CN109740254B - 一种基于信息融合的船舶柴油机磨粒类型辨识方法 - Google Patents
一种基于信息融合的船舶柴油机磨粒类型辨识方法 Download PDFInfo
- Publication number
- CN109740254B CN109740254B CN201811655295.0A CN201811655295A CN109740254B CN 109740254 B CN109740254 B CN 109740254B CN 201811655295 A CN201811655295 A CN 201811655295A CN 109740254 B CN109740254 B CN 109740254B
- Authority
- CN
- China
- Prior art keywords
- abrasive particle
- abrasive
- sample
- feature
- evidence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Analysing Materials By The Use Of Radiation (AREA)
- Polishing Bodies And Polishing Tools (AREA)
Abstract
本发明涉及一种基于信息融合的船舶柴油机磨粒类型辨识方法。本发明从船舶柴油机在线油液监测系统中获得磨粒样本,利用图像处理技术对采集的磨粒图像进行校正去噪并提取磨粒的形貌特征;确定输入特征的参考值集合,并计算它们关于参考值的综合相似度分布;利用样本集合的综合相似度分布构造反映输入信号与五种磨粒类型之间关系的投点统计表;由投点统计表转换得到输入特征信号的证据矩阵表;利用置信规则推理和证据推理规则融合输入样本向量激活的证据并从融合结果推理磨粒样本对应的磨粒类型。本发明可实现对船舶柴油机磨粒类型的智能辨识,降低了辨识的复杂性,提高了辨识的精度。
Description
技术领域
本发明涉及一种基于信息融合的船舶柴油机磨粒类型辨识方法,属于船舶柴油机安全运行维护领域。
背景技术
船舶柴油机作为船舶的主要动力来源,其正常工作与船舶安全可靠运行,海上生命财产安全息息相关。由于船舶柴油机由大量的摩擦学系统构成,这些摩擦副的摩擦磨损故障是船舶柴油机故障的主要类型之一。因此,开展船舶柴油机的摩擦磨损故障诊断研究对延长零部件的使用寿命,提升柴油机的运行效率以及安全性具有十分重要的意义。
油液监测是对柴油机磨损状态进行监测的主要方式,油液中含有的磨粒蕴含了大量的摩擦学信息可用于磨损故障定位、磨损严重程度评估和磨损类型辨识等。从磨粒图像中提取磨粒二维和三维形貌特征可对油液中的磨粒类型进行辨识,进而确定磨损产生机理。但是受油液样本采集方式、磨粒特征提取手段以及有限经验知识的限制,所提取的柴油机磨粒形貌特征中通常存在一定的不确定性或不完整性,对建立柴油机磨粒类型辨识模型提出了更大的挑战。目前大多数模型对不确定信息或多元信息的处理能力有限,模型可解释性差,缺乏对不完整样本的辨识能力,从而导致辨识结果不准确或模型失效的问题。
发明内容
本发明针对现有技术的不足,提出了一种基于信息融合的船舶柴油机磨粒类型辨识方法。
本发明从柴油机在线油液监测系统中采集油液样本并获得磨粒图像,然后利用图像处理技术对获取的磨粒图像进行校正去噪并提取磨粒的形貌特征;确定磨粒输入特征的参考值集合,并计算它们关于参考值的综合相似度分布;利用样本集合的综合相似度分布构造反映输入信号与五种磨粒类型之间关系的投点统计表;由投点统计表转换得到输入特征信号的证据矩阵表;确定输入信息源的可靠性;利用证据推理规则融合输入样本向量激活的证据并从融合结果推理磨粒样本对应的磨粒类型;构建磨粒类型辨识参数优化模型,采用遗传算法对磨粒类型辨识模型参数进行优化以提高模型准确性,最后基于最优参数集合重复上述步骤推理测试样本对应的磨粒类型。
本发明包括以下各步骤:
(1)从中速柴油机在线油液监测系统中采集油样,将油样中的磨粒类型分为(严重滑动磨损磨粒)SSL,(切削磨粒)C,(疲劳块状磨粒)FS,(层状磨粒)L,(球状磨粒)SP,这五种磨粒类型构成模型的辨识框架,记为Y,Y=[SSL,C,FS,L,SP]。
(2)对于采集的多份油样,制作滤膜谱片并拍照,从磨粒图片中提取油样中磨粒二维几何形貌特征:体态比(AR),当量直径(De)(单位为μm),圆度(R)和三维表面形貌特征:表面粗糙度均值(Sa)(单位为μm),表面纹理指数(Stdi);
将AR,De,R,Sa,Stdi作为输入特征信号依次映射为辨识模型的输入f1(t),f2(t),f3(t),f4(t)和f5(t),t为磨粒样本编号,且t=[1,2,...,T],T为磨粒样本总数;
将f1(t)、f2(t)、f3(t)、f4(t)、f5(t)和Y(t)表示成样本集合S={[f1(t),f2(t),f3(t),f4(t),f5(t),Y(t)]|t=1,2,...,T},其中[f1(t),f2(t),f3(t),f4(t),f5(t),Y(t)]为一个样本向量。
(3)确定磨粒类型辨识模型输入特征的参考值;磨粒的二维特征和三维特征fi的输入参考值集合Ji为每一磨粒特征fi的参考值个数;采用综合利用平均轮廓系数和k均值聚类的方法确定每个输入特征的参考值,对样本集中每一个磨粒特征进行k均值聚类,聚类中心为/>并且/>Ti为第i个特征的聚类中心数,由样本集中的每一特征的平均轮廓系数s确定,即Ti=argmax{sk|0≤sk≤1,k=1,2,...,K},K表示循环次数;将每一个特征的最小值/>Qi和最大值/>按递增顺序组成第i个特征的参考值量化值/>
