[发明专利]一种基于IWO-KFCM算法的轴承时频谱图识别方法

说明书

本发明公开了一种基于IWO‑KFCM算法的轴承时频谱图识别方法，将轴承故障诊断问题转化为故障时频图像状态识别问题，先采集轴承的振动信号，生成已知和未知状态类别的信号数据集，对信号进行时频分析，获得时频谱图像并对其灰度化，计算每类图像的灰度‑梯度共生矩阵，提取二次统计特征指标，再利用主成分分析(PCA)选择贡献率高的主成分，对已知各类状态信号数据，构造基于可分析判据的适应度函数，通过杂草算法(IWO)进行优化，获取初始聚类中心，然后对未知状态数据特征进行测试，导入优化的初始聚类中心，采用IWO‑KFCM算法进行聚类分析识别。所提的IWO‑KFCM算法具有良好的鲁棒性和聚类精度，计算效率和聚类性能得到较大提升。

技术领域

本发明属于图像处理、机械故障诊断技术领域，尤其是涉及一种基于IWO-KFCM算法的轴承时频谱图识别方法。

背景技术

滚动轴承是旋转机械中最常见并且是很关键的机械部件，广泛应用于家庭和工业设备中。由于轴承通常在恶劣的工作环境中工作，因此它们在工作中很容易发生故障。如果不及时发现故障，可能会导致机器意外停机，甚至导致灾难性的损坏。因此，有必要采取一种检测方式检测滚动轴承的健康状态，识别是否发生故障，以及故障的类型和故障的严重程度，进而采取必要的措施，防止轴承的进一步损坏，确保设备及时的修整，安全的运行。

随着模式识别技术的发展，将机械设备的振动信号转化为时频谱图进行智能识别的研究不断深入。时频谱图的本质是图像，既具备构成图像本身的数字信息，也有颜色、像素、纹理、灰度和形状等图形信息，这些信息暗含了设备的运行状态及差异。对状态图像进行识别首先需要有效地提取图像特征，近年来，有关时频谱图特征提取的研究层出不穷，如二维线性判别分析、二维主成分分析、二维非负矩阵分解等图像压缩算法，如提取不变矩特征、纹理特征等特征提取方法，这些方法解决了因图像维数巨大导致诊断困难的难题。

其中，聚类分析是一种针对样本相似性进行类别划分的数值方法，目前已广泛应用于模式识别、数据挖掘、图像处理等领域。常用的聚类分析算法有：C均值聚类、模糊C均值聚类(Fuzzy C-Means，FCM)、模糊核聚类(Kernel FuzzyC-means，KFCM)。FCM算法通过引入隶属度对C均值聚类的模式归属进行软化，克服了其准则函数不可微的缺点；KFCM算法在FCM算法基础上引入核函数，将低维非线性特征投影至高维空间，克服了FCM算法对噪声野值点敏感的缺陷，提高了算法鲁棒性。不过两种算法依然存在对初始值敏感和易陷入局部最优的缺点；同时聚类算法具有无监督性。在机械诊断领域，许多学者研究利用已知标签的样本指导未知样本进行聚类分析，提出半监督式的聚类方法。

虽然现有技术有关时频谱图特征提取的研究层出不穷，但是不能更加有效地提取图像纹理特征并实现差异特征选择，聚类效果不够好，无法实现初始聚类中心的优化。其次，以上所述的KFCM算法、半监督KFCM算法，其鲁棒性和聚类精度还不够好，计算效率和聚类性能还有待提高，因此有必要予以改进。

发明内容

本发明的目的是针对上述现有技术存在的不足，提供一种基于IWO-KFCM算法的轴承时频谱图识别方法，它能够有效提取图像纹理并实现差异特征选择，通过杂草算法(IWO)，实现初始聚类中心的优化，具有良好的鲁棒性和聚类精度，其计算效率和聚类性能得到很大提升。

为了实现上述的目的，本发明所采用的技术方案是：一种基于IWO-KFCM算法的轴承时频谱图识别方法，包括步骤如下：

步骤1、数据采集、类别标记：设计旋转机械设备的故障实验，采集轴承在不同载荷、不同故障位置、不同故障程度下的振动信号，对各类状态信号进行截取、状态标记，形成已知状态类别的信号数据集和未知状态类别的信号数据集；

步骤2、获取灰度化的时频谱图：对已知状态信号数据集和未知状态信号数据集进行时频分析，获得时频谱图像并对其灰度化；