文摘

本文的算法基于两个新颖的形状描述符和支持向量机(SVM)提出提高识别精度和速度的轴旋转机器的轨道。首先,两个新颖的形状描述符,分别命名为高度准确的傅里叶函数1 (AFHF1)和高度精确的傅里叶函数2 (AFHF2)提出了基于高度(高频)和傅里叶变换函数。AFHF1和AFHF2形状描述符都是常数相似变换和起点也有内在的不变性改变,比高频压实。因此,他们表现良好的轮廓的全局或局部特征轴轨道。然后,利用AFHF1和AFHF2形状描述符提取的特征轴轨道模拟数据集和测试数据集。将提取的特征向量作为输入,采用支持向量机为了故障类型进行分类根据轴轨道的形状。最后,一系列的描述符包括形状上下文(SC)、inner-distance形状上下文(IDSC),三角形质心的距离(tcd)和高频性能的比较来验证该AFHF1 AFHF2形状描述符。我们的方法在模拟数据集的平均精度和测量数据集都是高于99.83%,每个样本的平均识别时间不超过19毫秒。实验表明,该方法的识别精度和实时最好和抗噪声性能。

1。介绍

旋转机械在工业生产中扮演重要角色1]。一旦发生故障,就可能导致企业遭受巨大的经济损失,甚至是灾难性的事故。因此,旋转机械的状态监测和故障识别具有重要意义,从而提高工作效率和降低维修成本,延长设备的使用寿命2]。

轴轨道(3- - - - - -8)是合成了二维表示轴振动信号(9,10),它提供了一个快照实际转子运动的中心11和包含很多错误信息12]。在过去的十年里,许多研究人员认为轴轨道的识别是模式识别的二维图像,提出了许多方法。

轴轨道识别方法主要包括两个基本步骤:特征提取和分类。在第一个程序,提取的特征可以直接确定的质量鉴定的准确性在轴轨道1]。许多学者已经提出了很多有效的特征提取方法轴轨道,如傅里叶描述符(FD) [13),链代码(14,15),沃尔什描述符(WD) [16),7个改进的不变矩(17),面向的柱状图的梯度(猪)18),分形理论(19),和全面的几何特征(公司治理文化)1]。他们每个人可以提取轴轨道的特点,但也有它的缺点。

傅里叶描述符(13]选择提取特征轴轨道因为它的简化和高效,但敏感的起点和间接敏感相似变换。尽管链代码(14,15)功能较低计算复杂度和局部特征点之间的相关性也保存下来,失去了大量的全球特性。香等人计算的点之间的距离向量和中心轴轨道点和采用沃尔什正交矩阵变换向量的距离(16]。获得了沃尔什描述符具有旋转不变性和尺度不变性,但它经常采用浮点操作,导致复杂的计算。燕等人提出了基于胡七改进的不变矩不变矩提取轴轨道的特性(17]。但是不变矩来表示复杂图形的能力是有限的,因为它的维数特征只有7。保等人应用猪作为底层本地从轴轨道形状描述符提取特征向量18]。但猪是敏感的平移和旋转。常等人提出的分形理论来提取特征轴轨道(19]。尽管维特征提取的分形理论很小,不够识别率不高。陈等人提出了一个综合几何特征的方法1),提取的特征轴轨道从三个不同的方面:结构、地区和边界。虽然它可以达到满意的精度,但其实时性能不够好,萃取时间长于链代码和沃尔什描述符。

近年,高度函数(高频)20.)方法提出了2 d图像提取特征,和相似变换常数。提出了几种改进算法基于高频方法。多尺度拱高度(3)描述21)是移动的方法检索叶图像,基于曲率的k刻度拱高度作为衡量周围的轮廓点。该方法利用拱高度特性而不是高度值叶形状表示。Nanni et al。22]提出的方法基于局部相位量化矩阵描述符来提高性能的形状上下文(SC) [23),inner-distance形状上下文(IDSC) (24),和高频20.]。Shekar和皮拉尔25)提出了一种基于高频组合分类器模型和二维离散余弦变换(2维变换)的形状表示和分类(26]。所有这些方法都是通过与其他算法结合高频。然而,几乎没有工作在提高高频描述符本身的原则。高频算法的原理及其缺陷所示下面的段落。

