Page 109 - 《摩擦学学报》2021年第1期
P. 109

106                                     摩   擦   学   学   报                                 第 41 卷

                磨粒分析通过观测润滑油中磨损颗粒的形貌、材                          取磨粒的特征是磨粒智能识别中的关键难点，以高效
            质、粒度分布等特征来评估润滑系统和摩擦副的工作                            识别著称的卷积神经网络为该问题提供了一种新的
            状态，是设备状态监测、故障诊断和失效分析中一种                            解决思路.
                           [1]
            极为有效的手段 . 磨粒分析的核心环节是颗粒的识                               CNN(卷积神经网络)是计算机视觉物体识别任务
                                                                                     [17]
            别，识别结果直接关系到诊断结论的正确性. 目前该                           中应用最广泛的模型之一 ，其最重要的特点是卷积
            工作是由行业内的专家人工完成，识别结果和诊断意                            运算操作. 假设二维图像卷积时其输入层为第                    (l−1)
            见往往取决专家的个人经验和领域水平，存在主观性                            层，它输入的特征图是尺寸为             U ×V的  X  (l−1) ，特征对应
            强、误差不可控等问题，专家人才的稀缺也提高了磨                            的卷积核是尺寸为        M × N的  K ，我们给每个输出都加
                                                                                        (l)
            粒分析的成本，以上因素都在很大程度上限制磨粒分                            上1个偏置单元(bias term)     B ，则卷积层的输出        X 为
                                                                                                         (l)
                                                                                       (l)
                                                                                                       (l)
            析技术的进一步发展.                                         1个 (U − M +1)×(V − N +1)阶矩阵，对应位置       X 元素
                                                                                                       i,j
                大量摩擦学试验和现场应用表明不同的磨损形                           的计算过程如下：
            式会产生带有不同种类特征的磨粒，因此使用计算机                                          ∑ M−1  ∑ N−1
                                                                         (l)
                                                                        X =            k (l)  · x (l−1)  +b (l)  (1)
                                                                                        m,n
                                                                         i, j
                                                                                            i+m,j+n
            视觉技术、数学方法等手段将磨粒的形状、纹理和颜                                            m=0  n=0
            色等信息量化为具体的特征参数，然后使用这些特征                            式(1)中， 0 ⩽ i ⩽ U,0 ⩽ j ⩽ V.
            参数训练合适的分类决策算法即可实现磨粒的智能                                 在磨粒识别中，卷积过程中的输入往往是多通道
            识别. 对此国内外的学者进行了很多研究，这些研究                           的，例如输入层的磨粒图片通常采用的是RGB三通道
                                                               格式的，进行的第一次卷积就是三通道的. 在对这些
            主要有分类决策算法改进和磨粒特征工程两个方向.
                                           [2]
                                                      [3]
            在分类决策算法改进方面，梁华等 、王伟华等 、石                           图像进行多通道卷积操作时，需要将二维卷积扩展到
                 [4]
                         [5]
            宏等 、崔海等 分别使用模糊理论、改善神经网络、                           对应位置的所有D个通道上，因此在对D个通道的图
                                                               片进行卷积时对应的卷积核也应具有D个通道，最终
            支持向量机等技术优化磨粒识别的分类决策算法；在
                                       [6]
                                                 [7]
            磨粒特征工程方面，李艳军等 、周新聪等 、樊红卫                           将1次卷积处理的所有元素的和作为该位置的卷积结
                           [9]
               [8]
            等 、 孔 祥 兴 等 、 Yeping  Peng等    [10] 、 Peerawatt等  [11]  果，计算过程如下：
            通过数学形态学、小波分析、反相灰度和颜色聚类等                                    (l)  ∑   M−1  ∑ N−1  (l)  (l−1)
                                                                          D−1 ∑
                                                                     X =               k   ·x d,i+m,j+n  +b (l)  (2)
                                                                       i,j
            技术提出了更为复杂的磨粒形态特征，提升了磨粒识                                       d=0   m=0  n=0  d,m,n
            别的准确率. 近年来，深度学习技术              [12-13] 在计算机视觉      式(2)中的  k ， b 就是需要被学习的权重.
                                                                            (l)
                                                                        (l)
                                                                        m,n
            领域的迅猛发展，也为磨粒智能识别开辟了崭新的途                                为了可视化卷积过程，选滚动轴承运行过程产生
                        [14]
                                       [15]
            径，如安超等 、Yeping Peng等 、Wang S等 也通过                  的磨粒，见图1(a)，进行整体边缘、横向边缘、纵向边缘
                                                  [16]
            深度学习中的卷积神经网络实现了磨粒的智能识别.                            卷积. 结果如图1(b)~图1(d)所示，即通过卷积操作分
                以上的研究都大大地推动了磨粒智能识别的发                           别获取了磨粒的整体轮廓信息、横向边缘信息、纵向
            展，特别是卷积神经网络的出现更是进一步提高了磨                            边缘信息. 可以看出，卷积操作是将输入图像与某个
            粒智能识别的准确率，但上述研究大多是针对图像中                            卷积核进行卷积运算，从而得到与这个卷积核对应的
            仅有单一磨粒的识别，没有真正意义上实现整个磨粒                            特征图，换而言之就是通过不同的卷积核对图像进行
            图像的智能识别. 磨粒图像中多目标磨粒的识别、磨                           卷积操作可以实现不同特征的提取.
            粒的量化评估仍然是磨粒智能识别中存在的难题.                                 卷积网络中的卷积核参数是训练时通过反向传
                本文中介绍一种基于深度学习中卷积神经网络                           播学习得到的，除了上述的整体边缘、横向边缘、纵向
            技术实现的磨粒识别和量化评估方法，该方法借助于                            边缘信息外，还可以学习得任意角度的边缘卷积核、
            计算机视觉中的图像识别技术，实现了磨粒图像中多                            颜色卷积核、形状卷积核等. 将这些卷积核包含在1个
            个目标磨粒的像素级识别，并基于识别结果提出一种                            复杂且足够深度的网络中，通过各种组合即可获取足
            磨粒数字化表征方法，实现磨粒图像量化评价.                              够复杂的复合特征信息，最终将这些复合特征信息通
                                                               过分类决策算法进行分类，实现对磨粒的识别.
            1    磨粒识别与深度学习
                                                                   在具体实施过程中，还涉及到池化层、激活函数
            1.1    卷积神经网络                                      和残差网络等结构，这些结构可以压缩参数、减少计
                根据前述文献可知，如何能有效、准确、全面地提                         算量或对传播梯度进行约束以保证训练过程有效进
   104   105   106   107   108   109   110   111   112   113   114