CN110208124A - 基于磨粒磨损机理的机械磨损系统的开发方法 - Google Patents
基于磨粒磨损机理的机械磨损系统的开发方法 Download PDFInfo
- Publication number
- CN110208124A CN110208124A CN201910465025.1A CN201910465025A CN110208124A CN 110208124 A CN110208124 A CN 110208124A CN 201910465025 A CN201910465025 A CN 201910465025A CN 110208124 A CN110208124 A CN 110208124A
- Authority
- CN
- China
- Prior art keywords
- abrasive grain
- image
- wear
- abrasive
- debris
- 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.)
- Pending
Links
- 230000007246 mechanism Effects 0.000 title claims abstract description 30
- 238000011161 development Methods 0.000 title claims abstract description 14
- 238000013459 approach Methods 0.000 title claims abstract description 7
- 239000006061 abrasive grain Substances 0.000 claims abstract description 243
- 239000002245 particle Substances 0.000 claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000012706 support-vector machine Methods 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 26
- 238000005299 abrasion Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 68
- 230000006870 function Effects 0.000 claims description 60
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 238000002474 experimental method Methods 0.000 claims description 9
- 238000013517 stratification Methods 0.000 claims description 7
- 230000000052 comparative effect Effects 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 abstract description 20
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 230000004069 differentiation Effects 0.000 abstract description 3
- 238000013178 mathematical model Methods 0.000 abstract description 2
- 238000001914 filtration Methods 0.000 description 26
- 238000005516 engineering process Methods 0.000 description 18
- 230000011218 segmentation Effects 0.000 description 18
- 238000011160 research Methods 0.000 description 16
- 230000000694 effects Effects 0.000 description 15
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 14
- 238000012549 training Methods 0.000 description 12
- 230000018109 developmental process Effects 0.000 description 11
- 238000005260 corrosion Methods 0.000 description 9
- 230000007797 corrosion Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 230000008021 deposition Effects 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 8
- 230000000877 morphologic effect Effects 0.000 description 8
- 241001292396 Cirrhitidae Species 0.000 description 7
- 229910052742 iron Inorganic materials 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 7
- 230000002902 bimodal effect Effects 0.000 description 6
- 238000003709 image segmentation Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 238000010183 spectrum analysis Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000009499 grossing Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 239000010687 lubricating oil Substances 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005311 autocorrelation function Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000002679 ablation Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000000262 chemical ionisation mass spectrometry Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010030 laminating Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 239000000314 lubricant Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 108700002783 roundabout Proteins 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/56—Investigating resistance to wear or abrasion
- G01N3/565—Investigating resistance to wear or abrasion of granular or particulate material
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于磨粒磨损机理的机械磨损系统的开发方法,包括磨粒图像预处理模块、特征提取模块以及磨粒识别模块,图像处理模块主要是对磨粒图像进行处理,磨粒特征提取模块主要是对磨粒进行几何和纹理特征的提取,图像识别模块是对磨粒所属类型进行判别,针对机械设备磨损状态监测准确率较低的问题,基于不同磨损机理下磨粒具有不同的形状和纹理特征,提出了一种基于磨粒特征识别的机械磨损状态监测的数学模型。通过形状特征识别球状磨粒和切削磨粒,结合形状、纹理特征识别疲劳磨粒和严重滑动磨粒,基于提取的特征参数建立机械磨损状态监测的特征向量,通过支持向量机分类器模型,实现对机械磨损状态的监测和判别。
Description
技术领域
本发明涉及磨粒识别技术领域,具体是基于磨粒磨损机理的机械磨损系统的开发方 法。
背景技术
在工业生产领域,由于市场对产品精度的要求越来越高,对机械设备的运行准确的要 求也随之提高,而机械设备的故障不仅会引起巨大的经济损失,甚至危及人身安全。例如 在航空工业里,飞机若有任何小小的失误都有可能造成无法估计的损失。
设备的维修方式经历了以下几个主要阶段:一是事后维修,在这一阶段,人们不会主 动维修,主要采取不坏不修的方式;二是定期维修,工人定时给机器进行维修,但是由于时间间隔难以准确掌握,市场出现过度维修或者突然停机等状况;三是视情维修,这一阶段是由美国军方最先提出来的,视机械设备的工作情况采取的维修,但是设备工作状态难以准确把握,设备运行状态的监测技术成为是其实现的关键因素。随着工业发展,视情维修被各行业纷纷效仿,因此带动了故障诊断技术的迅速发展。
经过研究大量的专业资料,发现大部分的设备故障是由设备磨损导致的。20世纪70 年代,一种称为铁谱分析的故障诊断技术发展起来,这种技术主要是对润滑油中的磨粒进 行了定量分析和定性分析,也就是通过分析磨粒的尺寸、形状、颜色和纹理等特征,来判别磨粒的类型,进而断定设备此时的磨损状态和位置以及产生故障的原因。
智能铁谱分析随着计算机的图像处理技术和人工智能的快速发展应运而生,通过对磨 粒图像处理技术及识别技术等关键技术的进一步研究,可以快速、智能地对设备磨损状态 和故障位置进行判断,在减轻工作人员的工作负担,提高分析准确率及缩短铁谱分析时间 等方面具有重大意义[10]。
(二)铁谱分析技术的发展
目前,光谱分析是发动机润滑油中金属含量分析的主要方法,但它也有很多的缺点: 一、对于不同尺寸的微粒不能够进行定量分析;二、对于大尺寸微粒的鉴别不灵敏;三、无法观察微粒的形态;四、成本太高。通过反复试验发现,机械润滑剂中的颗粒可分为两类,一种是磨损颗粒,另一种是与磨损颗粒混合的剩余介质中的颗粒,数量非常大。鉴于 大部分设备是由钢铁制成的,研究者想到利用磁铁来吸附磨粒,并进行实验验证,最终得 到了铁谱仪,一种新的油液分析技术也由此而生。
铁谱技术是一种以磨粒分析为基础的磨损诊断技术,机械设备在正常运行时就可以采 用该技术对零部件进行状态监测,实时地判断设备的运行状态及磨损程度。在铁谱仪磁场 的作用下,机械设备产生的磨粒可以从润滑油中分离出来,由于磨粒产生地工况条件和部 位不同,使得磨粒具有不同的特性,因而可以通过观察磨粒的形貌、纹理及色泽,纹理等 特征来推断机械设备的磨损程度、磨损原因,甚至是磨损部位。
铁谱分析技术在故障诊断方面主要有定性、定量、以及定性与定量相结合等铁谱诊断 法。
铁谱分析技术自诞生以来,以磨粒为研究对象的机械设备状态监测和故障诊断的新领 域也由此产生。铁谱分析技术在各个领域得到了广泛的应用:机器设备的磨损状态检测; 磨损机理的研究;机械设备失效性与可靠性分析;医疗工程等。
(三)铁谱磨粒图像处理和识别中存在的问题
摩擦和磨损是机械设备运行过程中不可避免的问题,而机械设备的磨损状态 通常难以直接检测。磨粒是设备摩擦过程中产生的颗粒,可以反映出机械磨损的 状态,因而可以借助磨粒对机械的磨损状态进行监测。研究表明磨粒的外形、大 小等特征能够反映出大量来自相对运动表面的摩擦学信息,球状磨粒、切削磨粒、 疲劳磨粒和严重滑动磨粒等类型的识别就找到了依据。不同磨损类型的磨粒图像 如图1-1和图1-2所示,图1-1上有磨粒沉积链和严重滑动磨粒,而图1-2有疲 劳磨粒。近年来,虽然磨粒图像处理与识别已经取得了很好研究成果,在工业中 也越来越普遍应用铁谱分析系统,但因为磨粒特征复杂性、随机性和模糊性等确 定的存在,使得系统的智能化程度与预期相差很大,一些问题亟待解决,如:
1)磨粒图像上磨粒沉积链和异常大磨粒的有效分割及识别
目前的磨粒图像处理与分析方法大多是针对单个或少量磨粒进行的,可是在 真正的工业生产中,磨粒图像上经常会出现如图1-1及图1-2所示的磨粒积聚甚 至重叠,一些细小的磨粒沉积为沉积链,甚至可能含有一些异常大的磨粒。T.H. Wu等据信磨粒沉积链的处理比单一磨粒的处理更重要。王静秋等利用K-均值聚 类算法和分水岭算法相结合的方法,实现了自动切割磨粒沉积链的想法,从而使 磨粒分割的准确度也得到了提高。但是如何分割和识别磨粒沉积链及异常大磨粒 等类型、尺度皆不同的磨粒,成为了是基于计算机图像处理的磨粒智能识别技术 中亟待解决的重要问题。
2)磨粒图像分析效率
当前设备的磨损状态可以从大量磨粒所表现出来的共同特征代表,因此提高铁谱分析 准确性的关键是要采用足够数量的磨粒样本进行特征统计。目前大多数的研究分析只是利 用单个或少量的磨粒,因此为了提高磨粒图像分析的效率,寻找并行的优化算法便势在必 行。
3)优化磨粒特征参数的方法
利用磨粒的浓度、颜色、形状和纹理等特征进行磨粒分类和识别,但描述磨粒的各种 特征和参数非常多会不可避免的产生重叠,这使得磨粒图像分析和识别的效率受到影响。 因此,为了提高磨粒识别的效率和准确率,对磨粒的各种特征参数进一步的优化变得很有 必要。
发明内容
本发明的目的在于提供基于磨粒磨损机理的机械磨损系统的开发方法,以解决上述背 景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
基于磨粒磨损机理的机械磨损系统的开发方法,包括磨粒图像预处理模块、特征提取 模块以及磨粒识别模块,本发明的步骤如下:
S1:首先对磨粒的磨损机理、磨粒的分类、以及磨粒与机械设备运行状态间的关系等 理论知识进行研究,为磨粒图像识别系统的建立提供了理论基础,最后对所要设计的系统 功能进行了介绍。
S2:通过对四类典型磨粒图像的一系列处理,将目标磨粒从复杂背景中分离出来,这 为下一步磨粒图像的识别打下了很好的基础。通过对磨粒几何和纹理特征的分析,选择了 能代表磨粒的几何和纹理特征的面积、周长、当量直径、圆形度、体态比、凹凸度、能量、熵、相关性和对比度等参数来进行特征描述。
S3:研究了统计学习理论,继而引出了支持向量机算法,其解决了实际样本空间有限 这一问题,通过对比研究,选用了层次法作为分类方法,高斯函数作为核函数,并且还选用了合适的惩罚因子,最终实现了对磨粒图像的分类识别,确定了分类器模型后,对其进行了测试实验,实验结果显示其可以用于磨粒识别上。
S4:最后详细介绍了磨粒图像识别系统的三个主要模块,即图像处理子系统、特征提 取子系统和磨粒自动识别子系统,而且具体的阐述了系统的实现过程,最后进行了一个样 本空间为200的仿真实验,实验结果显示该系统的识别准确率为93%,虽然没有将磨粒类 型百分之百的正确识别出来,但是误差在可接受范围之内,由此可见,该系统可以用于磨 粒图像种类的识别。
作为本发明进一步的方案:图像处理模块主要是对磨粒图像进行处理,磨粒特征提取 模块主要是对磨粒进行几何和纹理特征的提取,图像识别模块是对磨粒所属类型进行判 别。
与现有技术相比,本发明的有益效果是:针对机械设备磨损状态监测准确率较低的问 题,基于不同磨损机理下磨粒具有不同的形状和纹理特征,提出了一种基于磨粒特征识别 的机械磨损状态监测的数学模型。通过形状特征识别球状磨粒和切削磨粒,结合形状、纹 理特征识别疲劳磨粒和严重滑动磨粒,基于提取的特征参数建立机械磨损状态监测的特征 向量,通过支持向量机分类器模型,实现对机械磨损状态的监测和判别。
附图说明
图1-1为磨粒沉积链图。
图1-2为异常大磨粒图。
图2-1为粘着磨损图。
图2-2为典型磨粒图像图。
图2-3为系统运行流程图。
图3-1为存在高斯噪声的图像。
图3-2为不同方法的滤波效果图。
图3-3为不同模板处理效果图。
图3-4为二值化效果对比图。
图3-5为腐蚀运算模拟图。
图3-6为膨胀运算模拟图。
图3-7为形态学处理图像对比图。
图3-8为切削磨粒几何特征曲线图。
