Аннотация
Статья посвящена разработке инновационной системы бесконтактного измерения вибраций, возникающих при работе электротехнического оборудования. В работе проведен комплексный сравнительный анализ существующих методов вибромониторинга, выявлены их ограничения и обоснована необходимость перехода к неинвазивным технологиям диагностики для предиктивного обслуживания промышленных агрегатов. Для решения задачи бесконтактного измерения применена высокоскоростная съемка (≥1000 fps) работающего оборудования с последующей покадровой обработкой смещения референсных точек или областей на корпусе агрегата. Детально рассмотрены технические ограничения и требования к используемому оборудованию, включая необходимость соблюдения теоремы Найквиста-Котельникова для корректной регистрации высокочастотных колебаний до 500 Гц. Для автоматического поиска и сегментации целевых областей предложена идентификация при помощи алгоритмов нейросети YOLOv4 с архитектурой CSPDarknet53, обученной методом трансферного обучения на специализированном датасете промышленного оборудования. Локализация ключевых точек выполнена детектором углов Ши-Томаси с поддержкой инфракрасных фидуциальных маркеров, обеспечивающих субпиксельную точность позиционирования в условиях переменного освещения. Полученные изображения предварительно обрабатываются для повышения контраста методом CLAHE и подавления шумов с использованием каскада Гауссова, медианного и билатерального фильтров. Устойчивость системы к условиям промышленной эксплуатации достигается за счет синхронизированной импульсной ИК-подсветки. Трекинг перемещений осуществляется модифицированным пирамидальным алгоритмом Лукаса-Канаде с инверсно-композиционным методом Гаусса-Ньютона, обеспечивающим метрологическую точность до 0,01 пикселя. Расчет кинематических параметров производился методом центральных разностей с последующей фильтрацией Савицкого-Голая. Спектральный анализ вибросигналов реализован с использованием быстрого преобразования Фурье и вейвлет-преобразования Морле с предварительной адаптивной фильтрацией Калмана. Разработанная система демонстрирует погрешность измерений ≤5% в диапазоне 0-5 кГц при шестикратном снижении капитальных затрат относительно лазерных виброметров и двухлетнем сроке окупаемости.
Ключевые слова
неинвазивный вибромониторинг, техническое зрение, предиктивное обслуживание, оптический поток, YOLO, алгоритм Лукаса-Канаде, спектральный анализ
1. Structural displacement monitoring using deep learning-based full field optical flow methods / C.Z. Dong, O. Celik, F.N. Catbas, E.J. O'Brien, S. Taylor // Struct. Infrastruct. Eng. 2020. Vol. 16. Pp. 51-71. doi: 10.1080/15732479.2019.1650078
2. Kalybek M., Bocian M., Nikitas N. Performance of Optical Structural Vibration Monitoring Systems in Experimental Modal Analysis // Sensors. 2021. Vol. 21. 1239. doi: 10.3390/s21041239
3. Ship detection from coastal surveillance videos via an ensemble Canny-Gaussian-morphology framework / X. Chen, J. Ling, S. Wang, Y. Yang, L. Luo, Y. Yan // The Journal of Navigation. 2021. Vol. 74. Pp. 1252-1266. doi: 10.1017/S0373463321000540
4. Lucas B.D., Kanade T. An Iterative Image Registration Technique with an Application to Stereo Vision // Proc. DARPA Image Understanding Workshop. Vancouver, BC, Canada, 24-28 August 1981. 1981. Pp. 121-130.
