[发明专利]机械磨损颗粒识别方法、装置、电子设备及存储介质

说明书

本发明公开了一种机械磨损颗粒识别方法，该方法包括：将机械磨损颗粒的训练样本输入卷积神经网络(CNN)模型中进行训练，得到针对机械磨损颗粒的CNN特征提取器；根据该CNN特征提取器，提取训练样本中的特征向量；将特征向量输入到支持向量机(SVM)分类器中进行训练，得到混合卷积神经网络模型；通过该混合卷积神经网络模型，将机械磨损颗粒的待测样本的特征向量输入到训练后的SVM分类器中，以识别所述待测样本的磨粒类型。此外，本发明还公开了一种机械磨粒识别装置、电子设备及存储介质。采用本发明，避免了通过人为的方式对磨损颗粒特征信息的筛选，并能够准确识别磨粒类型。

技术领域

本发明涉及机械系统磨损状态在线监测领域技术领域，尤其涉及一种机械磨损颗粒识别方法、装置、电子设备及存储介质。

背景技术

磨损是机器设备失效的主要原因。作为磨损的直接产物，磨粒的浓度和形态特征是磨损严重程度和磨损机理的重要参考指标。因此，磨粒分析已经成为设备磨损状态监测的重要手段，并在船舶、煤矿、航空航天等领域广泛应用。单一或少数几个磨粒并不能真实反映设备的磨损状态，而需要将大量的磨粒样本进行分类，从而提供更加有效的判断依据。因此，国内外学者通过提取磨粒的表面纹理、颜色、尺寸和形状信息对磨粒类型识别方法做了大量的研究，并成功建立了磨粒类型与磨损模式之间的映射关系。通过对油液中的磨粒进行分析提取出磨损颗粒的数量、形貌、颜色、纹理等信息，进而对设备的磨损状况进行定量或者定性的分析，找出磨损故障发生的诱导因素，从而监测机械设备的健康状态。

然而，现有的磨粒识别方法，在磨粒特征提取的过程中，会涉及到尺寸、形状、颜色、表面纹理等多种多样的特性向量，是一项既繁琐又耗时的工作，而且还会在特征提取的过程中出现误差，影响分类准确度。另外，磨粒特征信息会存在信息冗余的问题，对于尺寸、形状、颜色、表面纹理等特征，这些特征信息应该如何筛选，如何融合，何种特征信息作为主要考虑主导因素,不同的特征选择方式和融合方式都会影响磨粒识别的效果。

发明内容

本发明的主要目的在于提出一种机械磨损颗粒识别方法、装置、电子设备及存储介质，能够有效地识别出各种磨粒类型。

为实现上述目的，本发明提供一种机械磨损颗粒识别方法，所述方法包括：

将机械磨损颗粒的多个训练样本输入初始化卷积神经网络CNN模型中进行训练，得到针对机械磨损颗粒的CNN特征提取器；

根据所述CNN特征提取器，提取训练样本中的特征向量；

将所述特征向量输入到SVM分类器，并对所述SVM分类器进行训练，得到混合CNN模型；

通过所述混合CNN模型，将机械磨损颗粒的待测样本的特征向量输入训练后的SVM分类器中，以识别所述待测样本的磨粒类型。

可选的，所述方法还包括：

构建CNN模型；

对所述CNN模型进行初始化处理，得到所述初始化CNN模型。

可选的，所述CNN模型包括多个结构层，所述结构层至少包括：卷积层、最大池化层、全连接层及分类器层，所述构建CNN模型的步骤，具体包括：

通过滤波器提取上一结构层的特征向量；

根据输出的表达式，将提取的特征向量作为当前结构层的输入数据，并遍历全部结构层，以得到CNN的网络结构；

在每个卷积操作和全连接操作中加入激活函数，对各个结构层中的数据进行非线性化操作，以为所述网络结构提供非线性扭曲力；

根据预设函数为所述分类器层构建多个磨粒模型，得到CNN模型。

可选的，所述构建CNN模型的步骤，还包括：

构建CNN的损失函数；