在图1,让X= {x我}(我= 1,2,…N)表示的序列沿外轮廓等距采样点在给定的形状,和采样点我遵循有序逆时针方向的轮廓。(20.为每个样本点)x我,其切线l我用作参考轴,继承了其轮廓的方向取向。之间的距离jth (j= 1,2,…N)样本点xj和切线l我被定义为高价值H我,我,它为每个样本点计算。点的特征向量xj的形状X是高度值的命令序列: 在哪里 表示的高度值 样本点 根据参考轴 的点 。


图1
样本点的高度函数x 我。

计算每个采样点的特征向量,它们由特征矩阵的形状X根据抽样序列。然后特征矩阵的维数降低 来 通过平滑(20.), (的整数部分N/k)。一行一行地特性矩阵归一化规模不变的形状表示。

然而,有三个明显的高频缺陷形状描述符根据其定义。(1)高频描述符中,参考轴的方向x我就是从x我−1来x我+ 1。因此,线x我−1来x我+ 1被定义为参考线,而不是真正的切线,如图2。图像与一个大型形状轮廓或边缘噪声强、形状特征描述的小误差将大大影响了检索精度,抗噪音的财产,算法的鲁棒性。(2)同样的轮廓,高频描述符是不同的起始点轮廓的形状是不同的。高频形状描述符用于图像匹配时,有必要找到最好的对应点,因此,动态规划(DP)是用来找到最好的对应点之间不同的形状轮廓,这可能会降低检索效率。(3)尽管平滑过程减少高频的尺寸描述符矩阵,它还降低了局部特征描述符的性能,和描述符的维数仍然很高,和高频描述符的密实度不够好。因此,当使用高频描述符,必须改善上面的三个缺陷,以改善其性能。


图2
准确的高度值样本点x 我。

第二个关键程序轴轨道是分类的识别。分类的主要方法,支持向量机(SVM)和神经网络。SVM在精度和实时性能更好的神经网络样本很少,已经成功地应用在许多不同的领域,如故障诊断(15,27]。

本文两个小说描述符叫做傅里叶高度精确的函数(AFHFs)包括高度准确的傅里叶函数1 (AFHF1)和高度精确的傅里叶函数2 (AFHF2)提出了基于高频和傅里叶变换提高准确性,起点不变性和密实度。然后,我们利用AFHFs和支持向量机,轴轨道和一种新的识别方法提出了部分2。实验部分所示3。结论最后一节所示。

2。基于AFHFs轴轨道识别方法和支持向量机

在这一部分中,一种新的识别方法在旋转电机轴轨道的基于改进高频描述符了。首先,AFHFs形状描述符详细介绍。然后,基于AFHFs形状描述符的轨道识别方法和支持向量机(SVM)算法。

2.1。高度精确的傅里叶函数形状描述符

为了减少高频的误差在轮廓形状描述符表示,高频的形状描述符修正通过使用一个精确的轮廓点的高度价值。

如图2,我们画出平行线l我的线l实际轴原始高度函数的参考点x我和集线l我为改善心力衰竭的新轴。因此,高度误差ΔH可以消除原高频和高价值H可以纠正的确切高度值H′。同时,样本点之间的距离x我它自己的轴l我总是0,所以高价值H我,我可以删除。最后,改善高频点的向量xj命名为准确的高度函数(AHF)形状描述符可以表示如下: 在哪里 表示的确切高度值 样本点 。

