一種基于sift-kpca和svm的滾動(dòng)軸承故障診斷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及滾動(dòng)軸承故障診斷的技術(shù)領(lǐng)域，具體涉及一種基于SIFT-KPCA和SVM 的滾動(dòng)軸承故障診斷方法。
【背景技術(shù)】
[0002] 滾動(dòng)軸承在旋轉(zhuǎn)機(jī)械中應(yīng)用極為廣泛，在維護(hù)設(shè)備正常運(yùn)行時(shí)起關(guān)鍵作用。意外 的軸承損傷通常會(huì)帶來嚴(yán)重的機(jī)械故障，甚至造成巨大的經(jīng)濟(jì)損失。為此，針對(duì)滾動(dòng)軸承展 開精確的狀態(tài)監(jiān)控和故障診斷變得尤為重要。
[0003] 軸承振動(dòng)信號(hào)包含了豐富的系統(tǒng)動(dòng)態(tài)特征信息，因此振動(dòng)信號(hào)處理技術(shù)是軸承故 障診斷的主要工具之一。滾動(dòng)軸承故障診斷主要包括兩個(gè)關(guān)鍵過程：特征提取和模式識(shí)別。 當(dāng)滾動(dòng)軸承發(fā)生故障時(shí)，其振動(dòng)信號(hào)變得復(fù)雜，而且是非線性的，這使得有效的特征提取變 得困難。針對(duì)故障軸承振動(dòng)信號(hào)的非線性動(dòng)態(tài)特征，許多特征提取方法應(yīng)運(yùn)而生，包括小波 包變換、經(jīng)驗(yàn)?zāi)B(tài)分解，希爾伯特-黃變換等。然而，大多數(shù)的特征提取方法關(guān)注的是一維 空間內(nèi)振動(dòng)信號(hào)的頻率和振幅，極少有方法在二維空間內(nèi)進(jìn)行振動(dòng)信號(hào)特征提取。本發(fā)明 應(yīng)用尺度不變特征變換（SIFT)方法將振動(dòng)信號(hào)轉(zhuǎn)換為二維圖像來提取特征。
[0004] SIFT是由Lowe提出的一種局部不變特征提取算法，SIFT特征與影像的大小和旋 轉(zhuǎn)無關(guān)，對(duì)于些微視角轉(zhuǎn)變、噪聲和光線改變的魯棒性也很高。基于這些特性，SIFT算法已 成功應(yīng)用于人臉識(shí)別，目標(biāo)檢測，圖像拼接和偽造圖像檢測等方面。然而，SIFT算法在故障 診斷研究領(lǐng)域的應(yīng)用依然很少。本發(fā)明中，SIFT算法被用于實(shí)現(xiàn)滾動(dòng)軸承特征提取。考慮 到SIFT描述子是一個(gè)128維的特征矩陣，需要巨大的計(jì)算成本，因此應(yīng)用非線性嵌入方法 核主成分分析（KPCA)來簡化SIFT特征。KPCA是PCA的非線性擴(kuò)展形式，通過非線性映射 將輸入空間轉(zhuǎn)變?yōu)樘卣骺臻g，然后對(duì)映射數(shù)據(jù)應(yīng)用線性主成分分析。因此，本發(fā)明將SIFT 和KPCA結(jié)合，從振動(dòng)特征中提取非線性主成分。由于奇異值是特征向量矩陣的本質(zhì)特征， 具有很好的穩(wěn)定性，因此本發(fā)明應(yīng)用奇異值分解（SVD)技術(shù)來獲得最終的特征向量形式。
[0005] 特征提取完成以后，為了實(shí)現(xiàn)滾動(dòng)軸承的故障分類，需要一種模式識(shí)別方法。支持 向量機(jī)（SVM)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法，因其具有高精度和很好的泛化能 力而被廣泛應(yīng)用，尤其是在處理小樣本，非線性，高維問題時(shí)具有很好的性能。因此，本發(fā)明 采用SVM方法來實(shí)現(xiàn)滾動(dòng)軸承的故障診斷。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于：克服上述現(xiàn)有技術(shù)的缺陷，提供一種基于SIFT-KPCA和SVM的 滾動(dòng)軸承故障診斷方法。
