CN114565798A - 基于铁谱图像分析的动力装置磨损故障诊断方法及系统 - Google Patents

基于铁谱图像分析的动力装置磨损故障诊断方法及系统 Download PDF

Info

Publication number
CN114565798A
CN114565798A CN202210231033.1A CN202210231033A CN114565798A CN 114565798 A CN114565798 A CN 114565798A CN 202210231033 A CN202210231033 A CN 202210231033A CN 114565798 A CN114565798 A CN 114565798A
Authority
CN
China
Prior art keywords
wear
power device
abrasive
fault
image
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
Application number
CN202210231033.1A
Other languages
English (en)
Inventor
柳月
张忠
李孟伟
鲍珂
王秋芳
赵金龙
杨征葳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China North Vehicle Research Institute
Original Assignee
China North Vehicle Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China North Vehicle Research Institute filed Critical China North Vehicle Research Institute
Priority to CN202210231033.1A priority Critical patent/CN114565798A/zh
Publication of CN114565798A publication Critical patent/CN114565798A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于动力装置故障诊断技术领域，具体涉及一种基于铁谱图像分析的动力装置磨损故障诊断方法及系统，包括：获取原始铁谱图像、图像预处理、磨粒特征提取、磨粒类型识别、磨损故障诊断、显示故障诊断结果。磨粒类型识别模型中采用Jaya算法对支持向量机分类模型的参数进行优化，实现磨粒类别快速精准识别；磨损故障分类中采用贝叶斯优化算法对堆叠降噪自动编码器结构进行优化，优化后的SDAE模型对故障特征重构，更能反映特征关键信息，因此将重构后的特征输入到Softmax分类器，能够进一步提高诊断的精度。该技术方案克服了传统动力装置故障诊断实施过程中遇到的速度慢、精度低、可解释性差等缺点，为动力装置的稳定运行提供有效保障。

Description

基于铁谱图像分析的动力装置磨损故障诊断方法及系统
技术领域
本发明属于动力装置故障诊断技术领域，具体涉及一种基于铁谱图像分析的动力装置磨损故障诊断方法及系统。
背景技术
动力装置的机械部件长时间运行后会发生磨损，当磨损超过一定限度将产生故障隐患，通过对动力装置油液中的磨粒进行铁谱分析，利用磨粒图像特征进行分析，可对动力装置磨损失效进行状态监测与故障快速诊断，从而减小经济损失。
传统铁谱分析一般是借助磁力将油液中的金属颗粒分离出来，并根据不同尺寸颗粒的数量判断动力装置的磨损烈度，但这种区分缺乏严格的物理意义，需要开展大量的统计试验，以构建能够反映动力装置磨损状态的趋势线。随着显微成像技术和图像识别技术的发展，铁谱故障诊断进入了微观化和智能化，利用获取的磨损颗粒图像的材料、尺寸、数量等微观特征，分析动力装置的磨损状态，这一过程中部分科研人员基于人眼视觉开展故障诊断，其强烈依赖个人经验技术，识别效率低，无法形成规模化应用，另一部分科研人员将深度学习应用于铁谱分析中，以突破人眼的误差，然而，深度学习模型属于黑箱模型，缺乏对物理意义的分析，对于精度不足之处难以从物理层面解释。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是：如何提供一种基于铁谱图像分析的动力装置磨损故障诊断方法及系统，利用两层级分类算法构建铁谱图像特征-磨粒类型-动力装置磨损故障类型的诊断算法，以有效解决现有铁谱分析技术对动力装置进行磨损故障诊断时需求数据量大、精度低和可解释性差的问题。
(二)技术方案
为解决上述技术问题，本发明提供一种基于铁谱图像分析的动力装置磨损故障诊断方法，所述方法包括以下步骤：
步骤1，以预定周期采用成像装置捕获原始铁谱图像；
步骤2，对所述原始铁谱图像进行图像预处理，得到处理后的二值化图像；
步骤3，标记二值化铁谱图像的连通域，提取连通域的几何、形态等属性参数作为铁谱磨粒特征；
步骤4，根据所述铁谱磨粒特征，训练磨粒识别模型，所述磨粒识别模型的输入为铁谱磨粒特征，所述磨粒识别模型的输出为磨粒类别，所述磨粒识别模型为经算法优化的SVM多分类模型，所述SVM多分类模型采用多个SVM组合，在任意两种类别的磨粒样本之间设计一个子SVM，所述子SVM的训练集采用两两组合的方式，采用Jaya算法对所述SVM多分类模型中每一个所述子SVM的参数进行优化；
步骤5，训练经过算法优化后的深层网络模型，重构动力装置故障特征，将重构后的动力装置故障特征采用Softmax分类器进行分类，最终输出动力装置磨损故障类型；所述动力装置故障特征为基于磨粒识别模型获得的磨粒类别，对磨粒类别进行统计得到的各类别磨粒的数量和/或各类别磨粒所占的比例；所述深层网络模型为堆叠降噪自动编码器，采用贝叶斯优化算法对所述堆叠降噪自动编码器的参数进行优化；
步骤6，显示各阶段的铁谱图像、各类别磨粒的数量，并诊断获得的磨损故障类型。
其中，所述步骤2中，所述图像预处理的操作包括：灰度化、二值化、去噪。
其中，所述步骤3中，在获取铁谱磨粒特征之前，先对所述连通域进行标记，获取所述连通域的边界矩形，计算连通域的相关属性作为铁谱磨粒特征，所述铁谱磨粒特征包括：所述连通域的面积、周长、圆形度、矩形度、长宽比，与所述边界矩形具有相同二阶中心距的椭圆的长轴长、短轴长、离心率，与所述连通域等面积圆的直径、所述连通域与其最小凸多边形像素比。
其中，所述步骤4中，所述SVM多分类模型的分类决策函数公式为:
Figure BDA0003540523580000031
其中，
Figure BDA0003540523580000032
σ为高斯核函数参数；x为函数自变量；xi为第i个样本磨粒的特征向量；yi为第i个样本磨粒的类别标签；m为训练集中的样本数量；αi为Lagrange乘子；αi为约束条件：0≤αi≤γ；γ为正则化参数；b为偏置量。
其中，所述步骤4中，所述采用Jaya算法对SVM多分类模型中每一个子SVM的参数组合(γ,σ)进行优化，具体包括以下步骤：
步骤4.1，Jaya算法设计种群大小为30～40、算法终止的条件为达到最大迭代次数1000～2000，算法设计变量的数量为2，所述正则化参数γ和所述高斯核函数参数σ取值的范围分别为[0.1，100]和[0.1，500]；
步骤4.2，选择ERMSE作为所述Jaya算法的目标函数，其公式如下：
Figure BDA0003540523580000033
m为磨粒样本数量；yi为第i个样本磨粒的实际标签；y′i为第i个样本磨粒的预测标签；
步骤4.3，在优化参数的取值范围内随机生成的一组向量(γ,σ)，为所述Jaya算法种群内的每一个个体分配一组(γ,σ)；
步骤4.4，根据SVM的训练结果，计算种群中每个个体的ERMSE目标函数值，得到当前种群的最优解ERMSEmin和最差解ERMSEmax；
