基于磨粒圖像智能識別的磨損行為分析.pdf

1、隨著科技的不斷進步，各式各樣功能的機械加工設(shè)備頻頻出現(xiàn)，極大地提高了生產(chǎn)效率，但隨之而出現(xiàn)的是，設(shè)備的磨損率也在提高，維修工作需要加強。為解決該問題，已有很多方法相繼被提出，但應(yīng)用最廣泛的是鐵譜分析與數(shù)字圖像處理技術(shù)相結(jié)合的方法。這種方法通過對磨損顆粒的形態(tài)、數(shù)量、尺寸和成分等特征進行分析和提取，并與機械設(shè)備實際所處的狀態(tài)相結(jié)合，進而找出發(fā)生故障的原因，從而為解決問題提供維修策略。
　　本文綜合圖像學(xué)技術(shù)、材料理論及系統(tǒng)辨識等原理

2、，將徑向基（radial basis function, RBF）神經(jīng)網(wǎng)絡(luò)應(yīng)用到鐵譜磨粒圖像的識別之中，針對傳統(tǒng)神經(jīng)網(wǎng)絡(luò)參數(shù)確定的復(fù)雜性及低效性，將量子粒子群優(yōu)化（ quantum particle swarm optimization, QPSO）算法應(yīng)用到RBF神經(jīng)網(wǎng)絡(luò)模型之中，即將模型的參數(shù)選擇問題轉(zhuǎn)化為參數(shù)優(yōu)化問題。
　　首先利用數(shù)字圖像處理技術(shù)（圖像增強、彩色模型轉(zhuǎn)換、K-means聚類分割、灰度化、二值化等）和數(shù)學(xué)形態(tài)

3、學(xué)知識對采集到的磨粒樣本進行圖像預(yù)處理，并獲取目標(biāo)磨粒；其次，對目標(biāo)磨粒進行相關(guān)特征的提取，并選取磨粒的形狀特征參數(shù)、顏色特征參數(shù)和紋理特征參數(shù)構(gòu)建磨粒的數(shù)字化特征空間，并將其作為分類模型（即RBF神經(jīng)網(wǎng)絡(luò)）的輸入向量；最后，結(jié)合輸入向量，采用基于QPSO算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)（即QPSO-RBF神經(jīng)網(wǎng)絡(luò)）對目標(biāo)磨粒進行辨別和分析，并與RBF神經(jīng)網(wǎng)絡(luò)及基于PSO算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)進行對比實驗。本文主要對嚴(yán)重滑動磨粒、球狀磨粒、切