轴承故障视觉振动检测方法及系统

本发明涉及故障检测技术领域，具体涉及一种轴承故障视觉振动检测方法及系统。

背景技术：

轴承故障视觉振动检测方法采用摄像机拍摄的视频信息自动检测轴承冲击故障，具有非接触、自动化、准确度高、适用场景广泛等优势。

当轴承出现局部损伤时，其振动信号中往往会出现周期性的冲击成分，但对于早期轴承故障，冲击成分微弱，容易淹没在轴承自身振动及其随机噪声中，不易察觉，且这些异常的冲击成分，即发动机故障信号，往往伴随发动机正常的谐振频率出现。因此，如能对轴承振动信号中的谐振信号和周期性冲击有效分离，并对冲击之间的时间间隔加以识别，则可为轴承故障检测提供重要的依据。

传统的振动故障检测技术是在轴承座表面加振动传感器采集振动信号，这种接触式方式需要人工安装，耗时耗力。激光传感器等非接触式检测方式成本昂贵。

最近，justinchen等提出了一种基于视频运动放大的视觉振动测量方法(基于相位估计的振动测量，pve)，[modalidentificationofsimplestructureswithhigh-speedvideousingmotionmagnification，2015]，该方法直接利用摄像机拍摄视频，通过提取视频中的局部相位信息，获得振动波形，在此基础上计算振动频率，该方法也适用于机械设备的振动检测[time-varyingmotionfilteringforvision-basednon-stationaryvibrationmeasurement，2020]。

另外，由于轴承结构复杂，激励众多且其频率范围广，各种激励经相应的传递及耦合均被反映在发动机表面的振动中，使所测得的表面振动信号十分复杂，具有非线性、非高斯性和循环平稳性。同时，故障初期的异常信号大多是弱能量信号，往往淹没在强大的背景噪声中，用传统的理论方法提取故障特征具有局限性。

目前，在轴承故障冲击提取中，主要方法有:谱峭度法[antonij，randallrb.thespectralkurtosis:applicationtothevibratorysurveillanceanddiagnosticsofrotatingmachines[j].mechanicalsystemsandsignalprocessing，2006，20(2):308－331.；leiyg，linj，hezj，etal.applicationofanimprovedkurtogrammethodforfaultdiagnosisofrollingelementbearings[j].mechanicalsystemsandsignalprocessing，2011，25(5):1738－1749.]、盲解卷积法[黄之初，张家凡.滚动轴承故障脉冲信号提取及诊断:一种盲解卷积方法[j].振动与冲击，2006，25(3):150－154，213.]、小波相关滤波法[王诗彬，朱忠奎，王安柱.基于瞬态冲击响应参数辨识的轴承故障特征检测[j].振动工程学报，2010，23(4):445－449.]、基于峭度的混合阈值去噪法[honghb，liangm.k-hybrid:akurtosis-basedhybridthresholdingmethodformechanicalsignaldenoising[j].journalofvibrationandacoustics，2007，129(4):458－470.]等，上述方法在滚动轴承故障信号的冲击成分提取方面均取得了一定的效果。峭度能反映信号概率密度函数峰顶的凸平度，且对大幅值非常敏感。概率增加时信号峭度会迅速增大，利于探测信号中的冲击信息。