[0007] 本發(fā)明采用的技術(shù)方案為：一種基于SIFT-KPCA和SVM的滾動(dòng)軸承故障診斷方法， 該方法的步驟如下：
[0008] 步驟一、圖像轉(zhuǎn)換：將振動(dòng)信號(hào)轉(zhuǎn)換為二維圖像，在該轉(zhuǎn)換之前利用小波降噪來降 低噪聲對(duì)特征提取的干擾；
[0009] 步驟二、基于SIFT-KPCA的特征提?。横槍?duì)二維圖像應(yīng)用SIFT算法提取尺度不變 特征向量，得到一個(gè)128維的特征矩陣，再利用KPCA算法實(shí)現(xiàn)特征向量的降維，最終采用 SVD算法提取降維后特征向量的奇異值，形成最終的特征矩陣；
[0010] 步驟三、SVM分類器的訓(xùn)練與分類：采用特征矩陣中的部分奇異值向量作為訓(xùn)練 數(shù)據(jù)訓(xùn)練SVM分類器，將其余的奇異值向量作為測試數(shù)據(jù)輸入訓(xùn)練好的SVM分類器實(shí)現(xiàn)故 障分類。
[0011] 其中，所述的步驟二中基于SIFT的特征提取包括以下四步：
[0012] 步驟1 :建立尺度空間：通過對(duì)原始圖像進(jìn)行尺度變換，然后獲取圖像在多尺度下 的尺度空間表示序列，對(duì)這些表示序列進(jìn)行基于尺度空間的主輪廓提取，并以提取的主輪 廓作為一種特征向量，以實(shí)現(xiàn)不同分辨率上的特征提取，生成尺度空間的目的是為了模擬 圖像數(shù)據(jù)多尺度特征；
[0013] 步驟2 :局部空間極值點(diǎn)檢測：為了在構(gòu)建好的尺度空間中檢測出高斯差分圖像 的局部極值點(diǎn)，將每個(gè)像素點(diǎn)與其同一尺度圖像內(nèi)的8個(gè)相鄰點(diǎn)及上一尺度和下一尺度圖 像內(nèi)的各9個(gè)相鄰點(diǎn)做比較。若其值大于或小于所有的26個(gè)相鄰點(diǎn)，則認(rèn)為該像素點(diǎn)為局 部空間極值點(diǎn)；
[0014] 步驟3 :關(guān)鍵點(diǎn)定位：為提高所提取特征的抗噪聲能力與匹配穩(wěn)定性，應(yīng)將上述所 選的局部極值點(diǎn)中包含的低對(duì)比度點(diǎn)和不穩(wěn)定的邊緣響應(yīng)點(diǎn)濾除，經(jīng)過以上兩種篩選后， 得到的穩(wěn)定局部極值點(diǎn)稱為關(guān)鍵點(diǎn)，由于關(guān)鍵點(diǎn)是利用尺度不變性求得的，所以均具有縮 放不變性；
[0015] 步驟4 :方向分配：關(guān)鍵點(diǎn)的鄰域像素具有梯度方向分布特性，利用該特性為關(guān)鍵 點(diǎn)分配方向以生成具有旋轉(zhuǎn)不變性的特征描述子；
[0016] 步驟5 :關(guān)鍵點(diǎn)描述：關(guān)鍵點(diǎn)描述子是利用梯度幅值和方向作為基本元素最終得 到的。
[0017] 本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點(diǎn)在于：
[0018] (1)、本發(fā)明在二維空間內(nèi)對(duì)振動(dòng)信號(hào)進(jìn)行特征提取，為利用圖像處理方法實(shí)現(xiàn)滾 動(dòng)軸承的故障診斷提供了方法和思路。
[0019] (2)、本發(fā)明采用SIFT算法對(duì)軸承振動(dòng)信號(hào)進(jìn)行特征提取，所得到的SIFT描述子 向量對(duì)于圖像旋轉(zhuǎn)、縮放和照明變化都是保持不變的，具有很強(qiáng)的魯棒性。
[0020] (3)本發(fā)明采用KPCA對(duì)SIFT描述子向量進(jìn)行特征約減，大大減少了計(jì)算量，提高 了運(yùn)算速度。
【附圖說明】
[0021] 圖1為本發(fā)明一種基于SIFT-KPCA和SVM的滾動(dòng)軸承故障診斷方法原理圖；
[0022] 圖2為振動(dòng)信號(hào)到圖像的變換流程；
[0023] 圖3為D (X，y，〇 )構(gòu)建的方法圖解；
[0024] 圖4為振動(dòng)信號(hào)的波形和變換后的圖像，其中，圖4(a)為正常，圖4(b)為內(nèi)環(huán)故 障，圖4(c)為外環(huán)故障，圖4(d)為滾動(dòng)體故障；
