CN105181110A - 一种基于sift-kpca和svm的滚动轴承故障诊断方法 - Google Patents

Abstract

本发明提供了一种基于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。

Description

一种基于SIFT-KPCA和SVM的滚动轴承故障诊断方法

技术领域

本发明涉及滚动轴承故障诊断的技术领域，具体涉及一种基于SIFT-KPCA和SVM的滚动轴承故障诊断方法。

背景技术

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。本发明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。本发明中，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，本发明将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，因此本发明应用奇异值分解(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，本发明采用SVM方法来实现滚动轴承的故障诊断。

发明内容

本发明的目的在于：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。

本发明采用的技术方案为：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。

本发明与现有技术相比的优点在于：

(1)、本发明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)、本发明采用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)本发明采用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为本发明一种基于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,σ)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发明。

如图1所示为本发明一种基于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。本发明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：

1.1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M×N的矩阵。本发明中将每个样本的归一化振幅作为图像的像素值，则M×N矩阵就转换为M×N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。在本发明中，选择M和N为256×256。

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为了模拟图像数据多尺度特征。2004年Lowe提出了高斯差分算子(DifferenceofGaussian,DoG)。图像的DoG尺度空间可以由相邻的高斯核卷积图像后做差得到：

$D(x,y,\mathrm{\σ})=\left(G\right(x,y,k\mathrm{\σ})-G(x,y,\mathrm{\σ}\left)\right)\⊗f(x,y)=L(x,y,k\mathrm{\σ})-L(x,y,\mathrm{\σ})$

在该公式中，D(x,y,σ)是图像的高斯差分，L(x,y,σ)是尺度空间的尺度表示，k是用以改变尺度的恒定倍数因子，G(x,y,σ)是使图像平滑的高斯滤波器，σ被定义为滤波器的宽度。通过搜索局部极值点可以识别潜在的对于尺度和旋转不变的兴趣点。构建D(x,y,σ)的有效方法如图3所示。

步骤2：局部空间极值点检测。为了在构建好的DoG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(对噪声敏感)和不稳定的边缘响应点(由高斯差分函数的边缘响应造成)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，因此，可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。通过以上步骤便完成了对图像所有关键点的检测，并且每个关键点均包含有位置、方向和尺度信息，也同时具备平移、旋转和缩放不变性。

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。Lowe建议描述子使用在关键点尺度空间内4×4的窗口中计算的8个方向的梯度信息。因此，每个关键点描述子都包括一个4×4×8＝128维的特征向量。描述子向量对于旋转、缩放和照明变化都是保持不变的。

SIFT算法通常从图像提取到数目庞大的特征，因此巨大的计算消耗限制了其在故障诊断中的应用。为解决这一问题，需要一个降维方法来减少计算量。虽然PCA能够从高维数据集提取出本质结构，但PCA作为一个线性方法并不能提取出数据集的非线性结构。核PCA是PCA的扩展非线性形式，它可以计算非线性映射到高维特征空间的数据集的主成分。因此，本发明利用KPCA来降低SIFT特征向量的维数。降维完成后，利用SVD方法计算奇异值，得到最终的特征向量。至此，特征提取过程完成。

1.3SVM训练和分类

特征提取完成以后，训练SVM分类器实现故障分类。SVM方法属于有监督学习算法，它能够利用简单的线性算法来处理复杂的非线性问题。SVM的输入样本是滚动轴承在正常条件、内环故障、外环故障和滚动体故障条件下提取到的特征向量，这些特征向量分别被标记为1、2、3、4。然后，训练一个4分类的SVM分类器用于故障分类。

对于测试振动信号，首先执行SIFT-KPCA算法进行特征提取并得到最终的特征向量，然后，用训练好的SVM分类器对包含奇异值的特征向量进行分类，通过比较预测标签和训练标签，计算出分类准确度。