starck等[starckjl，mouddeny，robinj.morphologicalcomponentanalysis[c].proceedingsofspie，2005，59(14):1－15.]基于信号的稀疏表示和形态多样性提出了形态分量分析(morphologicalcomponentanalysis，mca)，并在此基础上发展了其扩展算法广义形态分量(generalizedmorphologicalcomponentanalysis，gmca)。形态分量分析的主要思想是利用信号组成成分的形态差异性(可以由不同的字典稀疏表示)进行分离[李映，张艳宁，许星.基于信号稀疏表示的形态成分分析:进展和展望[j].电子学报，2009，37(1):146－152.]。该方法首先应用于图像处理[starckjl，eladm，donohod.redundantmultiscaletransformsandtheirapplicationformorphologicalcomponentseparation[j].advancesinimagingandelectronphysics，2004，132(82):287－384；eladm，starckjl，querrep.simultaneouscartoonandtextureimageinpaintingusingmorphologicalcomponentanalysis(mca)[j].journalonappliedandcomputationalharmonicanalysisacha，2005，19(3):340－358.]和脑信号分离[yongxy，wardrk，birchge.generalizedmorphologicalcomponentanalysisforeegsourceseparatonandartifactremoval[c].proceeedingsofthe4thinternationalieeeembsconferenceonneuralengineeringantalya，turkey，2009，343－347.]中，近来，gmca方法被引入机械故障诊断领域，并用于齿轮箱复合故障诊断中[李辉，郑海起，唐力伟.基于改进形态分量分析的齿轮箱轴承多故障诊断研究[j].振动与冲击，2012，31(12):135－140.]，取得了较好的效果。但gmca方法需要同时采集多路传感器信号，在一定情况下会增加工程应用难度。

综上所述，当轴承出现局部损伤时，其振动信号中往往会出现周期性的冲击成分，但对于早期轴承故障，冲击成分微弱，容易淹没在轴承自身振动及其随机噪声中，不易察觉。mca方法根据信号中谐振分量(光滑部分)与冲击分量(细节部分)的形态差异，采用不同的过完备字典分别进行稀疏表示(每种成分能且仅能用一种字典进行稀疏表示)，实现信号中谐振分量与冲击分量的分离，再对冲击分量进行分析，根据冲击之间的时间间隔诊断发动机故障。另外，考虑到了峭度准则对冲击特征异常敏感的问题，因此，本文利用基于pve的视觉振动检测方法，结合形态分量分析方法与广义kurtosis，提出了基于广义kurtosis-自适应共振稀疏分解的视觉发动机故障检测技术，分离持续振荡周期成分与瞬态冲击成分，再根据冲击成分和冲击间隔进行故障诊断。本专利主要研究一种基于峭度-自适应共振稀疏分解的视觉振动检测方法，并应用于轴承故障检测。机械故障检测往往需要检测瞬态冲击成分，例如使用共振稀疏分解分离持续振荡周期成分与瞬态冲击成分【selesnick，2011】。现有基于共振稀疏分解的故障诊断【基于稀疏分解优化算法的旋转机械局部型故障诊断方法，申请公布号，cn109813547a】，通过加速度传感器采集信号，需要构建字典学习的样本集。与现有基于共振稀疏分解的故障诊断不用的是，本专利利用摄像机拍摄的视频信息无接触采集振动波形，同时无需构建特定样本集，采用自适应的方式构造基于动力学模型的冲击小波字典，并在此基础上，结合视觉振动信号的广义kurtosist，选定最优秩ρ,求解mca方程，分离冲击成分和谐振成分。换言之，本专利与现有轴承故障检测方法相比，在采集振动故障数据方式和字典构建方式上，都有本质上的不同，且具有明显的优势。另外，现有专利【一种基于微小运动放大的旋转机械振动测量方法，申请公布号，cn111307487a】、【一种基于视频的旋转机械转子模态振型全局测量装置及方法-申请公布号，cn201811279166】利用基于视频的运动放大方法提取振动信号，其目的是为了实现振动测量。本专利通过基于相位的方式提取视觉振动信号，其目的是针对提取中的视觉振动信号，进行基于峭度-自适应共振稀疏分解，实现轴承故障分析。换言之，本专利与现有基于视频的运动放大方法，在技术用途和目的上有着本质的不同。

技术实现要素：

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的第一个目的在于提出一种轴承故障视觉振动检测方法，以实现轴承故障的非接触式检测，提高故障检测的自动化程度、准确度和场景普适性，并且简化故障检测流程，节约人工成本。