在我们的方法中,两种改进算法补偿第二和第三个缺陷。在每一行上执行(1)傅里叶变换的AHF形状描述符不是平滑的,和相位信息丢弃得到新的形状描述符高度准确的傅里叶函数1 (AFHF1)。(2)傅里叶变换为每一行执行AHF的平滑的形状描述符,和被丢弃的阶段信息得到新的形状描述符高度准确的傅里叶函数2 (AFHF2)。上面的具体算法将显示在接下来的两个部分。

2.1.1。AFHF1形状描述符

首先,让 表示tth特征矩阵的行AHF形状描述符不是平滑的,t= 1,2,…N−1。的傅里叶变换 是由 在哪里 和 的绝对值 和代表离散傅里叶变换的模量系数 。这是很容易证明的 是不变的起点为给定的形状轮廓(28]。因此,傅里叶变换系数的值是用来描述形状轮廓。为了使生成的形状描述符健壮和紧凑,顺序系数最低 使用, 。所以最终AFHF1形状描述符可以定义如下: 在哪里 ; 。 是离散傅里叶变换系数。

从AFHF1的定义可以看出,它的特性矩阵维度 。的特征矩阵AFHF1比原来的更紧凑的高频矩阵维度的形状描述符 ,在哪里P小于米。

2.1.2。AFHF2形状描述符

AFHF1消除了平滑过程从最初的高频,虽然AFHF2保留高频滤波过程,直接提高它的基础上AHF描述符。通过应用傅里叶变换在每一行的AHF形状描述符和丢弃的相位信息,可以获得一个新的描述符AFHF2。同样,最后AFHF2形状描述符可以定义如下: 在哪里 ; 。 是离散傅里叶变换系数。

从AFHF2形状描述符的定义,不难知道其矩阵维度米×P,低于AFHF1。然而,平滑过程需要多个相邻点的平均高度值,这可能会影响到起点的不变性AFHF2形状描述符。相比原高频形状描述符,起点的选择可能产生较小影响AFHF2形状描述符。

2.1.3。改进傅里叶高度准确的特征函数

改进的矩阵维度AFHF1和AFHF2形状描述符和相关描述符如表所示1,在那里N是轮廓采样点的数目等于128,和inner-distance垃圾箱的数量吗Nd等于8,内角的数量Nθ傅里叶系数的数量等于12日吗P= 16,平滑向量维度米等于20。用于比较的描述符包括IDSC [24),高频(20.),和三角形质心距离(tcd) [28]。

表1
维度的比较不同的描述符的特性矩阵。

如表所示1的特征矩阵的维数,提高AFHF1和AFHF2描述符远低于原来的高频描述符。特别是,AFHF2描述符比高频更紧凑和其他描述符。

原高频描述符相比,轮廓起点AFHF1几乎没有重大影响,AFHF2描述符。为了确定起点的影响的描述符,形状描述符提取的轮廓一个和B可以被定义为 和 ,分别。它们的相似性测量的距离l1。距离越小,越相似。距离的定义如下:

为了估计起点的影响在三个描述符,高频,AFHF1, AFHF2, 100个采样点采样在顺时针方向等距轮廓的隔板轴轨道,如图3。选择不同的点作为起始点,如图3 (b)和3 (c)红点代表每个形状轮廓的采样点,和蓝色的点代表每个形状轮廓的起点。然后特性矩阵对应于高频、AFHF1 AFHF2计算,分别如图3 (d)- - - - - -3(我)。当起点不同,高频特性矩阵变化极大,但AFHF1和AFHF2描述矩阵几乎不变。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
(g)
(g)
(h)
(h)
(我)
(我)
图3
比较高频、AFHF1 AFHF2描述符从不同的起点。(一)隔板轴轨道;(b)的形状轮廓1(一);(c)的形状轮廓2(一个);(d) (b)的高频形状描述符;(e)高频形状描述符(c);(f) AFHF1形状描述符(b);(g) AFHF1形状描述符(c);(h) AFHF2形状描述符(b);(我)AFHF2形状描述符(c)。

