卷积神经网络在装备磨损颗粒识别中的研究综述

铁谱法是用于装备故障诊断的1种重要方法,其中铁谱法的重点是铁谱图像的分析,即磨损磨粒分析. 卷积神经网络是当下最流行的深度学习算法之一,其广泛应用于图像识别领域,使得图像识别领域得到突破. 随着卷积神经网络的快速发展,磨损颗粒在智能识别方面的技术取得了重大的突破. 本文中首先简述了卷积神经网络与磨粒智能识别的发展历史,针对基于卷积神经网络的磨粒识别方法进行了从图像数据集处理到模型优化技术方面的介绍,并详细说明了这些技术在磨粒识别中的具体应用实例. 然后从现有网络和自设计网络两方面分类,整理了近年来卷积神经网络应用于磨粒智能识别的代表性文献,综述了这些工作所提出的模型结构和特点,分析并阐述了各个模型主要的识别原理,各个网络结构存在的优缺点,以及它们的数据采用情况等,并对未来磨粒智能识别的主要研究方向进行了展望. 最后肯定了卷积神经网络方法在磨粒智能识别方面的重要性,同时指出了基于此方法的磨粒识别模型的缺点,并提出了应紧跟图像识别领域的最新技术以促进磨粒智能识别水平提高等建议,对磨粒智能识别的发展具有一定的意义.      

基于尾流时程目标识别的流场参数选择研究

浸入流场中的固体壁面会形成高度复杂且具有一定特征的尾流流场, 利用尾流所包含的信息对物体的外形特征进行识别具有重要的应用价值. 然而, 在较高雷诺数情况下尾流流场形态及其时序特征复杂, 难以通过传统的数学物理方法对流场信号进行特征的识别与提取. 本文提出了基于尾流时程数据深度学习的流场特征提取与分析方法, 实现了基于一点的物理量时程进行流场中物体外形的识别; 同时, 对流场中不同物理参数时程的识别精度与识别结果进行分析与研究, 得到适用于目标识别的最优物理量参数. 通过对圆柱和方柱的尾流数据研究结果表明, 本文提出的基于卷积神经网络的模型具有好的训练收敛性和高的预测精度, 能够识别并提取得到时程数据中包含的流场特征, 采用流场横向速度时程作为物体外形识别信号的模型准确率高. 证明了本方法用于浸入流场中物体外形识别的可行性, 是一种目标识别的高精度方法.      

基于粗集—神经网络的磨粒模式识别

应用粗集理论中最小约简的近似算法 ,对磨粒的形状参数进行约简 ,找出判断磨粒模式的形状参数长短轴比 Rt和圆度 Rd,同时采用这些参数训练神经网络以进行磨粒模式识别 .结果表明 :应用此算法 ,对 63个已知样本和历时 2年多对柴油机 1 4 5个润滑油油样进行制谱分析判断 ,准确率在 90 %以上 ,比原来用模糊识别的准确率提高了约 1 0个百分点 ;使用 BP网络减化了网络结构 ,使网络的训练速度加快 ,整个系统变得简单、可靠、有效     

岩石变形局部化智能识别的DSCM-CNN方法

岩石变形局部化的识别对于岩石破坏机理、岩土工程灾害预测预警有着重要的意义。本文将数字散斑相关方法（digital speckle correlation methods,DSCM）与卷积神经网络（convolutional neural networks,CNN）相结合,提出了一种用于岩石变形局部化智能识别的DSCM-CNN模型。通过DSCM获取岩石试件在单轴压缩实验过程中的最大剪应变场云图,根据变形局部化带位置进行标注,完成数据集的构建;利用训练数据集对DSCM-CNN智能识别模型进行训练。通过红砂岩单轴压缩实验对该方法进行验证,结果表明：DSCM-CNN模型可以实现岩石变形局部化带位置的自动识别,子集准确率、精确度、召回率等指标分别达到94.19%,97.21%和96.41%,证明了岩石变形局部化智能识别的DSCM-CNN模型的可行性,为岩石变形局部化智能监测提供了一种新的思路。

     

基于卷积神经网络的钝体尾迹识别研究

针对相同特征长度不同钝体的尾迹结构相近,肉眼难于分辨的问题,提出了一种基于卷积神经网络的钝体尾迹识别方法,并在竖直肥皂膜水洞的典型钝体模型尾迹实验中获得高准确率验证.实验平台由自建竖直肥皂膜实验装置、钝体模型(方柱、圆柱和三角柱)及图像采集系统组成,可基于光学干涉法实现对不同速度下钝体肥皂膜尾迹的高清持续拍摄.所建立卷...     

