[發明專利]軸承故障紅外診斷方法、系統、電子設備及存儲介質

有效

• 申請號: 202310677567.1
• 申請日: 2023-06-09
• 公開（公告）號: CN116402825B
• 公開（公告）日: 2023-08-11
• 發明（設計）人: 周建民;劉露露;尹洪妍
• 申請（專利權）人: 華東交通大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/25;G06N3/006;G06V10/82;G06V10/44
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 徐超

本發明提供了一種軸承故障紅外診斷方法、系統、電子設備及存儲介質，屬于軸承故障診斷領域；該方法包括采集多幀紅外圖像；根據訓練集圖像中出現的溫度變化區域獲取感興趣圖片；將感興趣圖片進行預處理轉化成二值圖；基于灰度共生矩陣公式從二值圖中提取二階統計特征；針對二階統計特征進行特征迭代尋優獲取最優特征；通過遺傳算法針對BLS網絡參數進行尋優獲取最優參數；基于最優特征及最優參數訓練BLS網絡獲取CFS?GA?BLS故障診斷模型；將測試集圖像輸入CFS?GA?BLS故障診斷模型輸出待診斷軸承的故障紅外診斷結果。通過本申請，可以提升軸承故障紅外診斷結果的高效性及高準確率。

技術領域

本發明屬于軸承故障診斷的技術領域，具體地涉及一種軸承故障紅外診斷方法、系統、電子設備及存儲介質。

背景技術

滾動軸承是一種不可或缺的重要機械元件，但其常在高強負載和復雜環境下長期工作，性能會發生退化繼而使得軸承失效。在這一過程中，往往產生各種故障，如磨損、腐蝕、裂紋等。因此，有效的軸承故障診斷對于保持機械設備安全運轉有著關鍵作用。傳統的軸承故障診斷大多基于振動信號和聲發射信號進行故障診斷。然而，這兩種信號的采集都容易遭受外界環境的影響，即容易采集到噪聲，導致從中提取有用信息十分困難。近些年來，溫度信號具有非接觸、靈敏度高和實時性強的特點，針對高速運轉的測試目標具有強烈優勢，一些學者將其引入機械設備的故障診斷中。溫度信號可以由紅外熱像儀采集紅外圖像，從而顯示物體熱特征。相比于振動信號及聲發射信號的兩種信號，紅外圖像作為軸承故障診斷的對象具備一定的優勢。

目前，在軸承故障診斷方面，通常使用淺層機器學習和深度學習的方法。淺層機器學習方法預測泛化能力差，精度不夠高，而深度學習網絡則需要大批量數據，且訓練時間過長，常被看作一個“黑匣子”，內涵解釋非常復雜。隨著BLS網絡被提出以來，其通過求偽逆計算特征節點和增強節點的權重，可以全面提高模型的運算速度和測量精度，BLS網絡最大的特點是其僅包含單一層的隱藏層，當面臨學習不準確情況時，隨時以橫向的方式進行增量擴充，極大地解決了深度學習訓練時間過長的問題。但是，目前在軸承故障診斷領域，并沒有對BLS網絡的模型參數以及紅外圖像特征進行尋優的相關研究，而在完成軸承故障診斷的過程中，紅外圖像特征、模型參數的選擇往往會影響診斷速率以及診斷準確率。

因此，提出一種高效及高精度的軸承故障紅外診斷方法，顯得尤為重要。

發明內容

為了解決上述技術問題，本發明提供了一種軸承故障紅外診斷方法、系統、電子設備及存儲介質，可以提升軸承故障紅外診斷結果的高效性及高準確率。

第一方面，本申請提供了一種軸承故障紅外診斷方法，其包括：

通過滾動軸承故障實驗臺采集預設種類的待診斷軸承運轉狀態的多幀紅外圖像；其中，所述多幀紅外圖像分為訓練集圖像和測試集圖像；

根據所述訓練集圖像中出現的溫度變化區域進行裁剪獲取感興趣圖片；

將所述感興趣圖片進行預處理轉化成二值圖；

基于灰度共生矩陣公式從所述二值圖中提取二階統計特征；其中，所述二階統計特征包括能量、對比度、熵、均值、方差、相關性；

針對所述二階統計特征進行特征迭代尋優獲取最優特征；

通過遺傳算法針對BLS網絡參數進行尋優獲取最優參數；其中，所述BLS網絡參數包括每個窗口特征節點的個數N1、特征節點的窗口個數N2和增強節點個數N3；

基于所述最優特征及所述最優參數訓練所述BLS網絡獲取CFS-GA-BLS故障診斷模型；

將所述測試集圖像輸入所述CFS-GA-BLS故障診斷模型，以使輸出所述待診斷軸承的故障紅外診斷結果。

優選地，所述將所述感興趣圖片進行預處理轉化成二值圖的步驟具體包括：

將所述感興趣圖片進行灰度化處理；