CN115452373B - 一种基于事件相机的滚动轴承故障诊断方法 - Google Patents

Abstract

一种基于事件相机的滚动轴承故障诊断方法，首先利用事件相机获取滚动轴承在不同健康状态下的视觉事件信号；其次根据视觉事件的极性进行事件的划分和构建事件表征数据集；再次构建智能诊断模型自动获取监测样本的深层故障特征，在训练迭代时同时对与输入样本进行数据增强和表征聚类；最后利用构建的聚类损失函数以及交叉熵损失函数，迭代优化智能诊断模型的目标函数；本发明所构建的智能诊断模型考虑到视觉事件流数据的特殊性，对于视觉事件流数据进行重构，可以直接利用事件相机记录的数据完成滚动轴承的健康状态识别，实现了非接触式的滚动轴承健康状态采集同时完成新型事件流信号的诊断识别，从而实现基于事件相机的滚动轴承故障诊断。

Description

一种基于事件相机的滚动轴承故障诊断方法

技术领域

本发明属于滚动轴承故障诊断技术领域，具体涉及一种基于事件相机的滚动轴承故障诊断方法。

背景技术

滚动轴承作为轴上各零件的支撑件，是各种复杂机械设备上不可缺少的关键部件之一。然而滚动轴承在高温高压的环境下长时间工作时，容易发生内圈、外圈等部件的严重损坏，造成轴承性能的退化，从而影响机械设备的正常运行甚至危及操作人员的生命安全，因此监测和诊断滚动轴承的健康状态尤为重要。

在工程问题中，由于设备内部组件的故障常常引起设备表面的异常振动，通常利用设备表面的振动信号来反映设备的健康状态。加速度信号是振动信号中最为广泛使用的信号类型之一，利用接触式振动传感器对加速度信号进行采集是目前最流行的方法，然而这种数据采集方法在实际操作中，由于接触式振动传感器的安装需要满足一定的空间而受到限制，同时接触式振动传感器的安装还可能影响和改变轴承自身的结构；因此在很多工业场景中接触式振动传感器不能很好地应用于滚动轴承振动信号采集。

非接触式传感器可以实现在和机械设备不发生接触的同时采集振动数据，弥补了接触式传感器的局限性。目前非接触式振动传感器主要包括以下2种：激光测振仪和涡流传感器；其中激光测振仪经济成本较高，对于测试设备的工作环境和安装要求极其严格；涡流传感器只能用于金属材料的振动监测，同时传感器工作时需要和测试材料保持较小的间隙。

因此，现有的非接触式振动传感器难以广泛并高效地应用在滚动轴承故障诊断工程问题中。

发明内容

为了克服上述现有技术的缺陷，本发明的目的在于提出一种基于事件相机的滚动轴承故障诊断方法，非接触式监测滚动轴承的健康状态，利用事件相机采集的数据进行轴承的智能故障诊断，提高非接触式振动传感器在机械设备的健康状态监测方面的可适用性。

为达到上述目的，本发明采取的技术方案为：

一种基于事件相机的滚动轴承故障诊断方法，包括以下步骤：

步骤1：利用事件相机获取滚动轴承的一系列时间连续的视觉事件数据其中，e_i表示第i个视觉事件数据，n_e为使用事件相机记录数据的时间段t_e内记录的视觉事件总数；事件e_i包括四个元素的向量e_i＝[x,y,t,p],为事件相机上位于[x,y]位置处的像素点在t时刻的事件，p为该事件的极性，由该位置的像素点的亮度变化决定：像素点亮度增加时p取值+1，事件为正极性；像素点亮度减少时p取值-1，事件为负极性；

步骤2：根据视觉事件的极性构建二维事件表征，对步骤1中采集的视觉事件数据进行重构：

式中，r_i表示构建的第i个事件表征，由和/>两个通道构成，/>通道中为正极性事件样本的累加，/>为负极性事件样本的累加，每个事件样本大小为N_x×N_y的二维数据，并且是由时间序列中相同数量的事件构成；