颗粒增强超高分子量聚乙烯基复合材料磨粒磨损的特性与机理

为了改善地面机械触土部件的减粘脱土状况，制备了石英砂颗粒增强超高分子量聚乙烯基复合材料，并对其磨粒磨损性能作了试验研究．运用正交试验方法分析了磨料粒度、载荷和速度及这三者的交互作用对材料耐磨性的影响，得出了回归方程．结果表明，载荷对纯超高分子量聚乙烯磨损的影响最大，载荷越高，磨损越严重；在颗粒增强复合材料体系中，磨料粒度对磨损的影响最大．这表明引入硬质点提高材料表层的硬度和抗犁切能力是耐磨性提高的主要原因．     

一种基于深度学习的超声导波缺陷重构方法

超声导波检测因其传播效率高、耗能少等优势成为了无损检测领域的重要研究方向.目前已有的利用超声导波进行结构缺陷探测和定量化重构的方法主要由相关的导波散射理论推导得出.然而,由于导波散射问题本身的高复杂性,使得在推导上述理论方法时引入一些近似假设,降低了重构结果的质量.另外,有些方法通过优化迭代的方式提高重构精度,又会增加检测的时间成本.有鉴于此,论文探索了一种将卷积神经网络与导波散射理论模型以局部融合的方式实现缺陷定量化重构的新方法.应用样本数据训练后的神经网络实现缺陷定量化重构,弥补缺陷重构过程中的理论模型误差,同时去除在实际检测过程中所存在的环境噪声.论文以利用SH导波重构平板中的减薄缺陷为研究对象,通过数值模拟验证了该方法在缺陷重构时具有高效率和高精度的特点,特别是对矩形缺陷的重构,新方法的结果精度比波数空间域变换法的精度提高了近200%.     

RBF神经网络及其在结构损伤识别中的应用研究

采用具有更好的仿生效果的径向基函数(RBF)网络对单处损伤结构及多处损伤结构的损伤程度、位置、区域、处数进行识别,网络学习方法选择了简单易行、精度高且运算速度快的正交最小二乘(OLS)法.通过实例对该方法进行了测试,并与BP网进行了比较.测试结果可验证:RBF网络及其OLS学习方法可以快速、有效、高精度地识别结构损伤状况.     

基于改进YOLOv4的扫描电镜磨粒图像智能识别

磨损颗粒分析是设备磨损故障诊断和预测的有效手段,为了提高磨粒检测的自动化和智能化程度,提出1种基于改进YOLOv4的目标检测算法,并应用于航空发动机扫描电镜磨粒图像识别.首先,新算法采用VoVNetv2-39替换YOLOv4原主干网络CSPDarknet53,并引入BiFPN特征金字塔结构与新主干相连,同时调整模型中所有3×3标准卷积为深度可分离卷积,以加强多层次特征融合,构造轻量级网络;其次,利用迁移学习解决扫描电镜磨粒图像数量较少的问题,并通过冻结训练加速模型训练过程;最后,应用实际发动机扫描电镜磨粒图像验证,结果表明：新算法相较于原YOLOv4网络,在保证精度的前提下,网络参数量大幅降低,识别速度提升51.1%,满足实际扫描电镜磨粒图像快速、简洁和高精度的检测需求,具备潜在的工程应用价值.     

融合稀疏八叉树与卷积神经网络的汽车风阻系数预测

针对汽车风阻系数预测研究中参数化方法难以准确表征汽车外造型的难题,提出融合稀疏八叉树与卷积神经网络的汽车风阻系数预测方法。将汽车外造型按照八叉树结构离散,使用平均法向量对离散的复杂曲面进行简化,利用卷积神经网络对八叉树形式的汽车外造型进行特征提取,进而对汽车风阻系数进行快速预测。通过改变卷积层数与全连接层数,研究了不同卷积神经网络结构对风阻系数预测精度的影响。与参数化方法相比,本文提出的外造型表示方法能更好地描述模型细节,构建的卷积神经网络结构对风阻系数预测的最小相对误差为1.453%,且计算速度是CFD仿真的1620倍,具有较高的精度及计算效率。     

因子模糊化BP神经网络在磨粒识别中的应用

在引入磨粒形态学描述了提取磨损颗粒显微形态特征的基础上,用人工神经网络技术,编制了用于磨损颗粒自动识别的ＢＰ网络计算机模拟程序,应用所引入的因子模糊化训练法可使训练速度加快,以异或问题为例,速度可提高５～１０倍。用此网络对磨粒测试库进行识别实验发现,识别速度快且正常率在９０％以上,优于传统的磨粒识别方法。     

磨粒轮廓分形维数与磨损状态的关联性研究

在销-盘式摩擦磨损试验机上用45^#钢-铜摩擦副进行摩擦磨损试验，将试验过程中生成的磨粒经稀释和超声波分散后制成谱片，用扫描电子显微镜(SEM)及自行研制的由光学显微镜、摄像头及计算机构成的磨粒分形维数测量系统分析谱片特征．结果表明：磨粒的外形轮廓存在分形特征；磨粒群体平均分形维数随磨损过程的进行而变化，这种变化同铜合金试销的磨损率存在一定的对应关系．研究结果有助于揭示磨粒轮廓分形特征及磨损状态的转变．     