步骤4.5，根据求得的所述最优解ERMSEmin和最差解ERMSEmax修正迭代过程中目标函数的当前解ERMSE，如下式:
E′j,k,i＝Ej,k,i+r1j,i(Ej,min,i-|ERMSE|)-r2j,i(Ej,max,i-|ERMSE|)
其中，Ej,k,i是第i次迭代中第k个候选变量的第j个变量的对应的解；E′j,k,i是第i次迭代中第k个候选变量的第j个变量的修正解；Ej,min,i是第i次迭代中最优选项的第j个变量的解；Ej,max,i是第i次迭代中最差选项的第j个变量的解；r1j,i、r2j,i是第i次迭代时第j个变量相对应的随机数，取值范围为[0，1]；
步骤4.6，如果修正后的解E′RMSE优于当前解ERMSE，则保留修正的解E′RMSE，否则保留当前的解；将所有保留的解作为下一次迭代的输入；
步骤4.7，判断是否达到最大迭代次数，没有达到就转到步骤4.4，否则输出最优解，即ERMSE最小值，并输出对应的最优参数组合(γ,σ)。
其中，所述步骤5中，包括以下步骤：
步骤5.1，通过对所述处理后的二值化图像进行磨粒识别，统计得到各类别磨粒的数量和/或各类别磨粒所占的比例，即动力装置故障特征；
步骤5.2，为使学习到的所述堆叠降噪自动编码器更具鲁棒性，对所述动力装置故障特征进行加噪和归一化处理；
步骤5.3，初始化堆叠降噪自动编码器，以最小化重构误差为目标对其进行逐层训练，在此过程中，采用高斯过程不断对初始化堆叠降噪自动编码器(SDAE)隐藏层节点数组合进行优化并训练堆叠降噪自动编码器，直至在某个节点数组合下获得的重构误差满足要求，则停止对堆叠降噪自动编码器进行优化；
步骤5.4，将所述动力装置故障特征放到训练好的堆叠降噪自动编码器中，得到动力装置故障的重构特征；
步骤5.5，对所述重构特征采用Softmax分类器进行分类，分类的结果为动力装置磨损故障类型。
其中，所述步骤5.3中，采用贝叶斯优化算法对堆叠降噪自动编码器的参数进行优化，具体包括以下：
步骤5.3.1，初始化节点数组合，节点数组合表示为：g＝[m1,m2,m3]；其中m1表示第一个隐藏层节点数，m2表示第二个隐藏层节点数，m3表示第三个隐藏层节点数，节点数范围为[50，500]；
步骤5.3.2，优化节点数组合，优化函数为：
Figure BDA0003540523580000041
g表示需要优化的参数组合；f(g)表示参数组合对应的重构误差；χ是g的集合；
采用高斯过程，第t次高斯预测分布为：
Figure BDA0003540523580000051
Figure BDA0003540523580000052
gt表示第t次隐藏层节点数组合；μ(gt)为gt的均值函数；
kt＝[k(g1,gt),k(g2,gt),…,k(gt-1,gt)]
kt T为kt的转置；k(.)表示协方差函数；K为半定矩阵；I为单位矩阵；h＝[h1,h2,…,ht]为高斯过程的观测序列；ht＝f(gt)+εt为高斯过程的观测值；f(gt)为参数组合对应的重构误差；εt为一个独立同分布的高斯噪声，是个随机变量；σn为εt的方差；
步骤5.3.3，通过高斯过程得到gt的预测分布后，选择一个采集函数用于从模型后验分布中构造效用函数，来确定下一个参数组合点，将新的参数组合gt+1输入到堆叠降噪自动编码器，以输入信号和重构输出信号的重构误差作为模型输出进行训练；
步骤5.3.4，若新选出的参数组合对应的重构误差f(gt+1)符合目标要求，则终止算法执行并退出，输出对应的隐藏层节点数组合gt+1；若f(gt+1)不符合要求，则将(gt+1,f(gt+1))输入到高斯模型中进行修正，重新执行步骤5.3.2，直到满足实验所需精度为止。
其中，所述磨粒类别包括：正常磨粒、严滑磨粒、切削磨粒、疲劳磨粒、片状磨粒、球状磨粒、氧化物磨粒；所述磨损故障类型包括：正常磨损、粘着磨损、切削磨损、疲劳磨损和腐蚀磨损。
此外，本发明还提供一种执行所述基于铁谱图像分析的动力装置磨损故障诊断方法的系统，包括：
图像获取模块1，所述图像获取模块1以预定周期反复捕获图像，并且将所捕获的图像发送至控制单元2；
图像处理模块3，所述图像处理模块3用于从所述控制单元2获取图像获取模块所捕获的图像，对所述图像采用灰度化、二值化和去噪处理；
特征提取模块4，所述特征提取模块4用于提取经图像处理后的二值化图像连通域的相关属性，作为铁谱磨粒特征；
磨粒识别模块5，所述磨粒识别模块5用于采用经算法优化的SVM多分类模型识别磨粒类别，经算法优化的SVM多分类模型的输入为提取的所述铁谱磨粒特征，所述经算法优化的SVM多分类模型输出为磨粒类别，所述SVM多分类模型采用多个SVM组合，在任意两种类别的磨粒样本之间设计一个子SVM，采用Jaya算法对所述SVM多分类模型中每一个所述子SVM的参数进行优化；
故障诊断模块6，所述故障诊断模块6用于重构动力装置故障特征，对动力装置进行磨损故障诊断；所述动力装置故障特征为铁谱图像中各类别磨粒的数量和/或各类别磨粒所占的比例，将所述动力装置故障特征作为输入，先采用经算法优化的深层网络模型对动力装置故障特征进行重构，然后将重构后的动力装置故障特征采用Softmax分类器进行分类，最终输出动力装置磨损故障类型；所述深层网络模型为堆叠降噪自动编码器，采用贝叶斯优化算法对堆叠降噪自动编码器的参数进行优化；
可视化模块7，所述可视化模块7用于显示图像、各类别磨粒的数量以及诊断获得的磨损故障类型。
此外，本发明还提供一种计算机可读存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行所述动力装置磨损故障诊断方法。
(三)有益效果
针对现有技术的问题，本发明首先采用Jaya算法优化的支持向量机分类模型，对铁谱磨粒进行识别，利用有限数量的样本，从物理层面构建了磨粒尺寸、形貌等特征与磨粒类型的关系，然后将磨粒类型、数量、比例等磨损故障特征与动力装置磨损故障类型建立二次分类对应关系，该过程采用贝叶斯优化算法对磨损故障特征进行优化，提高了特征信息的质量，进一步提高故障诊断的精度。在整体过程中，本发明将磨粒的铁谱图像识别结果应用到动力装置故障诊断中，使得故障诊断结果具有可解释性，有利于后续的维修与预警。
与现有技术相比较，本发明具备如下有益效果：
(1)本发明的基于铁谱图像分析的动力装置故障诊断方法及系统，通过提取铁谱磨粒的特征信息采用经Jaya算法优化的SVM分类模型对磨粒进行识别分类，采用SVM多分类模型能够避免小样本数据量的限制，其模型中正则化参数γ和高斯核函数参数σ对预测精度有较大的影响，采用Jaya算法对正则化参数γ和高斯核函数参数σ进行优化，能够实现在较低算法复杂度的情况下对SVM的参数进行调优，提升计算速度从而提高诊断速度；多分类模型的子分类器的训练集采用两两组合的方式相较于现有技术能够提高动力装置多个磨粒类别分类的精度，提升分类正确率，实现快速精准磨粒识别；采用所述连通域的面积、周长、圆形度、矩形度、长宽比，与所述边界矩形具有相同二阶中心距的椭圆的长轴长、短轴长、离心率，与所述连通域等面积圆的直径、所述连通域与其最小凸多边形像素比等10个图像识别参数，从微观物理层面构建了铁谱图像特征与磨粒类型的关系，提升了该算法的可解释性。
(2)本发明的基于铁谱图像分析的动力装置故障诊断方法及系统，根据各类别磨粒的数量和/或各类别磨粒所占的比例，采用贝叶斯算法(BO)对堆叠降噪自动编码器(SDAE)进行参数调优，实现动力装置故障特征重构，采用堆叠降噪自动编码器(SDAE)通过一系列非线性映射学习，更能反映故障特征关键信息，将重构后的特征通过分类器分类，从而诊断动力装置磨损故障类型，进一步提高了动力装置磨损故障诊断的精度。
附图说明
图1是本发明的总体实现框图。图2是本发明磨粒类型识别的基本流程图。图3是本发明磨损故障诊断的基本流程图。图4是本发明故障诊断结果图。图5是本发明磨损故障诊断系统的示意图。图6是本发明可视化模块登录成功后的初始化界面。图7是本发明可视化模块选择图像操作图。图8是本发明可视化模块图像预处理效果图。图9是本发明可视化模块磨粒类型识别效果图。图10是本发明可视化模块故障诊断效果图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
实施例1
本实施例为解决现有技术问题，本发明提供一种基于铁谱图像分析的动力装置磨损故障诊断方法，所述方法包括以下步骤：
步骤1：以预定周期采用成像装置捕获原始铁谱图像；
步骤2，对所述原始铁谱图像进行图像预处理，得到处理后的二值化图像；
步骤3，选取处理后的二值化图像连通域的相关属性，作为铁谱磨粒特征；
步骤4，根据所述铁谱磨粒特征，训练磨粒识别模型，所述磨粒识别模型的输入为铁谱磨粒特征，所述磨粒识别模型的输出为磨粒类别，所述磨粒识别模型为经算法优化的SVM多分类模型，所述SVM多分类模型采用多个SVM组合，在任意两种类别的磨粒样本之间设计一个子SVM，所述子SVM的训练集采用两两组合的方式，采用Jaya算法对所述SVM多分类模型中每一个所述子SVM的参数进行优化；
步骤5，训练经过算法优化后的深层网络模型，重构动力装置故障特征，将重构后的动力装置故障特征采用Softmax分类器进行分类，最终输出动力装置磨损故障类型；所述动力装置故障特征为基于磨粒识别模型获得的磨粒类别，对磨粒类别进行统计得到的各类别磨粒的数量和/或各类别磨粒所占的比例；所述深层网络模型为堆叠降噪自动编码器(SDAE)，采用贝叶斯优化算法(BO)对所述堆叠降噪自动编码器(SDAE)的参数进行优化；
步骤6，显示各阶段的铁谱图像、各类别磨粒的数量以及诊断获得的磨损故障类型。
其中，所述步骤1，捕获原始铁谱图像的过程中，通过成像装置捕获油液磨粒装置中铁谱仪谱片的原始铁谱图像，成像装置为传感器内置拍摄探头或激光扫描共聚焦显微镜等，油液磨粒装置包括铁谱仪谱片、驱动装置和控制装置；其中，铁谱仪谱片由驱动装置进行驱动，控制装置通过控制驱动装置对铁谱仪谱片进行控制；铁谱仪谱片图像通过OLVF在线可视铁谱仪获取。
其中，所述步骤2中，所述图像预处理的操作包括：灰度化、二值化、去噪。其中，灰度化，对铁谱图像进行灰度处理，转换为单通道灰度图像；二值化，用类间方差法(OTSU)对灰度图像进行阈值分割，得到二值化图像；去噪，比如采用全变分(TV)算法对图像去噪。
其中，所述步骤3中，在获取铁谱磨粒特征之前，先对所述连通域进行标记，获取所述连通域的边界矩形，计算连通域的相关属性作为铁谱磨粒特征，所述铁谱磨粒特征包括：所述连通域的面积、周长、圆形度、矩形度、长宽比，与所述边界矩形具有相同二阶中心距的椭圆的长轴长、短轴长、离心率，与所述连通域等面积圆的直径、所述连通域与其最小凸多边形像素比(即10种磨粒特征)。该步骤可利用数学软件工具或编程语言中的计算函数。
其中，所述步骤4中，支持向量机(SVM)是一种被广泛使用的分类模型，针对动力装置磨损故障诊断受到油液分析数据样本很小的限制，采用SVM多分类模型能够利用小样本进行训练学习，解决多维向量空间下的模式识别问题。此外，模型中正则化参数γ和核函数参数对预测精度有较大的影响，所以合适的参数选择对预测模型的性能起着至关重要的作用。Jaya中控制参数较少，可以实现在较低算法复杂度的情况下对SVM的参数进行调优，提升分类正确率，实现快速精准磨粒识别。
进一步地，步骤4中，磨粒识别模型采用SVM多分类模型，模型输入为磨粒特征参数，模型输出为磨粒的类别；磨粒的类别包括以下7类：正常磨粒、严滑磨粒、切削磨粒、疲劳磨粒、片状磨粒、球状磨粒、氧化物磨粒。
进一步地，多分类模型需要用多个SVM组合，在任意两种类别的磨粒样本之间设计一个子SVM，一共需要21个SVM子分类器，子分类器的训练集采用两两组合的方式，采用该组合方式相较于现有技术能够提高动力装置多个磨粒类别分类的精度。
其中，所述SVM多分类模型的分类决策函数公式为:
Figure BDA0003540523580000091
其中，
Figure BDA0003540523580000092
σ为高斯核函数参数；x为函数自变量；xi为第i个样本磨粒的特征向量；yi为第i个样本磨粒的类别标签；m为训练集中的样本数量；αi为Lagrange乘子；αi为约束条件：0≤αi≤γ；γ为正则化参数；b为偏置量。
其中，所述步骤4中，所述采用Jaya算法对SVM多分类模型中每一个子SVM的参数组合(γ,σ)进行优化，具体包括以下步骤：
步骤4.1，Jaya算法设计种群大小为30～40、算法终止的条件为达到最大迭代次数1000～2000，算法设计变量的数量为2，所述正则化参数γ和所述高斯核函数参数σ取值的范围分别为[0.1，100]和[0.1，500]；
步骤4.2，选择ERMSE作为所述Jaya算法的目标函数，其公式如下：
Figure BDA0003540523580000101
m为磨粒样本数量；yi为第i个样本磨粒的实际标签；y′i为第i个样本磨粒的预测标签；
步骤4.3，在优化参数的取值范围内随机生成的一组向量(γ,σ)，为所述Jaya算法种群内的每一个个体分配一组(γ,σ)；
步骤4.4，根据SVM的训练结果，计算种群中每个个体的ERMSE目标函数值，得到当前种群的最优解ERMSEmin和最差解ERMSEmax；
步骤4.5，根据求得的所述最优解ERMSEmin和最差解ERMSEmax修正迭代过程中目标函数的当前解ERMSE，如下式:
E′j,k,i＝Ej,k,i+r1j,i(Ej,min,i-|ERMSE|)-r2j,i(Ej,max,i-|ERMSE|)
其中，Ej,k,i是第i次迭代中第k个候选变量的第j个变量的对应的解；E′j,k,i是第i次迭代中第k个候选变量的第j个变量的修正解；Ej,min,i是第i次迭代中最优选项的第j个变量的解；Ej,max,i是第i次迭代中最差选项的第j个变量的解；r1j,i、r2j,i是第i次迭代时第j个变量相对应的随机数，取值范围为[0，1]；
步骤4.6，如果修正后的解E′RMSE优于当前解ERMSE，则保留修正的解E′RMSE，否则保留当前的解；将所有保留的解作为下一次迭代的输入；
步骤4.7，判断是否达到最大迭代次数，没有达到就转到步骤4.4，否则输出最优解，即ERMSE最小值，并输出对应的最优参数组合(γ,σ)。
其中，所述步骤5包括以下步骤：
步骤5.1，通过对所述处理后的二值化图像进行磨粒识别，统计得到各类别磨粒的数量和/或各类别磨粒所占的比例，即动力装置故障特征；
步骤5.2，为使学习到的所述堆叠降噪自动编码器(SDAE)更具鲁棒性，对所述动力装置故障特征进行加噪和归一化处理；
步骤5.3，初始化堆叠降噪自动编码器(SDAE)，以最小化重构误差为目标对其进行逐层训练，在此过程中，采用高斯过程不断对初始化堆叠降噪自动编码器(SDAE)隐藏层节点数组合进行优化并训练堆叠降噪自动编码器(SDAE)，直至在某个节点数组合下获得的重构误差满足要求，则停止对堆叠降噪自动编码器(SDAE)进行优化；
步骤5.4，将所述动力装置故障特征放到训练好的堆叠降噪自动编码器(SDAE)中，得到动力装置故障的重构特征；
步骤5.5，对所述重构特征采用Softmax分类器进行分类，分类的结果为动力装置磨损故障类型。
由于以上这些故障特征之间存在多重共线性关系，直接进行分类会影响诊断精度，因此需要对故障特征进行重构。堆叠降噪自动编码器(SDAE)是深度自编码网络的一个变种，它是用去噪自编码器(DAE)来替代自动编码器(SAE)，通过多层DAE栈式堆叠，从而建立堆叠去噪自编码器(SDAE)，它可以通过一系列非线性映射学习更抽象、更高层次的特征，从而更有效地表示关键信息，经过堆叠去噪自编码器(SDAE)重构后的特征有助于Softmax进行故障分类，从而提高磨损故障诊断的精准性。堆叠去噪自编码器(SDAE)在训练过程十分依赖隐藏层节点数，各个隐藏层可选的节点数非常大，并且，各个隐藏层节点数能够相互影响，所以，仅靠先验经验去调节隐藏层节点数，理论上是很难得到堆叠去噪自编码器(SDAE)最优的隐藏层节点数组合方案。然而，堆叠降噪自动编码器(SDAE)的重构效果很大程度上依赖于隐藏层数及隐藏层节点数，为降低算法复杂度，本发明将隐藏层数设置为固定值，堆叠去噪自编码器(SDAE)隐藏层节点数的范围是[50，500]。
其中，所述步骤5.3中，采用贝叶斯优化算法(BO)对堆叠降噪自动编码器(SDAE)的参数，即对节点数组合进行优化，具体包括以下步骤：
步骤5.3.1，初始化节点数组合，节点数组合表示为：g＝[m1,m2,m3]；其中m1表示第一个隐藏层节点数，m2表示第二个隐藏层节点数，m3表示第三个隐藏层节点数，节点数范围为[50，500]；
步骤5.3.2，优化节点数组合，优化函数为：
Figure BDA0003540523580000121
g表示需要优化的参数组合；f(g)表示参数组合对应的重构误差；χ是g的集合；
采用高斯过程，第t次高斯预测分布为：
Figure BDA0003540523580000122
Figure BDA0003540523580000123
gt表示第t次隐藏层节点数组合；μ(gt)为gt的均值函数；
kt＝[k(g1,gt),k(g2,gt),…,k(gt-1,gt)]
kt T为kt的转置；k(.)表示协方差函数；K为半定矩阵；I为单位矩阵；h＝[h1,h2,…,ht]为高斯过程的观测序列；ht＝f(gt)+εt为高斯过程的观测值；f(gt)为参数组合对应的重构误差；εt为一个独立同分布的高斯噪声，是个随机变量；σn为εt的方差；
步骤5.3.3，通过高斯过程得到gt的预测分布后，选择一个采集函数用于从模型后验分布中构造效用函数，来确定下一个参数组合点，将新的参数组合gt+1输入到堆叠降噪自动编码器，以输入信号和重构输出信号的重构误差作为模型输出进行训练；
步骤5.3.4，若新选出的参数组合对应的重构误差f(gt+1)符合目标要求，则终止算法执行并退出，输出对应的隐藏层节点数组合gt+1；若f(gt+1)不符合要求，则将(gt+1,f(gt+1))输入到高斯模型中进行修正，重新执行步骤5.3.2，直到满足实验所需精度为止。
在动力装置实际磨损工作情况下，往往是多种类型的磨损同时存在，且相互影响。由于各类型磨损发生的工况条件不同，随着磨损状态的改变，不同类型的磨损所占的主次不同，则不同类别的磨粒所占的比例也不同。通过统计动力装置磨损故障数据，选取动力装置故障发生率最高的磨损类型，获取每类动力装置磨损故障对应不同磨损类别的磨粒数量范围和/或所占的比例，并考虑动力装置工作中主要运动部件磨损机理，将磨损故障类型分为正常磨损、粘着磨损、切削磨损、疲劳磨损和腐蚀磨损。其中，不同类型的磨损产生的磨粒不同，正常磨损主要为正常磨粒，粘着磨损主要为严滑磨粒，切削磨损主要为切削磨粒，疲劳磨损主要为疲劳磨粒、片状磨粒和球状磨粒，腐蚀磨损主要为氧化物磨粒。
其中，所述磨粒类别包括：正常磨粒、严滑磨粒、切削磨粒、疲劳磨粒、片状磨粒、球状磨粒、氧化物磨粒；所述磨损故障类型包括：正常磨损、粘着磨损、切削磨损、疲劳磨损和腐蚀磨损。
此外，本发明还提供一种执行所述基于铁谱图像分析的动力装置磨损故障诊断方法的系统，其包括：
图像获取模块1，所述图像获取模块1以预定周期反复捕获图像，并且将所捕获的图像发送至控制单元2，采用传感器内置拍摄探头或激光扫描共聚焦显微镜等捕获油液磨粒装置中铁谱仪谱片的原始铁谱图像；其中，油液磨粒装置包括铁谱仪谱片，驱动装置和控制装置；其中铁谱仪谱片由驱动装置进行驱动，控制装置通过控制驱动装置对铁谱仪谱片进行控制；铁谱仪谱片图像还可以通过OLVF在线可视铁谱仪获取；
图像处理模块3，所述图像处理模块3用于从所述控制单元2获取图像获取模块所捕获的图像，对所述图像采用灰度化、二值化和去噪处理；
特征提取模块4，所述特征提取模块4用于提取经图像处理后的二值化图像连通域的相关属性，作为铁谱磨粒特征；铁谱磨粒特征包括：连通域的面积、周长、圆形度、矩形度、长宽比，与边界矩形具有相同二阶中心距的椭圆的长轴长、短轴长、离心率，与连通域等面积圆的直径、连通域与其最小凸多边形像素比；
磨粒识别模块5，所述磨粒识别模块5用于采用经算法优化的SVM多分类模型识别磨粒类别，经算法优化的SVM多分类模型的输入为提取的所述铁谱磨粒特征，所述经算法优化的SVM多分类模型输出为磨粒类别，所述SVM多分类模型采用多个SVM组合，在任意两种类别的磨粒样本之间设计一个子SVM，采用Jaya算法对所述SVM多分类模型中每一个所述子SVM的参数进行优化；
故障诊断模块6，所述故障诊断模块6用于重构动力装置故障特征，对动力装置进行磨损故障诊断；所述动力装置故障特征为铁谱图像中各类别磨粒的数量和/或各类别磨粒所占的比例，将所述动力装置故障特征作为输入，先采用经算法优化的深层网络模型对动力装置故障特征进行重构，然后将重构后的动力装置故障特征采用Softmax分类器进行分类，最终输出动力装置磨损故障类型；所述深层网络模型为堆叠降噪自动编码器(SDAE)，采用贝叶斯优化算法(BO)对堆叠降噪自动编码器(SDAE)的参数进行优化；
可视化模块(7)，所述可视化模块(7)用于显示图像、各类别磨粒的数量以及诊断获得的磨损故障类型。
此外，本发明还提供一种计算机可读存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行所述动力装置磨损故障诊断方法。
实施例1
图1为本实施例的总体实现框图，其中输入为原始铁谱图像，输出为动力装置磨损故障类型，本实施例的总体流程包括：获取铁谱图像、图像预处理、磨粒特征提取、磨粒类型识别、磨损故障诊断、显示故障诊断结果。
下面结合附图和实施例对本实施例作进一步说明。
步骤1，获取原始铁谱图像。
以预定周期采用传感器内置拍摄探头或激光扫描共聚焦显微镜等反复捕获油液磨粒装置中铁谱仪谱片的原始铁谱图像，并且将所捕获的图像发送至控制单元。
其中，油液磨粒装置包括铁谱仪谱片，驱动装置和控制装置；其中铁谱仪谱片是经过磁力分离后，沉积由铁磁性颗粒的玻璃基片，控制装置主要通过驱动装置实现铁谱仪谱片的移动、聚焦成像、取像等，铁谱图像可通过扫描成像存储后离线使用，也可以通过OLVF在线查看。
步骤2，图像预处理。
利用灰度化技术将铁谱图像转换为单通道灰度图像，利用类间方差法(OTSU)对灰度图像进行阈值分割，得到二值化图像，进一步，采用全变分(TV)算法对图像去噪。
步骤3，磨粒特征提取。
首先对连通域进行标记，并获取连通域的边界矩形。计算连通域的相关属性作为磨粒特征，包括：连通域的面积、周长、圆形度、矩形度、长宽比，与边界矩形具有相同二阶中心距的椭圆的长轴长、短轴长、离心率，与连通域等面积圆的直径、连通域与其最小凸多边形像素比(即10种磨粒特征)。该步骤可利用数学软件工具或编程语言中的计算函数。
步骤4，磨粒类型识别。
根据动力装置内部磨损机理以及产生磨粒的形态差异，将磨粒类别划分为以下7类：正常磨粒、严滑磨粒、切削磨粒、疲劳磨粒、片状磨粒、球状磨粒、氧化物磨粒。
实验样本：为m个典型磨粒样本，m取值范围为[60，100]。标记实验样本：
T1＝{(x1,y1),(x2,y2),…,(xm,ym)}
其中xi＝(xi1,xi2,…,xi10)T，
Figure BDA0003540523580000162
(i＝1,2,…,m；j＝1,2,…,10)为第i个样本的第j个特征(一共包括10种磨粒特征)，故yi∈{1,-1}(i＝1,2,…,m)表示第i个样本类别标签。
图2是本发明进行磨粒类型识别的基本流程图，以下进行具体描述。
步骤4.1，利用OVOSVMs方法划分子训练集。
单SVM分类器仅支持二分类，对于多目标类型需要多个SVM组合，采用“SVM一对一(OVOSVMs)”方法，即在任意两种类别的磨粒样本之间设计一个子SVM，7种磨粒类别共需要21个SVM子分类器，子分类器的训练集采用两两组合的方式。为方便表示，对磨粒类别进行标记，A：正常磨粒；B：严滑磨粒；C：切削磨粒；D：疲劳磨粒；E：片状磨粒；F：球状磨粒；G：氧化物磨粒。则21个子分类器的训练集分别为(A，B)，(A，C)，(A，D)，(A，E)，(A，F)，(A，G)，(B，C)，(B，D)，(B，E)，(B，F)，(B，G)，(C，D)，(C，E)，(C，F)，(C，G)，(D，E)，(D，F)，(D，G)，(E，F)，(E，G)，(F，G)。
步骤4.2，数据预处理。
1)去除数据噪声：采用高斯低通滤波器去除数据噪声；
2)特征归一化：由于不同类别磨粒的特征之间比例尺度不一样，需要进行归一化处理，归一化公式如下：
Figure BDA0003540523580000161
式中，x′为归一化后的特征，x为原始特征，μ为原始特征的平均值，σ为原始特征的标准差；
磨粒类别的输入输出必须为数字，需要将每组训练集中的磨粒类别用类别标签(1，-1)进行表示，1代表正样本，-1代表负样本。例如在对训练集为(A，B)的子分类器进行训练时，将类别A(即“正常磨粒”)编码为1，类别B(“即严滑磨粒”)编码为-1。
步骤4.3，建立分类模型。
SVM的分类决策函数公式为:
Figure BDA0003540523580000171
其中，
Figure BDA0003540523580000172
σ为高斯核函数参数；x为函数自变量；xi为第i个样本磨粒的特征向量；yi为第i个样本磨粒的类别标签；m为训练集中的样本数量；αi为Lagrange乘子；αi为约束条件：0≤αi≤γ；γ为正则化参数；b为偏置量。
步骤4.4，参数优化。
步骤4.4.1，初始化Jaya-SVM参数。
Jaya算法设计变量的数量为2：种群大小为30(通常设定30～40)、算法终止的条件为达到最大迭代次数1000(通常设定1000～2000)。模型中正则化参数γ和核函数参数σ取值的范围分别为[0.1，100]和[0.1，500]。
步骤4.4.2，选择ERMSE作为所述Jaya算法的目标函数，其公式如下：
Figure BDA0003540523580000173
m为磨粒样本数量；yi为第i个样本磨粒的实际标签；yi′为第i个样本磨粒的预测标签；
在优化参数的取值范围内随机生成的一组向量(γ,σ)，为Jaya算法种群内的每一个个体分配一组(γ,σ)。
步骤4.4.3，根据SVM的训练结果，计算种群中每个个体的ERMSE目标函数值，得到当前种群的最优解ERMSEmin和最差解ERMSEmax；
步骤4.4.4，根据求得的所述最优解ERMSEmin和最差解ERMSEmax修正迭代过程中目标函数的当前解ERMSE，如下式:
E′j,k,i＝Ej,k,i+r1j,i(Ej,min,i-|ERMSE|)-r2j,i(Ej,max,i-|ERMSE|)
其中，Ej,k,i是第i次迭代中第k个候选变量的第j个变量的对应的解；Ej′,k,i是第i次迭代中第k个候选变量的第j个变量的修正解；Ej,min,i是第i次迭代中最优选项的第j个变量的解；Ej,max,i是第i次迭代中最差选项的第j个变量的解；r1j,i、r2j,i是第i次迭代时第j个变量相对应的随机数，取值范围为[0，1]；
步骤4.4.5，如果修正后的解E′RMSE优于当前解ERMSE，则保留修正的解E′RMSE，否则保留当前的解；将所有保留的解作为下一次迭代的输入；
步骤4.4.6，判断是否达到最大迭代次数，没有达到就转到步骤4.4，否则输出最优解，即ERMSE最小值，并输出对应的最优参数组合(γ,σ)。
步骤4.5，建立多分类模型。
完成所有的子分类器训练后，采用投票策略进行分类，得票最多的类别为样本类别：
4.5.1，将测试样本放到训练好的子分类器中进行分类，若分类结果为某个类别，则该类别的得票数加1；
4.5.2，重复4.5.1，直到该测试样本在所有子分类器中完成测试；
4.5.3，统计得票数，得票数最高的类别为该测试样本的最终分类结果。
步骤5，磨损故障诊断。
将柴油动力装置磨损故障类型分为正常磨损、粘着磨损、切削磨损、疲劳磨损和腐蚀磨损5种，分别对应7种磨粒类别：正常磨损主要为正常磨粒，粘着磨损主要为严滑磨粒，切削磨损主要为切削磨粒，疲劳磨损主要为疲劳磨粒、片状磨粒和球状磨粒，腐蚀磨损主要为氧化物磨粒。
考虑到铁谱磨粒特征与磨损故障类型间存在多重共线性关系，利用堆叠降噪自动编码器(SDAE)对故障特征进行重构，将隐藏层数设置为固定值，并采用贝叶斯优化算法BO对堆叠去噪自编码器(SDAE)隐藏层节点数组合进行优化；堆叠降噪自动编码器SDAE隐藏层节点数的范围是[50，500]。
图3是磨损故障诊断的流程图，总体包括以下步骤：(1)通过对处理后的二值化图像进行磨粒识别，统计得到各类别磨粒的数量和/或各类别磨粒所占的比例，即动力装置故障特征；(2)为使学习到的堆叠降噪自动编码器(SDAE)更具鲁棒性，对故障特征进行加噪和归一化处理；(3)初始化堆叠降噪自动编码器(SDAE)，以最小化重构误差为目标对其进行逐层训练，在此过程中，采用高斯过程不断对堆叠去噪自编码器(SDAE)隐藏层节点数组合进行优化并训练堆叠降噪自动编码器(SDAE)，直至在某个节点数组合下获得的重构误差满足要求，则停止对堆叠降噪自动编码器(SDAE)进行优化；(4)将动力装置故障特征放到训练好的堆叠降噪自动编码器(SDAE)中，得到动力装置故障的重构特征；(5)对重构特征采用Softmax分类器进行分类，分类的结果为动力装置磨损故障类型。
以下进行具体描述：
步骤5.1，获取特征参数。
将m2张铁谱图像采用Jaya-SVM进行磨粒识别，m2的取值范围[50，100]。统计每组结果中各类型磨粒的数量，以各类别磨粒的数量作为第一特征参数，得到m2组特征参数：T1＝[d(1),d(2),…,d(7)]，其中d(i)表示第i类磨粒的数量(一共包括7种类别磨粒)。
此外，还可以基于统计的各类别磨粒的数量计算获得各类磨粒所占的比例，以各类别磨粒所占的比例作为第二特征参数，得到m2组特征参数：T2＝[p(1),p(2),…,p(7)]，其中p(i)表示第i类磨粒所占的比例。
步骤5.2，数据预处理。
为了防止堆叠降噪自动编码器出现过拟合现象，在输入信号中加入噪声，使学习到的编码器更加具有鲁棒性。本实施例中加入高斯噪声：
Figure BDA0003540523580000201
ε～N(0,σ2)
式中，
Figure BDA0003540523580000202
为加入噪声后的信号，z为原始故障特征信号，ε为高斯噪声，服从正态分布(Normal distribution)，σ为ε的方差。
需要注意的是，只有在训练的时候需要对输入数据加噪，训练完成不需要进行加噪。
由于不同磨损故障的特征之间比例尺度不一样，需要进行归一化处理，归一化公式如下：
Figure BDA0003540523580000203
式中，
Figure BDA0003540523580000204
为归一化后的特征，
Figure BDA0003540523580000205
为加入噪声后的信号，μ′为
Figure BDA0003540523580000206
的平均值，σ′为
Figure BDA0003540523580000207
的标准差。
步骤5.3，建立SDAE网络。
为了降低算法复杂度，本发明设置SDAE隐藏层数为3，根据节点数范围随机产生初始化点。
步骤5.3.1，初始化节点数组合。
节点数组合表示为：g＝[m1,m2,m3]；
其中，m1表示第一个隐藏层节点数，m2表示第二个隐藏层节点数，m3表示第三个隐藏层节点数，节点数范围为[50，500]。将初始化参数和实验样本输入到SDAE，以输入信号和重构输出信号的重构误差作为模型输出，对其进行修正使模型接近函数的真实分布。
步骤5.3.2，优化节点数组合。
优化函数为：
Figure BDA0003540523580000208
g表示需要优化的参数组合；f(g)表示参数组合对应的重构误差；χ是g的集合；
采用高斯过程，第t次高斯预测分布为：
Figure BDA0003540523580000209
