CN105631481B - 基于遗传编程的铁谱磨粒复合特征构造方法 - Google Patents

Abstract

本发明公开了一种基于遗传编程的铁谱磨粒复合特征构造方法，该方法综合利用了铁谱磨粒形态特征直观、易于获取的特点，以及遗传编程在复合特征构造上的优势，应用于机械运行状态监测中油液铁谱磨粒图像的提取和机器磨损状态模式识别。该方法将获取的多种铁谱磨粒形态特征作为样本种群，通过遗传编程对多种形态特征进行组合优化得到复合特征，用于不同故障磨粒的分类，克服传统特征构造过程中费时费力且盲目性的缺点，突破传统情况下只能对离线图片进行分析的局限，综合了铁谱磨粒的多种形态特征信息，能有效提高利用铁谱图像识别机械设备常见故障的能力，为机械设备健康可靠的运行提供有力支持。

Description

基于遗传编程的铁谱磨粒复合特征构造方法

技术领域：

本发明属于机械设备故障诊断领域，具体涉及一种基于遗传编程的铁谱磨粒复合特征构造方法。

背景技术：

对于机械设备状态监测而言，铁谱磨粒的特征是非常宝贵的信息资源，可以通过磨粒特征判断机械设备的运行状态以及判别机器的磨损类型。采用铁谱仪和计算机视觉技术可以获取磨粒特征。因此，铁谱磨粒的研究工作者根据类型不同，将磨粒的特征分为形态特征、颜色特征以及纹理特征。形态特征获取方便且能反映机器的磨损剧烈程度，因此在工业上应用最为广泛。形态特征又包括磨粒面积百分比、长短轴比、矩形度、等效直径以及形状因子等。由于单一特征仅表征磨粒的某一变化规律，列举的上述五种磨粒特征难以独立的区分具有不同形貌特点的磨粒。因此，需要构建新的特征，综合上述特征的优点实现对不同形态特征磨粒的识别。

在传统的特征构造中，多根据经验构造，采用试探的方式，用实验数据对其检验，并根据检验结果对特征进行修改，需反复试验，直到获得满意的特征。这种方法费时、费力，具有很强的盲目性。遗传编程时由遗传算法发展演变而来的，它作为一种智能的层次结构优化算法，可以较容易的构造大规模的特征集，也可以产生新的特征集，同时可以根据分类效果自动进行特征选择，直至获得最佳或近似最佳的特征，因此，遗传编程在特征构造中有着明显的优势。将遗传编程应用到铁谱磨粒形态特征的构造上，所得到的复合特征作为常见铁谱磨粒形态的新识别标准，能够有效提高铁谱识别机械设备常见故障的能力。

发明内容：

本发明的目的在于克服传统特征构造过程中费时费力且具有盲目性的缺点，以及提高铁谱磨粒形态特征识别不同形貌特点故障磨粒的能力，提出一种基于遗传编程的铁谱磨粒复合特征构造方法。

为达到上述目的，本发明采用如下技术方案来实现的：

基于遗传编程的铁谱磨粒复合特征构造方法，包括以下步骤：

1)从机械设备润滑系统中获取铁谱磨粒图像；

2)对获得的铁谱磨粒图像进行预处理，获取磨粒的形态特征信息；

3)将步骤2)中得到的磨粒的形态特征信息作为样本种群，利用遗传编程对其进行重新组合优化；

4)根据适应度函数选择最优的遗传编程结果作为复合特征；

5)利用步骤4)中得到的复合特征作为分类指标，绘制该复合特征对不同故障磨粒的分类效果图。

本发明进一步的改进在于：所述步骤1)中获取的铁谱磨粒图像包括滑动磨粒图像、切削磨粒图像以及氧化物磨粒图像。

本发明进一步的改进在于：所述步骤2)中对获得的铁谱磨粒图像进行预处理包括：图像灰度化、图像二值化以及滤波和填充内部孔洞；获取的磨粒形态特征包括：磨粒面积百分比、长短轴比、等效直径、矩形度及形状因子。