2、实验结果如下：

2.1实验数据

为了验证本发明方法的有效性，利用凯斯西储大学轴承数据中心的试验台数据集进行证明。试验采用6205-2RS深沟球轴承，得到正常、内环故障、外环故障和滚动体故障四种条件下的数据。对于每种故障条件，振动数据采样频率为12kHZ，并在电机转速为1730、1750、1772和1797r/min四种操作条件下采集得到。本发明选择电机转速为1797r/min条件下的振动数据来验证。利用宽度为65536的滑窗将每个数据切割为20段，滑窗步长为100，得到80组数据，其中每种条件20组。本发明选择每种条件下的10组数据，共40组数据进行训练，其余的被用于测试。

2.2振动信号的图像变换

为了应用本发明所提的图像处理算法，将振动信号转换为二维图像。首先，对振动信号进行小波降噪以减小特征提取的噪声干扰；其次，将振动信号每个样本的振幅归一化为0-1之间的双精度数据。之后，如图2所示构建得相应图像。四个故障条件下的每组数据都包括65535个数据点，构成256×256的图像。如图4所示为四种故障条件下振动信号的波形和变换得到的图像。

2.3基于SIFT-KPCA和SVD的特征提取

在该部分，首先构造图像的DoG尺度空间。图5所示为内环故障条件下，振动信号变换为图像后构建的高斯差分尺度空间示例，其中o是尺度空间的组数，s是组内层数，sigma是尺度空间坐标。然后在不同的高斯差分尺度空间内检测关键点。图6所示为在构建的尺度空间内，相应关键点的检测结果。通过SIFT方法共检测得到503个关键点。由于每个关键点描述子包括一个128维的特征向量，则SIFT算法得到的是一个503×128的特征矩阵。

考虑到高维特征矩阵会导致巨大的计算消耗，故使用KPCA方法来降低特征矩阵的维数。在本发明中，利用KPCA将每个关键点描述子降维成3维特征向量，因此503×128的特征矩阵被降维为503×3的特征矩阵。此后，采用SVD方法提取特征向量的奇异值作为最终的特征向量。因此，内环故障条件下，从10组数据中可提取得到一个3×10的特征向量，用于SVM分类器训练。近似的可得到正常条件、外环故障和滚动体故障条件下的特征。表1中列出了利用SIFT-KPCA和SVD提取出的四种工况条件下的故障特征。图7所示为四种工况条件下故障特征的散点图。

表1四种工况条件下利用SIFT-KPCA和SVD提取到的特征值

2.4基于SVM的故障分类

特征提取完成后，利用表1中的特征向量训练SVM分类器。设置训练数据标签为1、2、3、4，分别代表正常、内环故障、外环故障和滚动体故障。

为了验证本发明所提故障诊断方法的有效性，采用每种条件下的另外10组数据进行测试。首先用上文提出的SIFT-KPCA和SVD方法对这部分数据进行特征提取，然后把提取得的特征向量输入训练好的SVM分类器进行状态识别。结果表明轴承的测试数据集识别正确率为100％。表2给出了部分诊断结果。

表2基于SVM分类器的部分诊断结果

本发明的主要贡献在于提出了基于SIFT-KPCA和SVM的滚动轴承故障诊断方法。不同于传统的故障检测和诊断方法，该方法不是直接在一维域内提取振动信号的特征，而是利用图像变换技术将振动信号变换成二维图像，然后针对二维图像，利用SIFT算法提取振动信号的局部特征。由于SIFT算法提取的特征通常是高维的，因此利用KPCA算法进行特征降维。然后，利用SVD方法提取降维后特征矩阵的奇异值作为最终用于分类的特征向量。最后，训练SVM分类器来识别滚动轴承的故障状态。实验结果表明该方法有很高的分类精度，证明了该方法的有效性。

Claims (2)

1.一种基于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。

2.根据权利要求1所述的一种基于SIFT-KPCA和SVM的滚动轴承故障诊断方法，其特征在于：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。