(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210946124.3 (22)申请日 2022.08.09 (65)同一申请的已公布的文献号 申请公布号 CN 115019159 A (43)申请公布日 2022.09.06 (73)专利权人 济宁安泰矿山设备制造有限公司 地址 272300 山东省济宁市鱼台县经济开 发区(古亭路西、 北一环路南) (72)发明人 强帆　程一飞　张留　董鹏远　 张帅帅　李志远　柴春苗　 (74)专利代理 机构 济宁仁礼信知识产权代理事 务所(普通 合伙) 37383 专利代理师 李琼 (51)Int.Cl. G06V 20/00(2022.01) G06V 10/46(2022.01) G06V 10/74(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (56)对比文件 CN 114862862 A,202 2.08.05 CN 112598013 A,2021.04.02 CN 113963041 A,202 2.01.21 US 2012257164 A1,2012.10.1 1 WO 20210 04180 A1,2021.01.14 CN 114833648 A,202 2.08.02 CN 114841940 A,202 2.08.02 CN 112464876 A,2021.0 3.09 CN 114494222 A,2022.05.13 CN 112365418 A,2021.02.12 CN 114792316 A,202 2.07.26 CN 113963042 A,202 2.01.21 CN 110473242 A,2019.1 1.19 US 202120 0988 A1,2021.07.01 US 2022208384 A1,202 2.06.30 WO 2022100510 A1,202 2.05.19 US 2022010675 A1,202 2.01.13 CN 110595780 A,2019.12.20 (续) 审查员 李晓玲 (54)发明名称 一种泵轴承故障快速识别方法 (57)摘要 本发明涉及图像处理技术领域， 具体涉及一 种泵轴承故障快速识别方法。 方法包括： 获取不 同角度下的轴承滚道的灰度图像； 基于各角度下 的轴承滚道的灰度图像中各像素点对应的高阶 矩向量， 得到轴承滚道上的损伤位置； 计算轴承 滚道上的各损伤位置在各角度下的灰度图像中 的纹理损失量； 根据各损伤位置在各角度下的灰 度图像中的纹理损失量， 计算各损伤 位置对应的 增强后的灰度值； 基于各损伤位置对应的增强后 的灰度值， 得到目标损伤区域的图像； 将目标损 伤区域的图像输入到训练好的神经网络中， 得到 故障类型。 本发 明提高了泵轴承故障类型的识别精度。 [转续页] 权利要求书2页 说明书8页 附图1页 CN 115019159 B 2022.10.25 CN 115019159 B (56)对比文件 KR 101992057 B1,2019.0 6.24 CN 112414715 A,2021.02.26 Kaplan Kaplan 等.An improved feature extraction method usi ng texture analy sis with LBP for beari ng fault dia gnosis. 《Applied Soft Computi ng》 .2019, 郭蕾等.基于多尺度纹 理特征的 EPR电缆终 端故障诊断方法. 《电力自动化设备》 .2020,第40 卷(第11期),2/2 页 2[接上页] CN 115019159 B1.一种泵轴承故障快速识别方法， 其特 征在于， 该 方法包括以下步骤： 获取不同角度 下的轴承滚道的灰度图像； 所述轴 承滚道是由无数条圆形的滚道曲线组 合而成的； 获取轴承滚道上各位置对应的高阶矩向量； 对于任一角度 下的轴承滚道的灰度图像中 的任一滚道曲线： 根据该滚道曲线上各像素点对应的高阶矩向量， 对该滚道曲线上 的像素 点进行聚类， 得到各类别的像素点； 计算轴承滚道的灰度图像中各类别的像素区域的灰度 游程的短游程优势， 根据所述短游程优势， 得到轴承 滚道上的损伤位置； 对于轴承滚道上的任一损伤位置： 根据该损伤位置在各角度下的轴承滚道的灰度图像 中对应的纹理个数， 构建该损伤位置对应的纹理个数组合序列； 根据所述纹理个数组合序 列， 得到该损伤位置在各角度下 的轴承滚道的灰度图像中的纹理损失量； 根据所述该损伤 位置在各角度下的轴承滚道的灰度图像中的纹理损失量， 计算该损伤位置对应的增强后的 灰度值； 基于各损伤位置对应的增强后的灰度值， 得到目标损伤区域的图像； 将目标损伤区域 的图像输入到训练好的神经网络中， 得到故障类型； 所述根据 所述纹理个数组合序列， 得到该损伤位置在各角度下的轴承滚道的灰度图像 中的纹理损失量， 包括： 对于该损伤位置在第 个角度下的轴承 滚道的灰度图像： 采用如下公式计算该损伤位置在该角度下的轴承 滚道的灰度图像中的信息损失值： 其中， 为轴承滚道上第 个损伤位置在第 个角度下的轴承滚道的灰度图像中 的信 息损失值， 为轴承滚道上第 个损伤位置对应的纹理个数组合序列中元素的最大值， 为轴承滚道上第 个损伤位置在第 个角度下的LBP纹 理图中对应的纹 理个数； 以该损伤位置对应的像素为中心像素， 构建 的窗口， 计算窗口内所有像素的信息 损失值的均值， 将该均值作为该损伤位置在该角度下的轴承滚道的灰度图像中的纹理损失 量； 采用如下公式计算该损伤位置对应的增强后的灰度值： 其中， 为轴承滚道上的第 个损伤位置对应的增强后的灰度值， N为轴承滚道上的第 个损伤位置对应的灰度图像的个数， 为轴承滚道上的第 个损伤位置在第 个角度下 的轴承滚道的灰度图像中的灰度值， 为轴承滚道上的第 个损伤位置在第 个角度下的 轴承滚道的灰度图像中对应的权 重；权　利　要　求　书 1/2 页 2 CN 115019159 B 3