基于SPWVD识别的滚动轴承智能检测方法

　　在设备状态监控中,故障时振动信号的时频能量分布是有效的监控对象。威格纳-维尔分布(W igner-Ville distribution, WVD)是分析时频能量分布的常用工具,在此基础上改进的伪威格纳-维尔分布(pseudoW igner-Ville distribution, PWVD)较WVD能减少相干项,而进一步发展形成的平滑伪威格纳-维尔分布(smoothed pseudoW igner-Ville distribution, SPWVD),能够有效消除干扰项,准确反应信号的时频特征[1]。由于该方法可以得到灰度图像。因此从图像处理的角度认识SPWVD时频分布图,将其应用于故障检测领域,可以更充分地利用其时频信息。基于图像识别的方法,在汽车牌照智能识别[2]等领域取得成功的应用。因此,本文探索基于SPWVD时频分布图识别的故障检测方法,并以滚动轴承为例验证该方法的可行性。

　　在图像识别领域,灰度共生矩阵(gray level co-oc-currencematrix,GLCM)[3]是一种得以广泛应用的纹理统计分析方法和纹理测量技术,由于不同类别的故障SPWVD时频分布图表现出一定的差异,所以用基于GLCM的特征统计量来表示SPWVD时频分布图的特征,作为故障模式识别的输入向量。

　　生物系统为人工智能提供了丰富的理论源泉,它是一个自适应、自组织,高度分布和没有控制中心的系统,因此生物免疫系统的许多机理和隐喻可用于智能计算。基于克隆选择学说、阴性选择学说、免疫型网络调节学说的人工免疫算法是研究的热点。文献[4]利克隆选择算法构建多类分类器对遥感图像进行识别,文献[5]利阴性选择算法构建异常检测器对轴承故障进行检测,该方法判断轴承工作是否正常,是一种二类分类问题。而文献[6]提出的人工免疫网络(artificialimmune network, AIN)将克隆选择原理和独特型免疫网络理论有机结合,通过模拟抗体与抗原的作用关系,使抗体在学习抗原模式的过程中不断优化,从而得到表征抗原特性的独特型抗体,因而,具有克隆选择与独特型网络的双重优势。这为故障检测问题提供了一条新思路。文献[7]对AIN进行改造,增加了训练抗原的类别信息,并应用到变压器故障的分类中,取得了较好的效果。本文在文献[6]、[7]的基础上,对人工免疫网络分类算法加以改进,以GLCM的特征统计量为抗原,通过人工免疫网络的优化学习,产生表征故障特性的记忆抗体集,通过判断待测样本与记忆抗体集的距离,按照k-近邻法则来对其进行分类,同时设置分类限制阈值,作出无法分类的判断。实例分析结果表明,基于SPWVD时频分布图识别和人工免疫网络的分类方法能够有效对轴承的各种故障模式分类。

　　2　GLCM及特征统计量

　　GLCM是一种用来分析图像纹理特征的重要方法,它建立在估计图像的二阶组合条件概率密度函数的基础上。通过计算图像中有一定距离和一定方向的两像素点之间的灰度相关性,反映图像在方向、相邻间隔、变化幅度及快慢上的综合信息。假设待分析的纹理图像大小为M×N,GLCM表示为从图像灰度为i的像元出发,像元的位置为(x,y),统计其与距离为d,灰度为j的像元(x+Dx,y+Dy),同时出现的频度P(i, j,d,θ),定义为[3]: