一种基于OS-ELM的滚动轴承健康状态预估系统及方法技术方案

本发明专利技术涉及一种基于OS‑ELM的滚动轴承健康状态预估系统及方法，属于故障诊断技术领域。本发明专利技术包括信号采集模块、无线WIFI传输模块和PC端分析模块。信号采集模块由红外成像仪、A/D转换器和STM32f103芯片构成；无线WIFI传输模块由USR‑C215和无线路由器构成；本发明专利技术首先通过信号采集模块的红外摄像仪对滚动轴承进行拍摄，将图像信号利用A/D转换器进行模数转换，将转换的数字信号通过SPI接口传输到STM32f103，再由无线WIFI模块传至PC端分析模块上，通过OS‑ELM建立滚动轴承健康状况预估模型，以此来预估滚动轴承的运行状态。本发明专利技术具有安全性高、传输性好、准确率高、便捷高效等优点，适合于多种设备的滚动轴承健康状态预估。

【技术实现步骤摘要】
一种基于OS-ELM的滚动轴承健康状态预估系统及方法
本专利技术涉及一种基于OS-ELM的滚动轴承健康状态预估系统及方法，属于故障诊断

技术介绍
滚动轴承作为旋转机械中最常用的支撑部件，发挥着至关重要的作用，被广泛应用于各个领域的旋转机械中。由于滚动轴承引起的旋转机械故障约30％，一旦出现故障，不仅会给国家和企业造成巨大的生产、经济损失，而且严重时还会造成人员伤亡，因此对滚动轴承进行故障诊断并对其健康状态预估显得十分重要。当发生故障时，仅靠人工巡视检查的成本较高，很难完全避免故障的发生，难以提前预报故障。通过远程监控滚动轴承的运行状态并进行预估，可以有效地对滚动轴承的故障进行在线诊断，从而预防故障发生。
技术实现思路
本专利技术要解决的技术问题是提供一种基于OS-ELM(在线序列极限学习机)的滚动轴承健康状态预估系统及方法，用于解决滚动轴承运行过程中出现的磨损、疲劳剥落、断轴、停机毁机等问题，以实现对滚动轴承运行状态的有效预测，具有较强的实用性和工程意义。本专利技术的技术方案是：一种基于OS-ELM的滚动轴承健康状态预估系统，包括信号采集模块、无线WIFI传输模块和PC端分析模块。号采集模块由红外成像仪、A/D转换器和STM32f103芯片组成。无线WIFI传输模块由USR-C215和无线路由器组成。信号采集模块利用红外热像仪对滚动轴承进行拍摄，将图像信号利用A/D转换器进行模数转换，将转换的数字量通过SPI接口传输到STM32f103芯片，STM32f103与USR-C215的UART串口相连接，实现数据的无线通讯，再由路由器经过Internet上传到云端，由云端通过Internet、路由器传至PC端分析模块，最后由PC端分析模块采用OS-ELM算法建立滚动轴承健康状况预估模型，以此来预估滚动轴承运行状态。滚动轴承的轴向、径向以及垂直方向上分别安装红外热像仪，采用三路拍摄通道并行采集数据，并将采集到的图像信号利用A/D转换器进行模数转换。基于OS-ELM的滚动轴承健康状态预估系统的使用方法，具体步骤为：Step1：采集滚动轴承红外图像信号数据，利用LLE算法对原始数据进行维数简约，得到初始数据样本，作为训练样本集。Step2：利用OS-ELM分类算法对训练集样本进行分类建模，以训练样本集得到的参数作为测试样本集的输入。Step3：将现场在线实时采集到的滚动轴承的红外图像信号数据维数简约后得到的数据样本，作为测试样本集。Step4：对测试样本集利用OS-ELM分类算法根据Step2中得到的聚类模型来预测滚动轴承故障产生所属故障类型，实现对滚动轴承的健康状态的预估。本专利技术的有益效果是：1、本专利技术提出用OS-ELM对训练样本集进行分类建模，将在线实时采集的样本作为测试样本进行测试，根据训练模型的分类故障类型，实现测试集对滚动轴承运行状态的预测。OS-ELM在线优化模型具有在线的优化训练方式，当训练样本集发生变化或者有新的训练样本增加时，不必对全部训练样本重新进行训练，能够实时在线更新，只对新产生的数据样本集进行训练，有效避免了数据的重复训练，显著提高学习效率，弥补了一般分类器在迭代过程中效率低的问题，具有参数选择简单，学习速度快，泛化能力强等优点。2、本专利技术提出的信号采集模块，采用红外热像仪对滚动轴承进行拍摄，采用三路拍摄通道并行采集数据，能够全面拍摄到滚动轴承运行过程中的各个状态，有利于PC机对滚动轴承各个运行状态的实时分析，进而更准确地预测滚动轴承的运行状态，并及时提醒现场工作人员及时排除故障，由此保证工业生产设备在最大利用率的情况下正常运行。附图说明图1是本专利技术的系统结构图；图2是本专利技术方法的步骤流程图。具体实施方式下面结合附图和具体实施方式，对本专利技术作进一步说明。如图1所示，一种基于OS-ELM的滚动轴承健康状态预估系统，包括信号采集模块、无线WIFI传输模块和PC端分析模块。号采集模块由红外成像仪、A/D转换器和STM32f103芯片组成。无线WIFI传输模块由USR-C215和无线路由器组成。信号采集模块利用红外热像仪对滚动轴承进行拍摄，将图像信号利用A/D转换器进行模数转换，将转换的数字量通过SPI接口传输到STM32f103芯片，STM32f103与USR-C215的UART串口相连接，实现数据的无线通讯，再由路由器经过Internet上传到云端，由云端通过Internet、路由器传至PC端分析模块，最后由PC端分析模块采用OS-ELM算法建立滚动轴承健康状况预估模型，对滚动轴承寿命健康状态的预估，从而判断滚动轴承属于正常状态或故障状态。滚动轴承的轴向、径向以及垂直方向上分别安装红外热像仪，采用三路拍摄通道并行采集数据，并将采集到的图像信号利用A/D转换器进行模数转换。本专利技术所述PC端分析模块为PC机。本专利技术系统信号通讯过程：首先将红外热像仪、A/D转换器、STM32f103微控制器、无线WIFI传输模块USR-C215和PC机分别连接在对应的插口上，然后配置WIFI无线传输模块的网络模式及服务器IP地址与端口。STM32f103微控制器与无线WIFI传输模块采用TCP/IP方式连接，PC机开启无线热点，等待WIFI模块连接热点。系统通过TCP/IP把数据发送到PC机上，接收采集到的滚动轴承红外图像信号数据。本专利技术方法通过PC机执行，在进行数据分析时，将在线采集到的数据作为测试样本集，以此作为OS-ELM的输入，通过训练好的模型，对滚动轴承的健康状态进行预测。当有故障发生时，对应组的数据通过LMD分解得到若干IMF分量，此时PC机数据分析显示窗口中显示的波形会超出正常范围的波形，系统会自动报警，系统报警提醒现场工作人员及时排除故障，由此保证工业生产设备在最大利用率的情况下正常运行。如图2所示，基于OS-ELM的滚动轴承健康状态预估系统的使用方法，具体步骤为：Step1：采集滚动轴承红外图像信号数据，利用LLE算法对原始数据进行维数简约，得到初始数据样本，作为训练样本集；Step2：利用OS-ELM分类算法对训练集样本进行分类建模，以训练样本集得到的参数作为测试样本集的输入；所述OS-ELM分类算法具体为：Step2.1：初始化阶段：在初始阶段选取N0个不同的滚动轴承样本数据其中N0>n；Step2.1.1：随机产生输入权值矩阵ai和偏置矩阵bi，其中，i＝1,2,…,n；Step2.1.2：计算初始的隐含层输出矩阵H0；Step2.1.3：计算初始输出权重矩阵β0；β0＝E0H0TT0；E0＝(H0TH0)-1Step2.1.4：设L＝0，L为样本数，表示初始化学习阶段；Step2.2：在线序列学习阶段：设第L+1个样本集：Step2.2.1：本文档来自技高网...