5. Effect of Track-Seeking Motion on Off-Track Vibrations of the Head-Gimbal Assembly in HDDs / G. Zhang, H. Li, S. Shen, T. Trinh, F. He, F.E. Talke // IEEE Trans. Magn. 2018. Vol. 54. Pp. 1-6. doi: 10.1109/TMAG.2018.2804918
6. Dong C.Z., Bas S., Catbas F.N. Investigation of vibration serviceability of a footbridge using computer vision-based methods // Eng. Struct. 2020. Vol. 224. 111224. doi: 10.1016/j.engstruct.2020.111224
7. Khuc T., Catbas F.N. Computer vision-based displacement and vibration monitoring without using physical target on structures // Struct. Infrastruct. Eng. 2017. Vol. 13. Pp. 505-516. doi: 10.1080/15732479.2016.1164729
8. Choi H., Kang B., Kim D. Moving Object Tracking Based on Sparse Optical Flow with Moving Window and Target Estimator // Sensors. 2022. Vol. 22(8). 2878. doi: 10.3390/s22082878
9. Xu Y., Brownjohn J.M. Review of machine-vision based methodologies for displacement measurement in civil structures // J. Civ. Struct. Health Monit. 2018. Vol. 8. Pp. 91-110. doi: 10.1007/s13349-017-0261-4
10. Khaloo A., Lattanzi D. Pixel-wise structural motion tracking from rectified repurposed videos // Struct. Control Health Monit. 2017. Vol. 24 (11). 2009. doi: 10.1002/stc.2009
11. Performance of Camera-Based Vibration Monitoring Systems in Input-Output Modal Identification Using Shaker Excitation / M. Kalybek, M. Bocian, W. Pakos, J. Grosel, N. Nikitas // Remote Sens. 2021. Vol. 13(17). 3471. doi: 10.3390/rs13173471
12. Hosseinzadeh A.Z., Harvey P., Jr. Pixel-based operating modes from surveillance videos for structural vibration monitoring: A preliminary experimental study // Measurement. 2019. Vol. 148. 106911. doi: 10.1016/j.measurement.2019.106911
13. Development and field testing of a vision-based displacement system using a low cost wireless action camera / D. Lydon, M. Lydon, S. Taylor, J.M. Del Rincon, D. Hester, J. Brownjohn // Mech. Syst. Signal Process. 2019. Vol. 121. Pp. 343-358. doi: 10.1016/j.ymssp.2018.11.015
14. Target-free approach for vision-based structural system identification using consumer-grade cameras / H. Yoon, H. Elanwar, H. Choi, M. Golparvar-Fard, B.F. Spencer, Jr. // Struct. Control Health Monit. 2016. Vol. 23. Pp. 1405-1416. doi: 10.1002/stc.1850
15. Dong C.Z., Celik O., Catbas F.N. Marker-free monitoring of the grandstand structures and modal identification using computer vision methods // Struct. Health Monit. 2019. Vol. 18. Pp. 1491-1509. doi: 10.1177/1475921718806895
16. Virtual visual sensors and their application in structural health monitoring / Y.Z. Song, C.R. Bowen, A.H. Kim, A. Nassehi, J. Padget, N. Gathercole // Struct. Health Monit. 2014. Vol. 13. Pp. 251-264. doi: 10.1177/1475921714522841
17. Horn B.K., Schunck B.G. Determining optical flow // Artif. Intell. 1981. Vol. 17. Pp. 185-203. doi: 10.1016/0004-3702(81)90024-2
18. Black M.J., Anandan P. The robust estimation of multiple motions: Parametric and piecewise-smooth flow fields // Comput. Vis. Image Underst. 1996. Vol. 63. Pp. 75-104. doi: 10.1006/cviu.1996.0006
19. Sun D., Roth S., Black M.J. Secrets of optical flow estimation and their principles // Proc. IEEE Conf. Comput. Vis. Pattern Recognit. IEEE, 2010. Pp. 2432-2439. doi: 10.1109/CVPR.2010.5539939
20. Farneback G. Very high accuracy velocity estimation using orientation tensors, parametric motion, and simultaneous segmentation of the motion field // Proc. 8th IEEE Int. Conf. Comput. Vis. (ICCV 2001). IEEE, 2001. Vol. 1. Pp. 171-177. doi: 10.1109/ICCV.2001.937514