步骤3：构建事件训练集将步骤2中构建的二维事件表征构建成训练数据集，h_i表示r_i事件表征对应的轴承健康状态标签，n_train表示训练样本的总数；

步骤4：对步骤3中构建的事件训练集进行采样得到原始事件样本，对原始事件样本进行数据增强，获得增强事件样本利用设置的事件数量阈值n_thre对于事件训练集中的二维事件样本进行区域筛选，任意一个二维事件样本r_i中的/>和/>通道里像素数量大于或等于n_thre时该样本属于事件密集区域；对于事件密集区域内的二维事件样本增加高斯噪声，即：

G～N(0,1)

式中,N(0,1)表示标准高斯分布，α_noise表示比例系数，int()表示数值取整，和表示增加了高斯噪声的通道；

步骤5：将步骤4将采样得到的原始事件样本和经过数据增强得到的增强事件样本送入初始智能诊断模型，获得高级特征表征集合；

步骤6：对初始智能诊断模型进行优化，利用步骤5中获得的高级特征表征集合进行表征聚类，最小化模型学习到的相同健康状态的样本特征中间的相互距离，将相同健康状态的样本进一步聚类：

式中，L_cluster表示构建的聚类损失函数，N_c表示滚动轴承健康状态的种类数目，表示模型高层中学习到的第i类健康状态的样本的特征表征，包括原始事件样本和增强事件样本，/>表示/>中的第i个样本，/>表示/>中特征表征的均值向量，n_i,aug表示/>中样本的数量；

步骤7：利用步骤6中得到的聚类损失函数L_cluster计算总的优化目标损失函数L_total，以此来优化跟新模型参数θ：

L_total＝L_s+βL_cluster

式中，η表示学习率，L_s为交叉熵损失函数，β表示惩罚因子；

步骤8：重复执行步骤4-步骤7迭代优化智能诊断模型，获得最终智能诊断模型；

步骤9：将未标记的事件表征数据集输入至训练好的最终智能诊断模型中，输出所对应的健康状态即为预测健康状态。

所述的步骤5具体为：

5.1)对于输入的原始事件样本和增强事件样本进行特征提取，依次为卷积层、线性整流函数激活层和最大池化层；

5.2)神经网络提取的特征利用平铺层平铺为一维向量，再经过全连接层降维，最后经过Softmax函数输出分类结果。

本发明的有益效果为：

本发明提出了一种基于事件相机的滚动轴承故障诊断方法，利用事件相机实现了滚动轴承振动信息的非接触式高精度采集，并基于事件视觉数据完成了故障诊断，克服了当前广泛使用的接触式振动传感器在滚动轴承安装、测试中的应用限制；与现有非接触式振动传感器相比，本发明所采用的设备经济成本低，诊断精度高，应用条件宽泛，更适合于工程使用。

附图说明

图1为本发明的流程图。

图2为本发明智能诊断模型优化示意图。

具体实施方式

下面结合实施例和附图对本发明做进一步详细描述。

参照图1，一种基于事件相机的滚动轴承故障诊断方法，包括以下步骤：

步骤1：利用事件相机获取滚动轴承的一系列时间连续的视觉事件数据其中，e_i表示第i个视觉事件数据，n_e为使用事件相机记录数据的时间段t_e内记录的视觉事件总数；事件e_i包括四个元素的向量e_i＝[x,y,t,p],为事件相机上位于[x,y]位置处的像素点在t时刻的事件，p为该事件的极性，由该位置的像素点的亮度变化决定：像素点亮度增加时p取值+1，事件为正极性；像素点亮度减少时p取值-1，事件为负极性；

步骤2：根据视觉事件的极性构建二维事件表征，对步骤1中采集的视觉事件数据进行重构：

式中，r_i表示构建的第i个事件表征，由和/>两个通道构成，/>通道中为正极性事件样本的累加，/>为负极性事件样本的累加，每个事件样本大小为N_x×N_y的二维数据，并且是由时间序列中相同数量的事件构成；