[0025] 圖5為內(nèi)環(huán)故障條件下振動(dòng)信號(hào)變換后圖像的高斯差分尺度空間示例；
[0026] 圖6為內(nèi)環(huán)故障條件下變換后圖像的關(guān)鍵點(diǎn)檢測結(jié)果；
[0027] 圖7為四種工況條件下利用SIFT-KPCA和SVD提取得到的故障特征散點(diǎn)圖。
【具體實(shí)施方式】
[0028] 下面結(jié)合附圖以及具體實(shí)施例進(jìn)一步說明本發(fā)明。
[0029] 如圖1所示為本發(fā)明一種基于SIFT-KPCA和SVM的滾動(dòng)軸承故障診斷方法的總體 框架。應(yīng)用圖像處理算法之前，首先將振動(dòng)信號(hào)轉(zhuǎn)換為二維圖像，在該轉(zhuǎn)換之前利用小波降 噪來降低噪聲對(duì)特征提取的干擾。然后，針對(duì)二維圖像應(yīng)用SIFT算法提取尺度不變特征向 量，得到一個(gè)128維的特征矩陣，再利用KPCA算法實(shí)現(xiàn)特征向量的降維。此后，提取簡化特 征向量的奇異值，并最終將其輸入SVM分類器實(shí)現(xiàn)故障分類。本發(fā)明中的故障診斷方法主 要包括三步：圖像轉(zhuǎn)換，基于SIFT-KPCA的特征提取以及SVM分類器的訓(xùn)練與分類。
[0030] 1、具體實(shí)施例如下：
[0031] I. 1圖像變換
[0032] 如圖2所示為振動(dòng)信號(hào)到圖像的變換過程。首先，將振動(dòng)信號(hào)各樣本的振幅都?xì)w 一化。然后，如圖2所示將振動(dòng)信號(hào)的歸一化數(shù)據(jù)整合為一個(gè)MXN的矩陣。本發(fā)明中將每個(gè) 樣本的歸一化振幅作為圖像的像素值，則MXN矩陣就轉(zhuǎn)換為MXN的圖像。由于SIFT算法 輸入的限制，M和N必須是2的冪值。M和N的推薦值為M = 128, 256或512,N = 128, 256 或512。在本發(fā)明中，選擇M和N為256 X 256。
[0033] 1. 2特征提取
[0034] 圖像變換之后，利用SIFT算法從二維圖像中提取特征。SIFT算法由Lowe于1999 年首次提出，在灰度圖像特征檢測方面有很好的性能。該算法主要包括以下四步：
[0035] 步驟1 :建立尺度空間。尺度空間理論是通過對(duì)原始圖像進(jìn)行尺度變換，然后獲取 圖像在多尺度下的尺度空間表示序列，對(duì)這些表示序列進(jìn)行基于尺度空間的主輪廓提取， 并以提取的主輪廓作為一種特征向量，以實(shí)現(xiàn)不同分辨率上的特征提取。生成尺度空間的 目的是為了模擬圖像數(shù)據(jù)多尺度特征。2004年Lowe提出了高斯差分算子（Difference of Gaussian，DoG)。圖像的DoG尺度空間可以由相鄰的高斯核卷積圖像后做差得到：
[0036] D(x,y,a) = ^G(x,y,ka)-G(x,y,a))?f(x,y) = L(x,y,ka)-L(x,y^)
[0037] 在該公式中，D(x，y，〇)是圖像的高斯差分，L(x，y，〇)是尺度空間的尺度表示，k 是用以改變尺度的恒定倍數(shù)因子，G(x，y，〇)是使圖像平滑的高斯濾波器，〇被定義為濾 波器的寬度。通過搜索局部極值點(diǎn)可以識(shí)別潛在的對(duì)于尺度和旋轉(zhuǎn)不變的興趣點(diǎn)。構(gòu)建 D (X，y，σ )的有效方法如圖3所示。
[0038] 步驟2 :局部空間極值點(diǎn)檢測。為了在構(gòu)建好的DoG中檢測出高斯差分圖像的局 部極值點(diǎn)，將每個(gè)像素點(diǎn)與其同一尺度圖像內(nèi)的8個(gè)相鄰點(diǎn)及上一尺度和下一尺度圖像內(nèi) 的各9個(gè)相鄰點(diǎn)做比較。若其值大于或小于所有的26個(gè)相鄰點(diǎn)，則認(rèn)為該像素點(diǎn)為局部空 間極值點(diǎn)。
[0039] 步驟3 :關(guān)鍵點(diǎn)定位。為提高所提取特征