Figure BDA00035405235800002010
gt表示第t次隐藏层节点数组合；μ(gt)为gt的均值函数；
kt＝[k(g1,gt),k(g2,gt),…,k(gt-1,gt)]
Figure BDA0003540523580000211
为kt的转置；k(.)表示协方差函数；K为半定矩阵；I为单位矩阵；h＝[h1,h2,…,ht]为高斯过程的观测序列；ht＝f(gt)+εt为高斯过程的观测值；f(gt)为参数组合对应的重构误差；εt为一个独立同分布的高斯噪声，是个随机变量；σn为εt的方差；
通过高斯过程得到gt的预测分布后，需要选择一个采集函数，用于从模型后验分布中构造效用函数，来确定下一个参数组合点。现有技术中采集函数有多种形式，最常用的是Expected improvement(EI)，EI的主要思想是通过搜索下一个超参集，使得目标函数的期望优于当前最优超参集对应的期望。
本发明选取Expected improvement作为采集函数，高斯过程更新公式如下：
α(g)＝[μ(g)-q+]ψ(z)+σ(g)φ(z)
Figure BDA0003540523580000212
式中：g表示需要优化的参数组合，χ是g的集合，z＝(μ(g)-q+)/σ(g)，α(g)代表效用函数，μ(g)表示均值，σ(g)是标准差，q+是目前最大的效用函数值，ψ(z)代表高斯分布的累计概率函数，φ(z)表示高斯分布的概率密度函数，gt+1表示t+1次评估的参数组合。
将新的参数组合gt+1输入到SDAE，以输入信号和重构输出信号的重构误差作为模型输出进行训练，使得高斯模型相对于候选集χ的其他组合更加快速准确地接近目标函数(此处目标函数即重构误差)的真实分布。
步骤5.3.3，若新选出的参数组合对应的重构误差f(gt+1)符合目标要求，则终止算法执行并退出，输出对应的隐藏层节点数组合gt+1。
步骤5.3.4，若f(gt+1)不符合要求，则将(gt+1,f(gt+1))输入到高斯模型中，对高斯模型进行修正，重新执行步骤5.3.2，直到满足实验所需精度为止。
步骤5.4，重构特征信号。
将步骤4.2得到的特征信号(即预处理过的动力装置故障特征)加入训练好的SDAE模型中进行重构。
步骤5.5，磨损故障诊断。
将重构后的特征信号采用Softmax分类器进行分类，正常磨损、疲劳磨损、切削磨损、腐蚀磨损类型各有1组分类错误，而粘着磨损类型有2组分类错误，整体正确率为：92.50％。
步骤6，显示故障诊断结果。
重构后磨损故障诊断结果如图4所示，图中，1～5类型标签分别代表正常磨损、粘着磨损、切削磨损、疲劳磨损、腐蚀磨损。
实施例2
图5是本发明磨损故障诊断系统的示意图。
所述基于铁谱图像分析的动力装置故障诊断系统包括：
图像获取模块1，图像获取模块1以预定周期反复捕获图像，并且将所捕获的图像发送至控制单元2，采用传感器内置拍摄探头或激光扫描共聚焦显微镜等捕获油液磨粒装置中铁谱仪谱片的原始铁谱图像；其中，油液磨粒装置包括铁谱仪谱片，驱动装置和控制装置；其中铁谱仪谱片由驱动装置进行驱动，控制装置通过控制驱动装置对铁谱仪谱片进行控制；铁谱仪谱片图像还可以通过OLVF在线可视铁谱仪获取。
图像处理模块3，图像处理模块3从控制单元2获取图像获取模块所捕获的图像，对所述图像采用灰度化、二值化和去噪处理。
特征提取模块4，特征提取模块4提取经图像处理后的二值化图像连通域的相关属性，作为铁谱磨粒特征；铁谱磨粒特征包括：连通域的面积、周长、圆形度、矩形度、长宽比，与边界矩形具有相同二阶中心距的椭圆的长轴长、短轴长、离心率，与连通域等面积圆的直径、连通域与其最小凸多边形像素比。
磨粒识别模块5，磨粒识别模块5采用经算法优化的SVM多分类模型识别磨粒类别，经算法优化的SVM多分类模型的输入为提取的铁谱磨粒特征，经算法优化的SVM多分类模型输出为磨粒类别，SVM多分类模型采用多个SVM组合，在任意两种类别的磨粒样本之间设计一个子SVM，采用Jaya算法对SVM多分类模型中每一个子SVM的参数进行优化；
故障诊断模块6，故障诊断模块6重构动力装置故障特征，对动力装置进行磨损故障诊断；动力装置故障特征为铁谱图像中各类别磨粒的数量和/或各类别磨粒所占的比例，将这些故障特征作为输入，先采用经算法优化的深层网络模型对故障特征进行重构，然后将重构后的故障特征采用Softmax分类器进行分类，最终输出动力装置磨损故障类型，深层网络模型为堆叠降噪自动编码器(SDAE)，采用贝叶斯优化算法(BO)对堆叠降噪自动编码器(SDAE)的参数进行优化；
可视化模块7，可视化模块7用于显示图像、各类别磨粒的数量以及诊断获得的磨损故障类型，显示的图像包括原始铁谱图像以及经图像处理模块处理后的处理后的连通域、边缘和磨粒标记的图像。
控制单元2，所述控制单元2与图像获取模块1中的拍摄探头或激光扫描共聚焦显微镜等连接，并且所述控制单元包括中央处理器20(CPU)和存储器21，其中所述存储器21用于存储一个或多个程序，当所述一个或多个程序被所述中央处理器20(CPU)执行时，使得所述中央处理器20(CPU)实现本发明提出的动力装置磨损故障诊断方法，以对动力装置磨损故障进行诊断。
该动力装置磨损故障诊断系统用于可操作及可视化平台中，通过该平台进行操作能够实现图像处理、特征提取、磨粒识别、故障诊断一体化，具体地，能够通过油液中捕获的原始铁谱图像获取磨粒总数、各种类别磨粒数量、磨损故障类型等信息，具体操作介绍如下。
登录：在登录页面输入帐号、密码，点击确认按钮即可登录，点击“记住密码”，下次打开时直接确认登录，登录后的界面如图6所示。
图像处理：进入可视化模块初始化界面后，首先选择需要分析的磨粒图像。点击“选择图像”按钮，如图7所示，打开选择图片对话框，找到存放图片的地址，选择图片，点击“打开”，则选择的初始化图片将在图片展示区显示。选择好需要处理的图像后，点击“图像处理”按钮，根据图形处理的结果，在图像展示区展示了处理后的连通域、边缘和磨粒标记的图像；同时，在数据显示区展示了图像中的磨粒总数，如图8所示。
磨粒识别：当图像处理完成后，根据磨粒标记的图像提取出的各个磨粒的参数特征，对其进行磨粒识别和分类。点击“磨粒识别”按钮，将每个磨粒进行分类，其识别结果如图9。
故障诊断：磨粒识别成功后，点击“故障诊断”按钮，根据磨粒识别出的类型和数量和/或各类别磨粒所占的比例，就可以判断出磨损故障类型，如图10所示。
清空与退出：在完成一次完整的分析流程后，可以选择继续分析处理下一张图像。在选择前，点击“清空”按钮，此时可视化模块处于初始化状态。
进一步地，本申请实施例还提供一种计算机可读存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行如上述本发明任意一项公开的动力装置磨损故障诊断方法。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种基于铁谱图像分析的动力装置磨损故障诊断方法，其特征在于，所述方法包括以下步骤：
步骤1，以预定周期采用成像装置捕获原始铁谱图像；
步骤2，对所述原始铁谱图像进行图像预处理，得到处理后的二值化图像；
步骤3，标记二值化铁谱图像的连通域，选取处理后的二值化图像连通域的相关属性，包括连通域的几何、形态属性参数，作为铁谱磨粒特征；
步骤4，根据所述铁谱磨粒特征，训练磨粒识别模型，所述磨粒识别模型的输入为铁谱磨粒特征，所述磨粒识别模型的输出为磨粒类别，所述磨粒识别模型为经算法优化的SVM多分类模型，所述SVM多分类模型采用多个SVM组合，在任意两种类别的磨粒样本之间设计一个子SVM，所述子SVM的训练集采用两两组合的方式，采用Jaya算法对所述SVM多分类模型中每一个所述子SVM的参数进行优化；
步骤5，训练经过算法优化后的深层网络模型，重构动力装置故障特征，将重构后的动力装置故障特征采用Softmax分类器进行分类，最终输出动力装置磨损故障类型；所述动力装置故障特征为基于磨粒识别模型获得的磨粒类别，对磨粒类别进行统计得到的各类别磨粒的数量和/或各类别磨粒所占的比例；所述深层网络模型为堆叠降噪自动编码器，采用贝叶斯优化算法对所述堆叠降噪自动编码器的参数进行优化；
