结合遗传算法优化参数和机器视觉的轴承故障检测算法制造技术

本发明专利技术提供一种结合遗传算法优化参数和机器视觉的轴承内部及端面故障检测算法。属于分析及测量控制技术领域。包含轴承内部故障检测以及轴承端面故障检测。先以振动信号小波包分解后各子频带的能量作为故障检测特征，在支持向量机(SVM)训练过程中采用遗传算法(GA)优化多模态融合参数，实现轴承内部的故障检测；再对轴承端面进行图像采集，利用机器视觉技术对采集到的图像进行滤波处理，并运用Canny算子完成边缘检测，通过Otsu算法计算出圆环区域的最佳阈值，实现缺陷分割，最终实现轴承端面故障检测。在一定程度上提高了轴承故障检测的准确率。

【技术实现步骤摘要】
结合遗传算法优化参数和机器视觉的轴承故障检测算法
本专利技术涉及一种结合遗传算法优化参数和机器视觉的轴承内部及端面故障检测算法，属于分析及测量控制

技术介绍
近年来关于轴承等特种设备由于内部或表面开裂导致的重大安全事故时有发生，轴承的故障诊断方法，一直是机械故障诊断中重点发展的技术之一。因此对轴承故障的自动检测意义重大。现今，针对轴承故内部障检测，大多选择采用机器学习的方法。而在轴承故障检测过程中，由于工作环境复杂，强烈的背景噪声使故障信号样本量较小，通常采用SVM进行数据分析的效果较好。然而传统SVM采用单一核方法完成特征映射与分类，对于微弱特征的映射效果较差。同时针对轴承断面的故障检测，目前人工检测轴承端面缺陷存在的效率低、人为因素影响大等诸多问题。因此，轴承检测的速度和精度都相对较低。
技术实现思路
针对现有技术中存在的上述问题，本专利技术设计了一种结合遗传算法优化参数和机器视觉的轴承内部及端面故障检测算法。包含轴承内部故障检测以及轴承端面故障检测。该专利技术先以振动信号小波包分解后各子频带的能量作为故障检测特征，在支持向量机(SVM)训练过程中采用遗传算法(GA)优化多模态融合参数，从而获得轴承内部的故障检测；再对轴承端面进行图像采集，利用机器视觉技术对采集到的图像进行滤波处理，并运用Canny算子完成边缘检测，通过Otsu算法计算出圆环区域的最佳阈值，实现缺陷分割，最终实现轴承端面故障检测。使轴承故障检测的速度和精度都有较大提高。1.轴承内部故障检测通过以振动信号小波包分解后各子频带的能量作为故障检测特征，在支持向量机(SVM)训练过程中采用遗传算法(GA)优化多模态融合参数，从而获得轴承内部的故障检测。(1)采用小波包能量谱作为故障特征值。首先以能量为元素构造特征向量避免了当轴承出现故障时,各频带内信号的能量具有较大变化的现象产生。令un(t)满足双尺度方程如下：其中：hm、gm是正交镜像滤波器组，u0(t)＝φ(t)为正交尺度函数，u1(t)＝ψ(t)为小波基函数。由基函数u0(t)＝φ(t)确定的正交小波包。通过对测取的轴承振动信号取小波包变换，得小波包分解系数其中d为小波包分解层数，k为信号子频带的数量。对小波包分解系数重构，总信号可以表示为从而获取各子频带信号能量为：其中：xkm(k＝0,1,…,K；k＝0,1,…,n)表示重构信号的离散点的幅值。对特征向量E进行归一化处理，即可以得到特征向量小波包能量谱。(2)在得到特征值后，将特征值通过融合核函数变换。采用多模态融合核函数Kmin＝αKLINE+βKRBF处理特征向量小波包能量谱，即故障特征值。其中：KLINE表示线性核函数，是局部核函数；KRBF表示径向基核函数，是全局核函数。(3)采用遗传算法优化多模态核函数参数α，β。首先采用遗传算法对遗传算法种群进行编码，方法为：X＝(x1,x2)T,x1∈[-5,5],x2∈[-5,5]同时为减少数据处理量，提升遗传算法的效率。采用选择操作，选择其中一小部分适应度较高的优秀基因不参与选择和交叉等遗传操作，直接进入下一代迭代。而后采用交叉算子为自适应算子，增大遗传算法的搜索空间，交叉算子如下试：其中：fc表示交叉操作两个个体中适应度较大的个体；fmax和favg分别表示当前群组中的最大适应度值和平均适应度值；通过0＜pc1＜pc2＜1两个参数进行交叉程度调整，其中pc∈[6.000,9.000]。另外，由于数据中会存在基因突变，因此为强个体的多样性，降低陷入局部极小值的风险，模拟人类遗传过程中发生的基因突采用下列方法完成基因突变操作：其中：t表示当前遗传的代数；tmax＝100表示预先设置的最大进化代数；表示随机初始化的变异率，且k表示控制变异的参数。最后，损失函数是衡量当前遗传代数优化程度的指标，获得最优化的多模态融合核函数参数α，β，可以定义由当前α，β形成的多模态SVM对测试样本识别的错误率作为损失函数，优化的目标是通过不断的选择、交叉、基因突变获得最小的错误率基于SVM测试识别错误率的损失函数定义为：其中：T表示需要被分类的总故障数；t表示被正确分类的故障数。通过该损失函数即可找出最优化目标。(4)采用SVM分类器，对轴承故障信号进行诊断测试。得到多模态融合核函数后，将支持向量机训练的二次规划问题转化，通过Largrange乘子法求解最优化问题，并使用KKT条件求解优化问题，得出核函数条件下非线性SVM分类面为其中K(xi,xj)表示核函数，通过核函数的变换使故障检测过程中的微弱特征变得更清晰，分类结果更加准确。2.轴承端面故障检测利用机器视觉技术对采集到的图像进行滤波处理，并运用Canny算子完成边缘检测，通过Otsu算法计算出圆环区域的最佳阈值，实现缺陷分割，最终获得轴承内部表面的故障检测。(1)对轴承端面进行图像采集滤波。在图像处理之前，由于采集到的图像可能存在噪声或者特征不明显等问题，因此本专利技术采用3*3的函数窗对原始图像进行中值滤波处理，对图像处理得到的图像进行滤波。(2)采用Canny算子来完成边缘检测工作。其中Canny算子的高阈值记为α，低阈值记为β。对于Canny算子的高低阈值比，本专利技术中，取β＝0.4α。(3)采用最小二乘圆拟合的方法对检测到的离散边缘点进行圆拟合。方法为：设P(xi,yi)为轮廓点，LRi为P(xi,yi)到拟合圆的距离，经过公式推导，得到拟合圆环ROI区域。(4)采用Otsu法，基于圆环区域得到的阈值，完成故障分割。附图说明图1为轴承故障检测的系统流程图；图2为轴承内部进行故障检测算法流程图；图3为轴承端面故障检测算法流程图。具体实施方式为完成轴承故障检测，下面结合附图对本专利技术进行具体实施方式的描述。本专利技术是一种结合遗传算法优化参数和机器视觉的轴承内部及端面故障检测算法，图1为其系统检测流程图。该算法系统首先对轴承内部进行故障检测，方法如下：首先以振动信号小波包分解后各子频带的能量作为故障检测特征，得到小波包分解系数其中d为小波包分解层数，k为信号子频带的数量。对小波包分解系数重构，则总信号可以表示为因此获取各子频带信号能量E,对特征向量E进行归一化处理，即可以得到特征向量小波包能量谱。在得到特征向量后，将特征向量通过融合核函数变换使故障检测过程中的微弱特征变得更清晰。将线性核函数与径向基核函数融合，采用多模态融合核方法：Kmin＝αKLINE+βKRBF。其中：KLINE表示线性核函数，是局部核函数；KRBF表示径向基核函数，是全局核函数。在支持向量机(SVM)训练过程中采用遗传算法(GA)优化多模态融合参数α，β，经过基因编码，选择操作，交叉操作，基因突变操作以及损失函数和迭代次数处理等操作后得到权重参数。获得最优参数后，即可构建出SVM分类器，将二次规划问题则转化为：ξi≥0,i＝1,2,…,n,进而通过Largrange乘子法求解寻找一个最优的分类面，得出核函数条件下非线性SVM分类面为相较于之前最优的分类面，w*x+b＝0，使得特征集合尽可能大的分离开，从而对轴承故障信号进行诊断测试，完成轴承故障的检测。完成内部检测后，该系统再轴承进行端面故障检测，方法如下：首先对轴承端面的图像采集并进行处理，实现轴承端面缺陷检测。而轴承本文档来自技高网...