为了描述起点的影响在上述三个形状描述符定量、三组特征矩阵的相似性计算单独使用方程(6)。两个高频特性矩阵图之间的相似度3 (d)和3 (e)是0.5348,两个AFHF1特征之间的相似性矩阵数据3 (f)和3 (g)是7.0968×10−16,两个AFHF2特征之间的相似性矩阵数据3 (h)和3(我)是7.5922×10−16。结果表明,起点对高频形状描述符有很大的影响,虽然它对AFHF1几乎没有影响,AFHF2形状描述符。此外,起点影响AFHF1略低于AFHF2,这是由于AFHF2平滑过程。

2.2。基于AFHFs轴轨道识别方法

自起点几乎没有影响AFHF1和AFHF2形状描述符,没有必要使用DP方法,这是由原高频形状描述符获取匹配结果。的支持向量机分类算法基于统计学习理论,采用的分类器。支持向量机解决少量的样品中有独特的优势:非线性和高维分类和识别。

支持向量机分类器最重要的选择合适的核函数及其参数δ和最优惩罚因子c。不同核函数的支持向量机用于测试轴轨道数据集,和实验结果表明,线性核函数的识别率要高于其他人。由于线性核函数需要设置一些参数具体来说,和功能矩阵的维数很高,采用线性核函数。

结合了该节AFHF1和AFHF2描述符2.1轴轨道识别方法,提出了旋转机械故障诊断基于AFHF1 AFHF2和支持向量机。具体的过程如图4。


图4
基于AFHFs轴轨道的过程识别方法和支持向量机。

3所示。实验和分析轴轨道识别

3.1。仿真实验和分析数据
3.1.1。模拟轴轨道数据集

使用MATLAB软件,模拟轴轨道按照下列方程(6)。 在哪里 , 和 , 分别是第一和第二频率成分, 是角速度, 和 代表的初始位置x和y,分别。断层和图形之间的对应关系如表所示2(16,29日]。此外,隔板轴轨道对应于石油旋转(29日),增加轴的类型轨道,增加了识别的难度比许多研究[1- - - - - -3,13- - - - - -19]。虽然香蕉状态和外“8”轴轨道对应偏差的缺点,它们对应于不同的偏差故障的严重程度(30.]。当轴的失调的严重程度小,轴轨道是一个椭圆。但椭圆的短轴轴轨道会逐渐变短故障的严重程度增加时,当故障增加在某种程度上,轴将成为外“8”的形状。

表2
轴轨道形状不同的缺点。

200轴轨道的图像是由MATLAB模拟每种故障类型,其中100图像是培训和其余100图像进行测试。轴的典型样本轨道数据集在图所示5。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
图5
模拟轴的典型样本轨道数据集。(一)香蕉状态;(b)隔板;(c)内“8”;(d)外“8”;(e)椭圆。
3.1.2。特征提取和识别的模拟轴轨道数据集

首先,一系列的描述符包括SC、IDSC,浴室,高频性能的比较来验证该AFHF1 AFHF2形状描述符。其次,为了说明支持向量机的优势,与BP神经网络相比。

所有算法选择100特征点作为样本。SC、IDSC tcd、高频、AFHF1和AFHF2形状描述符用于提取轴轨道的特点,分别。和参数PAFHF1和AFHF2设置为16的实验。平滑向量维度米AFHF2设置为19。然后一半的每个形状描述符提取特征矢量随机选择训练样本,和其他被选中作为测试样本。使用训练样本来训练支持向量机和BP神经网络,和测试样本用于测试训练支持向量机和BP神经网络用于验证各算法的性能。实验流程图如图6。


图6
实验流程图。

支持向量机的参数设置如下:选择“线性核函数”和其他参数的默认值。BP神经网络在MATLAB工具箱的参数设置如下:被设置为1000,目标误差设置为0.0001,隐层的节点数量设置为15,年代类型函数选择“logsig”激发函数,并采用线性函数“Purelin”作为输出层激发函数。

