一种基于磨粒特征优选的磨损状态精准辨识方法技术

本发明专利技术公开了一种基于磨粒特征优选的磨损状态精准辨识方法，通过运动磨粒图像分析仪获取装备运行过程中磨粒特征构建初始样本，包括磨粒数量

【技术实现步骤摘要】
一种基于磨粒特征优选的磨损状态精准辨识方法


[0001]本专利技术属于机械装备磨损状态监测
，具体涉及一种基于磨粒特征优选的磨损状态精准辨识方法
。

技术介绍

[0002]机械装备运行过程中，因摩擦副之间的相对运动引起的接触表面磨损是不可避免的
。
磨损是零部件失效的基本形式，是机械装备产生故障的主要原因
。
磨粒作为磨损过程的直接产物，携带了大量的磨损信息
。
基于磨粒特征对机械装备磨损状态进行分类识别，不仅可以为机械装备的运维提供决策支撑，还能够分析磨粒特征的内再联系，有效促进机械装备的智能运维
。
但是机械装备磨损状态复杂，且磨粒特征繁多加大了机械装备磨损状态辨识的难度，因此选择合适的特征并构建有效的分类模型是机械装备磨损状态监测领域的研究热点
。
[0003]在众多基于磨粒特征的磨损状态识别方法中，人工智能领域的机械装备学习算法因其强大的非线性拟合能力受到众多学者青睐
。
传统的机械装备学习算法主要通过构造复杂的高维数据特征，借助神经网络
、
逻辑回归和支持向量机等模型对机械装备磨损状态进行分类
。
此类方法可以综合多种磨粒特征的特点来实现磨损状态识别，但是，当选择的特征之间存在明显的相关性时极易造成特征冗余，导致模型分类精度降低
。
因此，本专利技术旨在提出一种磨损状态辨识方法，解决特征冗余性对磨损状态辨识精度的影响
。
[0004]基于决策树的随机森林模型可以在完成分类的同时对输入指标的重要性进行评估，从而筛选出最佳特征
。
但是在应用于机械装备磨损状态辨识任务时，该模型还存在以下问题：
[0005]1)
随机森林模型根据训练的效果评估特征子集的优劣，当输入指标存在较强共线性时模型会出现过拟合，从而使模型可靠性降低
。
[0006]2)
传统的随机森林模型忽略了磨粒特征波动性过大对机械装备磨损状态的影响，导致模型分类精度低，泛化能力差
。
[0007]综上所述，磨粒分析技术通过获取磨粒特征可以实现磨损状态表征
。
然而，磨粒特征波动性大且特征之间存在冗余信息，制约了磨损状态辨识的精度
。