步骤6，显示各阶段的铁谱图像、各类别磨粒的数量以及诊断获得的磨损故障类型。
2.如权利要求1所述的基于铁谱图像分析的动力装置磨损故障诊断方法，其特征在于，所述步骤2中，所述图像预处理的操作包括：灰度化、二值化、去噪。
3.如权利要求1所述的基于铁谱图像分析的动力装置磨损故障诊断方法，其特征在于，所述步骤3中，在获取铁谱磨粒特征之前，先对所述连通域进行标记，获取所述连通域的边界矩形，计算连通域的相关属性作为铁谱磨粒特征；所述铁谱磨粒特征包括：所述连通域的面积、周长、圆形度、矩形度、长宽比，与所述边界矩形具有相同二阶中心距的椭圆的长轴长、短轴长、离心率，与所述连通域等面积圆的直径、所述连通域与其最小凸多边形像素比。
4.如权利要求1所述的基于铁谱图像分析的动力装置磨损故障诊断方法，其特征在于，所述步骤4中，所述SVM多分类模型的分类决策函数公式为:
Figure FDA0003540523570000021
其中，
Figure FDA0003540523570000022
σ为高斯核函数参数；x为函数自变量；xi为第i个样本磨粒的特征向量；yi为第i个样本磨粒的类别标签；m为训练集中的样本数量；αi为Lagrange乘子；αi为约束条件：0≤αi≤γ；γ为正则化参数；b为偏置量。
5.如权利要求4所述的基于铁谱图像分析的动力装置磨损故障诊断方法，其特征在于，所述步骤4中，所述采用Jaya算法对SVM多分类模型中每一个子SVM的参数组合(γ,σ)进行优化，具体包括以下步骤：
步骤4.1，Jaya算法设计种群大小为30～40、算法终止的条件为达到最大迭代次数1000～2000，算法设计变量的数量为2，所述正则化参数γ和所述高斯核函数参数σ取值的范围分别为[0.1，100]和[0.1，500]；
步骤4.2，选择ERMSE作为所述Jaya算法的目标函数，其公式如下：
Figure FDA0003540523570000023
m为磨粒样本数量；yi为第i个样本磨粒的实际标签；y′i为第i个样本磨粒的预测标签；
步骤4.3，在优化参数的取值范围内随机生成的一组向量(γ,σ)，为所述Jaya算法种群内的每一个个体分配一组(γ,σ)；
步骤4.4，根据SVM的训练结果，计算种群中每个个体的ERMSE目标函数值，得到当前种群的最优解ERMSEmin和最差解ERMSEmax；
步骤4.5，根据求得的所述最优解ERMSEmin和最差解ERMSEmax修正迭代过程中目标函数的当前解ERMSE，如下式:
E′j,k,i＝Ej,k,i+r1j,i(Ej,min,i-|ERMSE|)-r2j,i(Ej,max,i-|ERMSE|)
其中，Ej,k,i是第i次迭代中第k个候选变量的第j个变量的对应的解；E′j,k,i是第i次迭代中第k个候选变量的第j个变量的修正解；Ej,min,i是第i次迭代中最优选项的第j个变量的解；Ej,max,i是第i次迭代中最差选项的第j个变量的解；r1j,i、r2j,i是第i次迭代时第j个变量相对应的随机数，取值范围为[0，1]；
步骤4.6，如果修正后的解E′RMSE优于当前解ERMSE，则保留修正的解E′RMSE，否则保留当前的解；将所有保留的解作为下一次迭代的输入；
步骤4.7，判断是否达到最大迭代次数，没有达到就转到步骤4.4，否则输出最优解，即ERMSE最小值，并输出对应的最优参数组合(γ,σ)。
6.如权利要求1所述的基于铁谱图像分析的动力装置磨损故障诊断方法，其特征在于，所述步骤5包括以下步骤：
步骤5.1，通过对所述处理后的二值化图像进行磨粒识别，统计得到各类别磨粒的数量和/或各类别磨粒所占的比例，即动力装置故障特征；
步骤5.2，为使学习到的所述堆叠降噪自动编码器更具鲁棒性，对所述动力装置故障特征进行加噪和归一化处理；
步骤5.3，初始化堆叠降噪自动编码器，以最小化重构误差为目标对其进行逐层训练，在此过程中，采用高斯过程不断对初始化堆叠降噪自动编码器隐藏层节点数组合进行优化并训练堆叠降噪自动编码器，直至在某个节点数组合下获得的重构误差满足要求，则停止对堆叠降噪自动编码器进行优化；
步骤5.4，将所述动力装置故障特征放到训练好的堆叠降噪自动编码器中，得到动力装置故障的重构特征；
步骤5.5，对所述重构特征采用Softmax分类器进行分类，分类的结果为动力装置磨损故障类型。
7.如权利要求1所述的基于铁谱图像分析的动力装置磨损故障诊断方法，其特征在于，所述步骤5.3中，采用贝叶斯优化算法对堆叠降噪自动编码器的参数，即对节点数组合进行优化，具体包括以下步骤：
步骤5.3.1，初始化节点数组合，节点数组合表示为：g＝[m1,m2,m3]；其中m1表示第一个隐藏层节点数，m2表示第二个隐藏层节点数，m3表示第三个隐藏层节点数，节点数范围为[50，500]；
步骤5.3.2，优化节点数组合，优化函数为：
Figure FDA0003540523570000041
g表示需要优化的参数组合；f(g)表示参数组合对应的重构误差；χ是g的集合；
采用高斯过程，第t次高斯预测分布为：
Figure FDA0003540523570000042
Figure FDA0003540523570000043
gt表示第t次隐藏层节点数组合；μ(gt)为gt的均值函数；
kt＝[k(g1,gt),k(g2,gt),…,k(gt-1,gt)]
kt T为kt的转置；k(.)表示协方差函数；K为半定矩阵；I为单位矩阵；h＝[h1,h2,…,ht]为高斯过程的观测序列；ht＝f(gt)+εt为高斯过程的观测值；f(gt)为参数组合对应的重构误差；εt为一个独立同分布的高斯噪声，是个随机变量；σn为εt的方差；
步骤5.3.3，通过高斯过程得到gt的预测分布后，选择一个采集函数用于从模型后验分布中构造效用函数，来确定下一个参数组合点，将新的参数组合gt+1输入到堆叠降噪自动编码器，以输入信号和重构输出信号的重构误差作为模型输出进行训练；
步骤5.3.4，若新选出的参数组合对应的重构误差f(gt+1)符合目标要求，则终止算法执行并退出，输出对应的隐藏层节点数组合gt+1；若f(gt+1)不符合要求，则将(gt+1,f(gt+1))输入到高斯模型中进行修正，重新执行步骤5.3.2，直到满足实验所需精度为止。
8.如权利要求1所述的基于铁谱图像分析的动力装置磨损故障诊断方法，其特征在于，所述磨粒类别包括：正常磨粒、严滑磨粒、切削磨粒、疲劳磨粒、片状磨粒、球状磨粒、氧化物磨粒；所述磨损故障类型包括：正常磨损、粘着磨损、切削磨损、疲劳磨损和腐蚀磨损。
9.一种执行权利要求1-8中任一项所述基于铁谱图像分析的动力装置磨损故障诊断方法的系统，其特征在于，包括：
图像获取模块(1)，所述图像获取模块(1)用于以预定周期反复捕获图像，并且将所捕获的图像发送至控制单元(2)；
图像处理模块(3)，所述图像处理模块(3)用于从所述控制单元(2)获取图像获取模块所捕获的图像，对所述图像采用灰度化、二值化和去噪处理；
特征提取模块(4)，所述特征提取模块(4)用于提取经图像处理后的二值化图像连通域的相关属性，作为铁谱磨粒特征；
磨粒识别模块(5)，所述磨粒识别模块(5)用于采用经算法优化的SVM多分类模型识别磨粒类别，经算法优化的SVM多分类模型的输入为提取的所述铁谱磨粒特征，所述经算法优化的SVM多分类模型输出为磨粒类别，所述SVM多分类模型采用多个SVM组合，在任意两种类别的磨粒样本之间设计一个子SVM，采用Jaya算法对所述SVM多分类模型中每一个所述子SVM的参数进行优化；
故障诊断模块(6)，所述故障诊断模块(6)用于重构动力装置故障特征，对动力装置进行磨损故障诊断；所述动力装置故障特征为铁谱图像中各类别磨粒的数量和/或各类别磨粒所占的比例，将所述动力装置故障特征作为输入，先采用经算法优化的深层网络模型对动力装置故障特征进行重构，然后将重构后的动力装置故障特征采用Softmax分类器进行分类，最终输出动力装置磨损故障类型；所述深层网络模型为堆叠降噪自动编码器，采用贝叶斯优化算法对堆叠降噪自动编码器的参数进行优化；
