[发明专利]基于铁谱图像分析的动力装置磨损故障诊断方法及系统

说明书

本发明属于动力装置故障诊断技术领域，具体涉及一种基于铁谱图像分析的动力装置磨损故障诊断方法及系统，包括：获取原始铁谱图像、图像预处理、磨粒特征提取、磨粒类型识别、磨损故障诊断、显示故障诊断结果。磨粒类型识别模型中采用Jaya算法对支持向量机分类模型的参数进行优化，实现磨粒类别快速精准识别；磨损故障分类中采用贝叶斯优化算法对堆叠降噪自动编码器结构进行优化，优化后的SDAE模型对故障特征重构，更能反映特征关键信息，因此将重构后的特征输入到Softmax分类器，能够进一步提高诊断的精度。该技术方案克服了传统动力装置故障诊断实施过程中遇到的速度慢、精度低、可解释性差等缺点，为动力装置的稳定运行提供有效保障。

技术领域

本发明属于动力装置故障诊断技术领域，具体涉及一种基于铁谱图像分析的动力装置磨损故障诊断方法及系统。

背景技术

动力装置的机械部件长时间运行后会发生磨损，当磨损超过一定限度将产生故障隐患，通过对动力装置油液中的磨粒进行铁谱分析，利用磨粒图像特征进行分析，可对动力装置磨损失效进行状态监测与故障快速诊断，从而减小经济损失。

传统铁谱分析一般是借助磁力将油液中的金属颗粒分离出来，并根据不同尺寸颗粒的数量判断动力装置的磨损烈度，但这种区分缺乏严格的物理意义，需要开展大量的统计试验，以构建能够反映动力装置磨损状态的趋势线。随着显微成像技术和图像识别技术的发展，铁谱故障诊断进入了微观化和智能化，利用获取的磨损颗粒图像的材料、尺寸、数量等微观特征，分析动力装置的磨损状态，这一过程中部分科研人员基于人眼视觉开展故障诊断，其强烈依赖个人经验技术，识别效率低，无法形成规模化应用，另一部分科研人员将深度学习应用于铁谱分析中，以突破人眼的误差，然而，深度学习模型属于黑箱模型，缺乏对物理意义的分析，对于精度不足之处难以从物理层面解释。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是：如何提供一种基于铁谱图像分析的动力装置磨损故障诊断方法及系统，利用两层级分类算法构建铁谱图像特征-磨粒类型-动力装置磨损故障类型的诊断算法，以有效解决现有铁谱分析技术对动力装置进行磨损故障诊断时需求数据量大、精度低和可解释性差的问题。

(二)技术方案

为解决上述技术问题，本发明提供一种基于铁谱图像分析的动力装置磨损故障诊断方法，所述方法包括以下步骤：

步骤1，以预定周期采用成像装置捕获原始铁谱图像；

步骤2，对所述原始铁谱图像进行图像预处理，得到处理后的二值化图像；

步骤3，标记二值化铁谱图像的连通域，提取连通域的几何、形态等属性参数作为铁谱磨粒特征；

步骤4，根据所述铁谱磨粒特征，训练磨粒识别模型，所述磨粒识别模型的输入为铁谱磨粒特征，所述磨粒识别模型的输出为磨粒类别，所述磨粒识别模型为经算法优化的SVM多分类模型，所述SVM多分类模型采用多个SVM组合，在任意两种类别的磨粒样本之间设计一个子SVM，所述子SVM的训练集采用两两组合的方式，采用Jaya算法对所述SVM多分类模型中每一个所述子SVM的参数进行优化；

步骤5，训练经过算法优化后的深层网络模型，重构动力装置故障特征，将重构后的动力装置故障特征采用Softmax分类器进行分类，最终输出动力装置磨损故障类型；所述动力装置故障特征为基于磨粒识别模型获得的磨粒类别，对磨粒类别进行统计得到的各类别磨粒的数量和/或各类别磨粒所占的比例；所述深层网络模型为堆叠降噪自动编码器，采用贝叶斯优化算法对所述堆叠降噪自动编码器的参数进行优化；

步骤6，显示各阶段的铁谱图像、各类别磨粒的数量，并诊断获得的磨损故障类型。

其中，所述步骤2中，所述图像预处理的操作包括：灰度化、二值化、去噪。