本发明进一步的改进在于：所述步骤3)中遗传编程的最大进化代数为100代，杂交率为0.95，变异率为0.2。

本发明进一步的改进在于：所述步骤3)中遗传编程的运算符集由加、减、乘、除四种基本数学运算符构成，终止符集由磨粒面积百分比、长短轴比、等效直径、矩形度及形状因子五种形态特征构成，且遗传编程采用后序遍历来输出复合特征表达式。

本发明进一步的改进在于：所述步骤4)中利用类内距和类间距来判定分类效果；适应度函数的表达式为其中，v为某一特征量，D_ij为第i类与第j类的类间距，D_ii为第i类的类内距；且适应度函数值越大，表明所得的复合特征分类效果越优。

与现有技术相比，本发明具有以下的有益效果：

本发明所述基于遗传编程的铁谱磨粒复合特征构造方法，根据铁谱磨粒的形态特征能可靠的反映机器的运行磨损情况以及遗传编程具有构造复合特征的能力，将铁谱磨粒的多种形态特征作为遗传编程的初始样本种群构造复合特征，扩展了遗传编程的应用范围，同时提高了铁谱磨粒形态特征识别不同类型故障磨粒的能力，该方法适用于铁谱故障磨粒分类识别。

附图说明：

图1为本发明实施例中所使用的三类故障磨粒样本图像，其中图1(a)、(b)、(c)分别是滑动磨粒图像、切削磨粒图像和氧化物磨粒图像；

图2为本发明实施例的基本流程图；

图3为本发明实施例对铁谱磨粒图像进行预处理的基本流程图；

图4为本实施例中提出的标记阈值法对磨粒图像预处理过程中磨粒图像的变化情况示意图。其中图4(a)为磨粒原始图像，图4(b)为灰度化、二值化后的图像，图4(c)是滤除特征磨粒外部杂质后的图像，图4(d)是填充特征磨粒内部细小孔洞后的图像，图4(e)是采用6×6的矩形结构元素开闭运算后得到的图像，图4(f)是采用5×5圆盘结构元素开闭运算后得到的图像；

图5为本实施例中所对磨粒所求的最小外接矩形的实例图；

图6为本发明实施例采用遗传编程的基本流程图；

图7为本发明实施例采用遗传编程过程中适应度函数的变化情况示意图；

图8为本发明实施例采用磨粒面积百分数P对三种不同类型故障磨粒的区分情况示意图；

图9为本发明实施例采用长短轴比K对三种不同类型故障磨粒的区分情况示意图；

图10为本发明实施例采用等效直径D对三种不同类型故障磨粒的区分情况示意图；

图11为本发明实施例采用矩形度R对三种不同类型故障磨粒的区分情况示意图；

图12为本发明实施例采用形状因子C对三种不同类型故障磨粒的区分情况示意图；

图13为本发明实施例结合磨粒面积百分比P与长短轴比K，对三种不同类型故障磨粒的区分情况示意图。其中横坐标为磨粒面积百分比P，纵坐标为长短轴比K；

图14为本发明实施例结合等效直径D与形状因子C，对三种不同类型故障磨粒的区分情况示意图。其中横坐标为等效直径D，纵坐标为形状因子C；

图15为本发明实施例结合磨粒面积百分数P、长短轴比K以及等效直径D，对三种不同类型故障磨粒的区分情况示意图。其中x坐标为长短轴比K，y坐标为磨粒面积百分数P，z坐标为等效直径D；

图16为本发明实施例结合等效直径D、长短轴比K以及形状因子C，对三种不同类型故障磨粒的区分情况示意图。其中x坐标为等效直径D，y坐标为长短轴K，z坐标为形状因子C；