本发明的第二个目的在于提出一种轴承故障视觉振动检测系统。

为达到上述目的，本发明第一方面提出了一种轴承故障视觉振动检测方法，包括以下步骤：采集轴承的故障视频信息；根据所述轴承的所述故障视频信息获取所述轴承的全层全局视觉振动信号；根据所述全层全局视觉振动信号，计算得到所述轴承的故障信噪比，并根据所述故障信噪比计算得到基于所述故障信噪比的广义kurtosis算子；分离所述全层全局视觉振动信号，并根据所述广义kurtosis算子计算得到所述全层全局视觉振动信号的冲击分量；根据所述冲击分量对所述轴承进行故障分析。

可选地，所述根据所述轴承故障视频信息获取所述轴承的全层全局视觉振动信号的步骤包括：采用复可控金字塔对所述故障视频进行逐帧分解得到每一帧所述故障视频的振动幅度信号和振动相位信号；计算每一帧视频图像中各个单点的局部相位差信号；在所述故障视频中提取轴承座区域，并从每一帧所述故障视频的振动幅度信号和振动相位信号中提取所述轴承座区域内各个单点的所述局部相位差信号和所述振动幅度信号；根据所述轴承座区域内各个单点的所述局部相位差信号和所述振动幅度信号加权得到所述全层全局视觉振动信号。

可选地，根据所述全层全局视觉振动信号，计算得到所述轴承的故障信噪比，并根据所述故障信噪比计算得到基于所述故障信噪比的广义kurtosis算子的步骤包括：根据所述全层全局视觉振动信号计算得到所述广义kurtosis算子的频率能量谱；根据所述频率能量谱通过最大似然法估算所述全层全局视觉振动信号的故障特征频率；根据所述故障特征频率计算得到所述轴承的故障信噪比；选取所述故障故障信噪比最大时对应的故障参数，并根据所述故障参数得到所述广义kurtosis算子。

可选地，所述分离所述全层全局视觉振动信号的步骤包括：建立动力学模型，并构造基于所述动力学模型的冲击小波字典，以稀疏表示所述全层全局视觉振动信号中的冲击分量；在对所述冲击分量进行稀疏表示后，对所述全层全局视觉振动信号进行分离以得到所述冲击分量。

可选地，所述根据所述广义kurtosis算子计算得到所述全层全局视觉振动信号的冲击分量的步骤包括：利用所述动力学模型的冲击小波对所述全层全局视觉振动信号进行5层分解，并选取第5层视觉振动信号的所述广义kurtosis算子；根据所述第5层视觉振动信号的所述广义kurtosis算子计算与其对应的所述形态参数，并确定对应的最优秩，以使用迭代阈值法计算得到所述冲击分量。

为达到上述目的，本发明第二方面提出了一种轴承故障视觉振动检测系统，包括：采集模块，用于采集轴承的故障视频信息；获取模块，用于根据所述轴承的所述故障视频信息获取所述轴承的全层全局视觉振动信号；第一计算模块，用于根据所述全层全局视觉振动信号，计算得到所述轴承的故障信噪比，并根据所述故障信噪比计算得到基于所述故障信噪比的广义kurtosis算子；分离模块，用于分离所述全层全局视觉振动信号；第二计算模块，用于根据所述广义kurtosis算子计算得到所述全层全局视觉振动信号的冲击分量；分析模块，用于根据所述冲击分量对所述轴承进行故障分析。

可选地，所述获取模块具体用于：采用复可控金字塔对所述故障视频进行逐帧分解得到每一帧所述故障视频的振动幅度信号和振动相位信号；计算每一帧视频图像中各个单点的局部相位差信号；在所述故障视频中提取轴承座区域，并从每一帧所述故障视频的振动幅度信号和振动相位信号中提取所述轴承座区域内各个单点的所述局部相位差信号和所述振动幅度信号；根据所述轴承座区域内各个单点的所述局部相位差信号和所述振动幅度信号加权得到所述全层全局视觉振动信号。

