一种基于支持向量机的铁谱图像智能识别方法

摘要

本发明公开了一种基于支持向量机的铁谱图像智能识别方法，将支持向量机与铁谱分析技术相结合，其过程为：对通过铁谱仪制备的磨粒铁谱图像进行预处理，提取其特征参数，作为支持向量机的输入，利用遗传算法对支持向量机参数进行优化，建立基于支持向量机的智能识别模型，实现铁谱图像的智能识别，提高诊断效率和智能化程度。

说明书

技术领域

本发明涉及机械故障诊断领域，特别是涉及机械磨损诊断方向，具体涉及一种基于支持向量机的铁谱图像智能识别方法。

背景技术

随着科学技术和工业的迅速发展，机械设备越来越复杂，并且向自动化、智能化发展。在机械设备工作过程中，磨损是普遍存在的现象，机械零件长时间磨损后会影响设备的性能和寿命，导致设备故障。一旦设备产生故障，会造成各方面损失，例如，机械设备所需要的维修费用，设备故障导致停机而造成的间接损失，严重的甚至可能导致人员伤亡。因此，为保证核心设备安全有效运行，应对机械设备进行诊断和预测以防出现严重故障。

机械设备运转时，润滑油的主要作用为润滑、防锈和辅助冷却，是一个不可缺少的部分。在机械设备运转过程中，机械部件间相互摩擦，会产生大量磨粒并进入设备润滑系统中。因为机械零件间不同的摩擦状态，所产生的磨粒不尽相同，会拥有不同的特征，例如形状、颜色、纹理等，所以磨粒本身含有大量的信息，这些信息可以反映机械零件的磨损状况。因此，利用铁谱分析技术提取机械设备润滑油，对其中的磨粒进行分析，对其和机械设备故障间的关系进行研究，是机械设备故障诊断和预测的一种方法。铁谱分析技术虽然在故障诊断中十分有效，但是要提取在磨粒上和设备有关的信息并非易事，传统方法需要在此领域有相关工作经验的人员进行观察和判断，通过形状、颜色、纹理等特征来判别磨粒类型，以分析机械的运行状态。这种方法依赖于工作人员的经验水平，效率有限，容易带有个人因素。目前更多的是以如何处理铁谱图像为主，缺少后续的智能化诊断方法。

近年来，机器学习方法在机械设备故障诊断领域得到了广泛应用。其中，支持向量机为故障智能诊断提供了可行方案。相比深度学习方法，支持向量机更适合于小样本的智能识别，由于铁谱分析技术制作合格的铁谱图像样本比较费时，往往难以在短时间内得到大量的有效样本，因此支持向量机用于铁谱图像的智能识别是一种较理想的解决方案。

发明内容

本发明的目的在于提供一种基于支持向量机的铁谱图像智能识别方法，以解决现有技术存在的问题，本发明实现对铁谱图像特征的自动提取并加以识别的智能诊断过程，识别效率快，诊断精度高，适用于机械设备齿轮故障的在线监测与预警，可以有效地降低机械设备故障发生率，从而提高其利用率。

为达到上述目的，本发明采用如下技术方案：

一种基于支持向量机的铁谱图像智能识别方法，包括以下步骤；

1)构建铁谱图像数据集：收集机械设备的油液样本，利用铁谱技术采集磨粒铁谱图像，经预处理后并对铁谱图像进行扩充，建立铁谱图像数据集，并分为训练集和测试集；

2)铁谱图像数据集归一化：提取步骤1)中铁谱图像数据集中的图像特征，并对铁谱图像数据集的每一张图像进行归一化；

3)构建智能识别模型：使用支持向量机对步骤2)中归一化后的铁谱图像数据集构建智能识别模型；

4)智能识别模型的参数优化：进行步骤3)中智能识别模型中的支持向量机的参数优化，确定支持向量机的参数，得到优化后的智能识别模型；

5)基于支持向量机的铁谱图像智能识别：采集未知状态的机械设备润滑油液，利用铁谱技术制备铁谱图像，输入到步骤4)中的智能识别模型对其进行故障分类，完成基于支持向量机的铁谱图像智能识别。

进一步地，步骤1)中铁谱图像的预处理包括灰度图分割、二值化以及形态学开闭运算，首先为区分磨粒图像与背景，利用加权法将原本较亮的彩色背景灰度化处理得到灰度图，加权法的公式为：