步骤3：构建事件训练集将步骤2中构建的二维事件表征构建成训练数据集，h_i表示r_i事件表征对应的轴承健康状态标签，n_train表示训练样本的总数；

步骤4：对步骤3中构建的事件训练集进行采样得到原始事件样本，同时对原始事件样本进行数据增强，获得增强事件样本利用设置的事件数量阈值n_thre对于事件训练集中的二维事件样本进行区域筛选，任意一个二维事件样本r_i中的/>和/>通道里像素数量大于或等于n_thre时该样本属于事件密集区域；对于事件密集区域内的二维事件样本增加高斯噪声，即：

G～N(0,1)

式中,N(0,1)表示标准高斯分布，α_noise表示比例系数，int()表示数值取整，和表示增加了高斯噪声的通道；

步骤5：将步骤4将采样得到的原始事件样本和经过数据增强得到的增强事件样本送入初始智能诊断模型，获得高级特征表征集合；具体为：

5.1)对于输入的原始事件样本和增强事件样本进行特征提取，依次为卷积层、线性整流函数激活层和最大池化层；

5.2)神经网络提取的特征利用平铺层平铺为一维向量，再经过全连接层降维，最后经过Softmax函数输出分类结果；

步骤6：对初始智能诊断模型进行优化，利用步骤5中获得的高级特征表征集合进行表征聚类，最小化模型学习到的相同健康状态的样本特征中间的相互距离，将相同健康状态的样本进一步聚类：

式中，L_cluster表示构建的聚类损失函数，N_c表示滚动轴承健康状态的种类数目，表示模型高层中学习到的第i类健康状态的样本的特征表征，包括原始事件样本和增强事件样本，/>表示/>中的第i个样本，/>表示/>中特征表征的均值向量，n_i,aug表示/>中样本的数量；

步骤7：如图2所示，利用步骤6中得到的聚类损失函数L_cluster计算总的优化目标损失函数L_total，以此来优化跟新模型参数θ：

L_total＝L_s+βL_cluster

式中，η表示学习率，L_s为分类损失函数，β表示惩罚因子；

步骤8：重复执行步骤4-步骤7迭代优化智能诊断模型，获得最终智能诊断模型；

步骤9：将未标记的事件表征数据集输入至训练好的最终智能诊断模型中，输出所对应的健康状态即为预测健康状态。

实施例：以机械设备中的滚动轴承为案例，基于滚动轴承实验数据，对本发明方法的有效性进行验证。

使用的事件相机型号为璞飞思(Prophesee)3.1版本事件相机，具体参数如表1所示。采集的滚动轴承包括四中轴承健康状态：正常、内圈故障、滚动体故障和外圈故障；滚动轴承的工况包括1200r/min、1800r/min和2400r/min三种。利用事件相机对于三种工况下不同的健康状态的轴承进行信号采集，将事件相机输出的事件流信号进行重构，构建的二维事件表征数据集如表2所示；

表1事件相机参数

表2二维事件表征数据集

利用表2所示的二维事件表征数据集输入智能诊断模型，诊断模型在每一次迭代训练对于表征数据集进行采样时，获得原始事件样本同时根据设定的事件阈值进行数据增强获得增强事件样本。将获得的增强事件样本和原始事件样本一起送入智能诊断模型进行特征提取和分类，然后利用初始智能诊断模型获得的高级表征进行表征聚类，计算构建的聚类损失函数。利用得到的聚类损失函数和常见的交叉熵损失函数来优化目标函数，通过不断的训练迭代完成对于智能诊断模型的优化，当模型完成对于训练集的训练迭代后获得最终智能诊断模型，将不带标签的事件表征测试集输入训练好的智能诊断模型中获得滚动轴承的分类结果。智能诊断模型中设置的超参数如表3所示：

表3智能诊断模型参数设置

为了减少实验的随机性，重复实验5次，计算诊断结果的统计值，实验结果如表4所示，本发明利用事件相机在三种工况下的滚动轴承上获得了事件流样本，在对应工况的样本上分别获得了96.0％，96.1％和98.4％的诊断精度，说明本发明的诊断准确率高，验证了本发明实现了利用事件相机进行滚动轴承非接触式数据采集和智能诊断的可行性。