可选地，所述第一计算模块包括：第一计算子模块，用于根据所述全层全局视觉振动信号计算得到所述广义kurtosis算子的频率能量谱；估算子模块，用于根据所述频率能量谱通过最大似然法估算所述全层全局视觉振动信号的故障特征频率；第二计算子模块，用于根据所述故障特征频率计算得到所述轴承的故障信噪比；选取子模块，用于选取所述故障故障信噪比最大时对应的故障参数，并根据所述故障参数得到所述广义kurtosis算子。

可选地，所述分离模块具体用于：建立动力学模型，并构造基于所述动力学模型的冲击小波字典，以稀疏表示所述全层全局视觉振动信号中的冲击分量；在对所述冲击分量进行稀疏表示后，对所述全层全局视觉振动信号进行分离以得到所述冲击分量。

可选地，所述第二计算模块具体用于：利用所述动力学模型的冲击小波对所述全层全局视觉振动信号进行5层分解，并选取第5层视觉振动信号的所述广义kurtosis算子；根据所述第5层视觉振动信号的所述广义kurtosis算子计算与其对应的所述形态参数，并确定对应的最优秩，以使用迭代阈值法计算得到所述冲击分量。

本发明至少具有以下优点：

本发明通过非接触且基于相位的方式采集轴承视觉振动信号，并基于动力学模型的冲击小波字典，结合视觉振动信号的广义kurtosist算子分离振动信号中的冲击分量和谐振分量，并根据所述冲击分量对轴承进行故障检测分析，从而可实现轴承故障的非接触式检测，提高故障检测的自动化程度、准确度和场景普适性，并且能够有效简化故障检测流程，节约人工成本。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

图1为本发明一实施例提供的轴承故障视觉振动检测方法的流程图；

图2为本发明一实施例提供的轴承故障视觉振动检测方法总体流程图；

图3为本发明一实施例提供的基于相位的视觉振动信号提取流程图；

图4为本发明一实施例提供的轴承故障台轴承座区域选取示意图；

图5为本发明一实施例提供的基于相位的视觉振动信号波形图；

图6为本发明一实施例提供的基于故障信噪比的广义kurtosis算子选择算法流程图；

图7为本发明一实施例提供的基于广义kurtosis的自适应mca分离出的冲击分量波形图；

图8为本发明一实施例提供的基于广义kurtosis的自适应mca分离出的谐振分量波形图；

图9为本发明一实施例提供的轴承故障视觉振动检测系统的结构框图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参考附图描述本实施例的轴承故障视觉振动检测方法及系统。

参考图1所示，本实施例提供的一种轴承故障视觉振动检测方法包括以下步骤：

步骤s1，采集轴承的故障视频信息。

步骤s2，根据轴承的故障视频信息获取轴承的全层全局视觉振动信号；

具体地，如图2和图3所示，通过摄像机采集发动机视频以获取轴承的故障视频信息。其中，根据轴承故障视频信息获取轴承的全层全局视觉振动信号的步骤包括：

步骤s21，采用复可控金字塔对故障视频进行逐帧分解得到每一帧故障视频的振动幅度信号和振动相位信号。

步骤s22，计算每一帧视频图像中各个单点的局部相位差信号。

步骤s23，在故障视频中提取轴承座区域，并从每一帧故障视频的振动幅度信号和振动相位信号中提取轴承座区域内各个单点的局部相位差信号和振动幅度信号。

步骤s24，根据轴承座区域内各个单点的局部相位差信号和振动幅度信号加权得到全层全局视觉振动信号。

需要说明的是，本步骤所实现的方法为基于相位的发动机视觉振动信号提取方法，其目的是为了从故障视频信息中提取发动机振动信号。根据输入的发动机视频，采用复可控金字塔(csp：complexsteerablepyramids)分解每一帧视频，并且分离幅度和相位信息，其中获得的局部相位信息表示单点的振动情况。由于复可控金字塔分解结果中的幅度表示了纹理信息，结合所有点的幅度平方和局部相位差信号，可加权获得单层全局信号。修正单层全局信号，去除不相关干扰，各层加权可获得全层全局视觉振动信号。本实施例中所获得的全层全局视觉振动信号相比单层单点的局部信号，可以更好地表示发动机的振动情况。