【技术保护点】
1.一种结合遗传算法优化参数和机器视觉的轴承内部及端面故障检测算法，其特征在于：包括轴承内部故障检测以及轴承端面故障检测。

【技术特征摘要】
1.一种结合遗传算法优化参数和机器视觉的轴承内部及端面故障检测算法，其特征在于：包括轴承内部故障检测以及轴承端面故障检测。2.根据权利要求1所述的一种结合遗传算法优化参数和机器视觉的轴承内部及端面故障检测算法，其特征在于：在轴承内部故障检测上，通过分解小波包，以振动信号小波包分解后各子频带的能量作为轴承内部故障检测特征。3.根据权利要求1所述的一种结合遗传算法优化参数和机器视觉的轴承内部及端面故障检测算法，其特征在于：在轴承端面故障检测上，对轴承端面进行图像采集，利用机器视觉技术采用中值滤波法对采集到的图像进行滤波处理。4.根据权利要求2所述的一种结合遗传算法优化参数和机器视觉的轴承内部及端面故障检测算法，其特征在于：在轴承内部故障检测上，在得到特征值后，将特征值通过融合核函数变换，采用权重α，β融合线性核函数与径向基核函数，得到融合核函数Kmin＝αKLINE+βKRBF。5.根据权利要求3所述的一种结合遗传算法优化参数和机器视觉的轴承内部及端面故障...

【专利技术属性】
技术研发人员：陈亮，徐玮鑫，金尚忠，张淑琴，徐时清，刘泽森，孟庆阳，华静，谷振寰，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：浙江,33