21. Farneback G. Fast and accurate motion estimation using orientation tensors and parametric motion models // Proc. 15th Int. Conf. Pattern Recognit. (ICPR-2000). IEEE, 2000. Vol. 1. Pp. 135-139. doi: 10.1109/ICPR.2000.905291
22. Farneback G. Two-frame motion estimation based on polynomial expansion // Scand. Conf. Image Anal. Berlin/Heidelberg, Germany: Springer, 2003. Pp. 363-370. doi: 10.1007/3-540-45103-X_50
23. Non-target structural displacement measurement using reference frame-based deepflow / J. Won, J.W. Park, K. Park, H. Yoon, D.S. Moon // Sensors. 2019. Vol. 19. 2992. doi: 10.3390/s19132992
24. Guo J. Dynamic displacement measurement of large-scale structures based on the Lucas-Kanade template tracking algorithm // Mech. Syst. Signal Process. 2016. Vol. 66. Pp. 425-436. doi: 10.1016/j.ymssp.2015.06.004
25. Xu Y., Brownjohn J.M., Huseynov F. Accurate deformation monitoring on bridge structures using a cost-effective sensing system combined with a camera and accelerometers: Case study // J. Bridge Eng. 2019. Vol. 24. 05018014. doi: 10.1061/(ASCE)BE.1943-5592.0001330
26. Dynamic displacement measurement of a long span bridge using vision-based system / Y. Xu, J. Brownjohn, D. Hester, K. Koo // Proc. 8th European Workshop on Structural Health Monitoring (EWSHM). Bilbao, Spain, 5-8 July 2016. 2016.
27. Flownet 2.0: Evolution of optical flow estimation with deep networks / E. Ilg, N. Mayer, T. Saikia, M. Keuper, A. Dosovitskiy, T. Brox // Proc. IEEE Conf. Comput. Vis. Pattern Recognit. Honolulu, HI, USA, 21-26 July 2017. 2017. Pp. 2462-2470. doi: 10.48550/arXiv.1612.01925
28. Vision-based displacement measurement sensor using modified Taylor approximation approach / B. Liu, D. Zhang, J. Guo, C. Zhu // Opt. Eng. 2016. Vol. 55. 114103. doi: 10.1117/1.OE.55.11.114103
29. DeepFlow: Large displacement optical flow with deep matching / P. Weinzaepfel, J. Revaud, Z. Harchaoui, C. Schmid // Proc. IEEE Int. Conf. Comput. Vis. IEEE, 2013. Pp. 1385-1392. doi: 10.1109/ICCV.2013.175
30. Accurate vision-based displacement and vibration analysis of bridge structures by means of an image-assisted total station / M. Omidalizarandi, B. Kargoll, J.A. Paffenholz, I. Neumann // Adv. Mech. Eng. 2018. Vol. 10. 1687814018780052. doi: 10.1177/1687814018780052
31. Vision-based measurement system for structural vibration monitoring using non-projection quasi-interferogram fringe density enhanced by spectrum correction method / J. Zhong, S. Zhong, Q. Zhang, Y. Zhuang, H. Lu, X. Fu // Meas. Sci. Technol. 2016. Vol. 28. 015903. doi: 10.1088/1361-6501/28/1/015903
32. Alipour M., Washlesky S.J., Harris D.K. Field deployment and laboratory evaluation of 2D digital image correlation for deflection sensing in complex environments // J. Bridge Eng. 2019. Vol. 24. 04019010.
33. A novel approach for 3D-structural identification through video recording: Magnified tracking / Y.E. Harmanci, U. Gulan, M. Holzner, E. Chatzi // Sensors. 2019. Vol. 19. 1229. doi: 10.3390/s19051229
Мещеряков В.Н., Казаков М.Ю., Кондратьев С.Е. Разработка системы неинвазивного вибромониторинга электротехнического оборудования с использованием технического зрения // Электротехнические системы и комплексы. 2025. № 4(69). С. 61-70. https://doi.org/10.18503/2311-8318-2025-4(69)-61-70
© Мещеряков В.Н., Казаков М.Ю., Кондратьев С.Е. , 2025 Контент доступен под лицензией Creative Commons Attribution 4.0 License