基于支持向量機(jī)的鐵譜磨粒圖像識(shí)別技術(shù).pdf

1、隨著石化機(jī)械設(shè)備的大型化，設(shè)備的安全可靠運(yùn)行變得更加復(fù)雜和重要，引起了人們眾多的關(guān)注。鐵譜分析法作為油液監(jiān)測(cè)有效的監(jiān)測(cè)手段之一，除了對(duì)在用潤(rùn)滑油理化指標(biāo)的監(jiān)測(cè)外，主要通過(guò)對(duì)磨粒形貌特征分析判斷機(jī)械設(shè)備摩擦磨損程度和失效類(lèi)型。對(duì)于傳統(tǒng)磨粒形貌特征的分析都是由經(jīng)驗(yàn)豐富的工作人員觀察和判斷，并作出診斷報(bào)告，這樣不僅給工作人員增加負(fù)擔(dān)，同時(shí)也會(huì)帶有人為因素。隨著計(jì)算機(jī)相關(guān)技術(shù)的普及與應(yīng)用，將其應(yīng)用于鐵譜磨粒圖像的分析處理中來(lái)，可推動(dòng)了鐵譜分析技

2、術(shù)的蓬勃發(fā)展。隨著神經(jīng)網(wǎng)絡(luò)技術(shù)的廣泛應(yīng)用，針對(duì)小樣本分類(lèi)回歸的支持向量機(jī)(Support Vector Machine，SVM)在機(jī)器學(xué)習(xí)方面也表現(xiàn)出更多的優(yōu)越性，并在圖像分類(lèi)識(shí)別、語(yǔ)音識(shí)別、機(jī)械設(shè)備故障診斷等方面得到廣泛應(yīng)用。
　　本文選取嚴(yán)重滑動(dòng)磨粒、球形磨粒、切削磨粒、疲勞磨粒、紅色氧化物五類(lèi)典型磨粒共150張鐵譜圖像進(jìn)行分析。為了實(shí)現(xiàn)鐵譜磨粒圖像的分類(lèi)識(shí)別，必須先提取出磨粒圖像的特征信息，因?yàn)樘崛〕鰜?lái)的磨粒特征的優(yōu)劣對(duì)于最

3、終的分類(lèi)效果起著非常重要的作用。通過(guò)K-均值聚類(lèi)分割、區(qū)域生長(zhǎng)法提取、數(shù)學(xué)形態(tài)學(xué)腐蝕與膨脹的處理，能較好的將磨粒從圖像中分割出來(lái)。利用matlab軟件提取磨粒的形貌特征參數(shù):形狀尺寸、紋理特征、顏色特征，共17個(gè)特征參數(shù)，150組數(shù)據(jù)。為了獲得更好的分類(lèi)準(zhǔn)確率，需對(duì)SVM的一些重要參數(shù)進(jìn)一步優(yōu)化，得到最優(yōu)參數(shù)。通過(guò)對(duì)國(guó)內(nèi)外相關(guān)課題的深入分析，采用遺傳算法(Genetic Algorithm, GA)對(duì)SVM的重要參數(shù)懲罰因子C和核參數(shù)g