图3-9为球状磨粒几何特征曲线图。
图3-10为疲劳磨粒纹理特征曲线图。
图3-11为严重滑动磨粒纹理特征曲线图。
图4-1为支持向量机在二分类问题上的空间特征图。
图4-2为磨粒图像的分类分层机制图。
图4-3为分类器训练流程图。
图5-1为载入待识别的磨粒图像。
图5-2为图像预处理界面图。
图5-3为磨粒图像特征提取界面图。
图5-4为支持向量机分类器模型识别结果图。
图5-5为支持向量机分类器模型识别结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地 描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本 发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实 施例,都属于本发明保护的范围。
请参阅图1-1~5-5,本发明实施例中,基于磨粒磨损机理的机械磨损系统的开发方法, 包括磨粒图像预处理、特征提取以及磨粒识别三个模块,如图2-3所示,图像处理模块主 要是对磨粒图像进行处理,磨粒特征提取模块主要是对磨粒进行几何和纹理特征的提取, 图像识别模块是对磨粒所属类型进行判别,本发明的步骤如下:
S1:首先对磨粒的磨损机理、磨粒的分类、以及磨粒与机械设备运行状态间的关系等 理论知识进行研究,为磨粒图像识别系统的建立提供了理论基础,最后对所要设计的系统 功能进行了介绍。
S2:通过对四类典型磨粒图像的一系列处理,将目标磨粒从复杂背景中分离出来,这 为下一步磨粒图像的识别打下了很好的基础。通过对磨粒几何和纹理特征的分析,选择了 能代表磨粒的几何和纹理特征的面积、周长、当量直径、圆形度、体态比、凹凸度、能量、熵、相关性和对比度等参数来进行特征描述。
S3:研究了统计学习理论,继而引出了支持向量机算法,其解决了实际样本空间有限 这一问题,通过对比研究,选用了层次法作为分类方法,高斯函数作为核函数,并且还选用了合适的惩罚因子,最终实现了对磨粒图像的分类识别。确定了分类器模型后,对其进行了测试实验,实验结果显示其可以用于磨粒识别上。
S4:最后详细介绍了磨粒图像识别系统的三个主要模块,即图像处理子系统、特征提 取子系统和磨粒自动识别子系统,而且具体的阐述了系统的实现过程,最后进行了一个样 本空间为200的仿真实验,实验结果显示该系统的识别准确率为93%,虽然没有将磨粒类 型百分之百的正确识别出来,但是误差在可接受范围之内。由此可见,该系统可以用于磨 粒图像种类的识别。
本发明的原理是:
一、磨粒图像分析系统的理论基础
(一)磨损机理及磨损的分类
磨损是由于相对运动表面由于相互接触产生的表面材料不断缺失的过程,其一般表现 为产生细小的磨粒及相对运动表面形状的改变。磨损是一种普遍存在且不可避免的现象, 两个表面相接触就会发生磨损,由于磨损产生的原因比较复杂,对磨损机理的研究显得尤 为重要,但是目前对于磨损机理的研究尚未有统一的观点。
(二)磨粒的分类
由于磨粒的磨损机制不同,造成磨粒种类的多样化,根据磨粒的磨损机理和形状特征, Z.Peng等人将磨粒分为六种类型:切削磨粒,球形磨粒,普通滑动磨粒,层状磨粒,严重 粘附磨粒和疲劳磨粒。李艳军等通过磨损形式和形状特征将磨粒分为包括氧化物磨粒、轻 微粘着磨屑和严重粘着磨屑等七大类。
诸多专家学者针对研究目的的不同对磨粒进行了多种分类,但是磨粒的识别主要取决 于磨粒的特征,故将磨粒根据磨损的类型和机理,更适合分类。
(三)磨粒与机械设备运行状态间的关系
磨损机理的不同会导致磨损产生不同类型的磨粒,而磨粒不同所表现出的特征也不相 同,因此怎样高效、准确地表述各类磨粒成为一个至关重要地问题,这也是目前研究地一 大难点。
将磨粒分析用于设备磨损故障诊断是由磨粒的特征决定的,可以推断出摩擦学表面发 生的磨损过程。磨粒分析的理论基础和背景依据主要有以下几方面:
1.磨损形式由摩擦副的结构特点决定;
2.产生的磨粒由于磨损形式的不同具有不同的特征;
3.磨粒的尺寸、形状及纹理特征与磨损机理关系密切,因此成为判断设备是否工作正 常的重要依据;
通过研究了大量的文献,将总结的理论知识与实际应用的需求相结合,从磨粒的磨损 类型、磨损机理、磨粒特征以及运行状态的角度,对磨粒进行了归纳总结,如表2-1所示。 从表中可以看出,磨粒的特征、磨损机理、磨损类型及运行状态之间存在内在联系,这种 联系为以后从磨粒角度分析机器运行状态提供了理论基础。本文所研究的四种典型磨粒如 图2-2所示。
表2-1磨粒类型与磨粒特征、产生机理以及机械设备运行状态关系
(四)磨粒图像专家系统软件方案设计
磨粒图像识别专家系统包括磨粒图像预处理、特征提取以及磨粒识别三个模块,如图 2-3所示。图像处理模块主要是对磨粒图像进行处理,磨粒特征提取模块主要是对磨粒进 行几何和纹理特征的提取,图像识别模块是对磨粒所属类型进行判别。
(五)软件功能介绍
铁谱图像分析系统软件平台具有以下几个功能:
1.图像预处理模块
图像预处理主要是对图像进行去噪和分割等,为了达到顺利提取目标的目的,将图像 进行降噪处理,阈值分割,对于图像预处理较好的图像,有利于后续特征值的提取,也有 助于磨粒类型的识别。本系统提供图像预处理模块包括图像增强,图像分割和形态学处理 等。
2.磨粒特征提取模块
本系统的特征提取模块主要包括两方面:一是几何特征,具体指圆形度、周长、面积、 当量直径、体态比和凹凸度等;二是纹理特征,具体指二阶距、能量、熵等。
3.磨粒类型识别模块
本文所建立的专家系统中的一个重要功能是磨粒识别,主要工作是利用各类磨粒的特 征进行磨粒识别,在进行磨粒类型的识别时,根据磨粒形状特征和纹理特征来判断磨粒的 类型。从上述软件方案及功能设计可以看出,图像预处理和模式识别铁谱分析技术在推进 智能化发展进程具有重要的意义。由于磨粒图像获取、存储和结果分析等功能已经非常成 熟,故本文主要研究对象为磨粒图像预处理和磨粒识别。
二、磨粒图像处理及特征分析
(一)磨粒图像的预处理
由于成像设备和外部环境噪声干扰,使磨粒图像在采集、转换甚至传输过程中造成图 像污染,产生降质。为了降低观测时磨粒图像上各种畸变和噪声的影响,因此要进行图像 预处理。磨粒图像上的一些虚假的磨粒边缘或者轮廓是由噪声造成的,有时图像上出现的 一些孤立的噪声点也是噪声造成的。图像预处理可以把上述因素处理掉,使得到的磨粒图 像更加清晰、易于分析,对后续特征提取、磨粒识别环节提供了便利。
1、磨粒图像增强
如果直接用阈值分割等硬分割方法来处理图像,导致了目标信息的失真且噪声干扰依 然存在。如果想要使图像视觉效果得到改善或者将图像转换成适合于观察、分析的形式, 就需要进行图像增强处理,以此来达到获取更多有用信息的目的,这对下一步图像分割打 下了良好的基础。
图像噪声通常是指图像在采集、转换或者传输过程中产生的一些跟图像本身无关的信 息。造成图像噪声的原因很多,诸如嘈杂的工作环境、机床的高速冲击振动或者光照不均 等情况,这对图像的分割产生了很大的影响,甚至会影响到后续提取的磨粒特征参数的准 确度,因此图像的去噪处理是非常有必要的。
由于造成图像噪声的原因不同,所产生的噪声也是多种多样的,本文在采取图像过程 中,主要受传感器及光照不均的影响,故主要存在高斯噪声。图3-1就是受高斯噪声干扰 的磨粒图像。仔细观察图片可知,高斯噪声以黑色暗点的形式出现在磨粒图像上,为图像 分割带来干扰,甚至无法精确的将目标磨粒从背景分割出来,鉴于此,图像的增强处理是 很有必要的。图像增强处理主要指抑制和减少噪声,是通过图像滤波也就是平滑处理实现 的。模板运算是平滑处理的主要思想,它是通过卷积运算将图像中一点以及其周围几点中 突然变化的点去点来实现去噪的。滤波虽然有去除噪声点的能力,但是同时也会使图像整 体变得模糊。为了尽可能的降低噪声给图像质量带来的影响,数字图像的滤波(也称为平 滑)是抑制和降低噪声的主要方式。滤波的基本思想是执行模板操作,通过卷积图像中的 点及其邻居来去除突然变化的点,从而滤除噪声。但是,过滤不仅会滤除噪点,还会影响图像中的有用信息,从而导致图像在某种程度上模糊。由于滤波的方式不同对图像产生的影响也不一样,因此,可以比较和分析不同的过滤方法以最小化对图像质量的影响。以下介绍几种常用滤波:
1)中值滤波
之所以中值滤波可以降低噪声,是以排序统计理论为基础的,他的信号处理技术是非 线性的。通常先构建一个n×n的模板,其次对模板数据排序,当遇到存在噪声的数据,自 动的被排在两侧,通过序列中值将其替换以达到去噪的目的。
2)均值滤波
与中值滤波原理相似,均值滤波也是通过构建一个模板实现的,模板中需要处理的像 素值可以全部被平均值替换掉。以此来看,这种处理方法操作简单、高效,但存在一定的 弊端,比如磨粒的边缘点也会被进行均值处理,这会使边缘变得模糊,为后续图像分割带 来难度,分割处理的目标磨粒也有存在误差。
3)高斯滤波。
为了避免图像模糊这一缺点,高斯滤波应运而生,高斯滤波的原理是以图像中所有像 素值为基础的,通过加权平均并且按照一定的标准分配权重,通常权重的大小由像素点离 中心点的距离决定,离中心点越近权重越大。
高斯滤波主要用于对高斯噪声的处理,通常情况下,高斯噪声产生的模糊是从中心点 开始的,而且有不确定的模糊半径,高斯滤波的旋转对称性可以很好的解决这个问题。高 斯滤波的这一特性使图像中像素点离中心点越远的权重越小,可以很好的去除高斯噪声, 而且还能很好的处理磨粒的边缘,不太容易失真。
由于均值滤波的平滑处理过度会产生图像失真的现象,中值滤波虽然可以保留图像的 信息,但是主要适用于类似于椒盐噪声的点状噪声的处理,故本文采用高斯滤波进行高斯 噪声的处理。如下图3-2所示,是具有高斯噪声的图像的中值滤波,均值滤波和高斯滤波 的效果图。分析图片可知,中值滤波处理的磨粒图像边界模糊,一些细小的毛刺被连接起 来,磨粒实际的形状被改变了,这会造成后续磨粒特征提取的数据不准确,不利于磨粒识 别的研究;均值滤波的平滑处理过度,不仅使得磨粒边缘模糊,而且图像失真严重,如果采用均值滤波进行处理,后期提取的磨粒特征数值跟真实数据差距很大,会造成特征选择的失误;而图3-2(d)中采用高斯滤波处理的图像不仅很好的去除了高斯噪声,磨粒边缘 清晰,图像失真现象较轻,不会对后续图像处理产生重要影响。鉴于此,本文采用高斯滤 波去除图像噪声。
高斯滤波后的效果与所选择的模板大小和形状息息相关,一般可供选择的模板大小有 3×3和5×5两种,形状有圆形、圆环形、线状及十字形四种。过滤效果越高,所需模板越大,但如果图像太大,图像将会模糊,一些信息可能因此被去除,因此模板大小的选择 也很重要。图3-3展示了高斯滤波下,不同模板处理的磨粒图像。
对上图的分析表明,使用3×3模板时,图像的滤波效果优于5×5模板,磨粒不仅边缘清晰而且图像失真度较轻。因此,3×3模板可以用于本文高斯滤波法进行图像处理的过程中。
2、图像分割
图像中的元素是有灰度差异的,图像分割就是鉴于这些灰度差异进行的,图像分割是 为了将目标磨粒从复杂背景中提取出来,便于对其进行磨粒特征的提取及分析。均匀的像 素分布及相似的区域是图像分割所依据的主要原则,按此原则可分割出区域不重叠且连续 的目标磨粒,利用图像分割处理得到的目标磨粒的质量,会直接影响后续磨粒特征值的提 取的精确度,进而会对磨粒识别产生干扰。简而言之,分割效果的好坏,直接对磨粒的识 别产生至关重要的影响。
总体来说,目前的图像分割方法主要包括聚类分割,阈值分割,区域分割和区域生长。 这些方法中,分割速度快,应用广,而且最为经典的是阈值分割。阈值分割是指对要处理 的磨粒图像确定一个灰度范围的阈值,通过将阈值与图像上全部像素点的灰度值进行比 较,可以将图像顺利的分成两类,这样就是得目标磨粒与背景分开,目标磨粒由此被分离 出来。分析阈值分割的原理,可以将阈值分割分为以下几类:
1)大津阈值法
大津阈值法(Otsu法)也被称为最大类间方差法,其阈值选取准则是以图像的灰度直 方图为依据,阈值选取准则为目标和背景的类间方差最大值。方差是一个统计量,表达的 是数据分布的均匀情况,当灰度值的两部分的方差较大时,表明数据的两部分相关性较小。 在这种情况下,所选择的阈值可以容易地将磨粒与背景分离。
2)直方图双峰法
在观察灰度直方图时,若出现两个峰值,那么选取谷底的灰度值作为阈值进行的分割 称为直方图双峰法。由此可见,直方图双峰法具有局限性,如果灰度直方图中没有两个双 峰,那么此法无法进行。
3)迭代法
受直方图双峰局限的不仅有直方图法,迭代方法也基于该阈值分割,当直方图中没有 双峰或双峰不明显时,由于它对灰度值的变化很敏感,使分割得到的磨粒会达不到预期。
通过对以上几种阈值分割方法的对比分析,本文决定采用最大类间方差法。灰度直方 图中灰度值的双峰性是不可控制的,而直方图双峰法和迭代法都受双峰值的影响,当不存 在或者双峰值不明显时,用这两种方法处理的图像效果会大打折扣,但是最大类间方差法 不受此影响,它的阈值可以自主设置,且处理速度快、操作简单。利用最大类间方差法分 割的磨粒图像如图3-4所示。图3-4可以直观的看出,最大类间方差法可以很准确的实现磨粒图像二值化,处理后的图像跟背景的对比鲜明,因此有助于从磨粒中提取各种有用信息。
(二)磨粒图像形态学处理
去除噪声后,磨粒的边缘也会被打磨并且不够连续,并且内部可能会出现孔洞。这时 就需要通过形态学处理来弥补磨粒的这些缺陷,来达到方便磨粒分割甚至简化磨粒特征提 取的目的。基本形态学运算方法包括腐蚀、膨胀、开运算和闭运算等。
1、腐蚀
通过处理消融掉图像中的边缘区域,而得到的效果与选取的图片中元素有关。腐蚀后 的效果有三种:假如需要腐蚀的区域比结构元素小,则整个待腐蚀区域会消失;假如待腐 蚀区域大于结构元素,则最终的结果是区域变小;假如待腐蚀区域呈哑铃状,也就是说, 中间的一部分小于结构元件,并且腐蚀的结果是产生两个区域。
腐蚀的理论基础:对Z2上元素的集合A和S,若用S对A进行腐蚀,则可写成,AθS 其数学公式为:
腐蚀的原理是使结构元件S以从左到右,从上到下的规则在Z2平面上移动。当S的原 点转换为z点时,如果A可以完全包含S,则保存通过的z点,并且所有点的集合是腐蚀 后的图像。腐蚀效果的模拟图如图3-5所示:
2、膨胀
腐蚀可以看作是膨胀的反运算,但是却不是逆运算,膨胀后的区域大小也跟所选结构 元素有关。由于膨胀可以将两断裂的区域连接起来,因而一般用于弥补因图像分割在图像 中出现断裂的部分。
膨胀的理论基础:对Z2上元素的集合A和S,若用S对A进行膨胀,则可写成其数学公式为:
膨胀的原理也是以左到右,从上到下的规则将结构元素S移过Z2平面。当S的原点移 位到z点时,S相对于原点的映射具有与A的共同交点,即,一个像素至少重叠。然后由 这样的z点形成的集合是其膨胀图像。膨胀效果的模拟图如图3-6所示:
3、开运算和闭运算
将膨胀和腐蚀按一定的规则组合形成的开运算和闭运算称为形态学处理,先腐蚀后膨 胀的称为开运算,反之则称为闭运算。开运算的作用是将分割出的目标的边缘处理的光滑, 一些小的毛刺或者连接会直接处理掉,而闭运算的作用是将分割后的目标里的空洞进行填 充。图3-7是对磨粒图像进行开运算或者闭运算后的图像,通过观察图片可知,形态学处 理可以使磨粒边缘更加清晰,磨粒空洞也可以得到填充,这为下一步磨粒特征提取奠定了 很好的基础,也提高了特征提取的准确率和效率。
(三)磨粒图像特征提取
不同类型的磨粒具有不同的形状和纹理特征,对应着不同机械设备的磨损机理,通过 研究磨粒特征和相应的磨损机理,确定机械设备的磨损状态。磨粒的特征提取主要是利用 软件技术及数学方法实现的,为进行磨粒的识别提供数据支撑。通过前期大量的理论研究 可知,磨损形式不同会产生具有不同特征的磨粒。磨粒的特征有很多,为了避免提取的信 息重叠且能准确快速的识别各类磨粒,需要选择能高效、准确的反映磨粒的特征作为磨粒 识别的依据。磨粒特征的选择不仅关系到识别方法的选择,识别率的高低也受其影响,所 有此步骤非常关键。
1、磨粒的几何特征提取
目前,对磨粒形状特征的研究虽然很多,但是诸多专家学者并没有在此方面达成统一 的标准。B.J.Roylance等人[55]研究了关于正常磨粒、切削磨粒、滑动磨粒以及疲劳磨粒等 四类磨粒形状特征参数的大致取值范围,比如峭度、圆度、体态比、斜度的数字化值。T.B. Kirk等人提出描述磨粒的边界可以用凸度、周长与面积比、形状因子、弯曲度、体态比、 圆度、纤维比率等特征值。简言之,不同类型的磨粒具有不同的形状,而磨粒的形状特征 可以通过面积、周长、当量直径、圆形度、体态比以及凹凸度来表示。
1)磨粒面积(A):
式中:D为磨粒像素为1的部分。
2)磨粒周长(P):
式中:Ri为从质心到磨粒边界的半径,Δαi为两个像素和质心之间的角度数。
3)圆形度(R0):圆形度受边界轮廓的影响,可以反应磨粒的边界信息,主 要用于判别球形磨粒。对圆来说,圆形度为1,其他形状的圆形度都小于1。其表 达式为:
4)体态比(AR):该特征是用来度量边界轮廓的延展程度的,并以此来描述 磨粒形态,其公式为:
式中:a为磨粒的长轴;b为磨粒的短轴。
5)凹凸度(Rcompact):该特征用来描述磨粒外形的凹凸程度,凹凸度越小表 示磨粒形状越凹,其公式为:
表3-2典型磨粒形状特征参数
通过对表3-2数据观察可发现,球状磨粒的圆度特征参数最接近1,切削磨粒的体态 比参数值最大。
为了排除提取数据的偶然性,扩充了样本空间,对四种磨粒的特征参数进行 详细的分析,分别研究了切削磨粒、球状磨粒、疲劳磨粒及严重滑动磨粒(典型 磨粒图片如附图2-2所示)的圆形度、体态比和凹凸度特征参数,选取四种典型 磨粒的图片各20幅,进行特征提取并分析所得数据,提取的磨粒几何特征参数 如附表3-2所示。
将附录中切削磨粒几何特征的数据整理成折线图,如图3-8所示,可以清晰的发现切 削磨粒的圆形度都小于1且体态比大于1,可以作为识别切削磨粒的主要特征。观察图3-9 可知,球状磨粒的圆形度接近于1,因此圆形度是判别球状磨粒的一个重要的特征参数。
通过研究分析附表3-2可知,严重滑动磨粒和疲劳磨粒的几何特征没有特别 明显可以用于磨粒识别的特征,故继续研究其纹理特征。
2、磨粒的纹理特征提取
从磨粒的显微图像可以看出磨粒表面的纹理,这种纹理跟磨损机理以及磨粒产生的过 程等有紧密的联系。故而可以通过分析纹理特征获得关于磨损机理及磨粒类型的判断。
计算磨粒纹理特征参数的基础是纹理灰度共生矩阵,自相关函数和灰度梯度共生矩 阵。吴振锋[57]提取了七个典型磨粒的对比度等纹理参数,发现一般磨粒的灰度能量及熵的 值比切削磨粒的值大,而且正常磨粒的纹理不显著。陆永耕]对磨粒图像纹理分形特征的研 究,是在把分形理论与纹理结构特征相结合的基础上进行的。
由于机械设备磨损产生的磨粒原因不同,磨粒表面的纹理也就不一样,故将纹理特征 作为判断磨粒类型的另一个主要依据。通常纹理特征参数的计算以自相关函数、灰度共生 矩阵为基础,一般可以用能量、熵、相关性和对比度来表示。
(1)能量:
(2)熵:
(3)相关性:
(4)对比度:
表3-6典型磨粒纹理特征参数
通过对表3-6的数据观察可知,严重滑动磨粒的对比度高于疲劳磨粒,由于 严重滑动磨粒有清晰的纹理且对比度代表了磨粒的清晰度,故可以通过对比度分 辨出严重滑动磨粒。为了验证猜想,各选取了20幅疲劳磨粒及严重滑动磨粒的 图片进行研究,所提取的特征数值如附表3-2所示。通过观察图3-10和图3-11 可知,严重滑动磨粒的对比度一般比疲劳磨粒的对比度参数要大。故对比度是区 分严重滑动磨粒和疲劳磨粒的重要参数的重要参数。严重滑动磨粒大多呈长方形, 体态比参数高于疲劳磨粒,故可以结合对比度和体态比参数识别出疲劳磨粒。
三、磨粒图像智能识别
(一)支持向量机的研究
上世纪60年代末,研究者开始研究统计学习理论,可是研究这一邻域的人在接下来 20年里并没有多少。大量开创性、奠基性的工作在这段时间内由前苏联人Vapnik和Chervonenkis完成了,但是,这些问题纯粹是理论上的,因此没有得到社会的关注。进入90年代,研究者发现神经网络可以采用该理论来分析,在统计学习理论基础上设计的支持 向量机凭借其优良的学习能力在解决实际问题时表现出色。近年来,机器学习研究热点主 要是支持向量机,它们优秀的学习性能使它们在许多地区得到很好的应用。特别是医疗诊断、语音辨认、人脸识别、网上信息分类等领域。目前,一场由统计学习理论及其应用引 发的机器学习邻域的变革正在悄然兴起。
在模式识别中支持向量机的特点如下:
1.支持向量机的多分类模式可以通过对对目标函数直接改造或者二分类支持向量机的 组合实现。
2.这是一种新的学习算法,以统计学习理论为基础,学习对象为小样本数据,实际运 用时样本有限的问题也得到了解决。
3.凸优化问题是支持向量机的最终目的,局部最小值问题也得到了解决,而且还保证 了全局最优性。
4.该算法遵循的原则是结构风险最小化,良好的泛化能力是其区别于传统学习算法的 最显著特征。
1、支持向量机的理论基础[65][66]
(1)统计学习的模型
系统的输入和输出空间分别用X、Y表示,统计学习模型包括三个要素:
P(x):输入空间X上的概率测度;
P(y|x):输出空间Y上的条件概率测度;
学习机:S={f(x,a):a∈Λ},Λ是非空指标集,f:X→Y[67]。
这样乘积空间X×Y上有概率测度p(x,y)=p(x)p(y|x)。输入x和输出y之间的关系用函 数f(x,a)来拟合,风险(或损失)在拟合中是不可避免的,设L(y,f(x,a))为风险,则期望风 险为:
R(a)=∫L(y,f(x,a)dF(x,y),a∈Λ (4-1)
学习的目标:知道样本(xi,yi),i=1,2,…,l,p(x,y)是前提条件,未知,为了使R(a0)为 最小,寻找a0∈Λ。
这个包括了一些常见学习问题的模型具有一般性,例如:
密度估计:L=-ln p(x,y,a) (4-2)
回归估计:L=(y-f(x,a))2 (4-3)
模式识别:
其中p(x,y,a)为密度
(2)统计学习问题的一般表示
针对某系统输入输出之间依赖关系,利用既定的训练样本进行估计,是统计学习的目 的,此法可以将未知输出准确的预测出来。
输出y与输入x存在一定的未知依赖关系,也可以认为依据未知的联合概率 F(x,y),x和y之间的确定性关系可视作是其特例,假设有独立同分布的观测样本n个 (x1,y1),(x2,y2),…,(xn,yn)[68]。
统计学习问题可以用下列式子表示:
R(a)=∫Q(z,a)dp(z),a∈Λ (4-5)
式中,z代表数据对(x,y),Q(z,a)代表风险(损失)函数的一般表示(如式(3-26)-(3-28)), 学习的目标就是寻找a0∈Λ,使得R(a0)为最小,前提条件是p(x,y)未知,仅仅知道样本 (xi,yi),i=1,2,…,l。
2、分类超平面
作为统计学习理论中最实用、最年轻的部分,支持向量机实现了结构风险最小化。Vapnik虽然在1992年就提出了此概念,但是在1992-1995年才将其主要内容建立起来, 并且一直在不断发展。由于支持向量机的出现,使得统计学习理论受到越来越多的重视。
此算法的原理是寻找一个分类超平面存在于高维空间中,可以将样本点按不同类别分 开,同时,不同类别点的间隔最大化,分类超平面是最大区间超平面,相应的分类器称为 最大区间分类器。图4-1非常直观的描述了支持向量机在二分类问题上的空间特征。
假设数据样本为x1,x2,…,xn,可以表述分类超平面为:
wTx-b=0 (4-6)
其中,分类超平面上的点为x;垂直于分类超平面的向量w;位移量是b,超平面不必通过原点,提高了其灵活性。
图4-1为高维空间的线性可分样本,不同的样本数据用实心圆和空心圆加以区分,样 品的分级表面表示为H,H1和H2通过由中空样品和固体样品的中心形成的两个平行平面。平行平面上的空心和实体样本数据点最接近分类面,而样本分类面和平行平面两个或两个平行,两个平行面之间的距离称为分类间隔。当两类样本(图中的实心圆与空心圆)能够 全部被正确的分开时,此时为最佳分类面。此外,空心样本和平行于最佳分类平面的实心 样本之间的间距在边界线H1和H2之间尽可能大[69]。下式表示了此类平行超平面:
其中,w是长度未定的分类超平面的法向量;1和-1不是固定取值,只要互为相反数即可,此处取1和-1只是为了计算方便。
对于线性可分的训练样本,可以找到两个间距最大的平行超平面,它们之间的距离为 所以最小化||w||2,就可以使平行超平面之间的间隔最大化。
为了使所有训练样本点在上述两个平行超平面间隔区域之外,需要确保所有的训练样 本数据点x1,x2,…,xn都满足以下条件之一,即:
为了求解最优超平面,假定目标函数及其约束条件如下:
求解的最大值,相当于求解的最小值,因此可以等价于如下约束不等式:
s.t.yi(wTxi+b)≥1 i=1,...,n (4-13)
对于求解优化问题而言,利用Lagrange对偶变换为对偶变量是一种非常有效的方法, 故将带拉格朗日乘子α的Lagrange函数引入目标函数之中:
虽然数据本身是线性结构,但是数据可能会有噪声,远离常规数据的点称为野值点。 野值点的存在会对线性分类的准确率造成很大的影响。对于分类平面上的点值为0,边缘 上的点值在[0,1/L]之间,其中,L为训练数据集中个数,即数据集大小;对于野值点数据和内部的数据值为1/L,则原来的约束条件变为[70]:
yi(wTxi+b)≥1-ξi,i=1,...,n (4-15)
其中,ξi≥0称为松弛变量,对应数据点xi允许偏移的量,任意的超平面在ξi任意大的 时候都会符合条件。在原始目标函数的基础上加上一项,使得这些ξi的相加的和变得最小, 即:
