[发明专利]一种基于SIFT-KPCA和SVM的滚动轴承故障诊断方法

说明书

技术领域

本发明涉及滚动轴承故障诊断的技术领域，具体涉及一种基于SIFT-KPCA和SVM的滚动轴承故障诊断方法。

背景技术

滚动轴承在旋转机械中应用极为广泛，在维护设备正常运行时起关键作用。意外的轴承损伤通常会带来严重的机械故障，甚至造成巨大的经济损失。为此，针对滚动轴承展开精确的状态监控和故障诊断变得尤为重要。

轴承振动信号包含了丰富的系统动态特征信息，因此振动信号处理技术是轴承故障诊断的主要工具之一。滚动轴承故障诊断主要包括两个关键过程：特征提取和模式识别。当滚动轴承发生故障时，其振动信号变得复杂，而且是非线性的，这使得有效的特征提取变得困难。针对故障轴承振动信号的非线性动态特征，许多特征提取方法应运而生，包括小波包变换、经验模态分解，希尔伯特-黄变换等。然而，大多数的特征提取方法关注的是一维空间内振动信号的频率和振幅，极少有方法在二维空间内进行振动信号特征提取。本发明应用尺度不变特征变换(SIFT)方法将振动信号转换为二维图像来提取特征。

SIFT是由Lowe提出的一种局部不变特征提取算法，SIFT特征与影像的大小和旋转无关，对于些微视角转变、噪声和光线改变的鲁棒性也很高。基于这些特性，SIFT算法已成功应用于人脸识别，目标检测，图像拼接和伪造图像检测等方面。然而，SIFT算法在故障诊断研究领域的应用依然很少。本发明中，SIFT算法被用于实现滚动轴承特征提取。考虑到SIFT描述子是一个128维的特征矩阵，需要巨大的计算成本，因此应用非线性嵌入方法核主成分分析(KPCA)来简化SIFT特征。KPCA是PCA的非线性扩展形式，通过非线性映射将输入空间转变为特征空间，然后对映射数据应用线性主成分分析。因此，本发明将SIFT和KPCA结合，从振动特征中提取非线性主成分。由于奇异值是特征向量矩阵的本质特征，具有很好的稳定性，因此本发明应用奇异值分解(SVD)技术来获得最终的特征向量形式。

特征提取完成以后，为了实现滚动轴承的故障分类，需要一种模式识别方法。支持向量机(SVM)是一种基于统计学习理论的机器学习方法，因其具有高精度和很好的泛化能力而被广泛应用，尤其是在处理小样本，非线性，高维问题时具有很好的性能。因此，本发明采用SVM方法来实现滚动轴承的故障诊断。

发明内容

本发明的目的在于：克服上述现有技术的缺陷，提供一种基于SIFT-KPCA和SVM的滚动轴承故障诊断方法。

本发明采用的技术方案为：一种基于SIFT-KPCA和SVM的滚动轴承故障诊断方法，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。

其中，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。

本发明与现有技术相比的优点在于：