(4)将T个样本向量[f1(t),f2(t),f3(t),f4(t),f5(t),Y(t)]中的输入特征fi(t)分别用分段线性函数转化为关于参考值相似度的形式,具体步骤如下,样本对(fi(t),Y(t))的输入特征fi(t)匹配参考值的相似度分布为:
其中,磨粒特征fi(t)通过式(1b)等价转换成相似度分布的形式,其中αi,j表示fi(x)与参考等级的相似程度;
(5)采用投点方式确定每一个磨粒特征在每一参考值下的置信度分布,如表1所示;定义对于参考值/>的证据为/>其中/>表示输入样本[f1(t),f2(t),f3(t),f4(t),f5(t)]中第i个磨粒特征在参考值/>下为第n种磨粒类型的置信度,由式(2)计算所得
式中表示为第n种磨粒类型的样本的第i个特征与参考等级/>的相似程度之和。
表1第i个磨粒特征的置信度分布
(6)确定每一磨粒特征信息来源的可靠性因子ri(i=1,2,...,5)描述输入特征对磨粒类型辨识的能力,从多角度评价信息来源的可靠性,将历史样本的可信度δ1和磨粒特征提取的难易程度δ2作为评价指标,历史样本来源越可靠,δ1越大,磨粒特征提取复杂程度越小,越容易获取,δ2越大,故可靠性因子ri为:
ri是每一磨粒特征(即每一证据)的客观属性,其数量与模型中采用的磨粒特征数量相等。
(7)确定每一磨粒特征在证据融合过程中的重要性因子wi(i=1,2,...5)描述输入特征在磨粒辨识过程中所起作用的大小,每一磨粒特征在划分为个参考值,所以认为每一参考值下对应的五种磨粒类型的置信度分布均作为一条子证据,重要性为 的数量与辨识模型的磨粒特征个数和每一特征的参考值个数有关,即/>根据式(4)采用组合赋权的方式确定第i个磨粒特征的重要性因子wi:
其中αi,j表示样本第i个磨粒特征的数值与第j个参考值的相似程度;/>的初始值均设为1,认为所有证据对生成最终磨粒辨识结果同等重要;/>的最终值通过遗传算法优化确定,以提高模型的辨识准确性。
(8)每一磨粒特征对应的证据ei可由被激活的两参考值对应的子证据融合得到,具体为:输入样本第i个磨粒特征对应的数值fi(t)必然落在两个参考值构成的区间中,根据式(1b)可知,该输入值与/>的相似程度分别为αi,j,αi,j+1,此时这两个参考值对应的子证据/>和/>被激活,根据式(5a)(5b)采用解析ER算法将两条被激活的子证据/>和/>以非线性方式进行融合,得到最终每一磨粒特征对应的证据ei={(Yn,pn,i),n=1,2,...,N}。
(9)对五个磨粒特征进行融合,以确定输入样本(f1(t),f2(t),f3(t),f4(t),f5(t))对应的辨识结果;利用步骤(6)~步骤(8)中确定的待融合证据的可靠性因子ri,重要性因子wi和置信度分布ei,采用证据推理规则的方式确定该样本对应的五种磨粒类型的置信度分布{(SSL,p1),(C,p2),...,(SP,p5)};
最终样本(f1(t),f2(t),f3(t),f4(t),f5(t))对应的磨粒类型辨识结果为:
(10)基于遗传算法构建磨粒类型辨识参数优化模型,具体步骤如下:
(10-1)将每一证据的重要性因子作为待优化的参数,确定优化参数集合待优化参数数量为/>
(10-2)以提高磨粒辨识模型的辨识准确性为优化目标,建立优化模型
式中,UA表示辨识模型的准确性;采用知识引导的方法确定遗传算法优化的初始种群,以保证算法在优化过程中找到最优点,所以初始种群包含两部分:根据知识确定的个体和随机产生的个体,即其中n1为知识确定的个体数量,n2为随机产生的个体数量;随机产生的种群个体根据(8b)在[0,1]之间通过随机方式产生,并且满足/>
其中,WL表示证据重要性因子w的下限值,WU表示w的上限值,mW为一个个体中包含的待优化参数个数;优化后的模型作为最终的磨粒类型辨识模型,从柴油机在线油液监测系统中采集磨粒图像,利用步骤(4)进行处理,再一次重复步骤(6)~步骤(9)即可得到更为准确地柴油机磨粒类型辨识结果。
本发明提出的基于信息融合的船舶柴油机磨粒类型辨识方法,从柴油机在线油液监测系统中获得磨粒样本,包含五种磨粒类型,分别为(严重滑动磨损磨粒)SSL,(切削磨粒)C,(疲劳块状磨粒)FS,(层状磨粒)L,(球状磨粒)SP,利用图像处理技术对获取的磨粒图像进行校正去噪并提取磨粒的形貌特征;确定输入特征的参考值集合,并计算它们关于参考值的综合相似度分布;利用样本集合的综合相似度分布构造反映输入信号与五种磨粒类型之间关系的投点统计表;由投点统计表转换得到输入特征信号的证据矩阵表;确定输入信息源的可靠性;利用置信规则推理和证据推理规则融合输入样本向量激活的证据并从融合结果推理磨粒样本对应的磨粒类型;构建磨粒类型辨识参数优化模型,采用遗传算法对磨粒类型辨识模型参数进行优化以提高模型准确性;基于最优参数集合重复上述步骤推理测试样本对应的磨粒类型。根据本发明方法编制的程序(编译环境Matlab)可以在监测计算机上运行,并联合传感器、数据采集器等硬件组成监测系统,从而实现对船舶柴油机磨粒类型的智能辨识,降低了辨识的复杂性,提高了辨识的精度。
附图说明
图1是本发明方法的流程框图;
图2是本发明利用平均轮廓系数和k均值聚类的方法确定每一个输入特征参考值的具体流程图。
图3是本发明方法实施例中利用总体样本所得到的基于信息融合的船舶柴油机磨粒类型辨识方法的辨识结果图。