其中,C是惩罚因子,作为一个权重控制目标函数既要保证最小的数据点偏差量又要 寻找是边界最大的超平面。
将约束条件加入到目标函数之中,得到新的拉格朗日函数:
其中αi≥0,要求最优超平面则函数L对w,b极小,对α极大。将Lagrange函数分别对w、b和ξi求偏微分,并令他们等于0:
新的目标函数和约束条件如下:
假定α*为最优解,则:
在对偶模式中数据点仅出现内积形式,将数据点映射到希尔伯特内积空间中以求得最 优解:
xi·xj→φ(xi)·φ(xj)=K(xi,xj) (4-23)
其中K(xi,xj)是表示核函数,φ(x)为映射函数,其中φ(xi)·φ(xj)为φ(xi)和φ(xj)的内 积。
对于任何给定的核函数,可以将SVM分类器指定为:
F(x)=sgn(f(x)) (4-24)
其中,f(x)是SVM分类超平面的决策函数:
3、内积函数(核函数)
特征空间、映射函数和核函数是一一对应的,即,当指定了核函数K(xi,xj),也就指定了映射函数和特征空间。由此可知,当改变核函数时,映射函数会同时遭到改变,进而 使样本数据子空间的复杂程度受到改变。因为分类超平面与数据子空间是一一对应的关 系,所以数据子空间维数的高低决定了最优分类面的复杂程度,维数越高,分类面越复杂, 反之亦然。由式R(a)≤Remp(a)+Φ(h/l)可知,在这两种情况下获得的SVM都不具备良好 的推广能力。因此,当选择核函数时,投影的特征空间是合适的,并且所获得的分类器具 有良好的推广能力。
由于支持向量机理论只考虑特征空间的点积运算K(xi,xj)=φ(xi)·φ(xj),而不直接使用 φ,从而巧妙地避免了直接解未知函数必的问题。作为内积函数,需满足Mercer条件[71], 即:
对于任意的对称函数K(xi,xj),它作为某个特征空间中的内积运算的充分必要条件是: 对于任意的φ(x)>0且∫φ2(x)<∞,条件∫∫K(x,y)φ(x)φ(y)dxdy>0成立。
支持向量机算法的形式受到内核函数的限制。下面介绍一些常用的内核函数:
·多项式形式
K(x,y)=[(x,y)+1]d (4-26)
·径向基形式:
·S形函数形式:
K(x,y)=tanh(γ(x·y)+c) (4-28)
·线性形式:
K(x,y)=(x·y) (4-29)
此外,为了提高SVM的性能,许多学者研究了核函数的构造和优化。Barzilay等人提出核函数可以利用领域核来进行改进;Amari等人则提出与几何方法相结合的动态核函数;Smits等人[74]提出的混合核函数是通过径向基与多项式相结合实现的。
核函数的具体形式虽然被一些实验证明了不太影响分类效果,但是分类器的类型及复 杂程度却是由其形式及参数确定的,因此核函数对分类器性能的控制起着重要的作用。
核函数作为一个重要的参数,核函数的选择不同,构建的分类器可实现的功能就会不 一样,因此需要具体问题具体分析,例如线性支持向量机就是选择了线性内积作为核函数。 只有一个变量gamma(1/2σ2)的径向基函数对应着无穷维的特征空间,计算简单且分类性能 良好,跟别的核函数相比,应用更加广泛,故本文采用的核函数为径向基函数。径向基函 数宽度在支持向量机与神经网络中含义一样,两者都反映了输入样本数据的内积核心的相 应宽度。核参数对SVM分类性能有很大影响,为了使其性能更优,一般会对g进行优化。
4、多分类方法
在解决两分类问题,支持向量机算法展示出出色的优势,而磨粒分类需要多个特征, 因此不能直接将此算法应用于磨粒的识别,为了实现支持向量机在磨粒识别中的应用,采 用间接的方法建立分类器,支持向量机的多分类如下:
(1)一对一法
进行成对的分类方法称为一对一法,简单来说,假设样本中有n个不同的类别,需要 找出样本中所有不同的类别进行两两组合,而且所有的组合都需要设计分类器和n(n-1)/2 个分类函数,在进行识别时要将所有的子分类器进行综合判断,过程繁杂,耗时费力。
如果采用一对一法进行磨粒识别,对未知样本进行判断时,待测样本需要在所有分类 器中进行以此判别,不仅程序繁杂而且需要记录所有判别结果,虽然避免了不可分的现象, 但是会出现分类重叠,故本文不采用一对一法对磨粒进行判别。
(2)一对多法
一对多法的优势在于其流程比较简单,首先构造与类别数目相同的分类器,假设数目 为k,将第m类样本利用第m个分类器与其他所有样本分开,当对第m个分类器训练时,第m个样本被定位正,其余所有样本为负。该方法虽然优化规模小且分类速度快,但是样 本训练的数目过大,比较耗费时间。因此,一对多法不适合用在磨粒识别上。
(3)层次法
层次法是指先把所有样本一分为二,接着在子分类的基础上进行划分,继而得到子分 类的子分类,继续进行上述循环,直到不能再分为止。跟二叉树原理类似,其实质是两分 类问题,通过前期对磨粒各种特征的研究发现,层次法是最适合解决磨粒识别的分类方法。
(二)分类器的实现
选取200幅磨粒图片作为训练样本,其中切削磨粒、球状磨粒、疲劳磨粒和严重滑动 磨粒图像各50张,通过对样本整理,构建并训练分类器,最后实现磨粒识别,图4-3为整体分类流程。
(1)整理样本。本文主要研究了磨粒的纹理和几何特征,其中的7个特征值对识别磨粒有明显帮助,故以此7个特征值参数为特征向量,特征向量I=[R0,AR,Rcompact, ASM,ENT,COR,COV]T。在人为的分类下将各类样本进行编号,用数字1代表切削磨粒,数 字2代表球状磨粒,数字3代表严重滑动磨粒,数字4代表疲劳磨粒。
(2)分类器的构建。根据磨粒的特点,选取层次法进行磨粒的分类,建立了适用于磨粒识别的分类器模型。
(3)分类器的训练。将已经整理的样本数据及建立的特征向量用于构建的分类器上, 获得可以用于磨粒识别的分类器模型。选取严重滑动磨粒、球状磨粒、切削磨粒以及疲劳 磨粒各30幅图像作为分类实验的训练样本,并进行分类训练。
(4)分类识别。分别采用四种类型的磨粒图像各20幅,提取待测试样本的特征值组成分类器模型的输入向量,然后利用分类器进行分类识别,将输出的结果与实际结果相对比,得到如表4-1所示的测试结果。
表4-1分类器模型对典型磨粒类型的识别输出
根据表4-1可知,在支持向量机分类器模型下,80个测试样本中正确识别磨粒个数为 76个,其中严重滑动磨粒识别错误1个,疲劳磨粒识别错误3个,切削磨粒和球状磨粒识别错误个数皆为0,通过分析表中数据可知,虽然识别有误差存在,但在可接受范围之内,故可以将支持向量机算法用于磨粒类型识别过程中。
四、磨粒图像识别系统的实现
(一)基于机械磨损状态检测专家系统的设计思想
目前,在知识库的基础上进行的故障诊断受到越来越多的人关注,先进的计算机技术 跟专家知识结合形成了一个操作简单、迅速、高效的系统。但是现已存在的智能诊断技术 不仅需要足够的样本训练而且要要求足够的知识经验,现实的生产生活中,在样本不充足 的情况下,这两种方法的识别准确率达不到预期,因而选择在样本有限的情况下也可以进 行训练、测试及用于识别的支持向量机。
(二)软件各模块功能
HALCON是一款全功能的机器视觉软件包,并且拥有的集成开发环境很广泛,用户可 以灵活的搭建自己需要的图像处理系统。HALCON所支持的操作环境很宽泛,例如Mac OSX、Linux甚至Windows都可以实现,而且支持多种编程语言,例如Delphi、Visual Basic、 C、C#和C++等。HALCON接口适应大多数图像获取设备,例如analog、Ethernet、digital、IEEE1394以及USB,从而使硬件独立性得到了保证。
HALCON的主要特点是基于最新的计算机图像处理和计算机视觉技术,它提供了当今 最强大的可视化算法开发工具包。由此可知,它的优点很明显:节约程序开发时间;功能全面,应用领域广;兼容性好,移植能力强。
1、图像处理子系统
图像处理子系统的主要功能就是对图像进行读取、滤波、形态学处理及图像分割等处 理。
1)获取磨粒图像
在HALCON中载入需要识别的图像,支持的图片形式包括GIF、PNG、JPEG、HDF、 PCX、PPM等,程序格式为:read_image(Image,'E:/Halcon/磨粒图片/切削磨粒.jpg')。
2)磨粒图像滤波
在磨粒图像获取的过程中不可避免地会受到工况条件或者外部环境的干扰产生噪声, 这些噪声会造成获取的磨粒图像上携带以下虚假的信息或者使磨粒边缘轮廓不清楚,为了 去除噪声影响采用高斯滤波进行处理,所用的算子为:gauss_image(Image:ImageGauss: Size:)。
3)磨粒图像分割
利用图像中元素的灰度差异,将目标磨粒从复杂背景中提取出来,便于对其进行磨粒 特征的提取及分析。本系统采用最大类间方差法对图像进行阈值分割,以实现图像的二值 化,主要形式为:threshold(Image:Region:MinGray,MaxGray:)
4)形态学处理
磨粒图片滤波处理之后,边缘会出现毛刺而不够连续,而且内部也有可能出现孔洞等 问题,形态学处理可以很好的解决上述问题。
2、特征提取子系统
本系统针对磨粒特征的提取体现在几何和纹理两个方面,其中几何特征包括凹凸度、 圆形度、面积、周长、体态比和当量直径,纹理特征包括磨粒的对比度、能量、相关性、与熵。
3、磨粒自动识别子系统
分类识别是把特征值接近的归为一类,每类磨粒的判定都有主要依据的特征,将其主 要特征的数值接近的磨粒归为一类。本系统主要是对切削磨粒、疲劳磨粒、球状磨粒以及 严重滑动磨粒进行识别。
本系统将特征处理子系统处理得到的特征数值作为输入向量,应用训练好的支持向量 机分类器对输入向量进行自动分类识别,从而达到磨粒自动识别的目的。
(三)磨粒图像识别系统的实现
本文算法是在HALCON和C#编程环境下通过编译实现的。
第一步,载入需要识别的目标磨粒。如图5-1所示,点击“浏览”按钮,出现如图5-1(b)所示的界面,选择一张磨粒图片,点击“打开”即可载入到专家系统中,最终结果 如图5-1(c)所示。
第二步,对载入的图片进行图像预处理。如图5-2所示,图像处理包括三个步骤:图像增强、形态学处理和平滑处理。由于图像处理是一个连续的过程,每一步操作都是建立在前一步骤完成的基础上,故任意一个操作按钮不仅含有此步骤的相关程序,而且还包括了前期图像处理所需要步骤的程序。
第三步,进行特征提取。在特征提取子系统界面下,点击如图5-3(a)所示的纹理特征选项,会出现如图5-3(b)所示的特征值对话框,其中包含4个特征参数。点击几何特 征按钮,会出现如图5-3(c)所示的对话框,包括6个特征参数,最后点击提取按钮,会 出现各个特征的参数值。
第四步,磨粒识别分类。如图5-1(c)所示,点击“查询”按钮,会自动识别出所载入磨粒图片的种类。
(四)仿真实验
随机选取200幅磨粒图片作为磨粒图像识别系统的测试样本,利用构建的磨粒图像识 别系统进行磨粒图像的分类识别,得到的测试结果如图5-5所示。根据图5-5可知,在支 持向量机分类器模型下,200个测试样本中正确识别磨粒个数为186个,其中严重滑动磨粒识别错误3个,疲劳磨粒识别错误9个,球状磨粒识别错误2个,切削磨粒识别错误0 个,故识别准确率为93%。
Claims (2)
1.基于磨粒磨损机理的机械磨损系统的开发方法,包括磨粒图像预处理模块、特征提取模块以及磨粒识别模块,其特征在于:本发明的步骤如下:
S1:首先对磨粒的磨损机理、磨粒的分类、以及磨粒与机械设备运行状态间的关系等理论知识进行研究,为磨粒图像识别系统的建立提供了理论基础,最后对所要设计的系统功能进行了介绍;
S2:通过对四类典型磨粒图像的一系列处理,将目标磨粒从复杂背景中分离出来,这为下一步磨粒图像的识别打下了很好的基础,通过对磨粒几何和纹理特征的分析,选择了能代表磨粒的几何和纹理特征的面积、周长、当量直径、圆形度、体态比、凹凸度、能量、熵、相关性和对比度等参数来进行特征描述;
S3:研究了统计学习理论,继而引出了支持向量机算法,其解决了实际样本空间有限这一问题,通过对比研究,选用了层次法作为分类方法,高斯函数作为核函数,并且还选用了合适的惩罚因子,最终实现了对磨粒图像的分类识别,确定了分类器模型后,对其进行了测试实验,实验结果显示其可以用于磨粒识别上;
S4:最后详细介绍了磨粒图像识别系统的三个主要模块,即图像处理子系统、特征提取子系统和磨粒自动识别子系统,而且具体的阐述了系统的实现过程,最后进行了一个样本空间为200的仿真实验,实验结果显示该系统的识别准确率为93%,虽然没有将磨粒类型百分之百的正确识别出来,但是误差在可接受范围之内,由此可见,该系统可以用于磨粒图像种类的识别。
2.根据权利要求1所述的基于磨粒磨损机理的机械磨损系统的开发方法,其特征在于:图像处理模块主要是对磨粒图像进行处理,磨粒特征提取模块主要是对磨粒进行几何和纹理特征的提取,图像识别模块是对磨粒所属类型进行判别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910465025.1A CN110208124A (zh) | 2019-05-30 | 2019-05-30 | 基于磨粒磨损机理的机械磨损系统的开发方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910465025.1A CN110208124A (zh) | 2019-05-30 | 2019-05-30 | 基于磨粒磨损机理的机械磨损系统的开发方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110208124A true CN110208124A (zh) | 2019-09-06 |
Family
ID=67789727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910465025.1A Pending CN110208124A (zh) | 2019-05-30 | 2019-05-30 | 基于磨粒磨损机理的机械磨损系统的开发方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110208124A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705369A (zh) * | 2019-09-09 | 2020-01-17 | 重庆邮电大学 | 一种基于对数-峭度的磨粒信号特征提取方法及装置 |
CN111160405A (zh) * | 2019-12-10 | 2020-05-15 | 南京航空航天大学 | 一种基于深度学习的发动机滑油磨粒识别方法 |
CN111340815A (zh) * | 2020-03-09 | 2020-06-26 | 电子科技大学 | 一种基于大津法与k均值法的自适应图像分割方法 |
CN111445485A (zh) * | 2020-03-10 | 2020-07-24 | 西安工业大学 | 一种在线磨粒图像数据处理方法 |
CN112381140A (zh) * | 2020-11-13 | 2021-02-19 | 国家能源集团泰州发电有限公司 | 一种基于新特征参数的磨粒图像机器学习识别方法 |
CN113295849A (zh) * | 2021-05-21 | 2021-08-24 | 新疆大学 | 一种通过沉积体系分布样式确定陆相湖盆古风向的方法 |
CN115018845A (zh) * | 2022-08-09 | 2022-09-06 | 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 |
CN115861098A (zh) * | 2022-11-24 | 2023-03-28 | 内蒙古工业大学 | 花粉深度图像修正方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101393108A (zh) * | 2008-10-10 | 2009-03-25 | 南京航空航天大学 | 油液磨粒在线监测方法及系统 |
CN103266291A (zh) * | 2013-05-15 | 2013-08-28 | 新疆大学 | 一种热浸镀铝锰系合金层方法 |
CN107992889A (zh) * | 2017-11-29 | 2018-05-04 | 西安交通大学 | 一种基于d-s证据理论的铁谱图像多信息融合方法 |
-
2019
- 2019-05-30 CN CN201910465025.1A patent/CN110208124A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101393108A (zh) * | 2008-10-10 | 2009-03-25 | 南京航空航天大学 | 油液磨粒在线监测方法及系统 |
