[发明专利]一种基于SIFT-KPCA和SVM的滚动轴承故障诊断方法

权利要求书

1.一种基于SIFT-KPCA和SVM的滚动轴承故障诊断方法，其特征在于：该方法的步骤如下：

步骤一、图像转换：将振动信号转换为二维图像，在该转换之前利用小波降噪来降低噪声对特征提取的干扰；

步骤二、基于SIFT-KPCA的特征提取：针对二维图像应用SIFT算法提取尺度不变特征向量，得到一个128维的特征矩阵，再利用KPCA算法实现特征向量的降维，最终采用SVD算法提取降维后特征向量的奇异值，形成最终的特征矩阵；

步骤三、SVM分类器的训练与分类：采用特征矩阵中的部分奇异值向量作为训练数据训练SVM分类器，将其余的奇异值向量作为测试数据输入训练好的SVM分类器实现故障分类。

2.根据权利要求1所述的一种基于SIFT-KPCA和SVM的滚动轴承故障诊断方法，其特征在于：所述的步骤二中基于SIFT的特征提取包括以下四步：

步骤1：建立尺度空间：通过对原始图像进行尺度变换，然后获取图像在多尺度下的尺度空间表示序列，对这些表示序列进行基于尺度空间的主轮廓提取，并以提取的主轮廓作为一种特征向量，以实现不同分辨率上的特征提取，生成尺度空间的目的是为了模拟图像数据多尺度特征；

步骤2：局部空间极值点检测：为了在构建好的尺度空间中检测出高斯差分图像的局部极值点，将每个像素点与其同一尺度图像内的8个相邻点及上一尺度和下一尺度图像内的各9个相邻点做比较。若其值大于或小于所有的26个相邻点，则认为该像素点为局部空间极值点；

步骤3：关键点定位：为提高所提取特征的抗噪声能力与匹配稳定性，应将上述所选的局部极值点中包含的低对比度点和不稳定的边缘响应点滤除，经过以上两种筛选后，得到的稳定局部极值点称为关键点，由于关键点是利用尺度不变性求得的，所以均具有缩放不变性；

步骤4：方向分配：关键点的邻域像素具有梯度方向分布特性，利用该特性为关键点分配方向以生成具有旋转不变性的特征描述子；

步骤5：关键点描述：关键点描述子是利用梯度幅值和方向作为基本元素最终得到的。