具体实施方式
本发明提出的一种基于信息融合的船舶柴油机磨粒类型辨识方法,其流程如图1所示,包括以下各步骤:
(1)从中速柴油机在线油液监测系统中采集油样,将油样中的磨粒类型分为(严重滑动磨损磨粒)SSL,(切削磨粒)C,(疲劳块状磨粒)FS,(层状磨粒)L,(球状磨粒)SP,这五种磨粒类型构成模型的辨识框架,记为Y,Y=[SSL,C,FS,L,SP]。
(2)对于采集的多份油样,制作滤膜谱片并拍照,从磨粒图片中提取油样中磨粒二维几何形貌特征:体态比(AR),当量直径(De)(单位为μm),圆度(R)和三维表面形貌特征:表面粗糙度均值(Sa)(单位为μm),表面纹理指数(Stdi)。
将AR,De,R,Sa,Stdi作为输入特征信号依次映射为辨识模型的输入f1(t),f2(t),f3(t),f4(t)和f5(t),t为磨粒样本编号,且t=[1,2,...,T],T为磨粒样本总数。
将f1(t)、f2(t)、f3(t)、f4(t)、f5(t)和Y(t)表示成样本集合
S={[f1(t),f2(t),f3(t),f4(t),f5(t),Y(t)]|t=1,2,...,T},
其中[f1(t),f2(t),f3(t),f4(t),f5(t),Y(t)]为一个样本向量。
(3)确定磨粒类型辨识模型输入特征的参考值;磨粒的二维特征和三维特征fi的输入参考值集合Ji为每一磨粒特征fi的参考值个数;如图2所示,本发明提出综合利用平均轮廓系数和k均值聚类的方法确定每个输入特征的参考值,对样本集中每一个磨粒特征进行k均值聚类,聚类中心为/>并且/>Ti为第i个特征的聚类中心数,由样本集中的每一特征的平均轮廓系数s确定,即Ti=argmax{sk|0≤sk≤1,k=1,2,...,K},K表示循环次数;将每一个特征的最小值Qi和最大值/>按递增顺序组成第i个特征的参考值量化值为了便于对输入参考值的理解,这里举例说明。设从船舶柴油机在线油液监测系统采集了T=150组样本向量构成样本集合,对样本集合中的数据进行预处理后,可得输入特征信号f1,f2,f3,f4,f5的取值范围分别为[1.05,11],[4.5,140],[0.01,1],[0.01,0.6],[0.01,1];根据步骤(3)确定f1的输入参考值集合A1={1.071,1.9469,7.1809,10.32},J1=4;f2的输入参考值集合A2={4.84,26.795,80.228,136.66,},J2=4;f3的输入参考值集合A3={0.04,0.1390,0.4780,0.8012,0.902},J3=5;f4的输入参考值集合A4={0.042,0.1297,0.4062,0.565},J4=4;f5的输入参考值集合A5={0.037,0.0893,0.3294,0.8743,0.878},J5=5。
(4)将T个样本向量[f1(t),f2(t),f3(t),f4(t),f5(t),Y(t)]中的输入特征fi(t)分别用分段线性函数变化为关于参考值相似度的形式,具体步骤如下,样本对(fi(t),Y(t))的输入特征fi(t)匹配参考值的相似度分布为:
其中,磨粒特征fi(t)通过式(1b)等价转换成相似度分布的形式,其中αi,j表示fi(x)与参考等级的相似程度;
为了加深对样本的参考值相似度的理解,这里假设一个样本向量[f1,f2,f3,f4,f5]=[1.1416,72.729,0.483,0.829,0.123],沿用步骤(3)例子假定的输入参考值集合,由式(2b)可得输入值f1匹配参考值的相似度为α1,1=0.606,α1,2=0.394;输入值f2匹配参考值的相似度为α2,2=0.140,α2,3=0.860;输入值f3匹配参考值的相似度为α3,3=0.985,α3,4=0.015;输入值f4匹配参考值的相似度为α4,4=1;输入值f5匹配参考值的相似度为α5,2=0.860,α5,3=0.140。
(5)采用投点方式确定每一个磨粒特征在每一参考值下的置信度分布,如表1所示;定义对于参考值/>的证据为/>其中/>表示输入样本[f1(t),f2(t),f3(t),f4(t),f5(t)]中第i个磨粒特征在参考值/>下为第n种磨粒类型的置信度,由式(2)计算所得
式中表示为第n种磨粒类型的样本的第i个特征与参考等级/>的相似程度之和;
表1第i个磨粒特征的置信度分布
为了便于理解上表所示的第i个磨粒特征的置信度分布,沿用步骤(3)中的样本集合与参考值集合,根据步骤(4)获得样本集合所有T=150个样本的综合相似度分布,即可构造出置信度分布表,如下表2-6所示:
表2第1个磨粒特征的置信度分布
表3第2个磨粒特征的置信度分布
表4第3个磨粒特征的置信度分布
表5第4个磨粒特征的置信度分布
表6第5个磨粒特征的置信度分布
(6)确定每一磨粒特征信息来源的可靠性因子ri(i=1,2,...,5)描述输入特征对磨粒类型辨识的能力,从多角度评价信息来源的可靠性,将历史样本的可信度δ1和磨粒特征提取的难易程度δ2作为评价指标,历史样本来源越可靠,δ1越大,磨粒特征提取复杂程度越小,越容易获取,δ2越大,故可靠性因子ri为
ri是每一磨粒特征(即每一证据)的客观属性,其数量与模型中采用的磨粒特征数量相等。
为了加深对可靠性ri的理解,在前例所采集样本集合的基础上做如下分析:历史样本集中样本对应的磨粒类型是根据领域专家经验确定的,为不失一般性,设样本集磨粒类型的可信度为0.95。在磨粒特征提取过程中,因为磨粒二维特征提取方式比三维特征提取方式更为成熟,三维特征提取过程更为复杂,所以每个二维特征的初始可靠性为0.95,每个三维特征的初始可靠性为0.9。所以由可知,五个证据AR,De,R,Sa,Stdi的最终可靠性分别为:0.9,0.9,0.9,0.86,0.86。
