[發(fā)明專利]結(jié)合遺傳算法優(yōu)化參數(shù)和機(jī)器視覺(jué)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(kāi)（公告）號(hào): CN109029993A
• 公開(kāi)（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

本發(fā)明提供一種結(jié)合遺傳算法優(yōu)化參數(shù)和機(jī)器視覺(jué)的軸承內(nèi)部及端面故障檢測(cè)算法。屬于分析及測(cè)量控制技術(shù)領(lǐng)域。包含軸承內(nèi)部故障檢測(cè)以及軸承端面故障檢測(cè)。先以振動(dòng)信號(hào)小波包分解后各子頻帶的能量作為故障檢測(cè)特征，在支持向量機(jī)(SVM)訓(xùn)練過(guò)程中采用遺傳算法(GA)優(yōu)化多模態(tài)融合參數(shù)，實(shí)現(xiàn)軸承內(nèi)部的故障檢測(cè)；再對(duì)軸承端面進(jìn)行圖像采集，利用機(jī)器視覺(jué)技術(shù)對(duì)采集到的圖像進(jìn)行濾波處理，并運(yùn)用Canny算子完成邊緣檢測(cè)，通過(guò)Otsu算法計(jì)算出圓環(huán)區(qū)域的最佳閾值，實(shí)現(xiàn)缺陷分割，最終實(shí)現(xiàn)軸承端面故障檢測(cè)。在一定程度上提高了軸承故障檢測(cè)的準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明涉及一種結(jié)合遺傳算法優(yōu)化參數(shù)和機(jī)器視覺(jué)的軸承內(nèi)部及端面故障檢測(cè)算法，屬于分析及測(cè)量控制技術(shù)領(lǐng)域。

背景技術(shù)

近年來(lái)關(guān)于軸承等特種設(shè)備由于內(nèi)部或表面開(kāi)裂導(dǎo)致的重大安全事故時(shí)有發(fā)生，軸承的故障診斷方法，一直是機(jī)械故障診斷中重點(diǎn)發(fā)展的技術(shù)之一。因此對(duì)軸承故障的自動(dòng)檢測(cè)意義重大。

現(xiàn)今，針對(duì)軸承故內(nèi)部障檢測(cè)，大多選擇采用機(jī)器學(xué)習(xí)的方法。而在軸承故障檢測(cè)過(guò)程中，由于工作環(huán)境復(fù)雜，強(qiáng)烈的背景噪聲使故障信號(hào)樣本量較小，通常采用SVM進(jìn)行數(shù)據(jù)分析的效果較好。然而傳統(tǒng)SVM采用單一核方法完成特征映射與分類，對(duì)于微弱特征的映射效果較差。同時(shí)針對(duì)軸承斷面的故障檢測(cè)，目前人工檢測(cè)軸承端面缺陷存在的效率低、人為因素影響大等諸多問(wèn)題。因此，軸承檢測(cè)的速度和精度都相對(duì)較低。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)中存在的上述問(wèn)題，本發(fā)明設(shè)計(jì)了一種結(jié)合遺傳算法優(yōu)化參數(shù)和機(jī)器視覺(jué)的軸承內(nèi)部及端面故障檢測(cè)算法。包含軸承內(nèi)部故障檢測(cè)以及軸承端面故障檢測(cè)。該發(fā)明先以振動(dòng)信號(hào)小波包分解后各子頻帶的能量作為故障檢測(cè)特征，在支持向量機(jī)(SVM)訓(xùn)練過(guò)程中采用遺傳算法(GA)優(yōu)化多模態(tài)融合參數(shù)，從而獲得軸承內(nèi)部的故障檢測(cè)；再對(duì)軸承端面進(jìn)行圖像采集，利用機(jī)器視覺(jué)技術(shù)對(duì)采集到的圖像進(jìn)行濾波處理，并運(yùn)用Canny算子完成邊緣檢測(cè)，通過(guò)Otsu算法計(jì)算出圓環(huán)區(qū)域的最佳閾值，實(shí)現(xiàn)缺陷分割，最終實(shí)現(xiàn)軸承端面故障檢測(cè)。使軸承故障檢測(cè)的速度和精度都有較大提高。

1.軸承內(nèi)部故障檢測(cè)

通過(guò)以振動(dòng)信號(hào)小波包分解后各子頻帶的能量作為故障檢測(cè)特征，在支持向量機(jī)(SVM)訓(xùn)練過(guò)程中采用遺傳算法(GA)優(yōu)化多模態(tài)融合參數(shù)，從而獲得軸承內(nèi)部的故障檢測(cè)。

(1)采用小波包能量譜作為故障特征值。首先以能量為元素構(gòu)造特征向量避免了當(dāng)軸承出現(xiàn)故障時(shí),各頻帶內(nèi)信號(hào)的能量具有較大變化的現(xiàn)象產(chǎn)生。令u_n(t)滿足雙尺度方程如下：

其中：h_m、g_m是正交鏡像濾波器組，u₀(t)＝φ(t)為正交尺度函數(shù)，u₁(t)＝ψ(t)為小波基函數(shù)。由基函數(shù)u₀(t)＝φ(t)確定的正交小波包。通過(guò)對(duì)測(cè)取的軸承振動(dòng)信號(hào)取小波包變換，得小波包分解系數(shù)其中d為小波包分解層數(shù)，k為信號(hào)子頻帶的數(shù)量。對(duì)小波包分解系數(shù)重構(gòu)，總信號(hào)可以表示為從而獲取各子頻帶信號(hào)能量為：

其中：x_km(k＝0,1,…,K；k＝0,1,…,n)表示重構(gòu)信號(hào)的離散點(diǎn)的幅值。對(duì)特征向量E進(jìn)行歸一化處理，即可以得到特征向量小波包能量譜。

(2)在得到特征值后，將特征值通過(guò)融合核函數(shù)變換。采用多模態(tài)融合核函數(shù)K_min＝αK_LINE+βK_RBF處理特征向量小波包能量譜，即故障特征值。其中：K_LINE表示線性核函數(shù)，是局部核函數(shù)；K_RBF表示徑向基核函數(shù)，是全局核函數(shù)。

(3)采用遺傳算法優(yōu)化多模態(tài)核函數(shù)參數(shù)α，β。首先采用遺傳算法對(duì)遺傳算法種群進(jìn)行編碼，方法為：