[发明专利]基于反卷积成像的电主轴故障诊断方法和装置

权利要求书

1.基于反卷积成像的电主轴故障诊断方法，其特征在于，包括：

(1)通过麦克风阵列测量电主轴在不同正常状态下声场信息建立正常样本库，测量电主轴在不同故障状态下声场信息建立故障样本库，作为状态学习样本；

(2)利用波束形成算法对所述状态学习样本进行源像重构矩阵；

(3)利用反卷积算法对声源面进行处理，确定噪声源具体所在位置；

(4)根据声场的声压确定声源面重构矩阵的灰度等级，得到对应的声像灰度图；

(5)结合声源面重构矩阵提取的奇异值特征和声像灰度图提取的灰度共生矩阵的纹理特征，输入卷积神经网络进行训练分类，得到最佳的识别特征和分类器参数，从而得到该故障诊断模型。

2.根据权利要求1所述的电主轴故障诊断方法，其特征在于，在步骤(1)中，麦克风阵列传感器放置应与电主轴所在竖直平面平行。

3.根据权利要求1所述的电主轴故障诊断方法，其特征在于，在步骤(2)中，每一个源像重构矩阵应分别对应一个样本。

4.根据权利要求1所述的电主轴故障诊断方法，其特征在于，在步骤(3)中，还分离噪声源，并使单个声源主瓣半径r≤5mm，并引入高斯规则化滤波函数Ψ，

k_x,k_y分别为x,y方向的波数，k_c＝hπ/Δ为滤波器截断波数，h为常数，取0.5，Δ为聚焦点间隔能够起到抑制高波数噪声，平滑声源分布。

5.根据权利要求1所述的电主轴故障诊断方法，其特征在于，在步骤(4)中，先确定步骤(2)得到样本库中样本声压幅值和频率的变化范围，然后对样本库中的所有样本进行统一灰度级划分；灰度共生矩阵基于声像灰度级进行计算。

6.根据权利要求1所述的电主轴故障诊断方法，其特征在于，步骤(5)中，根据步骤(4)中获得的声像灰度图计算灰度共生矩阵纹理统计特征，分别计算0°、45°、90°、和135°四个方向的特征向量，并选取距离d为1，灰度级L为8、16、32、64和128时的图像纹理统计特征输入卷积神经网络进行训练分类。

7.根据权利要求1-6中任意一项所述的电主轴故障诊断方法，其特征在于，所述的电主轴故障诊断方法的网络结构采用多层前馈神经网络搭载误差逆传播算法，将实际输出跟理想输出做对比使得误差函数最小，得到最优的网络结构和识别参数，从而得到所述故障诊断模型。

8.基于反卷积成像的电主轴故障诊断装置，其特征在于，包括麦克风阵列传感器、数据采集装置和阵列支架，所述数据采集装置中存储有被处理器执行时实现如上权利要求1-7中任一项所述的电主轴故障诊断方法的计算机程序。

9.根据权利要求8所述的电主轴故障诊断装置，其特征在于，麦克风阵列支架所在平面与电主轴所在平面分布相距0.9m、1.5m和2.1m，用64个麦克风阵列传感器以圆形排列方式固定与阵列支架上，每一个麦克风阵列传感器都配一单独采集通道并与数据采集装置相连接。