基于径向基函数神经网络的磨粒识别系统

应用磨粒形状特征参数、颜色特征参数和表面纹理特征参数对磨粒形态进行量化表征，并以此为输入矢量，引入径向基函数神经网络对磨损微粒进行自动分类识别，建立了适用于磨粒识别的径向基函数神经网络模型，并给出了具体算法．应用实例表明，径向基函数神经网络的收敛速度和识别率优于传统的BP神经网络．     

磨损磨粒的主成分聚类方法分析

采用主成分聚类分析理论对正常磨粒、滑动磨粒、切削磨粒和疲劳磨粒等4种不同磨粒表面纹理灰度共生矩阵进行分析,得到4个不同纹理方向的能量、熵、惯性矩、局部平稳性、相关、最大概率和方差7个参量.利用主成分理论求解,构造主成分方程,得到磨粒纹理参量主成分的二维分布,最后,通过聚类分析,将4种磨粒纹理参量的主成分划分为不同的聚类区域.结果表明:主成分聚类分类方法可以对磨粒的多参量进行聚类分析;主成分聚类分类方法对冗余数据具有较强地处理能力;多组主成分聚类分析方法具有互补性,特别适合多参量磨粒分类的信息融合处理.     

基于证据推理规则的船舶柴油机磨损类型辨识研究

为了利用不确定、不完整信息对船舶柴油机磨损故障进行诊断,以磨粒的二维和三维特征作为诊断信息,提出了基于证据推理(ER)规则的船舶柴油机磨粒类型辨识模型,并以此作为识别柴油机磨损类型的依据.在船舶柴油机油底壳附近安装油液监测系统以采集油液样本,提取油液中磨粒的二维和三维特征.对每一磨粒特征进行k均值聚类确定其参考值,对磨粒样本与参考值的相似性进行似然归一化,获得了证据的置信度分布.考虑辨识证据的可靠性和重要性,利用ER融合规则对多条辨识证据进行融合,辨识磨粒类型,进而确定柴油机磨损类型.通过5折交叉验证以及不同模型对比分析表明:该模型能够利用不确定、不完整信息识别磨粒类型,确定柴油机磨损类型,并且模型结构简单,辨识准确性高,辨识结果客观、可靠.     

轮胎磨损颗粒物形貌及产生机理的实验研究

采用自行设计的磨损试验机采集轮胎-路面摩擦副产生的轮胎磨损颗粒物,通过光学显微镜和扫描电子显微镜(SEM)分析和讨论了不同负载、速度和胎压工况影响下磨损颗粒物的表面形貌、粒度及磨损胎面形貌,建立了磨损颗粒物与胎面磨损形态的关系.结果表明:轮胎磨损颗粒物的粒度和数量类似正态分布,粒度主要集中在100~300μm.轮胎磨损颗粒物的主要产生机理是胎面疲劳剥落,形式主要为片状剥落和卷曲磨损共存,卷曲磨损会导致更多的磨损颗粒物脱离.载荷可使两种磨损形式的主导地位发生转变.接触界面应力提高会使团絮状胎面磨损颗粒物增多,速度增大会明显减小磨损颗粒物粒度.对小于10μm颗粒物来说,工况对其数量影响的主次顺序依次为速度、胎压和载荷.本研究可以为减少因轮胎磨损而导致的磨屑次生危害提供可供借鉴的理论指导.     

钢—铜摩损过程中磨粒积聚的分形研究

在销-盘摩擦磨损试验机上考察45^#钢-铜合金摩擦副的磨损性能,按一定时间间隔收集磨损过程中积聚的金属磨粒,然后用光学显微镜对不同粒径范围内的磨粒进行计数和分形研究。研究结果表明：不同粒径的金属磨粒所对应的积聚数呈现明显的分形特征,小磨粒积聚和大磨粒积聚表现出不同的分形特征,并具有双重分形现象;磨损过程中的磨粒积聚分形特征对应于某一粒径尺度的分形转折点,该分形转折点的坐标位置与磨损状态相关,因此确定分形转折点有助于甄别磨损状态。     

基于转角模态和小波神经网络的连续梁损伤识别研究

基于小波奇异性检测原理和神经网络非线性映射能力,结合结构基本模态参数,提出了一种结合小波神经网络与结构转角模态的损伤识别方法．首先,建立三跨连续梁的有限元模型获取结构模态参数,并对其进行Mexihat小波变换,通过系数图突变点判断结构损伤位置．然后,将小波系数模特征向量作为BP神经网络的输入,分别研究了该方法在单损伤和多损伤工况下的识别能力．最后将不同工况下神经网络预测值与结构实际损伤程度进行对比,得到单处损伤预测误差平均值为0.22%,多处损伤预测误差平均值分别为0.22%和0.18%,结果表明该方法在结构损伤识别方面的有较高有效性及精确度．     

基于神经网络的误差补偿滤波器在陀螺漂移误差模型辨识中的应用

用神经网络补偿非线性卡尔曼滤波器的状态估计误差，并将其用于陀螺漂移误差模型的参数辨识中，仿真结果表明该方法的有效性。