[發(fā)明專利]結(jié)合遺傳算法優(yōu)化參數(shù)和機(jī)器視覺的軸承故障檢測(cè)算法

在審

• 申請(qǐng)?zhí)枺?/td>: 201810635047.3
• 申請(qǐng)日: 2018-06-20
• 公開（公告）號(hào): CN109029993A
• 公開（公告）日: 2018-12-18
• 發(fā)明（設(shè)計(jì)）人: 陳亮;徐瑋鑫;金尚忠;張淑琴;徐時(shí)清;劉澤森;孟慶陽(yáng);華靜;谷振寰
• 申請(qǐng)（專利權(quán)）人: 中國(guó)計(jì)量大學(xué)
• 主分類號(hào): G01M13/04
• 分類號(hào): G01M13/04;G06N3/12
• 代理公司: 杭州浙科專利事務(wù)所(普通合伙) 33213
• 代理人: 杜立

1.一種結(jié)合遺傳算法優(yōu)化參數(shù)和機(jī)器視覺的軸承內(nèi)部及端面故障檢測(cè)算法，其特征在于：包括軸承內(nèi)部故障檢測(cè)以及軸承端面故障檢測(cè)。

2.根據(jù)權(quán)利要求1所述的一種結(jié)合遺傳算法優(yōu)化參數(shù)和機(jī)器視覺的軸承內(nèi)部及端面故障檢測(cè)算法，其特征在于：在軸承內(nèi)部故障檢測(cè)上，通過分解小波包，以振動(dòng)信號(hào)小波包分解后各子頻帶的能量作為軸承內(nèi)部故障檢測(cè)特征。

3.根據(jù)權(quán)利要求1所述的一種結(jié)合遺傳算法優(yōu)化參數(shù)和機(jī)器視覺的軸承內(nèi)部及端面故障檢測(cè)算法，其特征在于：在軸承端面故障檢測(cè)上，對(duì)軸承端面進(jìn)行圖像采集，利用機(jī)器視覺技術(shù)采用中值濾波法對(duì)采集到的圖像進(jìn)行濾波處理。

4.根據(jù)權(quán)利要求2所述的一種結(jié)合遺傳算法優(yōu)化參數(shù)和機(jī)器視覺的軸承內(nèi)部及端面故障檢測(cè)算法，其特征在于：在軸承內(nèi)部故障檢測(cè)上，在得到特征值后，將特征值通過融合核函數(shù)變換，采用權(quán)重α，β融合線性核函數(shù)與徑向基核函數(shù)，得到融合核函數(shù)K_min＝αK_LINE+βK_RBF。

5.根據(jù)權(quán)利要求3所述的一種結(jié)合遺傳算法優(yōu)化參數(shù)和機(jī)器視覺的軸承內(nèi)部及端面故障檢測(cè)算法，其特征在于：在軸承端面故障檢測(cè)上，在圖像進(jìn)行濾波處理后，運(yùn)用Canny算子完成圖像的邊緣檢測(cè)，并采用最小二乘圓擬合的方法對(duì)檢測(cè)到的離散邊緣點(diǎn)進(jìn)行圓擬合。

6.根據(jù)權(quán)利要求4所述的一種結(jié)合遺傳算法優(yōu)化參數(shù)和機(jī)器視覺的軸承內(nèi)部及端面故障檢測(cè)算法，其特征在于：在軸承內(nèi)部故障檢測(cè)上，在得到融合核函數(shù)K_min＝αK_LINE+βK_RBF后，采用采用遺傳算法(GA)優(yōu)化多模態(tài)融合參數(shù)α，β。

7.根據(jù)權(quán)利要求5所述的一種結(jié)合遺傳算法優(yōu)化參數(shù)和機(jī)器視覺的軸承內(nèi)部及端面故障檢測(cè)算法，其特征在于：在軸承端面故障檢測(cè)上，采用Otsu法，基于圓環(huán)區(qū)域得到的閾值，完成故障分割，從而實(shí)現(xiàn)軸承端面故障的檢測(cè)。

8.根據(jù)權(quán)利要求6所述的一種結(jié)合遺傳算法優(yōu)化參數(shù)和機(jī)器視覺的軸承內(nèi)部及端面故障檢測(cè)算法，其特征在于：在軸承內(nèi)部故障檢測(cè)上，獲得最優(yōu)參數(shù)后，通過支持向量機(jī)(SVM)尋找一個(gè)最優(yōu)的分類面，得出多模態(tài)核函數(shù)條件下非線性SVM分類面，使得特征集合分離開，從而實(shí)現(xiàn)軸承內(nèi)部故障的檢測(cè)。