CN103266291A (zh) * | 2013-05-15 | 2013-08-28 | 新疆大学 | 一种热浸镀铝锰系合金层方法 |
CN107992889A (zh) * | 2017-11-29 | 2018-05-04 | 西安交通大学 | 一种基于d-s证据理论的铁谱图像多信息融合方法 |
Non-Patent Citations (2)
Title |
---|
王静: "《基于磨粒分析的磨损模式识别方法研究》", 《中国学位论文全文数据库》 * |
范君: "《磨粒图谱识别系统研究》", 《中国学位论文全文数据库》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705369B (zh) * | 2019-09-09 | 2022-07-01 | 重庆邮电大学 | 一种基于对数-峭度的磨粒信号特征提取方法及装置 |
CN110705369A (zh) * | 2019-09-09 | 2020-01-17 | 重庆邮电大学 | 一种基于对数-峭度的磨粒信号特征提取方法及装置 |
CN111160405A (zh) * | 2019-12-10 | 2020-05-15 | 南京航空航天大学 | 一种基于深度学习的发动机滑油磨粒识别方法 |
CN111160405B (zh) * | 2019-12-10 | 2023-10-03 | 南京航空航天大学 | 一种基于深度学习的发动机滑油磨粒识别方法 |
CN111340815A (zh) * | 2020-03-09 | 2020-06-26 | 电子科技大学 | 一种基于大津法与k均值法的自适应图像分割方法 |
CN111445485A (zh) * | 2020-03-10 | 2020-07-24 | 西安工业大学 | 一种在线磨粒图像数据处理方法 |
CN111445485B (zh) * | 2020-03-10 | 2023-05-23 | 西安工业大学 | 一种在线磨粒图像数据处理方法 |
CN112381140A (zh) * | 2020-11-13 | 2021-02-19 | 国家能源集团泰州发电有限公司 | 一种基于新特征参数的磨粒图像机器学习识别方法 |
CN112381140B (zh) * | 2020-11-13 | 2024-02-06 | 国家能源集团泰州发电有限公司 | 一种基于新特征参数的磨粒图像机器学习识别方法 |
CN113295849A (zh) * | 2021-05-21 | 2021-08-24 | 新疆大学 | 一种通过沉积体系分布样式确定陆相湖盆古风向的方法 |
CN113295849B (zh) * | 2021-05-21 | 2022-12-13 | 新疆大学 | 一种通过沉积体系分布样式确定陆相湖盆古风向的方法 |
CN115018845A (zh) * | 2022-08-09 | 2022-09-06 | 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 |
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 |
CN115861098A (zh) * | 2022-11-24 | 2023-03-28 | 内蒙古工业大学 | 花粉深度图像修正方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110208124A (zh) | 基于磨粒磨损机理的机械磨损系统的开发方法 | |
US11900598B2 (en) | System and method of classification of biological particles | |
US9378407B2 (en) | Automated fish reader using learning machines | |
US7236623B2 (en) | Analyte recognition for urinalysis diagnostic system | |
Fallahi et al. | An expert system for detection of breast cancer using data preprocessing and bayesian network | |
CN111862093A (zh) | 一种基于图像识别的腐蚀等级信息处理方法及系统 | |
CN109740254B (zh) | 一种基于信息融合的船舶柴油机磨粒类型辨识方法 | |
CN113487533B (zh) | 一种基于机器学习的零件装配质量数字化检测系统及方法 | |
CN111338950A (zh) | 一种基于谱聚类的软件缺陷特征选择方法 | |
CN103544499A (zh) | 一种基于机器视觉的表面瑕疵检测的纹理特征降维方法 | |
Prewitt | Parametric and nonparametric recognition by computer: an application to leukocyte image processing | |
CN108416373A (zh) | 一种基于正则化Fisher阈值选择策略的不平衡数据分类系统 | |
Wang et al. | Direct detection of wear conditions by classification of ferrograph images | |
Setiawan et al. | Rice Foreign Object Classification Based on Integrated Color and Textural Feature Using Machine Learning. | |
Petruschke et al. | MACHINE LEARNING BASED IDENTIFICATION OF ENERGY EFFICIENCY MEASURES FOR MACHINE TOOLS USING LOAD PROFILES AND MACHINE SPECIFIC META DATA. | |
CN115456693A (zh) | 一种大数据驱动的汽车外造型设计的自动评估方法 | |
Wang et al. | Wear debris classification and quantity and size calculation using convolutional neural network | |
de Oliveira Filho et al. | Neural network for classification of MnS microinclusions in steels | |
CN112364899A (zh) | 一种基于虚拟图像与迁移学习的磨粒铁谱图像智能识别方法 | |
CN112288000A (zh) | 一种基于支持向量机的铁谱图像智能识别方法 | |
Lööv | Comparison of undersampling methods for prediction of casting defects based on process parameters | |
CN112258472A (zh) | 一种汽车外造型自动评分方法 | |
Ashour et al. | Artificial neural network-based texture classification using reduced multidirectional Gabor features | |
Pasek | Exploration of rough sets theory use for manufacturing process monitoring | |
Ozyegen et al. | Interpretable Time Series Clustering Using Local Explanations |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190906 |
|
RJ01 | Rejection of invention patent application after publication |