(7)确定每一磨粒特征在证据融合过程中的重要性因子wi(i=1,2,...5)描述输入特征在磨粒辨识过程中所起作用的大小,在本发明中,每一磨粒特征在划分为个参考值,所以认为每一参考值下对应的五种磨粒类型的置信度分布均作为一条子证据,重要性为/> 的数量与辨识模型的磨粒特征个数和每一特征的参考值个数有关,即/>根据式(4)采用组合赋权的方式确定第i个磨粒特征的重要性因子wi:
其中αi,j表示样本第i个磨粒特征的数值与第j个参考值的相似程度;/>的初始值均设为1,认为所有证据对生成最终磨粒辨识结果同等重要;/>的最终值通过遗传算法优化确定,以提高模型的辨识准确性。
(8)每一磨粒特征对应的证据ei可由被激活的两参考值对应的子证据融合得到,具体为:输入样本第i个磨粒特征对应的数值fi(t)必然落在两个参考值构成的区间中,根据式(1b)可知,该输入值与/>的相似程度分别为αi,j,αi,j+1,此时这两个参考值对应的子证据/>和/>被激活,根据式(5a)(5b)采用解析ER算法将两条被激活的子证据/>和/>以非线性方式进行融合,得到最终每一磨粒特征对应的证据ei={(Yn,pn,i),n=1,2,...,N};
为了加深对步骤(8)的理解,沿用步骤(4)的样本向量[f1,f2,f3,f4,f5]=[1.1416,72.729,0.483,0.829,0.123]。该样本中AR的值与参考值的相似性分别为α1,1=0.606,α1,2=0.394,激活证据/>De的值与参考值/>的相似性分别为α2,2=0.140,α2,3=0.860,激活证据/>R的值与参考值/>的相似性分别为α3,3=0.985,α3,4=0.015,激活证据/>Sa的值大于该特征的最大值,所以该特征激活证据/>并且α4,4=1;Stdi的值与参考值/>的相似性分别为α5,2=0.860,α5,3=0.140,激活证据/>样本最终激活的证据为:
e1={(h1:0.178),(h2:0.064),(h3:0.240),(h4:0.258),(h5:0.261)};
e2={(h1:0.390),(h2:0.121),(h3:0.273),(h4:0.206),(h5:0.011)};
e3={(h1:0.363),(h2:0.049),(h3:0.317),(h4:0.269),(h5:0.003)};
e4={(h1:0.892),(h2:0),(h3:0.108),(h4:0),(h5:0)};
e5={(h1:0.374),(h2:0.242),(h3:0.128),(h4:0.198),(h5:0.058)};
(9)对五个磨粒特征进行融合,以确定输入样本(f1(t),f2(t),f3(t),f4(t),f5(t))对应的辨识结果;利用步骤(6)~步骤(8)中确定的待融合证据的可靠性因子ri,重要性因子wi和置信度分布ei,采用证据推理规则的方式确定该样本对应的五种磨粒类型的置信度分布{(SSL,p1),(C,p2),...,(SP,p5)};
最终样本(f1(t),f2(t),f3(t),f4(t),f5(t))对应的磨粒类型辨识结果为:
为了加深对步骤(9)的理解,利用式(6)对步骤(8)中获得的五条证据进行融合得到最终的辨识结果为
{(h1:0.724),(h2:0.039),(h3:0.127),(h4:0.088),(h5:0.022)};
根据式(7)可知,该样本被辨识为严重滑动磨损磨粒。
(10)基于遗传算法构建磨粒类型辨识参数优化模型,具体步骤如下:
(10-1)将每一证据的重要性因子作为待优化的参数,确定优化参数集合待优化参数数量为/>
(10-2)以提高磨粒辨识模型的辨识准确性为优化目标,建立优化模型
式中,UA表示辨识模型的准确性;采用知识引导的方法确定遗传算法优化的初始种群,以保证算法在优化过程中找到最优点,所以初始种群包含两部分:根据知识确定的个体和随机产生的个体,即其中n1为知识确定的个体数量,n2为随机产生的个体数量;随机产生的种群个体根据(8b)在[0,1]之间通过随机方式产生,并且满足/>
其中,WL表示证据重要性因子w的下限值,WU表示w的上限值,mW为一个个体中包含的待优化参数个数;优化后的模型作为最终的磨粒类型辨识模型,从柴油机在线油液监测系统中采集磨粒图像,利用步骤(4)进行处理,再一次重复步骤(6)~步骤(9)即可得到更为准确地柴油机磨粒类型辨识结果。
以下结合附图,详细介绍本发明方法的实施例:
本发明方法的流程图如图1所示,核心部分是:从船舶柴油机在线油液监测系统中获得磨粒样本,利用图像处理技术对采集的磨粒图像进行校正去噪并提取磨粒的形貌特征;确定输入特征的参考值集合,并计算它们关于参考值的综合相似度分布;利用样本集合的综合相似度分布构造反映输入信号与五种磨粒类型之间关系的投点统计表;由投点统计表转换得到输入特征信号的证据矩阵表;确定输入信息源的可靠性;利用置信规则推理和证据推理规则融合输入样本向量激活的证据并从融合结果推理磨粒样本对应的磨粒类型;构建磨粒类型辨识参数优化模型,采用遗传算法对磨粒类型辨识模型参数进行优化以提高模型准确性;基于最优参数集合重复上述步骤推理测试样本对应的磨粒类型。
以下结合在船舶中速柴油机在线油液监测系统中采集的数据,详细介绍本发明方法的各个步骤。