选取两种诊断方法对比本发明的诊断效果，方法1为未采用数据增强方法，在事件表征数据训练模型时未对其进行事件密集区域筛选和高斯增噪操作；如表4所示，该方法在三种工况下的诊断精度为91.2％，91.9％和93.2％，诊断效果低于本发明方法；方法2与提出方法使用相同框架，但未使用聚类方法，如表4所示，该方法三种工况的诊断精度分别为93.2％，93.4％和96.1％，均低于本发明方法。

表4不同方法的诊断结果对比

通过对比本发明方法与方法1、方法2的诊断效果，表明本发明可准确、灵活地实现基于事件相机的滚动轴承智能故障诊断，实现对于滚动轴承健康状态非接触式监测。

Claims (2)

1.一种基于事件相机的滚动轴承故障诊断方法，其特征在于，包括以下步骤：

步骤1：利用事件相机获取滚动轴承的一系列时间连续的视觉事件数据其中，e_i表示第i个视觉事件数据，n_e为使用事件相机记录数据的时间段t_e内记录的视觉事件总数；事件e_i包括四个元素的向量e_i＝[x,y,t,p],为事件相机上位于[x,y]位置处的像素点在t时刻的事件，p为该事件的极性，由该位置的像素点的亮度变化决定：像素点亮度增加时p取值+1，事件为正极性；像素点亮度减少时p取值-1，事件为负极性；

步骤2：根据视觉事件的极性构建二维事件表征，对步骤1中采集的视觉事件数据进行重构：

式中，r_i表示构建的第i个事件表征，由r_i ⁺和r_i ^-两个通道构成，r_i ⁺通道中为正极性事件样本的累加，r_i ^-为负极性事件样本的累加，每个事件样本大小为N_x×N_y的二维数据，并且是由时间序列中相同数量的事件构成；

步骤3：构建事件训练集将步骤2中构建的二维事件表征构建成训练数据集，h_i表示r_i事件表征对应的轴承健康状态标签，n_train表示训练样本的总数；

步骤4：对步骤3中构建的事件训练集进行采样得到原始事件样本，对原始事件样本进行数据增强，获得增强事件样本利用设置的事件数量阈值n_thre对于事件训练集中的二维事件样本进行区域筛选，任意一个二维事件样本r_i中的r_i ⁺和r_i ^-通道里像素数量大于或等于n_thre时该样本属于事件密集区域；对于事件密集区域内的二维事件样本增加高斯噪声，即：

G～N(0,1)

式中,N(0,1)表示标准高斯分布，α_noise表示比例系数，int()表示数值取整，和/>表示增加了高斯噪声的通道；

步骤5：将步骤4将采样得到的原始事件样本和经过数据增强得到的增强事件样本送入初始智能诊断模型，获得高级特征表征集合；

步骤6：对初始智能诊断模型进行优化，利用步骤5中获得的高级特征表征集合进行表征聚类，最小化模型学习到的相同健康状态的样本特征中间的相互距离，将相同健康状态的样本进一步聚类：

式中，L_cluster表示构建的聚类损失函数，N_c表示滚动轴承健康状态的种类数目，表示模型高层中学习到的第i类健康状态的样本的特征表征，包括原始事件样本和增强事件样本，/>表示/>中的第i个样本，/>表示/>中特征表征的均值向量，n_i,aug表示/>中样本的数量；

步骤7：利用步骤6中得到的聚类损失函数L_cluster计算总的优化目标损失函数L_total，以此来优化跟新模型参数θ：

L_total＝L_s+βL_cluster

式中，η表示学习率，L_s为交叉熵损失函数，β表示惩罚因子；

步骤8：重复执行步骤4-步骤7迭代优化智能诊断模型，获得最终智能诊断模型；

步骤9：将未标记的事件表征数据集输入至训练好的最终智能诊断模型中，输出所对应的健康状态即为预测健康状态。

2.根据权利要求1所述的方法，其特征在于，所述的步骤5具体为：

5.1)对于输入的原始事件样本和增强事件样本进行特征提取，依次为卷积层、线性整流函数激活层和最大池化层；

5.2)神经网络提取的特征利用平铺层平铺为一维向量，再经过全连接层降维，最后经过Softmax函数输出分类结果。