论文部分内容阅读
随着石化机械设备的大型化，设备的安全可靠运行变得更加复杂和重要，引起了人们众多的关注。铁谱分析法作为油液监测有效的监测手段之一，除了对在用润滑油理化指标的监测外，主要通过对磨粒形貌特征分析判断机械设备摩擦磨损程度和失效类型。对于传统磨粒形貌特征的分析都是由经验丰富的工作人员观察和判断，并作出诊断报告，这样不仅给工作人员增加负担，同时也会带有人为因素。随着计算机相关技术的普及与应用，将其应用于铁谱磨粒图像的分析处理中来，可推动了铁谱分析技术的蓬勃发展。随着神经网络技术的广泛应用，针对小样本分类回归的支持向量机(SupportVector Machine, SVM)在机器学习方面也表现出更多的优越性，并在图像分类识别、语音识别、机械设备故障诊断等方面得到广泛应用。本文选取严重滑动磨粒、球形磨粒、切削磨粒、疲劳磨粒、红色氧化物五类典型磨粒共150张铁谱图像进行分析。为了实现铁谱磨粒图像的分类识别，必须先提取出磨粒图像的特征信息，因为提取出来的磨粒特征的优劣对于最终的分类效果起着非常重要的作用。通过K-均值聚类分割、区域生长法提取、数学形态学腐蚀与膨胀的处理，能较好的将磨粒从图像中分割出来。利用matlab软件提取磨粒的形貌特征参数：形状尺寸、纹理特征、颜色特征，共17个特征参数，150组数据。为了获得更好的分类准确率，需对SVM的一些重要参数进一步优化，得到最优参数。通过对国内外相关课题的深入分析，采用遗传算法(GeneticAlgorithm，GA)对SVM的重要参数惩罚因子C和核参数g进行优化，得到样本的最佳适应度以及包含最优参数C和g的多类分类器，将得到的分类器用于样本数据的预测。最后，所测磨粒识别准确率达到90%以上。经过实验验证，本文采用遗传算法优化SVM参数后的分类器对铁谱磨粒图像进行识别取得了良好的效果。