图17为本发明实施例利用遗传编程构造的复合特征E1对三种不同类型故障磨粒的区分情况示意图。其中E₁＝R+(R-C)×(R-2K)；

图18为本发明实施例利用遗传编程构造的复合特征E2对三种不同类型故障磨粒的区分情况示意图。其中E₂＝R×(2R-C)-(P-D)×(R+C)；

图19为本发明实施例利用遗传编程构造的复合特征E3对三种不同类型故障磨粒的区分情况示意图。其中E₃＝R×D×(R+C)/(D+P+K)+K×R²；

图20为本发明实施例结合复合特征E1和E2，对三种不同类型故障磨粒的区分情况示意图。其中横坐标为复合特征E1，纵坐标为复合特征E2。

图21为本发明实施例结合复合特征E1、E2和E3，对三种不同类型故障磨粒的区分情况示意图。其中x坐标为复合特征E1，y坐标为复合特征E2，z坐标为复合特征E3。

具体实施方式：

下面结合附图及实施例对本发明作进一步说明。

本发明首先通过对获取的铁谱磨粒图像进行处理，得到其五种形态学特征。考虑到每一种特征的取值范围差异较大，因此在进行遗传编程前，对每种形态特征进行归一化处理，保证每种形态特征的取值范围为[0,1]。将归一化的铁谱磨粒特征作为遗传编程的初始样本种群，利用遗传编程对其五种初始特征进行重组和优化，通过后序遍历的方式将表达式输出，最后利用适应度函数选择最优复合特征。将得到的复合特征作为新指标，可以直观的区分出不同类型的故障磨粒。

参见图1，本发明具体步骤如下：

1)从机械设备润滑油系统中获取铁谱磨粒图像，并根据视场有无特征大磨粒来判断机器是否处于正常磨损状况。

2)为了较准确的提取铁谱磨粒的形态学信息，如图3所示，在图像预处理环节，将得到的二值图像转换成矩阵，然后采用标记阈值法滤除磨粒外部杂质，同时填充内部细小孔洞，得到预处理后的二值图像。

3)为了消除铁谱磨粒的不同形态特征取值范围上的差异，在遗传编程之前，对每种形态特征值进行归一化处理，然后再将其作为遗传编程的初始样本种群，遗传编程的具体流程如图4所示。

4)利用后序遍历得到遗传编程的结果，然后通过适应度函数来筛选遗传编程得到的结果，选择最优的结果作为复合特征。

5)将磨粒的五种形态特征作为识别三种不同故障磨粒的指标，同时对这五种指标进行简单组合得到二维、三维图，其分类情况如图8-16所示。

6)将遗传编程得到的符合特征作为识别三种不同故障磨粒的指标，同时对三组复合指标进行简单组合得到二维、三维图，通过对比表明复合特征识别能力优于之前的形态特征，其分类情况如图17-21所示。

图1所示为本发明中所采用的三种故障磨粒样本，图1(a)、(b)、(c)依次为滑动磨粒、切削磨粒以及氧化物磨粒。由于本发明所采用的故障样本来自工业现场，而故障样本的产生，意味着机器出现磨损，因此故障样本的获取较为困难，本发明中选取了三种故障样本，每种故障15组样本。

图2所示为本发明的总流程图，首先根据视场有无较大的特征磨粒来判断机器是否出现磨损异常，然后对得到的故障磨粒图像进行预处理，对预处理后的二值图像提取五种形态特征，包括磨粒面积百分比、长短轴比、矩形度、等效直径以及形状因子等，将各个特征归一化后作为遗传编程的初始样本种群，根据适应度函数选择最优复合特征，最后对比复合特征与最初的单一特征对三种不同类型故障磨粒图像的识别能力。

在对磨粒图像进行特征提取之前，需要对磨粒图像进行预处理，其预处理流程如图3所示。在以往的研究中，一般采用形态学滤波的方法来去除磨粒图像中的杂质，这种方法简单易于操作，只需要选择合适的结构元素即可，但缺点是处理后的图像边缘存在失真，这对后续的形态特征提取会产生较大的影响。因此，本发明中采用标记阈值法来去除磨粒图像中杂质以及填充细小孔洞。本发明中以图4来具体说明其处理流程。其具体步骤如下：

①将原始磨粒图像图4(a)灰度化以及二值化，得到二值图像图4(b)将得到的二值图像转化成一个矩阵A，则矩阵A大小为1200×1600，其包含0和1两种数值元素。

②利用八邻域标记法，标记图像中磨粒的总个数N。此时矩阵A中的数值元素有N+1个，即0，1，2...N。对每个磨粒进行扫描，记第i个磨粒大小为S_i，其中1≤i≤N。