1、实验数据的采集及预处理
从中速柴油机在线油液监测系统中提取油样,将油样中的磨粒类型分为(严重滑动磨损磨粒)SSL,(切削磨粒)C,(疲劳块状磨粒)FS,(层状磨粒)L,(球状磨粒)SP磨粒;这五种磨粒类型构成模型的辨识框架,记为Y,Y=[SSL,C,FS,L,SP]。
2、确定磨粒类型辨识模型的输入与输出关系
对于采集的多份油样,制作滤膜谱片并拍照,从磨粒图片中提取油样中磨粒二维几何形貌特征:体态比(AR),当量直径(De)(单位为μm),圆度(R)和三维表面形貌特征:表面粗糙度均值(Sa)(单位为μm),表面纹理指数(Stdi)。
将AR,De,R,Sa,Stdi作为输入特征信号依次映射为辨识模型的输入f1(t),f2(t),f3(t),f4(t)和f5(t),t为磨粒样本编号,且t=[1,2,...,T],T为磨粒样本总数。
将f1(t)、f2(t)、f3(t)、f4(t)、f5(t)和Y(t)表示成样本集合
S={[f1(t),f2(t),f3(t),f4(t),f5(t),Y(t)]|t=1,2,...,T}
其中[f1(t),f2(t),f3(t),f4(t),f5(t),Y(t)]为一个样本向量。
3、确定磨粒类型辨识模型输入特征的参考值
磨粒的二维特征和三维特征fi(t)的输入参考值集合Ji为每一磨粒特征fi的参考值个数。本发明采集了T=150组样本向量构成样本集合,样本集合中的数据经步骤(2)预处理后,可得输入特征信号f1,f2,f3,f4,f5的取值范围分别为[1.05,11],[4.5,140],[0.01,1],[0.01,0.6],[0.01,1];f1的输入参考值集合A1={1.071,1.9469,7.1809,10.32},J1=4;f2的输入参考值集合A2={4.84,26.795,80.228,136.66,},J2=4;f3的输入参考值集合A3={0.04,0.1390,0.4780,0.8012,0.902},J3=5;f4的输入参考值集合A4={0.042,0.1297,0.4062,0.565},J4=4;f5的输入参考值集合A5={0.037,0.0893,0.3294,0.8743,0.878},J5=5。
4、将T个样本向量[f1(t),f2(t),f3(t),f4(t),f5(t),Y]中的输入特征fi(t)分别用定性信息转换方法变化为关于参考值相似度的形式。这里一个样本向量[f1,f2,f3,f4,f5]=[1.1416,72.729,0.483,0.829,0.123],沿用步骤3例子假定的输入参考值集合,由式(2b)可得输入值f1匹配参考值的相似度为α1,1=0.606,α1,2=0.394;输入值f2匹配参考值的相似度为α2,2=0.140,α2,3=0.860;输入值f3匹配参考值的相似度为α3,3=0.985,α3,4=0.015;输入值f4匹配参考值的相似度为α4,4=1;输入值f5匹配参考值的相似度为α5,2=0.860,α5,3=0.140。
5、确定每一输入特征的置信度分布
为了便于理解上表所示的第i个磨粒特征的置信度分布,沿用步骤(3)中的样本集合与参考值集合,根据步骤(4)获得样本集合所有t=150个样本的综合相似度分布,即可构造出置信度分布表,如下表所示:
表7第1个磨粒特征的置信度分布
表8第2个磨粒特征的置信度分布
表9第3个磨粒特征的置信度分布
表10第4个磨粒特征的置信度分布
表11第5个磨粒特征的置信度分布
6、确定每一条磨粒特征信息来源的可靠性
在前例所采集样本集合的基础上做如下分析:历史样本集中样本对应的磨粒类型是根据领域专家经验确定的,为不失一般性,设样本集磨粒类型的可信度为0.95。在磨粒特征提取过程中,因为磨粒二维特征提取方式比三维特征提取方式更为成熟,所以每个二维特征的初始可靠性为0.95,每个三维特征的初始可靠性为0.9。所以由可知,五个证据AR,De,R,Sa,Stdi的最终可靠性分别为:0.9,0.9,0.9,0.86,0.86。
7、确定每一磨粒特征在证据融合过程中的重要性因子wi(i=1,2,...5)
在本发明中,每一磨粒特征被划分为个参考值,所以认为每一参考值下对应的五种磨粒类型的置信度分布具有相应的证据重要性因子/> 的数量与辨识模型的磨粒特征个数和每一条特征的参考值个数有关,即/>根据式(4)采用组合赋权的方式确定第i个磨粒特征的重要性因子wi:
其中αi,j表示样本第i个磨粒特征的数值与第j个参考值Ai,j的相似程度;的初始值均设为1,认为所有证据对生成最终结果同等重要;/>的最终值通过遗传算法(GA)优化确定,以提高模型的辨识准确性。
8、确定每一磨粒特征作为待融合证据ei的置信度分布
沿用步骤4的样本向量[f1,f2,f3,f4,f5]=[1.1416,72.729,0.483,0.829,0.123]。该样本中AR的值与参考值的相似性分别为α1,1=0.606,α1,2=0.394,激活证据/>De的值与参考值/>的相似性分别为α2,2=0.140,α2,3=0.860,激活证据/>R的值与参考值/>的相似性分别为α3,3=0.985,α3,4=0.015,激活证据/>Sa的值大于该特征的最大值,所以该特征激活证据/>并且α4,4=1;Stdi的值与参考值/>的相似性分别为α5,2=0.860,α5,3=0.140,激活证据/>样本最终激活的证据为:
e1={(h1:0.178),(h2:0.064),(h3:0.240),(h4:0.258),(h5:0.261)};