具体地，如图2和图3所示，摄像机采集发动机视频信息，使用csp分解每一帧视频i(r,θ,x,y,t)，每个尺度r和每个方向θ表示为幅度a和相位的复数图像：

进一步地，分离得到振动幅度信号和振动相位信号后，计算每一帧t和固定帧t0的相位差；

然后如图4所示，在故障视频中提取轴承座区域，并从每一帧故障视频的振动幅度信号和振动相位信号中提取轴承座区域内各个单点的局部相位差信号和振动幅度信号，结合所有点的幅度平方和局部相位差信号，加权获得单层、单尺度全局信号：

修正单层全局信号，获得修正信号φi(ri,θi,t-ti)；其中，

其中，i表示全尺度方向的索引，φ0(r0,θ0,t)表示固定尺度和方向的参考帧；

如图5所示，各层加权即可获得全层全局视觉振动信号：

δx(t)＝∑iφi(ri,θi,t-ti)(5)

步骤s3，根据全层全局视觉振动信号，计算得到轴承的故障信噪比，并根据故障信噪比计算得到基于故障信噪比的广义kurtosis算子。

其中，根据全层全局视觉振动信号，计算得到轴承的故障信噪比，并根据故障信噪比计算得到基于故障信噪比的广义kurtosis算子的步骤包括：

步骤s31，根据全层全局视觉振动信号计算得到广义kurtosis算子的频率能量谱。

步骤s32，根据频率能量谱通过最大似然法估算全层全局视觉振动信号的故障特征频率。

步骤s33，根据故障特征频率计算得到轴承的故障信噪比。

步骤s34，选取故障故障信噪比最大时对应的故障参数，并根据故障参数得到广义kurtosis算子。

需要说明的是，本步骤所实现的方法为基于故障信噪比的广义kurtosis算子选择算法，其目的是为了选取对全层全局视觉振动信号的冲击特征最为敏感的ζ参数。根据全层全局视觉振动信号计算其广义kurtosis的频率能量谱p(k(ζ,x(t)))；应用最大似然法估算全层全局视觉振动信号的故障特征频率；在此基础上，根据获得的各广义kurtosis序列视觉振动信号的故障频率，计算广义kurtosis序列对应的故障信噪比，即故障特征频率能量与干扰成分能量的信噪比：分析获得的全层全局视觉振动信号广义kurtosis的信噪比曲线，选取信噪比最大的ζ值即故障参数。

具体地，如图2和图6所示，全层全局视觉振动信号的广义kurtosis可表示为：

k(ζ,δx(t))＝e{|δx(t)|^2ζ}/e²{|δx(t)|^ζ}(6)

ζ为常量，ζ∈[2,5]，每隔0.1取值，根据全层全局视觉振动信号计算广义kurtosis的频率能量谱p(k(ζ,x(t)))；

然后根据频率能量谱，应用最大似然法估算全层全局视觉振动信号的故障特征频率

其中，m表示广义kurtosis序列的索引。

根据获得的广义kurtosis全层全局视觉振动信号的故障特征频率，计算广义kurtosis序列对应的故障信噪比，即故障特征频率能量与干扰成分能量的信噪比，得到所述轴承的故障信噪比及其关系式对应的snrm(信噪比)曲线：