Gray＝(R*0.3+G*0.59+B*0.11)/3

其中：Gray为处理后的图像像素值；R、G、B为一个像素点的RGB颜色空间值；

在灰度图的基础上使用三段式阈值分割法实现图像分割，将灰度图中的前景部分提取出来，并将所提取的像素点与其余像素点赋予不同像素值，实现二值化，铁谱图像二值化后，先使用形态学开运算消除二值图的细小颗粒，再使用闭运算填补图片空洞，完成图像预处理。

进一步地，步骤1)中铁谱图像使用数据增强的方式对铁谱图像进行平移、旋转、对比度增强和翻转四种操作，增加铁谱图像数量，完成扩充。

进一步地，步骤2)支持向量机模型将铁谱图像的形状参数和纹理参数作为所提取的图像特征，对于铁谱图像实现特征提取，具体步骤为：

2.1)提取铁谱图像的三个形状参数：周长、面积、长短轴之比；通过绘制形状参数两两组合产生的面积-周长点图，将不同类别磨粒的符号均采用一条直线分开，实现线性特征提取；

2.2)利用灰度共生矩阵提取铁谱图像的四个纹理参数：能量、熵、惯性矩、局部稳定性；

灰度共生矩阵计算像素点灰度值的计算公式为：

P(i，j)＝#{[(x

能量的计算公式为：E(d,θ)＝∑

熵的计算公式为：H(d,θ)＝∑

惯性矩的计算公式为：I(d,θ)＝∑

局部稳定性的计算公式为：

其中，(x

进一步地，步骤2)中的归一化处理是通过多项式核函数实现的，支持向量机选择多项式核函数将原始空间映射到高维度空间，在高维度空间中构造出最佳分离超平面，从而把原始空间中非线性数据分割，实现归一化。

进一步地，步骤3)中的智能识别模型构建具体为：

3.1)将铁谱图像数据集的训练集和测试集分为相等的L组；

3.2)给定参数，训练集用于构建模型，测试集用于检验模型精度，其中参数包括惩罚因子c和核函数自带的参数g。

进一步地，步骤4)中的参数优化通过遗传算法实现对支持向量机的参数优化，其中参数包括惩罚因子c和核函数自带的参数g，惩罚因子c是正则化参数，限制每个点的重要性，g用来控制高斯核的宽度，基于遗传算法的参数优化过程具体为：

4.1)设置支持向量机参数网格：对c和g分别设置与训练集和测试集相同的L组值；

4.2)参数编码：使用二进制编码的方式将参数c和g变形为二进制位串；

4.3)设定初始群体：设置初始群体大小为Q；

4.4)计算适应度函数：将4.2)中的二进制位串转化为实数编码，计算适应度函数；

4.5)遗传操作：

4.5.1)选择操作：通过轮盘赌策略选择出用于参加交叉和变异操作的父体，根据每个个体的适应值，计算出相对适应值的大小；

4.5.2)交叉操作：使用单点杂交的方式随机选择4.2)中的二进制位串中的一位，按照交叉概率交换父体中该位后的二进制串，用以产生新的个体；

4.5.3)变异操作：按照变异概率将所选个体的二进制位串按位取反，防止算法陷入局部最优；

4.6)组合验证：依次使用两个参数g和c的组合构建不同的支持向量机模型，计算模型精确度，选取模型精度最高的一组作为支持向量机的最优参数，完成参数优化。

与现有技术相比，本发明具有以下有益的技术效果：

1)本发明针对支持向量机模型训练铁谱图像样本问题，采用数据增强方法，高效得到大量合格的铁谱图像数据。利用灰度处理技术将得到的铁谱图像彩色样本灰度化，得到处理后的灰度图样本。利用灰度阈值分割法将灰度图转为二值图，得到灰度二值图，将图像的像素点分为若干区域，各个区域内部具有相同的属性，使得计算更加简单，运算速度得到提升。

