0 引　言

机电一体化设备具备结构简单、可靠性强等优势，在舰船领域被广泛应用^[1]。机电一体化设备属于集机、电、液为一体的设备，其故障检测难度较高。因为舰船机电一体化设备所处环境较为恶劣，所以其经常出现误报故障与故障定位误差大等问题^[2-3]。黄鹤等^[4]利用经验模态分解算法，提取机电一体化设备的故障特征，利用希尔伯特变换，结合提取的故障特征，完成机电一体化设备故障检测。该方法可有效提取故障特征，具备较优故障检测效果。徐鹏等^[5]通过附加动量自适应学习速率调整算法那，优化BP神经网络，利用优化后的BP神经网络进行机电一体化设备故障检测。该方法可精准检测机电一体化设备故障。但上述方法在进行故障检测时，均易受检测目标的背景信息影响，当检测目标所处环境较为复杂时，便会影响机电一体化设备故障检测效果。红外热成像技术是依据红外辐射原理，分析检测目标表面温度场的变化情况，实现故障检测。该技术属于无损检测技术^[6]，可直观呈现故障检测结果，结合目标提取算法，避免背景信息影响故障检测精度。为此，研究红外热成像技术在舰船机电一体化设备故障检测中的应用，提升故障检测精度。

1 舰船机电一体化设备故障检测 1.1 基于红外热成像技术的设备故障检测原理

当舰船机电一体化设备存在故障时，会影响辐射量的传导效果，导致其表面温度出现显著的高温区与低温区。通过红外热成像技术。检测舰船机电一体化设备故障，可直观且清晰呈现故障检测结果。基于红外热成像技术的舰船机电一体化设备故障检测原理如图1所示。

舰船机电一体化设备故障检测步骤如下：

步骤1　在舰船机电一体化设备上作用热源。

步骤2　利用红外探测器采集舰船机电一体化设备辐射出的辐射量 $ U $ ，计算公式如下：

$ U\left( T \right) = k\alpha {U_t} + \alpha \left( {1 - k} \right){U_r} + {U_s} $

(1)

其中： $ T $ 为热力学温度；U_s、 $ \alpha $ 为大气辐射量、透射率；U_r舰船机电一体化设备附近环境辐射量； $ k $ 为设备发射率；U_t为舰船机电一体化设备辐射量。

步骤3　红外成像仪依据 $ U $ ，生成舰船机电一体化设备的红外图像。

步骤4　图像处理器利用基于图论的视觉显著性模型，在红外图像内，提取舰船机电一体化设备目标信息，抑制背景信息。

步骤5　利用计算机分析提取目标信息内的像素极值规律，划分舰船机电一体化设备结构区域，并按照结构划分结果与故障检测判据，完成舰船机电一体化设备故障检测与定位。

1.2 舰船机电一体化设备红外图像目标提取

利用基于图论的视觉显著性模型，提取红外图像内的显著图。结合舰船机电一体化设备物理长宽等先验信息，提取设备候选区域。通过K-means距离算法，聚类候选区域内像素点，得到精准的目标红外图像区域，即目标信息。舰船机电一体化设备红外图像显著图提取步骤如下：

步骤1　在舰船机电一体化设备红外图像I(x,y)内，提取多通道特征图G_n，公式如下：

$ {G_n}\left( {x,y} \right) = {F_n}\left\{ {I\left( {x,y} \right)} \right\}。$

(2)

其中：(x, y)为像素； $ n $ 为通道数量；F_n为滤波器。

步骤2　求解各通道的特征响应图A_n，先以G_n内像素点为节点，建立有向全连接图Y_n，令G_n内点 $ p $ 与 $ q $ 的特征差异如下：

$ d\left( {p,q} \right) = \lg \frac{{{G_n}\left( p \right)}}{{{G_n}\left( q \right)}} ，$

(3)

其中， $ {G_n}\left( p \right) $ 、 $ {G_n}\left( q \right) $ 为 $ p $ 与 $ q $ 的特征值。

Y_n内 $ p $ 至 $ q $ 的边权值为：

$ w\left( {p,q} \right) = d\left( {p,q} \right) \cdot {F_n}\left( {x - i.y - j} \right) $