其中，fd表示理论上的故障频率值。

进一步地，根据获得的snrm曲线，选取信噪比最大的故障参数ζ值，并根据故障参数ζ得到广义kurtosis算子k(ζ,δx(t))。

步骤s4，分离全层全局视觉振动信号，并根据广义kurtosis算子计算得到全层全局视觉振动信号的冲击分量。

其中，分离全层全局视觉振动信号的步骤包括：

步骤s41，建立动力学模型，并构造基于动力学模型的冲击小波字典，以稀疏表示全层全局视觉振动信号中的冲击分量。

步骤s42，在对冲击分量进行稀疏表示后，对全层全局视觉振动信号进行分离以得到冲击分量。

其中，根据广义kurtosis算子计算得到全层全局视觉振动信号的冲击分量的步骤包括：

步骤s43，利用动力学模型的冲击小波对全层全局视觉振动信号进行5层分解，并选取第5层视觉振动信号的广义kurtosis算子。

步骤s44，根据第5层视觉振动信号的广义kurtosis算子计算与其对应的形态参数，并确定对应的最优秩，以使用迭代阈值法计算得到冲击分量。

需要说明的是，本步骤所实现的方法为基于自适应形态分量分析(mca：morphologicalcomponentanalysis)的视觉振动信号分离方法，其目的是为了分离振动信号中的谐振分量、冲击分量和噪声分量。具体为结合动力学模型构造基于所述动力学模型的冲击小波字典用以稀疏表示信号中的冲击分量；构建局部离散余弦变换与离散正弦变换字典用于稀疏表示信号中的谐振分量。在此基础上，再利用mca方法对振动信号进行分离，得到包含故障信息的冲击分量y1、包含发动机自身振动的谐振分量y2以及两分量之和与原始故障信号的差值，即噪声分量n，然后利用动力学模型的冲击小波对全层全局视觉振动信号进行5层分解，选取第5层信号(基本上只包含冲击分量)的广义kurtosis算子，计算与其对应的形态参数α，并确定最优秩ρ，进一步地再使用迭代阈值法求解冲击分量和谐振分量。

具体地，建立动力学模型：

为系统的本征频率，为系统的相对阻尼，mi,ki,ci分别表示质量、刚度和阻尼系数，然后构造基于上述动力学模型的冲击小波字典用以稀疏表示信号中的冲击分量：

其中，t表示时域的小波支撑集，ωd表示小波的中心频率，ξ表示小波的衰减率。

进一步地，构建局部离散余弦变换与离散正弦变换字典用于稀疏表示信号中的谐振分量。然后，如图7和图8所示，利用mca方法对振动信号进行分离，得到包含故障信息的冲击分量n1、包含发动机自身振动的谐振分量y2以及两分量之和与原始故障信号的差值，即噪声分量n：

δx＝y1+y2+n(10)

再利用迭代阈值法求解y1和y2，具体为：

根据mca算法，建立目标函数：

使用迭代阈值法求解y1和y2：

其中，表示y2在前一次迭代的估计误差。

其中，和n1分别表示和噪声的动力学模型的冲击小波系数。为了准确地估算y1，需要设计一种方法准确地移除表示y2的估计误差，和y2一样为谐振分量。因此，当用基于动力学模型的冲击小波系数表示时，的秩要低于r1的秩，即

其中，确定的最优秩，其目的是为了准确估算式(12)中的在这里，将y1和广义kurtosis算子联系起来，广义kurtosis算子表示为：

其中，α表示广义的形态参数。本实施例中最优秩ρ所对应的形态参数α能给出一个使其最接近y1，最优秩ρ写成目标函数的形式为：

进一步地，可利用动力学模型的冲击小波对视觉振动信号进行5层分解，选取第5层信号(基本上只包含冲击成分)的广义kurtosis算子，计算与其对应的形态参数α，并根据式(17)确定最优秩ρ。

然后可按照如下方式求解冲击分量

具体地，可以通过最优化方法求解，如下式：

其中，||x||f是x的frobenious范数。通过使用奇异值分解(svd：singular-valuedecomposition)，r1可以分解成r1＝u∑v^t，其中，∑＝diag(σ1,…,σn)。