e2={(h1:0.390),(h2:0.121),(h3:0.273),(h4:0.206),(h5:0.011)};
e3={(h1:0.363),(h2:0.049),(h3:0.317),(h4:0.269),(h5:0.003)};
e4={(h1:0.892),(h2:0),(h3:0.108),(h4:0),(h5:0)};
e5={(h1:0.374),(h2:0.242),(h3:0.128),(h4:0.198),(h5:0.058)};
9、对五个磨粒特征进行融合,以确定输入样本(f1(t),f2(t),f3(t),f4(t),f5(t))对应的辨识结果
对步骤8中获得的五条证据进行融合得到最终的辨识结果为
{(h1:0.724),(h2:0.039),(h3:0.127),(h4:0.088),(h5:0.022)};
所以该样本被辨识为严重滑动磨损磨粒。
10、构建磨粒类型辨识参数优化模型,采用GA对磨粒类型辨识模型参数进行优化以提高模型准确性
确定优化参数集合待优化参数数量为/>建立优化模型
式中,UA表示辨识模型的准确性;采用知识引导的方法确定遗传算法优化的初始种群,以保证算法在优化过程中找到最优点,所以在本发明中初始种群包含两部分:根据知识确定的个体和随机产生的个体,即其中n1为知识确定的个体数量,n2为随机产生的个体数量;随机产生的种群个体根据(8b)在[0,1]之间通过随机方式产生,并且满足/>
其中,WL表示证据重要性因子w的下限值,WU表示w的上限值,mW为一个个体中包含的待优化参数个数;优化后的模型作为最终的磨粒类型辨识模型,从柴油机在线油液监测系统中采集磨粒图像,利用步骤(4)进行处理,再一次重复步骤(6)~步骤(9)即可得到更为准确地柴油机磨粒类型辨识结果。优化后的船舶柴油机磨粒类型辨识方法准确率为0.9467,优化后的船舶柴油机磨粒类型辨识方法利用总体样本所得到的辨识结果如图3所示。
Claims (1)
1.一种基于信息融合的船舶柴油机磨粒类型辨识方法,其特征在于该方法包括以下步骤:
(1)从中速柴油机在线油液监测系统中采集油样,将油样中的磨粒类型分为严重滑动磨损磨粒,用SSL表示;切削磨粒,用C表示;疲劳块状磨粒,用FS表示;层状磨粒,用L表示;球状磨粒,用SP表示;这五种磨粒类型构成模型的辨识框架,记为Y,Y=[SSL,C,FS,L,SP];
(2)对于采集的多份油样,制作滤膜谱片并拍照,从磨粒图片中提取油样中磨粒二维几何形貌特征:体态比AR,当量直径De,圆度R和表面粗糙度均值Sa,表面纹理指数Stdi;
将体态比AR,当量直径De,圆度R和表面粗糙度均值Sa,表面纹理指数Stdi作为输入特征信号依次映射为辨识模型的输入f1(t),f2(t),f3(t),f4(t)和f5(t),t为磨粒样本编号,且t=[1,2,...,T],T为磨粒样本总数;
将f1(t)、f2(t)、f3(t)、f4(t)、f5(t)和Y(t)表示成样本集合S={[f1(t),f2(t),f3(t),f4(t),f5(t),Y(t)]|t=1,2,...,T},其中[f1(t),f2(t),f3(t),f4(t),f5(t),Y(t)]为一个样本向量;
(3)确定磨粒类型辨识模型输入特征的参考值;磨粒的二维特征和三维特征fi的输入参考值集合Ji为每一磨粒特征fi的参考值个数;
采用综合利用平均轮廓系数和k均值聚类确定每个输入特征的参考值,对样本集中每一个磨粒特征进行k均值聚类,聚类中心为并且/>Ti为第i个特征的聚类中心数,由样本集中的每一特征的平均轮廓系数s确定,即Ti=arg max{sk|0≤sk≤1,k=1,2,...,K},K表示循环次数;将每一个特征的最小值/>Qi和最大值按递增顺序组成第i个特征的参考值量化值/>
(4)将T个样本向量[f1(t),f2(t),f3(t),f4(t),f5(t),Y(t)]中的输入特征fi(t)分别用分段线性函数转化为关于参考值相似度的形式:
样本对(fi(t),Y(t))的输入特征fi(t)匹配参考值的相似度分布为:
其中,磨粒特征fi(t)通过式(1b)等价转换成相似度分布的形式,其中αi,j表示fi(x)与参考等级的相似程度;
(5)采用投点方式确定每一个磨粒特征在每一参考值下的置信度分布,定义对于参考值/>的证据为/>其中/>表示输入样本[f1(t),f2(t),f3(t),f4(t),f5(t)]中第i个磨粒特征在参考值/>下为第n种磨粒类型的置信度,由式(2)计算所得
式中表示为第n种磨粒类型的样本的第i个特征与参考等级/>的相似程度之和,i=1,...,5;/>n=1,2,...,N;
(6)确定每一磨粒特征信息来源的可靠性因子ri描述输入特征对磨粒类型辨识的能力,从多角度评价信息来源的可靠性,i=1,2,...,5;
将历史样本的可信度δ1和磨粒特征提取的难易程度δ2作为评价指标,历史样本来源越可靠,δ1越大,磨粒特征提取复杂程度越小,越容易获取,δ2越大,故可靠性因子ri为:
ri是每一磨粒特征的客观属性,其数量与模型中采用的磨粒特征数量相等;
(7)确定每一磨粒特征在证据融合过程中的重要性因子wi描述输入特征在磨粒辨识过程中所起作用的大小,i=1,2,...5,每一磨粒特征在划分为个参考值,所以认为每一参考值下对应的五种磨粒类型的置信度分布均作为一条子证据,重要性为 的数量与辨识模型的磨粒特征个数和每一特征的参考值个数有关,即/>根据式(4)采用组合赋权的方式确定第i个磨粒特征的重要性因子wi:
其中αi,j表示样本第i个磨粒特征的数值与第j个参考值的相似程度;/>的初始值均设为1,认为所有证据对生成最终磨粒辨识结果同等重要;/>的最终值通过遗传算法优化确定,以提高模型的辨识准确性;
(8)每一磨粒特征对应的证据ei可由被激活的两参考值对应的子证据融合得到;具体为:输入样本第i个磨粒特征对应的数值fi(t)必然落在两个参考值构成的区间中,根据式(1b)可知,该输入值与/>的相似程度分别为αi,j,αi,j+1,此时这两个参考值对应的子证据/>和/>被激活,根据式(5a),(5b)采用解析ER算法将两条被激活的子证据/>和以非线性方式进行融合,得到最终每一磨粒特征对应的证据ei={(Yn,pn,i),n=1,2,...,N};
(9)对五个磨粒特征进行融合,以确定输入样本(f1(t),f2(t),f3(t),f4(t),f5(t))对应的辨识结果;利用步骤(6)~步骤(8)中确定的待融合证据的可靠性因子ri,重要性因子wi和置信度分布ei,采用证据推理规则的方式确定该样本对应的五种磨粒类型的置信度分布{(SSL,p1),(C,p2),...,(SP,p5)};
最终样本(f1(t),f2(t),f3(t),f4(t),f5(t))对应的磨粒类型辨识结果为:
(10)基于遗传算法构建磨粒类型辨识参数优化模型,具体步骤如下:
(10-1)将每一证据的重要性因子作为待优化的参数,确定优化参数集合待优化参数数量为/>
(10-2)以提高磨粒辨识模型的辨识准确性为优化目标,建立优化模型
式中,UA表示辨识模型的准确性;采用知识引导确定遗传算法优化的初始种群,以保证算法在优化过程中找到最优点,所以初始包含两部分:根据知识确定的个体和随机产生的个人,即其中n1为知识确定的个体数量,n2为随机产生的个体数量;随机产生的种群个体根据(8b)在[0,1]之间通过随机方式产生,并且满足
其中,WL表示证据重要性因子w的下限值,WU表示w的上限值,mW为一个个体中包含的待优化参数个数;优化后的模型作为最终的磨粒类型辨识模型,从柴油机在线油液监测系统中采集磨粒图像,利用步骤(4)进行处理,再一次重复步骤(6)~步骤(9)即可得到更为准确地柴油机磨粒类型辨识结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811655295.0A CN109740254B (zh) | 2018-12-29 | 2018-12-29 | 一种基于信息融合的船舶柴油机磨粒类型辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811655295.0A CN109740254B (zh) | 2018-12-29 | 2018-12-29 | 一种基于信息融合的船舶柴油机磨粒类型辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109740254A CN109740254A (zh) | 2019-05-10 |
CN109740254B true CN109740254B (zh) | 2023-08-18 |
Family
ID=66363075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811655295.0A Active CN109740254B (zh) | 2018-12-29 | 2018-12-29 | 一种基于信息融合的船舶柴油机磨粒类型辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740254B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110132603B (zh) * | 2019-05-16 | 2020-09-29 | 杭州电子科技大学 | 基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法 |
CN110850206A (zh) * | 2019-11-13 | 2020-02-28 | 武汉理工大学 | 基于置信规则推理的逆变器电容老化故障诊断方法 |
CN111964865B (zh) * | 2020-08-12 | 2021-04-27 | 中国商用飞机有限责任公司 | 用于飞机冰风洞试验的砂纸冰型粗糙度的计算方法 |
CN113515887A (zh) * | 2021-05-07 | 2021-10-19 | 杭州电子科技大学 | 一种船舶柴油机磨粒类型辨识模型动态更新方法 |
CN115018845B (zh) * | 2022-08-09 | 2022-10-25 | 聊城市泓润能源科技有限公司 | 一种润滑油磨粒质量检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5787235A (en) * | 1995-05-09 | 1998-07-28 | Gte Government Systems Corporation | Fuzzy logic-based evidence fusion tool for network analysis |
CN102707037A (zh) * | 2012-06-01 | 2012-10-03 | 广州机械科学研究院有限公司 | 柴油机润滑油在线监测系统 |
