[发明专利]一种基于信息融合的船舶柴油机磨粒类型辨识方法

摘要

本发明涉及一种基于信息融合的船舶柴油机磨粒类型辨识方法。本发明从船舶柴油机在线油液监测系统中获得磨粒样本，利用图像处理技术对采集的磨粒图像进行校正去噪并提取磨粒的形貌特征；确定输入特征的参考值集合，并计算它们关于参考值的综合相似度分布；利用样本集合的综合相似度分布构造反映输入信号与五种磨粒类型之间关系的投点统计表；由投点统计表转换得到输入特征信号的证据矩阵表；利用置信规则推理和证据推理规则融合输入样本向量激活的证据并从融合结果推理磨粒样本对应的磨粒类型。本发明可实现对船舶柴油机磨粒类型的智能辨识，降低了辨识的复杂性，提高了辨识的精度。

主权项

1.一种基于信息融合的船舶柴油机磨粒类型辨识方法，其特征在于该方法包括以下步骤:(1)从中速柴油机在线油液监测系统中采集油样，将油样中的磨粒类型分为严重滑动磨损磨粒，用SSL表示；切削磨粒，用C表示；疲劳块状磨粒，用FS表示；层状磨粒，用L表示；球状磨粒，用SP表示；这五种磨粒类型构成模型的辨识框架，记为Y，Y＝[SSL,C,FS,L,SP]；(2)对于采集的多份油样，制作滤膜谱片并拍照，从磨粒图片中提取油样中磨粒二维几何形貌特征：体态比AR，当量直径D_e，圆度R和表面粗糙度均值S_a，表面纹理指数S_tdi；将体态比AR，当量直径D_e，圆度R和表面粗糙度均值S_a，表面纹理指数S_tdi作为输入特征信号依次映射为辨识模型的输入f₁(t)，f₂(t)，f₃(t),f₄(t)和f₅(t)，t为磨粒样本编号，且t＝[1,2,...,T]，T为磨粒样本总数；将f₁(t)、f₂(t)、f₃(t)、f₄(t)、f₅(t)和Y(t)表示成样本集合S＝{[f₁(t),f₂(t),f₃(t),f₄(t),f₅(t),Y(t)]|t＝1,2,...,T}，其中[f₁(t),f₂(t),f₃(t),f₄(t),f₅(t),Y(t)]为一个样本向量；(3)确定磨粒类型辨识模型输入特征的参考值；磨粒的二维特征和三维特征f_i的输入参考值集合J_i为每一磨粒特征f_i的参考值个数；采用综合利用平均轮廓系数和k均值聚类确定每个输入特征的参考值，对样本集中每一个磨粒特征进行k均值聚类，聚类中心为并且T_i为第i个特征的聚类中心数，由样本集中的每一特征的平均轮廓系数s确定，即T_i＝arg max{s_k|0≤s_k≤1,k＝1,2,...,K}，K表示循环次数；将每一个特征的最小值Q_i和最大值按递增顺序组成第i个特征的参考值量化值(4)将T个样本向量[f₁(t),f₂(t),f₃(t),f₄(t),f₅(t),Y(t)]中的输入特征f_i(t)分别用分段线性函数转化为关于参考值相似度的形式：样本对(f_i(t),Y(t))的输入特征f_i(t)匹配参考值的相似度分布为：其中，磨粒特征f_i(t)通过式(1b)等价转换成相似度分布的形式，其中α_i,j表示f_i(x)与参考等级的相似程度；(5)采用投点方式确定每一个磨粒特征在每一参考值下的置信度分布，定义对于参考值的证据为其中表示输入样本[f₁(t),f₂(t),f₃(t),f₄(t),f₅(t)]中第i个磨粒特征在参考值下为第n种磨粒类型的置信度，由式(2)计算所得式中表示为第n种磨粒类型的样本的第i个特征与参考等级的相似程度之和；(6)确定每一磨粒特征信息来源的可靠性因子r_i(i＝1,2,...,5)描述输入特征对磨粒类型辨识的能力，从多角度评价信息来源的可靠性，将历史样本的可信度δ₁和磨粒特征提取的难易程度δ₂作为评价指标，历史样本来源越可靠，δ₁越大，磨粒特征提取复杂程度越小，越容易获取，δ₂越大，故可靠性因子r_i为:r_i是每一磨粒特征的客观属性，其数量与模型中采用的磨粒特征数量相等；(7)确定每一磨粒特征在证据融合过程中的重要性因子w_i(i＝1,2,...5)描述输入特征在磨粒辨识过程中所起作用的大小，每一磨粒特征在划分为个参考值，所以认为每一参考值下对应的五种磨粒类型的置信度分布均作为一条子证据，重要性为的数量与辨识模型的磨粒特征个数和每一特征的参考值个数有关，即根据式(4)采用组合赋权的方式确定第i个磨粒特征的重要性因子w_i：其中α_i,j表示样本第i个磨粒特征的数值与第j个参考值的相似程度；的初始值均设为1，认为所有证据对生成最终磨粒辨识结果同等重要；的最终值通过遗传算法优化确定，以提高模型的辨识准确性；(8)每一磨粒特征对应的证据e_i可由被激活的两参考值对应的子证据融合得到；具体为：输入样本第i个磨粒特征对应的数值f_i(t)必然落在两个参考值构成的区间中，根据式(1b)可知，该输入值与的相似程度分别为α_i,j,α_i,j+1，此时这两个参考值对应的子证据和被激活，根据式(5a)，(5b)采用解析ER算法将两条被激活的子证据和以非线性方式进行融合,得到最终每一磨粒特征对应的证据e_i＝{(Y_n,p_n,i),n＝1,2,...,N}；(9)对五个磨粒特征进行融合，以确定输入样本(f₁(t),f₂(t),f₃(t),f₄(t),f₅(t))对应的辨识结果；利用步骤(6)～步骤(8)中确定的待融合证据的可靠性因子r_i，重要性因子w_i和置信度分布e_i，采用证据推理规则的方式确定该样本对应的五种磨粒类型的置信度分布{(SSL,p₁),(C,p₂),...,(SP,p₅)}；最终样本(f₁(t),f₂(t),f₃(t),f₄(t),f₅(t))对应的磨粒类型辨识结果为:(10)基于遗传算法构建磨粒类型辨识参数优化模型，具体步骤如下：(10‑1)将每一证据的重要性因子作为待优化的参数，确定优化参数集合待优化参数数量为(10‑2)以提高磨粒辨识模型的辨识准确性为优化目标，建立优化模型式中，UA表示辨识模型的准确性；采用知识引导确定遗传算法优化的初始种群，以保证算法在优化过程中找到最优点，所以初始包含两部分：根据知识确定的个体和随机产生的个人，即其中n₁为知识确定的个体数量，n₂为随机产生的个体数量；随机产生的种群个体根据(8b)在[0,1]之间通过随机方式产生，并且满足其中，W^L表示证据重要性因子w的下限值，W^U表示w的上限值，m_W为一个个体中包含的待优化参数个数；优化后的模型作为最终的磨粒类型辨识模型，从柴油机在线油液监测系统中采集磨粒图像，利用步骤(4)进行处理，再一次重复步骤(6)～步骤(9)即可得到更为准确地柴油机磨粒类型辨识结果。