2)本发明采用的支持向量机方法识别效率快，诊断精度高，适用于机械设备磨损故障的监测与预警，可以有效地降低机械设备故障发生率，从而提高其利用率。

附图说明

图1为本发明中基于支持向量机的铁谱图像智能识别方法的流程图；

图2为铁谱图像制备流程图；

图3为图像预处理过程；

图4为图像预处理效果图；

图5为开发程序软件界面；

图6为程序分类结果界面。

具体实施方式

下面结合附图对本发明作进一步详细描述：

参见图1，本发明的一种基于支持向量机的铁谱图像智能识别方法主要包含如下步骤：

1)利用实验室已搭建的齿轮传动系统，在齿轮传动系统运行一段时间后进行油液收集，并利用铁谱技术制备铁谱图像。

该齿轮传动系统是由变频电机驱动，磁粉制动器模拟负载，其中包含了二级行星轮系和二级直齿轮减速器，利用600XP150齿轮油对其进行润滑，完成润滑油的采集后，利用YTF-8分析式铁谱分析平台对采集的油液进行分析，具体制备铁谱图像的流程见附图2。第一步：抽取油液。这一步是十分重要的环节，要保证抽取的油液具有代表性，在取样的时候要注意油液抽取的部位、取样的时间间隔、取样的规范性等等，而且对于抽取的油液要做好详细地记录。第二步：油样处理。对于抽取的油液，由于重力的作用，油液中的磨粒会自然沉降，所以为了制备出合适的铁谱片，在制备铁谱片之前，要对抽取的油液进行加热和振荡，同时还需对油样进行稀释。第三步：制备铁谱片。铁谱片的制作是在铁谱仪上完成的，首先要选择合适的玻璃基片，放置好基片，开始输送油样，油样输送完后清洗基片，然后取出铁谱片并烘干。第四步：显微镜观察。利用显微镜观察基片上沉降的磨粒，调整显微镜视角，使得磨粒尽可能的呈现在视野中央。第五步：采集图像。利用显微镜观察好铁谱片中的磨粒后，利用计算机采集铁谱图像，完成记录并保存。

2)将得到的铁谱图像按类别进行人工分类，并进行编号，按类别比例取训练样本123个，测试样本45个。

3)对于采集的铁谱图像进行预处理，包括灰度化、二值化和形态学开闭运算。

对铁谱图像进行智能识别，需提取相关特征作为识别标准，为方便后续对铁谱图像进行特征提取，需对铁谱图片进行预处理，其过程如附图3所示，包括铁谱图像加权法转灰度图，加权法计算公式：

加权法：Gray＝(R*0.3+G*0.59+B*0.11)/3

其中：Gray为处理后的图像像素值；R、G、B为一个像素点的RGB颜色空间值。

灰度图转二值图，对二值图进行形态学开闭运算，开运算是先腐蚀后膨胀，其效果为使图像轮廓变得平滑，消除较小的磨粒或者噪点，消除细小毛刺；闭运算是先膨胀后腐蚀，其效果为弥补两个相邻目标间的间隙，填补小的空洞。

最后利用灰度二值图按照灰度级，将像素点分为若干类，对像素集合进行划分，其目的是方便后续提取纹理特征，图4为预处理后的效果图。

4)提取预处理后铁谱图像中的特征。

由于需对铁谱图像进行智能识别，需提取相关特征作为识别标准，此方法提取7个特征参数，包括面积、周长、长短轴、能量、熵、惯性矩、相关性。最后提取出的特征矩阵矩阵为：

(x

式中：x

其中x

5)利用支持向量机对提取的训练样本的特征进行学习。

将提取的特征的矩阵，将其归一化后作为支持向量机的输入，支持向量机核函数在经过测试后，选择多项式核函数效果最佳，支持向量机有两个参数需要调节，分别是惩罚参数c和核函数参数g，设置初始群体大小Q＝20，交叉概率为40％，变异概率为85％，利用遗传算法对支持向量机的两个参数进行优化，学习后得到智能识别模型。由于支持向量机解决二分类问题，故障诊断是多分类问题，所以采用一对一法训练多个支持智能识别(本案例为6个模型)，实现支持向量机解决多分类问题。

6)得到基于支持向量机的智能识别模型后，取铁谱图像测试样本45张，同样进行图像预处理、提取特征、归一化，用支持向量机对其特征进行分类，实现铁谱图像智能识别。

7)借助设计的智能识别软件，见附图5和附图6，利用铁谱图像测试样集检测训练完毕的模型性能，其结果如下表1所示。

表1模型最终性能

以上结合附图对本发明的具体实施方式作了说明，但这些说明不能被理解为限制了本发明的范围，本发明的保护范围由随附的权利要求书限定，任何在本发明权利要求基础上的改动就是本发明的保护范围。