[发明专利]一种轴承润滑状态监测方法、系统、设备及介质

权利要求书

1.一种轴承润滑状态监测方法，其特征在于，包括以下步骤：

S1：用红外热像仪采集轴承在润滑故障下的红外热像图；

S2：对采集的图像进行预处理，将图像数据分为训练集、验证集和测试集；

S3：构建用于轴承润滑状态监测的CNN-SVM模型，初始化模型训练参数值，训练CNN-SVM诊断模型；

S4：将图像测试集数据输入至训练好的CNN-SVM模型进行诊断分析，输出轴承润滑状态监测结果。

2.根据权利要求1所述一种轴承润滑状态监测方法，其特征在于，所述步骤S1采用的红外热像仪发射率为0.1～1，热灵敏度为0.05℃；红外热像仪放置在主轴径向50cm的周围±5度的区域进行拍摄并获取图像。

3.根据权利要求1所述一种轴承润滑状态监测方法，其特征在于，所述采集轴承红外热像图的方法为：

定义轴承的润滑故障分为四种，分别为正常润滑轴承、润滑脂不足轴承、润滑脂被污染轴承、润滑脂稠度增大轴承；

用红外热像仪对轴承在不同润滑故障状态下进行拍摄；红外热像仪分别放在设备的径向位置，主轴转速设置1500r/min，主轴运行30分钟后，每隔15分钟采集一次图像，每组采集100张图像。

4.根据权利要求1所述一种轴承润滑状态监测方法，其特征在于，对所述采集图像进行预处理为，将采集的图像输入尺寸设置为227×277，将图像数据按照7:2:1的区间划分为训练集、测试集、验证集。

5.根据权利要求1所述一种轴承润滑状态监测方法，其特征在于，所述建立的CNN-SVM诊断模型采用AlexNet网络结构，模型共十一层，包括输入层、五个卷积层、三个池化层、一个全连接层和一个SVM分类层；

所述五个卷积层中的第一卷积层采用96个11×11，步长为4的卷积核；第二层卷积层采用256个5×5，步长为1的卷积核；第三、四卷积层均采用384个3×3的卷积核；第五层卷积层采用256个3×3，步长为1的卷积核；所述三个池化层的池化核大小均为3×3，步长均为2；

所述SVM分类器层连接在全连接层后面，全连接层输出的润滑故障特征作为SVM分类器的输入；

所述池化层均为最大值池化。

6.根据权利要求1所述一种轴承润滑状态监测方法，其特征在于，所述SVM模型支持向量机采用径向基高斯核函数，其数学表达式为：

K(x_i,x_j)＝exp(-γx_i-x_k²)；

其中，x_i表示输入向量；x_k表示径向基函数的中心；γ表示超参数，γ0。

7.根据权利要求1所述一种轴承润滑状态监测方法，其特征在于，对CNN-SVM诊断模型进行训练，包括以下步骤：

A1：获取图像原始数据，对图像进行预处理，将采集的图像输入尺寸设置为227×277，将图像数据按照7:2:1的区间划分为训练集、测试集、验证集；

A2：将训练集数据输入到建立的CNN-SVM诊断模型进行模型训练，训练过程中实时调用验证集数据对损失误差和准确率进行验证，考察过拟合和收敛情况；

A3：模型的准确率和损失值达到要求，完成训练，保存CNN模型参数；

A4：利用训练好的CNN模型作为特征提取工具；

A5：将全连接层提取征向量输入到SVM层进行分类，完成CNN-SVM诊断模型训练。