可视化模块(7)，所述可视化模块(7)用于显示图像、各类别磨粒的数量以及诊断获得的磨损故障类型。
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行如上述权利要求1-8中任意一项所述的动力装置磨损故障诊断方法。
CN202210231033.1A 2022-03-10 2022-03-10 基于铁谱图像分析的动力装置磨损故障诊断方法及系统 Pending CN114565798A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210231033.1A CN114565798A (zh) 2022-03-10 2022-03-10 基于铁谱图像分析的动力装置磨损故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210231033.1A CN114565798A (zh) 2022-03-10 2022-03-10 基于铁谱图像分析的动力装置磨损故障诊断方法及系统

Publications (1)

Publication Number Publication Date
CN114565798A true CN114565798A (zh) 2022-05-31

Family

ID=81717731

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210231033.1A Pending CN114565798A (zh) 2022-03-10 2022-03-10 基于铁谱图像分析的动力装置磨损故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN114565798A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116629097A (zh) * 2023-04-17 2023-08-22 中国北方车辆研究所 一种惯性负载摩擦元件的综合磨损性能评价方法
CN117422935A (zh) * 2023-12-13 2024-01-19 深圳市鑫思诚科技有限公司 摩托车故障非接触式诊断方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116629097A (zh) * 2023-04-17 2023-08-22 中国北方车辆研究所 一种惯性负载摩擦元件的综合磨损性能评价方法
CN116629097B (zh) * 2023-04-17 2024-03-15 中国北方车辆研究所 一种惯性负载摩擦元件的综合磨损性能评价方法
CN117422935A (zh) * 2023-12-13 2024-01-19 深圳市鑫思诚科技有限公司 摩托车故障非接触式诊断方法及系统
CN117422935B (zh) * 2023-12-13 2024-03-08 深圳市鑫思诚科技有限公司 摩托车故障非接触式诊断方法及系统

Similar Documents

Publication Publication Date Title
US10671833B2 (en) Analyzing digital holographic microscopy data for hematology applications
CN109934293B (zh) 图像识别方法、装置、介质及混淆感知卷积神经网络
WO2019102005A1 (en) Object recognition using a convolutional neural network trained by principal component analysis and repeated spectral clustering
US11699224B2 (en) Neural network training device, system and method
CN112200121B (zh) 基于evm和深度学习的高光谱未知目标检测方法
CN114565798A (zh) 基于铁谱图像分析的动力装置磨损故障诊断方法及系统
US20230044794A1 (en) Neural network training device, system and method
Tueller et al. Target detection using features for sonar images
Eerola et al. Survey of automatic plankton image recognition: Challenges, existing solutions and future perspectives
Ronneberger et al. Voxel-wise gray scale invariants for simultaneous segmentation and classification
CN116188445A (zh) 一种产品表面缺陷的检测定位方法、装置及终端设备
CN110197114B (zh) 一种全脑范围单神经元轴突突触结的自动识别方法及装置
Rao et al. Effective medical leaf identification using hybridization of GMM-CNN
CN117197591B (zh) 一种基于机器学习的数据分类方法
Saire et al. Documents counterfeit detection through a deep learning approach
CN113705489B (zh) 基于先验区域知识指导的遥感影像细粒度飞机识别方法
Ström et al. EXTRACTING REGIONS OF INTEREST AND DETECTING OUTLIERS FROM IMAGE DATA
Roy et al. Recognizing Bangla Handwritten Numerals: A Hybrid Model
Kaur et al. Enhancing Plant Disease Detection using Advanced Deep Learning Models
Vlăsceanu et al. AN EXTENSIVE REVIEW OF METRICS FOR EVALUATING IMAGE BINARIZATION ALGORITHMS.
Suneetha et al. Classification And Segmentation Of Brain Tumor Using PNN and CNN
Griphammar Are these numbers real?
Sohan et al. Plant Leaf Disease Identification Method Using Computer Vision and Machine Learning Algorithms
Valente Method for Automatic Detection of Stamps in Scanned Documents Using Deep Learning and Synthetic Data Generation by Instance Augmentation
Voloshyn Development of a combined image recognition model

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