进一步地，根据eckart–young–mirsky定理，式(18)可以分解为：

其中，ηρ(∑)＝diag(σ1,…,σn,0,…,0)。

进一步地，y1的粗估计如下：

最终的可以通过如下所示的硬阈值决定：

其中，λ1＝mad/0.6745,mad表示绝对值的中位数。

进一步地，可按照如下方式求解谐振分量

根据式(12)可得到：

类似于r1，r2可以定义为：

其中，和n2分别为和噪声的dct系数。此处的阈值λ2正比于误差rt定义如下：

由此，我们可以估计出

其中，可以通过式(19)计算得到。此时，阈值λ2可以设置为：

进一步地，最终的可以通过如下所示的硬阈值决定：

步骤s5，根据冲击分量对轴承进行故障分析。

具体地，在求解出振动信号中的冲击分量后，可根据该冲击分量对轴承进行故障分析。

为达到上述目的，本实施例还提供了一种轴承故障视觉振动检测系统，如图9所示，该轴承故障视觉振动检测系统10包括采集模块100、获取模块200、第一计算模块300、分离模块400、第二计算模块500和分析模块600。

其中，采集模块100用于采集轴承的故障视频信息；获取模块200用于根据轴承的故障视频信息获取轴承的全层全局视觉振动信号；第一计算模块300用于根据全层全局视觉振动信号，计算得到轴承的故障信噪比，并根据故障信噪比计算得到基于故障信噪比的广义kurtosis算子；分离模块400用于分离全层全局视觉振动信号；第二计算模块500用于根据广义kurtosis算子计算得到全层全局视觉振动信号的冲击分量；分析模块600用于根据冲击分量对轴承进行故障分析。

在本发明的一个实施例中，获取模块200具体用于：采用复可控金字塔对故障视频进行逐帧分解得到每一帧故障视频的振动幅度信号和振动相位信号；计算每一帧视频图像中各个单点的局部相位差信号；在故障视频中提取轴承座区域，并从每一帧故障视频的振动幅度信号和振动相位信号中提取轴承座区域内各个单点的所述局部相位差信号和振动幅度信号；根据轴承座区域内各个单点的局部相位差信号和振动幅度信号加权得到全层全局视觉振动信号。

在本发明的一个实施例中，第一计算模块300包括：第一计算子模块301、估算子模块302、第二计算子模块303和选取子模块304。

其中，第一计算子模块301用于根据全层全局视觉振动信号计算得到广义kurtosis算子的频率能量谱；估算子模块302用于根据频率能量谱通过最大似然法估算全层全局视觉振动信号的故障特征频率；第二计算子模块303用于根据故障特征频率计算得到轴承的故障信噪比；选取子模块304用于选取故障故障信噪比最大时对应的故障参数，并根据该故障参数得到广义kurtosis算子。

在本发明的一个实施例中，分离模块400具体用于：建立动力学模型，并构造基于所述动力学模型的冲击小波字典，以稀疏表示全层全局视觉振动信号中的冲击分量；在对冲击分量进行稀疏表示后，对全层全局视觉振动信号进行分离以得到冲击分量。

在本发明的一个实施例中，第二计算模块具体用于：利用动力学模型的冲击小波对全层全局视觉振动信号进行5层分解，并选取第5层视觉振动信号的广义kurtosis算子；根据第5层视觉振动信号的广义kurtosis算子计算与其对应的形态参数，并确定对应的最优秩，以使用迭代阈值法计算得到冲击分量。

需要说明的是，本实施例中的轴承故障视觉振动检测系统的具体实施方式可参见上述轴承故障视觉振动检测方法的具体实施方式，此处不再赘述。

本实施例的轴承故障视觉振动检测方法及系统通过非接触且基于相位的方式采集轴承视觉振动信号，并基于动力学模型的冲击小波字典，结合视觉振动信号的广义kurtosist算子分离振动信号中的冲击分量和谐振分量，并根据所述冲击分量对轴承进行故障检测分析，从而可实现轴承故障的非接触式检测，提高故障检测的自动化程度、准确度和场景普适性，并且能够有效简化故障检测流程，节约人工成本。

需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。