[发明专利]一种基于知识引导CNN的小样本相似磨粒辨识方法

说明书

一种基于知识引导CNN的小样本相似磨粒辨识方法，根据磨粒生成机理，以二值图形式标记磨粒高度图的关键特征；以此为基础，构建VGG16模型的U‑net网络来自动提取磨粒的典型特征；通过加权方式，将U‑Net网络输出与全卷积CNN网络的卷积层融合，引导全卷积CNN网络训练，使其能够快速定位相似磨粒的区别性特征；所构建网络模型采用Focal loss损失和二分类交叉熵损失的加权和作为整体损失函数，以SGD优化算法进行参数训练，获得最终的相似磨粒分类模型，实现典型相似磨粒的辨识；本发明有效地将磨粒知识经验与CNN网络相结合，解决了目前磨粒分析领域相似磨粒样本数量少、识别准确率低的问题。

技术领-域

本发明属于机器故障诊断领域的磨粒分析技术领域，特别涉及一种基于知识引导CNN的小样本相似磨粒辨识方法。

背景技术

机械设备的运行过程中，摩擦副相对运动不可避免地引起摩擦磨损，随着时间的累积，会导致零部件的原有设计功能受到损坏直至失效。磨粒作为磨损的直接产物，以复杂的形貌特征记载了其产生机理，是磨损机理分析和磨损状态监测的重要依据。经过多年积累，研究者积累了大量关于磨粒的知识经验，能够准确地辨识不同类型的磨粒。随着智能设备状态监测的需求，传统的磨粒分析技术正在被卷积神经网络等智能算法推向自动化，为装备状态监测及维修维护决策提供有效依据。

以二维图像为基础的铁谱分析技术已经实现了球形磨粒、正常磨粒以及切削磨粒等具有明显形状特征磨粒的准确辨识。但是，二维图像仅能表征磨粒的颜色、轮廓信息，并非真正的表面形貌信息，这导致基于形状所构建的模型无法准确辨识疲劳、严重滑动磨粒等相似磨粒。为此，研究者从铁谱图像中提取纹理特征参数，通过人工神经网、模糊数学、灰色理论等方法构建磨粒分类器，实现此类磨粒的自动识别。由于机械设备、操作人员以及磨粒表面氧化成度的差异导致磨粒在二维图像上的颜色存在明显的差异，进而导致所构建模型适用范围或准确性受到限制。

为了进一步提高相似磨粒识别准确率，激光共聚焦显微镜(LSCM)和原子力显微镜(AFM)被用来提取表面粗糙度、三维纹理参数等磨粒三维特征，通过支持向量机等分类器对相似磨粒进行识别。三维表面获取方法在磨粒分析中的应用，为磨粒类型识别提供了有效的分析信息。据统计，有超过200种人工设计特征用于描述磨粒三维形貌。如此繁多的三维参数不可避免的导致磨粒表征信息冗余，反而降低了磨粒辨识精度。

随着深度学习的应用，磨粒分析逐渐由有参数辨识扩展到无参数辨识。以二维图像作为输入的卷积神经网络(CNN)在磨粒辨识中逐渐得到应用，极大地提高了严重滑动和疲劳磨粒的识别效率。但受限于二维图像的信息表征缺陷，此类辨识模型的识别准确率依旧较低。鉴于此，寻求其他磨粒辨识方法成为必然需要。其中一种行之有效的方法即为基于CNN的磨粒三维表面辨识，但是磨粒样本数量少却阻碍了这种方法的发展。毕竟，设计良好的机械设备很少会出现故障，这就导致采集的异常磨粒样本数量较少且获取周期长。针对此类小样本问题，研究者构建了新型CNN辨识模型，主要包括：孪生网络、匹配网络和原型网络等。这些方法大多是对样本间距离分布进行建模，使得同类样本靠近，异类样本远离。虽然这些模型在一定程度上能够减少训练样本的数量，但是它们以最小化损失函数为优化目标，优化算法盲目地搜寻，能够使损失函数达到最小的特征，训练过程缺乏指导信息，很有可能导致模型无法定位磨粒图像的关键特征，并促使它们采用次要或无用特征对磨粒分类，从而降低分类的有效性。

总体而言，目前磨粒辨识模型在磨损分析领域取得了一定的工程效果。但是由于其方法本身固有的缺陷，如：二维图像无法反应磨粒三维形貌；三维形貌参数多；典型磨粒样本数量少等，而降低了相似磨粒的辨识准确率。

发明内容