③对所得的磨粒大小S_i按照从大到小的顺序排序，最大的记为S_L,次大的磨粒记为S_M。

④设定一个合适的阈值T，保证S_M＜T＜S_L,其中依据下列公式：

也就是保留了最大的磨粒，将其余磨粒都视为杂质滤除，这时各个磨粒的面积也发生如下变化：

⑤将含有0和i的矩阵A转换为只含有0和1的矩阵，即

⑥将矩阵A进行求反操作，也即

此时即可得到滤除外部杂质的磨粒图像，如图4(c)所示。

⑦将得到的矩阵A重复进行步骤2到步骤6的操作，此次操作目的是去除目标磨粒内部的细小孔洞，并将最后得到的矩阵A以二值图像的形式输出，即可得到图4(d)所示的图像。

图4(e)和图4(f)均为采用形态学滤波的方法得到的二值图像，其中图4(e)采用的是6*6的矩形结构元素，图4(f)采用的是5*5圆盘结构元素。可以看出，两种形态学滤波的方法均会对磨粒外部轮廓产生影响。对比可以看出，标记阈值法得到的二值图像要更加接近磨粒实际轮廓。

对于预处理得到的二值图像，要对其进行特征提取，本发明选择了磨粒面积百分比P、长短轴比K、矩形度R、等效直径D以及形状因子C这五种形态特征。其表达式如下所示。

(1)磨粒面积百分数P

磨粒面积百分数P是指磨粒面积在图像面积中所占的比例。其计算式如下：

这里A₀表示的是磨粒面积，A表示的图像面积。在实际计算中，磨粒面积A₀用磨粒所占像素点个数来表示，图像面积A用图像总像素点数表示。磨粒面积百分数是从宏观上反映机器的磨损程度。由于磨粒面积百分数能够直观的反映磨损的程度，因此它是在评估机器润滑或磨损状态时使用得最多的特征之一。

(2)长短轴比K

长短轴比K是用来表示磨粒长宽比的一个特征。其计算式如下：

这里表示a与区域具有相同标准二阶中心矩的椭圆的长轴，b表示与区域具有相同标准二阶中心矩的椭圆的短轴。长短轴比K是将细长磨粒和圆状磨粒加以区分的一个重要特征。

(3)等效直径D

等效直径D是将磨粒视为一个圆，在磨粒面积与所假设圆面积相等情况下的直径。其计算式如下：

这里A₀表示的是磨粒面积，λ为像素标尺。定义等效直径是为了定量的度量不规则磨粒的尺寸。本文中使用的磨粒图像的图片大小以及放大倍数均相同，图片大小均为1200像素×1600像素，放大倍数均为500倍，图片分辨率均为72像素/英寸。因此，这里的像素标尺在计算时统一不作考虑。

(4)矩形度

矩形度R反映的是磨粒与其最小外接矩形的接近程度。其计算式如下：

这里A₀表示的是磨粒面积，A_矩表示磨粒最小外接矩形的面积。如图5所示。矩形度实际上是磨粒在其最小外接矩形中的充满程度。因此矩形度R的取值范围为[0,1]。对于滑动磨粒和氧化物磨粒而言，其形状通常都是凸的，其矩形度通常较大。而对于切削磨粒而言，其形状通常较其他磨粒复杂，其矩形度较小。矩形度是一种区分切削磨粒与其他磨粒的重要特征。

(5)形状因子C

形状因子C反映了磨粒形状与圆的接近程度。其计算式如下:

这里A₀表示的是磨粒面积，L表示的磨粒周长。由几何知识可知，在所有内部面积相等的二维平面图形中，圆的周长是最短的。所以对一个圆来说，其形状因子C＝1，另一种极限情况就是对一条线段来说，其形状因子C＝0。所以形状因子C的取值范围为[0,1]。磨粒形状因子取值越大，磨粒越接近圆形。切削磨粒形状因子较小，而对于氧化物磨粒而言，其形状因子较大。因此，形状因子是一种区分球形磨粒与其他磨粒的重要特征。