(4)

其中，(x,y)、(i,j)为 $ p $ 、 $ q $ 的像素。

通过归一化处理Y_n内全部边权值，得到一个马尔科夫链，利用该链代表个节点的停留时间，按照停留时间求解各节点的响应值，生成A_n。

步骤3　叠加融合A_n，获取最终的红外图像显著图S(x,y)，即舰船机电一体化设备候选区域。

通过K-means聚类算法，聚类处理S(x,y)内的像素点，得到精准的舰船机电一体化设备前景目标信息。具体步骤如下：

步骤1　在S(x,y)内，随机选择 $ k $ 个像素点，作为初始簇的中心 $ {c_{i'}}\left( {i',1,2, \cdots ,k} \right) $ 。

步骤2　求解内各像素点 $ j' $ 至 $ {c_{i'}} $ 的距离 $ D\left( {j',{c_{i'}}} \right) $ 。

步骤3　搜索各像素点 $ j' $ 至 $ {c_{i'}} $ 最小距离 $ {D_{\min }}\left( {j',{c_{i'}}} \right) $ ，在 $ {c_{i'}} $ 的簇内加入 $ j' $ 。

步骤4　遍历完S(x,y)内全部像素点后，得到 $ k $ 个聚类结果 $ \left\{ {{c_1},{c_2}, \cdots ,{c_k}} \right\} $ 。

步骤5　求解各类 $ {c_{i'}} $ 内像素点的灰度均值 $ {\delta _{i'}} $ 。

步骤6　设置阈值 $ \varepsilon $ ，合并 $ {\delta _{i'}} $ 超过 $ \varepsilon $ 的全部类，得到最终的舰船机电一体化设备前景目标信息。

1.3 舰船机电一体化设备结构划分

提取舰船机电一体化设备前景目标信息后，对其进行结构划分，利于提升故障检测精度。通过分析前景目标信息内像素点极值规律，划分舰船机电一体化设备结构区域，具体步骤如下：

步骤1　计算舰船机电一体化设备前景目标信息的像素矩阵 $ O $ 。

步骤2　识别连接点。在 $ O $ 内，求解极小、极大值矩阵 $ {V_{\min }} $ 、 $ {V_{\max }} $ ，以及绝对差值矩阵 ${\boldsymbol{V}}$ ，其中， $V = \left| {V_{\max }} - {V_{\min }} \right|$ 。

${\boldsymbol{ V }}$ 内最大、最小值对应V_min的行为舰船机电一体化设备结构的两个连接点，即舰船机电一体化设备某结构的2个端点l₁与l₂，表达形式如下：

$ \begin{gathered} {l_1} = \arg \left\{ {{V_{\min }}\left[ {\max \left( V \right)} \right]} \right\}，\\ {l_2} = \arg \left\{ {{V_{\min }}\left[ {sub\max \left( V \right)} \right]} \right\}。\\ \end{gathered} $

(5)

步骤3　划分剩下矩阵。利用l₁与l₂划分 $ O $ 后，可获取2个新矩阵 $ {O}_{1}\left[1~\mathrm{min}\left({l}_{1},{l}_{2}\right)行\right] $ 与 $ {O}_{2}\left[\mathrm{max}\left({l}_{1},{l}_{2}\right)~M行\right] $ 。通过 $ {O_1} $ 、 $ {O_2} $ 的极大、极小值差继续划分 $ O $ 。

当 $ {O_1} $ 内前后极大、极小值差值最大时，该位置极小值相应行为连接点 $ {l'_1} $ ，同理，获取 $ {O_2} $ 内的连接点 $ {l'_2} $ ， $ {l'_1} $ 与 $ {l'_2} $ 的表达形式为：

$ \begin{gathered} {{l'}_1} = \arg \left\{ {{V_{1,\min }}\left[ {\max \left( {{V_{1,\max }} - {V_{1,\min }}} \right)} \right]} \right\} \\ {{l'}_2} = \arg \left\{ {{V_{2,\min }}\left[ {\max \left( {{V_{2,\max }} - {V_{2,\min }}} \right)} \right]} \right\} \\ \end{gathered} $

(6)

