基于磨粒分析的磨损模式识别方法研究

发布时间：2020-05-19 22:00

【摘要】：铁谱分析是一种被广泛应用在机械设备磨损故障诊断和磨损状态监测中的技术手段，磨粒识别是铁谱分析技术中的关键问题。随着计算机技术和人工智能技术的迅猛发展，将计算机视觉技术、专家系统、人工神经网络、模糊理论等引入铁谱分析技术中，实现磨粒识别的智能化已成为铁谱技术研究领域中的热点和难点问题。本文首次将支持向量机技术引入铁谱分析技术中，进行磨损模式识别方法研究。支持向量机是一种基于统计学习理论框架下新的通用机器学习方法，它不但可以较好地解决以往很多学习方法存在的小样本、过学习、局部最小等实际难题，而且具有很强的泛化能力。本文的主要研究工作有： 1、综合国、内外有关文献，对磨粒分析技术的发展和现状进行综述；提出本文的研究思路和主要内容； 2、分析论述磨损的产生机理与分类，磨粒的分类及特征；阐述了基本磨粒类型、磨损类型、特征、产生机理与设备运行状态之间的内在联系； 3、研究磨粒图像的预处理方法和磨粒形态特征的提取方法；论述了基于人工神经网络和模糊理论的两种磨粒智能识别方法，并指出其中的难点和不足；研究在有限样本下的基于统计学习理论的支持向量机技术，探讨支持向量机的分类机理，建立基于支持向量机的磨粒识别系统框架； 4、将支持向量机应用于磨损模式识别，设计磨粒分类器；进行基于支持向量机的磨粒分类器的细节设计，包括数据样本的建立、训练算法、多分类模式、核函数等；分析分类器中的主要数据结构、类和函数的功能，并给出程序运行时的界面； 5、采用100个磨粒样本的四个形态特征量：圆形度、细长度、散射度和凹度作为支持向量机分类器的输入，输出为滑动磨损、切削磨损、正常磨损和疲劳点蚀四种磨损形式，，研究支持向量机中的核参数对磨粒分类器的性能影响；选择适当的分类器参数对分类器进行仿真实验，得到了96％的分类准确率，验证分类器的有效性； 6、从理论和仿真实验两方面来比较基于支持向量机与基于BP神经网络的磨粒分类器的性能优劣研究，以相同的磨粒样本、特征和磨损形式作为分类器的输入、输出，结果表明前者比后者高出6％的识别准确率，说明基于支持向量机的磨粒分类器有一定的优势，并进行了原因分析。本文提出的基于支持向量机的磨损模式识别方法为磨损故障诊断和状态监测以及铁谱分析技术智能化发展提供了一条新的思路和途径。本项目受国家自然科学基金项目资助(项目批准号：50375141)
【图文】：

磨粒图像,磨粒,磨粒特征,磨损类型

列出了各类基本磨粒类型、所属磨损类型、特征、产生机理与设备运行状态之间的内在联系，这种联系正构成了以磨粒分析为手段的磨损故障诊断和状态监测的理论基础。图2一4列出了几种典型的磨粒图像。表2一2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磨粒类型所属磨损类型磨粒特征磨粒形成机理设备运行状态形貌特征}尺寸特征(、)正常滑动磨粒薄片状、边界不规则，表面光滑多数小于5，个别10-15，厚度0.05~0.1剪切混合层的疲劳剥落，(包括磨合过程中零件表面精加工刀痕造成的碎片状和条状磨粒)正常，但数量急剧增加时预示故障的发生粘着磨损严重滑动磨粒表面有拉毛、划痕或局部氧化痕迹一般主尺寸大于20，个别达到数百微米负荷过大或速度过高，造成缺油或油膜击穿

分类器,磨粒

第四章磨报舍奚器.户习勿瑞筱计与实现计票数，得票最多者为优胜者，从而决定了磨粒所属的磨损类型，完成预测。夸4.5wP一多vm分类器中的主要数据结构及分析们在结合现有的优秀SV五江软件sVMToreh、sVMlight、LIBsVM等【’04]的基础实现了wp-svm分类器的程序设计。wp-svm分类器主要有两部分组成:磨粒分练器瑚几svm一train和磨粒分类预测器瑚几svm一Predict。算法用C++实现，并利用平台下的GCC进行编译。使用的硬件平台为P41.6G台式电脑，256MDDR。vm分类器的使用截图见图4一3和图4一。
【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2004
【分类号】：TH117.1

【引证文献】