由于获取的五种形态特征的取值范围差异较大，为了消除各特征取值范围的影响。本发明在遗传编程之前，对五种形态特征进行归一化处理。并选择加、减、乘、除作为运算符集，选择磨粒面积百分比P、长短轴比K、矩形度R、等效直径D以及形状因子C作为终止符集。

遗传编程的流程图如图6所示。本发明遗传编程的控制参数设置为:群体规模为40，最大进化代数为100，杂交概率为p_c＝0.95，变异概率为p_m＝0.2，采用了基于局部竞争机制的选择策略。适应度函数的设计原则是优胜劣汰,在故障诊断中,经常利用类内距和类间距来判定分类效果,即

这里，ν为某一特征向量，D_ij为第i类和第j类的类间距，D_ii为第i类的类内距。进化的终止准则为：当达到预先设定的最大进化代数或连续几代的解的适应度没有明显的改进时，进化终止。

每经过一次遗传编程优化，均可获得多组复合特征指标，根据适应度函数选择函数值较大的复合特征指标，适应度函数变化情况如图7所示。下面是选择的三组复合特征指标：

E₁＝R+(R-C)×(R-2K)

E₂＝R×(2R-C)-(P-D)×(R+C)

E₃＝R×D×(R+C)/(D+P+K)+K×R²

为了对比遗传编程前后单个特征和复合特征对三种不同类型故障磨粒的识别情况，分别作出各特征归一化后对三种不同类型故障磨粒的区分情况。

如图8所示，采用磨粒面积百分数P对三种不同类型故障磨粒进行区分，其中不同类型磨粒用不同形状表示，横坐标为样本数，纵坐标为磨粒面积百分数P归一化后的结果。同上，如图9-12所示，分别采用长短轴比K、矩形度R、等效直径D以及形状因子C对三种不同类型故障磨粒进行区分。从上述图中可以看出，单个特征无法将三种不同类型故障磨粒进行区分。

为实现多特征信息的综合利用，对上述五种特征进行综合描述。图13是综合了磨粒面积百分比P与长短轴比K两个特征，对三种不同类型故障磨粒的区分情况。其中横坐标为磨粒面积百分比P，纵坐标为长短轴比K。图14是综合等效直径D与形状因子C两个特征，对三种不同类型故障磨粒的区分情况。其中横坐标为等效直径D，纵坐标为形状因子C。从上述两幅二维图中可以看出，两个特征的简单组合无法将三种不同类型故障磨粒进行区分。

如图15所示，结合磨粒面积百分数P、长短轴比K以及等效直径D三个特征，对三种不同类型故障磨粒的区分情况。其中x坐标为长短轴比K，y坐标为磨粒面积百分数P，z坐标为等效直径D。图16是综合等效直径D、长短轴比K以及形状因子C三个特征，对三种不同类型故障磨粒的区分情况。其中x坐标为等效直径D，y坐标为长短轴K，z坐标为形状因子C。从上述两幅三维图中可以看出，三个特征的简单组合依然无法将三种不同类型故障磨粒进行区分。

图17是利用遗传编程构造的复合特征E1对三种不同类型故障磨粒的区分情况，其中E₁＝R+(R-C)×(R-2K)。从图中可以看出，复合特征E1能够明显区分三种不同类型的故障磨粒。同上，图18、19分别是利用遗传编程构造的复合特征E2、E3对三种不同类型故障磨粒的区分情况，其中E₂＝R×(2R-C)-(P-D)×(R+C)，E₃＝R×D×(R+C)/(D+P+K)+K×R²。从上图中可以看出，复合特征E2和E3对三种不同类型故障磨粒的区分情况不如E1理想，其中复合特征E3还存在一个样本分类错误，如图19中标记的圆圈所示。

