一种基于知识引导CNN的小样本相似磨粒辨识方法技术

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；本发明专利技术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。

【技术实现步骤摘要】
一种基于知识引导CNN的小样本相似磨粒辨识方法技术领-域本专利技术属于机器故障诊断领域的磨粒分析
，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。
技术介绍
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。由本文档来自技高网...

【技术保护点】
1.一种基于知识引导CNN的小样本相似磨粒辨识方法，其特征在于，包括以下步骤：/n步骤一、根据磨粒生成机理，生成典型磨粒的特征标记图，基于U-Net模型实现磨粒高度图典型特征的自动提取；/n步骤二、基于CNN基本框架，构建融合U-net网络输出的知识嵌入全卷积CNN网络，输出磨粒类别；/n步骤三、确定U-Net网络和全卷积CNN网络的损失函数，分别为Focal loss损失和二分类交叉熵损失，通过加权方式构建整体模型损失函数；/n步骤四、以模型损失函数作为优化目标，不少于10组失效磨粒作为训练样本，采用随机梯度下降法SGD训练所构建的小样本相似磨粒CNN辨识模型，实现相似磨粒的辨识。/n

【技术特征摘要】
1.一种基于知识引导CNN的小样本相似磨粒辨识方法，其特征在于，包括以下步骤：
步骤一、根据磨粒生成机理，生成典型磨粒的特征标记图，基于U-Net模型实现磨粒高度图典型特征的自动提取；
步骤二、基于CNN基本框架，构建融合U-net网络输出的知识嵌入全卷积CNN网络，输出磨粒类别；
步骤三、确定U-Net网络和全卷积CNN网络的损失函数，分别为Focalloss损失和二分类交叉熵损失，通过加权方式构建整体模型损失函数；
步骤四、以模型损失函数作为优化目标，不少于10组失效磨粒作为训练样本，采用随机梯度下降法SGD训练所构建的小样本相似磨粒CNN辨识模型，实现相似磨粒的辨识。


2.根据权利要求1所述的一种基于知识引导CNN的小样本相似磨粒辨识方法，其特征在于，
所述的步骤一，具体步骤如下：
S1，通过高度映射实现磨粒三维形貌的二维表征，用图像灰度反应磨粒形貌的变化；
S2，根据磨粒生成机理标记高度图中磨粒特征核心区域，构建磨粒特征标记图；
S3，U-Net特征提取网络：以VGG16模型为基础构建编码器；解码器的结构与编码器相对应，采用双线性差值对特征图进行上采样，上采样层后紧跟一个标准结构Conv-BN-ReLU，用于精细处理上采样的特征；模型输出层采用Sigmoid激活函数，将输出转化为关键区域的概率图，实现磨粒高度图典型特征的自动提取。


3.根据权利要求1所述的一种基于知识引导CNN的小样本相似磨粒辨识方法，其特征在于，
所述的步骤二，具体步骤如下：
S1，全卷积CNN网络与U-Net网络共用第一和第二卷积层；
S2，第二卷积层输出特征图与U-Net网络的输出加权，增强特征图中的磨粒关键区域，如公式(1)所示；
公式(1)：
其中，A为卷积核输出特征图，B是U-Net网络输出特征分布概率图，m和n分别代表特征图的长度和宽度；
S3，采用Conv-BN-ReLU结构来...

【专利技术属性】
技术研发人员：武通海，王硕，郑鹏，王昆鹏，曹军义，雷亚国，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61