基于动态视觉与时空模式一致性的智能微振动估计方法及其在旋转机械状态监测中的应用

《IEEE/CAA Journal of Automatica Sinica》：Dynamic Vision-Enabled Intelligent Micro-Vibration Estimation Method with Spatiotemporal Pattern Consistency

本刊推荐：针对机械装备微振动监测中接触式传感器安装受限、传统非接触方法受环境/距离约束的难题，西安交通大学研究团队开展了"基于动态视觉的智能微振动估计方法"研究。通过事件相机（event camera）捕获动态视觉信号，设计时空模式一致性算法直接提取事件流中的周期性振动信息，在旋转机械实验台上成功实现了30-35Hz工况下的频率精确估计。该方法为工业设备非接触振动监测提供了新型解决方案，较加速度传感器和激光测振仪更具应用优势。

　　

在工业设备状态监测领域，微振动信号如同机械设备的"心电图"，能有效反映设备健康状态。传统接触式传感器（如加速度计）需要直接安装在被测设备表面，在空间受限或高温高压等特殊工况下难以实施；而主流非接触测量方法各有局限——高速相机对环境光照敏感，涡流传感器对工作距离要求苛刻，激光测振仪则成本高昂且设置复杂。这些技术瓶颈严重制约了工业现场振动监测的推广应用。

近年来兴起的事件相机（event camera）为突破这一困境带来了曙光。这种受生物视觉启发的传感器能异步检测像素级亮度变化，具备微秒级时间分辨率、高动态范围和低功耗等优势。然而现有基于事件相机的振动监测方法大多将事件流压缩成传统图像帧进行分析，导致细微的时空信息丢失，存在精度低或数据需求量大等问题。

针对这一挑战，西安交通大学研究团队在《IEEE/CAA Journal of Automatica Sinica》发表论文，提出了一种具有时空模式一致性的智能微振动估计方法。该方法创新性地利用事件相机捕获旋转机械的动态视觉信号，通过四步核心流程实现振动信息提取：首先对事件流进行空间滤波获取感兴趣区域（ROI）数据；接着采用满足奈奎斯特采样定理的时域压缩窗口处理数据；然后通过种子填充（Seed-Filling, SF）算法自适应选择时空提案（spatiotemporal proposal），并计算提案区域与原始数据的相似性曲线；最后对多个区域的时序信号进行加权融合和快速傅里叶变换（FFT）分析，提取振动频率特征。

研究团队在转子-轴承复合实验台上验证方法有效性（图2）。采用Prophesee 3.1事件相机（分辨率1280×720，最高采样率50M事件/秒）采集数据，实验参数设置如表1所示。通过对比加速度传感器、涡流传感器与所提方法的频谱结果（图4），发现在30Hz和35Hz转速下均能准确识别转频及其谐波成分。特别值得注意的是，多提案信号融合结果（图5）显示该方法能有效增强周期性成分并抑制环境噪声。

关键技术方法包括：1）基于事件相机的动态视觉数据采集；2）ROI空间滤波与时域压缩处理；3）种子填充算法实现时空提案自适应选择；4）多区域信号对齐与加权融合算法。实验采用实际旋转机械样本，通过对比传统传感器验证方法有效性。

研究结果部分显示：

• •
  事件流可视化分析（图3）表明轴承和转子区域均呈现明显周期性事件分布
• •
  频谱对比验证（图4）证实所提方法与传统传感器检测结果高度一致
• •
  多提案融合效果（图5）证明信号融合能有效突出转频和谐波成分

该研究的创新价值在于：首次实现直接从事件流中提取时空模式进行振动估计，避免了传统帧压缩方法的信息损失；提出的自适应提案选择机制能有效捕捉微振动引起的周期性视觉模式；加权融合策略显著提升了信噪比。相较于主流非接触测量技术，该方法在数据效率、环境适应性和成本控制方面展现显著优势，为工业设备智能运维提供了新的技术路径。未来可进一步探索在复杂工况下的应用潜力，推动动态视觉技术在故障预测与健康管理（PHM）领域的深度融合。