图20是综合复合特征E1和E2，对三种不同类型故障磨粒的区分情况。其中横坐标为复合特征E1，纵坐标为复合特征E2。图21是结综合复合特征E1、E2和E3，对三种不同类型故障磨粒的区分情况。其中x坐标为复合特征E1，y坐标为复合特征E2，z坐标为复合特征E3。从上述两幅图中可以看出，综合复合特征后，能够对三种不同类型的故障磨粒实现准确的区分。

本发明克服了传统铁谱图像预处理过程中使磨粒失真的缺陷，提出标记阈值法这种磨粒图像处理方法，同时突破了传统铁谱磨粒分析只针对离线图像的局限性，利用了遗传编程在复合特征构造上的优势，将具有代表性的铁谱磨粒形态特征进行重新组合优化，形成新的复合特征，解决了单一特征只对磨粒图像的单一变化敏感的问题，综合利用了磨粒的形态特征信息，实现了对三种不同类型故障磨粒的分类，将复合特征作为常见铁谱磨粒形态的新识别标准，有效提高铁谱识别机械设备常见故障的能力。

Claims (4)

1.基于遗传编程的铁谱磨粒复合特征构造方法，其特征在于，包括以下步骤：

1)从机械设备润滑系统中获取铁谱磨粒图像；

2)对获得的铁谱磨粒图像进行预处理，获取磨粒的形态特征信息；具体方法如下：

201)将获得的铁谱磨粒图像灰度化以及二值化，得到二值图像，将得到的二值图像转化成一个矩阵A，则矩阵A大小为1200×1600，其包含0和1两种数值元素；

202)利用八邻域标记法，标记图像中磨粒的总个数N，此时矩阵A中的数值元素有N+1个，即0，1，2...N，对每个磨粒进行扫描，记第i个磨粒大小为S_i，其中1≤i≤N；

203)对所得的磨粒大小S_i按照从大到小的顺序排序，最大的记为S_L，次大的磨粒记为S_M；

204)设定一个合适的阈值T，保证S_M＜T＜S_L，其中依据下列公式：

即保留了最大的磨粒，将其余磨粒都视为杂质滤除，这时各个磨粒的面积也发生如下变化：

205)将含有0和i的矩阵A转换为只含有0和1的矩阵，即

206)将矩阵A进行求反操作，也即

即可得到滤除外部杂质的磨粒图像；

207)将得到的矩阵A重复进行步骤202)到步骤206)的操作，去除目标磨粒内部的细小孔洞，并将最后得到的矩阵A以二值图像的形式输出，即可获取磨粒的形态特征信息；

3)将步骤2)中得到的磨粒的形态特征信息作为样本种群，利用遗传编程对其进行重新组合优化；遗传编程的运算符集由加、减、乘、除四种基本数学运算符构成，终止符集由磨粒面积百分比、长短轴比、等效直径、矩形度及形状因子五种形态特征构成，且遗传编程采用后序遍历来输出复合特征表达式；

4)根据适应度函数选择最优的遗传编程结果作为复合特征；利用类内距和类间距来判定分类效果；适应度函数的表达式为其中，v为某一特征量，D_ij为第i类与第j类的类间距，D_ii为第i类的类内距；且适应度函数值越大，表明所得的复合特征分类效果越优；

5)利用步骤4)中得到的复合特征作为分类指标，绘制该复合特征对不同故障磨粒的分类效果图。

2.根据权利要求1所述的基于遗传编程的铁谱磨粒复合特征构造方法，其特征在于：所述步骤1)中获取的铁谱磨粒图像包括滑动磨粒图像、切削磨粒图像以及氧化物磨粒图像。

3.根据权利要求1所述的基于遗传编程的铁谱磨粒复合特征构造方法，其特征在于：所述步骤2)中对获得的铁谱磨粒图像进行预处理包括：图像灰度化、图像二值化以及滤波和填充内部孔洞；获取的磨粒形态特征包括：磨粒面积百分比、长短轴比、等效直径、矩形度及形状因子。

4.根据权利要求1所述的基于遗传编程的铁谱磨粒复合特征构造方法，其特征在于：所述步骤3)中遗传编程的最大进化代数为100代，杂交率为0.95，变异率为0.2。