CN105923014A (zh) * | 2016-04-27 | 2016-09-07 | 杭州电子科技大学 | 一种基于证据推理规则的轨道高低不平顺幅值估计方法 |
-
2018
- 2018-12-29 CN CN201811655295.0A patent/CN109740254B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5787235A (en) * | 1995-05-09 | 1998-07-28 | Gte Government Systems Corporation | Fuzzy logic-based evidence fusion tool for network analysis |
CN102707037A (zh) * | 2012-06-01 | 2012-10-03 | 广州机械科学研究院有限公司 | 柴油机润滑油在线监测系统 |
CN105923014A (zh) * | 2016-04-27 | 2016-09-07 | 杭州电子科技大学 | 一种基于证据推理规则的轨道高低不平顺幅值估计方法 |
Non-Patent Citations (1)
Title |
---|
徐晓健 ; 严新平 ; 盛晨兴 ; 袁成清 ; .基于证据推理规则的船舶柴油机磨损类型辨识研究.摩擦学学报.2017,(第06期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN109740254A (zh) | 2019-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740254B (zh) | 一种基于信息融合的船舶柴油机磨粒类型辨识方法 | |
CN109765053B (zh) | 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法 | |
CN101893704B (zh) | 一种基于粗糙集的雷达辐射源信号识别方法 | |
CN110044554A (zh) | 一种基于声发射信号的金属压力容器泄漏的在线检测方法 | |
CN108304941A (zh) | 一种基于机器学习的故障预测方法 | |
Yan et al. | Intelligent wear mode identification system for marine diesel engines based on multi-level belief rule base methodology | |
CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
CN115953666B (zh) | 一种基于改进Mask-RCNN的变电站现场进度识别方法 | |
CN113159546A (zh) | 无监督降维密度聚类的农作物供应链危害物风险判断方法及系统 | |
CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
CN110701487B (zh) | 一种基于KPCA和Cas-SVDD的多工况管道泄漏检测方法 | |
Lei et al. | Fault diagnosis of rotating machinery based on a new hybrid clustering algorithm | |
CN117315379B (zh) | 面向深度学习的医学影像分类模型公平性评估方法及装置 | |
Zheng et al. | An unsupervised transfer learning method based on SOCNN and FBNN and its application on bearing fault diagnosis | |
Akrim et al. | A framework for generating large data sets for fatigue damage prognostic problems | |
CN111695582A (zh) | 一种颤振纹理的检测方法及其装置 | |
CN116738297B (zh) | 一种基于深度自编码的糖尿病分型方法和系统 | |
CN113837578A (zh) | 一种电力监理企业网格化监督管理评价方法 | |
CN116862284A (zh) | 基于som网络与规则融合的船用柴油机健康状态评估方法 | |
CN116735610A (zh) | 一种基于机器视觉的钢管表面缺陷检测方法 | |
CN116958964A (zh) | 一种数据知识双驱动的硅藻图像分类系统和方法 | |
CN115095535B (zh) | 一种工业泵运行多参数检测仪 | |
CN114383846A (zh) | 基于故障标签信息向量的轴承复合故障诊断方法 | |
CN114358502A (zh) | 一种基于优化elm的食用油风险评估方法 | |
Rdzhabov et al. | Performance analysis of deep learning models for heart segmentation in chest x-ray images on a small dataset |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |