[发明专利]结合遗传算法优化参数和机器视觉的轴承故障检测算法

说明书

本发明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。

技术领域

本发明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领域。

背景技术

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。

发明内容

针对现有技术中存在的上述问题，本发明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。该发明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u_n(t)满足双尺度方程如下：

其中：h_m、g_m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：x_km(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K_min＝αK_LINE+βK_RBF处理特征向量小波包能量谱，即故障特征值。其中：K_LINE表示线性核函数，是局部核函数；K_RBF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：