度）空间方向梯度大的边、线特征的过程。 在讨论边缘算子之前，首先给出一些术语的定义： 边缘点：图像中具有坐标] ,[j i且处在强度显著变化的位置上的点．边缘段：对应于边缘点坐标] i及其方位 ，边缘的方位可能是梯度角． ,[j 边缘检测器：从图像中抽取边缘(边缘点和边缘段)集合的算法． 轮廓：边缘列表，或是一条表示边缘列表的拟合曲线． 边缘连接：从无序边缘表形成有序边缘表的过程．习惯上边缘的表示采用顺时针方向序． 边缘跟踪：一个用来确定轮廊的图像（指滤波后的图像）搜索过程． 边缘点的坐标可以是边缘位置像素点的行、列整数标号，也可以在子像素分辨率水平上表示．边缘坐标可以在原始图像坐标系上表示，但大多数情况下是在边缘检测滤波器的输出图像的坐标系上表示，因为滤波过程可能导致图像坐标平移或缩放．边缘段可以用像素点尺寸大小的小线段定义，或用具有方位属性的一个点定义．请注意，在实际中，边缘点和边缘段都被称为边缘．边缘连接和边缘跟踪之间的区别在于：边缘连接是把边缘检测器产生的无序边缘集作为输入，输出一个有序边缘集；边缘跟踪则是将一幅图像作为输入，输出一个有序边缘集．另外，边缘检测使用局部信息来决定边缘，而边缘跟踪使用整个图像信息来决定一个像素点是不是边缘． 1．2 边缘检测算子 边缘检测是图像特征提取的重要技术之一, 边缘常常意味着一个区域的终结和另一个区域的开始. 图像的边缘包含了物体形状的重要信息,它不仅在分析图像时大幅度地减少了要处理的信息量,而且还保护了目标的边界结构. 因此,边缘检测可以看做是处理许多复杂问题的关键. 边缘检测的实质是采用某种算法来提取出图像中对对象与背景间的交界线。图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此可以用局部图像微分技术来获取边缘检测算子。经典的边缘检测方法是对原始图像中的像素的某个邻域来构造边缘检测算子。以下是对几种经典的边缘检测算子进行理论分析，并对各自的性能特点做出比较和评价。 边缘检测的原理是：由于微分算子具有突出灰度变化的作用，对图像进行微分运算，在图像边缘处其灰度变化较大，故该处微分计算值教高，可将这些微分值作为相应点的边缘强度，通过阈值判别来提取边缘点，即如果微分值大于阈值，则为边缘点。