模拟轴轨道数据集的实验结果如表所示3和4,支持向量机和神经网络作为分类器,分别。所有算法的准确性比较直观地显示在图7。所有实验的条件都是一样的。

表3
实验结果对模拟轴由支持向量机轨道数据集。
表4
实验结果对模拟轴轨道由BP神经网络数据集。

图7
精度的比较不同算法对模拟轴轨道。

从形状的角度描述符,使用AFHF1算法的精度和AFHF2形状描述符是高于99.57%,但最高精度的算法使用其他形状描述符是98.03%。

从分类的角度,使用支持向量机作为分类器算法的性能略优于使用BP神经网络作为分类器在精度和实时AFHF1和AFHF2形状描述符是用来提取特征的实验模拟轴轨道识别。因此,该方法具有最佳性能,确定其平均时间轴轨道小于19毫秒,平均精度高于99.88%。

3.2。实验和分析实测数据

为了验证该算法的性能,一个转子试验台是用来产生不同的缺点,并使用了相同的方法,采用仿真实验的对比。测量轴轨道上创建的数据库的轴承转子试验台如图8。转子试验台由转子表、传感器、直流电机控制器、信号采集卡,和分析软件。不同国家实验转子试验台,进行了200轴轨道被收集在每一个国家,100个样本随机抽取了每种类型作为训练样本,剩下的100个样本作为测试样本。


图8
轴承转子试验台的结构。

如图9(一个),最初的测量轴轨道有很大噪音,所以轴轨道的特点不能直接提取和图像必须预处理。本文中使用的预处理方法包括两个步骤,小波滤波和二值化。图9 (b)显示了一个轴轨道预处理后图像。相同的处理是应用于不同类型的轴轨道,然后这些图像的特征提取和分类。和实验结果的测量轴轨道数据如表所示5和6,支持向量机和神经网络作为分类器,分别。

(一)
(一)
(b)
(b)
图9
测量轴轨道。(一)原始轴轨道。(b)轴预处理后的轨道。
表5
实验结果对实测轴由支持向量机轨道数据集。
表6
实验结果对实测轴轨道由BP神经网络数据集。

通过比较实验结果对模拟轴轨道和实际测量轴轨道表3- - - - - -6识别的精度,测量轴轨道低于模拟轴轨道用相同的算法。这是因为模拟轴轨道是无声的。然而,减少算法的精度使用AFHF1和AFHF2形状描述符很小,不超过0.3%,使用其他形状描述符和精度的算法大大下降,从0.7%到3.3%不等。它表明AFHF1和AFHF2形状描述符提出有一个伟大的抗噪声性能。

3.1.2节中类似的分析仿真结果,可以得出以下结论:(1)从形状的角度描述符,AFHF1和AFHF2形状描述符更适合识别在实际测量轴比SC轨道,IDSC,浴室,高频形状描述符。(2)从分类的角度,使用支持向量机作为分类器算法的性能略优于使用BP神经网络作为分类器的精度和实时当AFHF1 AFHF2形状描述符用于提取特性实验的实测轴轨道识别。

4所示。结论和未来的工作

一个算法基于两个新颖的形状描述符和SVM算法。算法,两个新颖的形状描述符,分别名为AFHF1和AFHF2提出了基于高频和傅里叶变换提取特征从轴轨道。AFHF1和AFHF2形状描述符都是常数相似变换,也有内在的不变性的起点比高频变化和更紧实。因此,他们表现良好的轮廓的全局或局部特征轴轨道。采用支持向量机作为分类器有效地识别提取的功能。在我们的实验中,AFHF1和AFHF2与SC相比,IDSC,高频,tcd和BP神经网络相比,支持向量机。识别精度的模拟和实际测量轴轨道数据集和上述算法的比较。实验表明,该算法可以快速、准确地确定轴轨道。至于模拟和测量轴轨道,识别的平均时间都小于19毫秒和精度都高于99.83%的平均值。该方法的识别精度,最好和实时和抗噪声性能。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究是由中国国家自然科学基金(51775177和51775177号)。