一种基于SIFT-KPCA和SVM的滚动轴承故障诊断方法技术

本发明专利技术提供了一种基于SIFT-KPCA和SVM的滚动轴承故障诊断方法，首先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。然后，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。此后，提取简化特征向量的奇异值，并最终将其输入SVM分类器实现故障分类。该方法具有很高的分类精度。

【技术实现步骤摘要】

本专利技术涉及滚动轴承故障诊断的
，具体涉及一种基于SIFT-KPCA和SVM 的滚动轴承故障诊断方法。
技术介绍
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。本专利技术 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。本专利技术中，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，本专利技术将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，因此本专利技术应用奇异值分解（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，本专利技术 采用SVM方法来实现滚动轴承的故障诊断。
技术实现思路
本专利技术的目的在于：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。 本专利技术采用的技术方案为：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。 本专利技术与现有技术相比的优点在于： (1)、本专利技术在二维空间内对振动信号进行特征提取，为利用图像处理方法实现滚 动轴承的故障诊断提供了方法和思路。 (2)、本专利技术采用SIFT算法对轴承振动信号进行特征提取，所得到的SIFT描述子 向量对于图像旋转、缩放和照明变化都是保持不变的，具有很强的鲁棒性。 (3)本专利技术采用KPCA对SIFT描述子向量进行特征约减，大大减少了计算量，提高 了运算速度。【附图说明】 图1为本专利技术一种基于SIFT-KPCA和SVM的滚动轴承故障诊断方法原理图； 图2为振动信号到图像的变换流程； 图3为D (X，y，〇 )构建的方法图解； 图4为振动信号的波形和变换后的图像，其中，图4(a)为正常，图4(b)为内环故 障，图4(c)为外环故障，图4(d)为滚动体故障； 图5为内环故障条件下振动信号变换后图像的高斯差分尺度空间示例； 图6为内环故障条件下变换后图像的关键点检测结果； 图7为四种工况条件下利用SIFT-KPCA和SVD提取得到的故障特征散点图。【具体实施方式】 下面结合附图以及具体实施例进一步说明本专利技术。 如图1所示为本专利技术一种基于SIFT-KPCA和SVM的滚动轴承故障诊断方法的总体 框架。应用图像处理算法之前，首先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。然后，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。此后，提取简化特 征向量的奇异值，并最终将其输入SVM分类器实现故障分类。本专利技术中的故障诊断方法主 要包括三步：图像转换，基于SIFT-KPCA的特征提取以及SVM分类器的训练与分类。 1、具体实施例如下： I. 1图像变换 如图2所示为振动信号到图像的变换过程。首先，将振动信号各样本的振幅都归 一化。然后，如图2所示将振动信号的归一化数据整合为一个MXN的矩阵。本专利技术中将每个 样本的归一化振幅作为图像的像素值，则MXN矩阵就转换为MXN的图像。由于SIFT算法 输入的限制，M和N必须是2的幂值。M和N的推荐值为M = 128, 256或512,N = 128, 256 或512。在本专利技术中，选择M和N为256 X 256。 1. 2特征提取 图像变换之后，利用SIFT算法从二维图像中提取特征。SIFT算法由Lowe于1999 年首次提出，在灰度图像特征检测方面有很好的性能。该算法主要包括以下四步： 步骤1 :建立尺度空间。尺度空间理论是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 目的是本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】

【专利技术属性】
技术研发人员：吕琛，程玉杰，赵万琳，王亚杰，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11