其中： $ {O_1} $ 内的极大、极小值矩阵是 $ {V_{1,\max }} $ 、 $ {V_{1,\min }} $ ； $ {O_2} $ 内的极大、极小值矩阵是 $ {V_{2,\max }} $ 、 $ {V_{2,\min }} $ 。

利用 $ {l'_1} $ 与 $ {l'_2} $ 可将 $ O $ 分割成 $ {O_{1 - 1}} $ 、 $ {O_{1 - 2}} $ 、 $ {O_{2 - 1}} $ 、 $ {O_{2 - 2}} $ ，此时可获取舰船机电一体化设备结构的大致定位。

步骤4　识别舰船机电一体化设备结构区域首尾端。以 $ {O_{1 - 1}} $ 内首次出现极大值相应的行为首端，最后一次出现极小值相应的行为尾端，完成舰船机电一体化设备结构区域的精准划分。

1.4 机电一体化设备故障检测的实现

利用红外热成像技术采集的舰船机电一体化设备图像是以伪彩色值 $ X $ 描绘设备表面的温度分布情况，因此，伪彩色和温度间具有对应关系，计算第 $ h $ 个舰船机电一体化设备结构区域的温度值 $ {\hat T_h} $ ，公式如下：

$ {\widehat{T}}_{h}=\frac{B}{\mathrm{log}\dfrac{B}{Z+1}}\text{，}Z=\frac{\dfrac{\left(X-128\right)R}{256}+L}{\alpha k}。$

(7)

其中： $ Z $ 为舰船机电一体化设备红外图像实际热值； $ B $ 、 $ R $ 为红外探测器的标定曲线常数、热范围； $ L $ 为热平。

温差为：

$ \Delta {\hat T_h} = {T'_h} - {\hat T_h} 。$

(8)

其中，正常温度是 $ {T'_h} $ 。

设置阈值 $ \theta $ ，当 $ \Delta {\hat T_h} > \theta $ 时，说明该结构区域为故障区域，反之为正常区域。

2 性能测试

以某船为实验对象，该船的动力为4台柴油机，功率1700 kW，双轨，最高航速14 kn。机电一体化设备有制冷系统、空气压缩机、分油机与制水设备等。

随机选择一个存在故障的机电一体化设备，利用本文方法采集该机电一体化设备的红外图像，采集结果如图2所示。根据图2可知，本文方法可有效采集舰船机电一体化设备的红外图像，为后续故障检测提供数据支持。

利用本文方法在采集的红外图像内，提取显著图，确定机电一体化设备区域，显著图提取结果如图3所示。根据图3可知，本文方法可有效在红外图像内提取显著图，确定舰船机电一体化设备区域，为后续机电一体化设备前景目标信息提取，缩小计算范围。

利用本文方法在确定的舰船机电一体化设备区域内，提取机电一体化设备前景目标信息，提取结果如图4所示。根据图4可知，本文方法可有效提取舰船机电一体化设备前景目标信息，抑制背景信息避免背景信息，影响后续设备故障检测精度。

利用本文方法对提取的舰船机电一体化设备前景目标信息进行设备结构区域划分，划分结果如图5所示。

根据图5可知，本文方法可有效划分舰船机电一体化设备结构区域，划分结果为8个结构区域，利用本文方法计算这8个结构区域的温度值，并进行故障检测，温度值计算结果与故障检测结果如表1所示，正常温度与实际温度间的差值阈值是3℃。根据表1可知，本文方法可有效计算各机电一体化设备结构区域的温度值，与正常温度对比可知，各结构区域的温差值分别是1.6℃、2.2℃、1.4℃、1.9℃、2.8℃、1.3℃、5.8℃、0.8℃。其中，仅有结构区域7的温差值超过温差阈值，说明该结构区域为故障区域。实验证明，本文方法可有效检测舰船机电一体化设备，并定位故障区域。

3 结　语

机电一体化设备故障检测效果直接影响舰船任务执行能力，红外热成像技术属于一种较优的无损检测技术.。为此，研究红外热成像技术在舰船机电一体化设备故障检测中的应用，提升故障检测效果，并为维修人员提供故障区域，加快故障维修效率，改善舰船任务执行能力。