【技术保护点】
1.一种基于OS-ELM的滚动轴承健康状态预估系统，其特征在于：包括信号采集模块、无线WIFI传输模块和PC端分析模块；/n号采集模块由红外成像仪、A/D转换器和STM32f103芯片组成；/n无线WIFI传输模块由USR-C215和无线路由器组成；/n信号采集模块利用红外热像仪对滚动轴承进行拍摄，将图像信号利用A/D转换器进行模数转换，将转换的数字量通过SPI接口传输到STM32f103芯片，STM32f103与USR-C215的UART串口相连接，实现数据的无线通讯，再由路由器经过Internet上传到云端，由云端通过Internet、路由器传至PC端分析模块，最后由PC端分析模块采用OS-ELM算法建立滚动轴承健康状况预估模型，以此来预估滚动轴承运行状态。/n

【技术特征摘要】
1.一种基于OS-ELM的滚动轴承健康状态预估系统，其特征在于：包括信号采集模块、无线WIFI传输模块和PC端分析模块；
号采集模块由红外成像仪、A/D转换器和STM32f103芯片组成；
无线WIFI传输模块由USR-C215和无线路由器组成；
信号采集模块利用红外热像仪对滚动轴承进行拍摄，将图像信号利用A/D转换器进行模数转换，将转换的数字量通过SPI接口传输到STM32f103芯片，STM32f103与USR-C215的UART串口相连接，实现数据的无线通讯，再由路由器经过Internet上传到云端，由云端通过Internet、路由器传至PC端分析模块，最后由PC端分析模块采用OS-ELM算法建立滚动轴承健康状况预...

【专利技术属性】
技术研发人员：范玉刚，杨明莉，吴建德，王晓东，黄国勇，邹金慧，冯早，马军，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：云南;53