由于现代工业和科学技术的飞速发展,机械设备及控制系统的规模不断扩大,复杂性日益提高,同时设备的投资相当可观,一旦因故障停机,将引起人力、物力的巨大损失,因此世界上许多国家都投入了大量的人力、物力和财力进行故障监测和诊断的研究,故障检测和诊断已经成为了当今的研究热点之一。本文以运动的机械设备为对象,进行了故障诊断的研究。全文主要研究内容如下:(1)研究了机械设备图像的预处理。首先,分析了机械设备图像的主要噪声来源,把模糊技术与中值滤波相结合,提出了模糊自适应中值滤波方法,去除脉冲噪声的同时,保留图像细节。然后,用直方图均衡化提高图像的对比度,并用维纳滤波消去均衡化后的类似“马赛克”现象。接着,对设备图像进行边缘检测,重点研究了基于灰度差的边缘检测方法,该方法中,将一个模板窗口分成两部分,表示成两个集合,如果两个集合间的灰度差越大,而集合内的灰度差越小,则说明该窗口中的边缘越明显,据此可以检测图像的边缘,运用非极大抑制去除伪边缘。最后,研究了阈值分割方法,提出了改进的二维自适应Otsu阈值分割算法,该方法综合考虑类间方差和类内方差,提出新的阈值判决函数。(2)研究了基于图像视觉特性的特征提取方法。首先介绍了基于主元分析、不变矩以及几何特征的特征提取方法。然后,重点阐明了RHT—LSM直线提取算法,将随机Hough变换与最小二乘法相结合,能检测略带弯曲的直线。最后,提出了FINRT特征提取算法,该方法将Radon变换的结果做积分、正则化和傅里叶变换,得到与图像的仿射变换无关的改进Radon变换,同时,它还大大降低了特征的维数,提高系统的鲁棒性。(3)研究了基于径向基(RBF)神经网络的图像部位与故障的识别的方法。由于RBF网络结构简单、学习效率高、收敛速度快,广泛应用于模式识别中。本文首先介绍RBF神经网络的基本结构、网络特性及常用的学习方法。为了得到更佳的识别效果,将Fisher线性判决引入了RBF网络的学习中,使同类模式的样本特征矢量更加集中,而不同类模式之间的矢量更加分散。对样本均值用FCM聚类后,将各类的特征矢量沿最优鉴别矢量集的方向投影,类内的平均值作为该类的中心,然后采用不同类样本矢量之间的距离中值与重叠系数的比值来估算RBF的宽度,最后用交叉验证的方法来确定隐含层神经元的节点数。(4)将本文研究得到的理论成果应用于铁路货车运行故障图像检测系统,一方面验证该理论成果的可行性,另外一方面实现铁路货车运行故障的检测。该系统的主要目的是记录行进中货车的图像,并且自动识别待诊断的重要部位,并判断是否存在故障。通过实例验证了本文理论的正确性和有效性,对货车中几个重要部位的故障识别率达到了90%。