技术实现思路

[0008]本专利技术的目的是提供一种基于磨粒特征优选的磨损状态精准辨识方法，解决了磨损状态辨识时，磨粒特征之间信息冗余的问题和数据挖掘不充分的问题，提高了机械装备磨损状态辨识的精度
。
[0009]本专利技术所采用的技术方案是，一种基于磨粒特征优选的磨损状态精准辨识方法，
[0010]步骤
1、
采集机械装备不同磨损状态下的磨粒特征制作数据库；
[0011]步骤
2、
为解决磨粒特征共线性过强，导致磨损状态表征模型过拟合的问题，建立摩擦学知识引导的磨粒特征预选模块，通过协同磨粒特征关注度与相关系数的特征筛选策
略剔除具有高共线性的特征；
[0012]步骤
3、
为进一步挖掘磨粒特征内在规律，同时避免数据波动过大导致模型准确率低的问题，建立基于分箱策略的磨粒特征密集化模块，以聚类分箱的方式构建磨粒特征隶属判别方法，将原始磨粒特征划分为若干磨粒子特征；
[0013]步骤
4、
为实现基于磨粒特征自适应优选的机械装备磨损状态辨识，建立融合多级决策的磨损状态高精度分类模块，通过评估样本平均不纯度先对磨粒子特征进行重要性评估，然后再通过磨粒子特征的重要性来求原始磨粒特征的重要性，最后根据原始磨粒特征的重要性评估结果对其进行优选，再利用评分机制判别机械装备磨损状态；
[0014]步骤
5、
以随机森林架构为基础，嵌入磨粒特征初筛模块
、
密集化模块和分类模块，建立基于磨粒特征优选的磨损状态辨识模型，实现机械装备磨损状态辨识
。
[0015]本专利技术的特点还在于，
[0016]步骤1具体为：
[0017]步骤
1.1
：采集机械装备不同磨损状态下的磨粒特征，并依照机械装备实际磨损状态等级对每一组采样数据进行标记；
[0018]步骤
1.2
：对监测数据进行预处理，通过均值填充和3σ
法则对数据中特征缺失和明显异常的标签样本进行修正或剔除；
[0019]步骤
1.3
：建立磨损状态辨识数据集，并按
5:1
划分训练集和测试集；
[0020]其中，训练集作为输入，用于进行构建随机森林模型并完成磨粒特征筛选，测试集用于对随机森林模型的效果进行测试；
[0021]步骤2具体为：
[0022]步骤
2.1
：以摩擦学知识为引导建立基于磨粒特征关注度的样本数据选择机制，为磨粒特征预选提供数据支撑；
[0023]步骤
2.2:
建立基于磨粒特征相关系数矩阵的特征预选策略；
[0024]进一步的，步骤
2.2
中的特征预选策略如下：
[0025]步骤
2.2.1
：计算磨粒特征相关系数矩阵，选出具有最大相关系数的特征
M
和
N
；
[0026]步骤
2.2.2
：分别计算磨粒特征
M
和
N
与其他磨粒特征相关系数的平均值
m
和
n
；
[0027]步骤
2.2.3
：若
m>n
，则剔除磨粒特征
M
，反之则剔除磨粒特征
N
；
[0028]步骤
2.2.4
：重复上述步骤直到所有磨粒特征两两之间的相关系数小于阈值
0.8。
[0029]步骤3具体为：
[0030]步骤
3.1
：对经过初步筛选的磨粒特征进行归一化处理；
[0031][0032]其中
M(A)
代表第
A
个磨粒特征，
X(A)
代表归一化后的数据；
[0033]步骤
3.2
：建立基于聚类算法的磨粒特征分箱模块，将磨粒特征按照数值大小划分为若干子特征区间；
[0034]步骤
3.3
：以步骤
3.2
中子特征区间的中心和标准差，构建基于混合高斯函数的磨粒子特征隶属度函数；
[0035][0036]其中，
σ
k
(A)
和
μ
k
(A)
为原始磨粒特征
A
的第
k
个子特征标准差和均值
。
[0037]步骤
3.4
：依照样本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于磨粒特征优选的磨损状态精准辨识方法，其特征在于，通过运动磨粒图像分析仪获取装备运行过程中磨粒特征构建数据库，所述数据库包括磨粒数量
、
尺寸
、
浓度
、
类型多维特征；协同磨粒特征关注度和相关系数剔除具有高共线性的特征；以聚类分箱的方式构建磨粒特征隶属判别方法，将原始磨粒特征划分为若干磨粒子特征；采用样本平均不纯度方法评价磨粒特征重要性来实现磨粒特征选择，并利用选择后的磨粒特征进行机械装备磨损状态评估
。2.
根据权利要求1所述的一种基于磨粒特征优选的磨损状态精准辨识方法，其特征在于，具体按照以下步骤实施：步骤
1、
采集机械装备不同磨损状态下的磨粒特征制作数据库；步骤
2、
建立摩擦学知识引导的磨粒特征预选模块，通过协同磨粒特征关注度与相关系数的特征筛选策略剔除具有高共线性的特征；步骤
3、
建立基于分箱策略的磨粒特征密集化模块，以聚类分箱的方式构建磨粒特征隶属判别方法，将原始磨粒特征划分为若干磨粒子特征；步骤
4、
建立融合多级决策的磨损状态高精度分类模块，通过评估样本平均不纯度先对磨粒子特征进行重要性评估，然后再通过磨粒子特征的重要性来求原始磨粒特征的重要性，最后根据原始磨粒特征的重要性评估结果对其进行优选，再利用评分机制判别机械装备磨损状态；步骤
5、
以随机森林架构为基础，嵌入上述磨粒特征初筛模块
、
密集化模块和分类模块，建立基于磨粒特征选择的磨损状态辨识模型，实现机械装备磨损状态的自动辨识
。3.
根据权利要求1所述一种基于磨粒特征优选的磨损状态精准辨识方法，其特征在于，步骤1具体按照以下步骤实施：步骤
1.1
：采用运动磨粒图像分析仪对润滑油样进行检测，获取机械装备不同磨损状态下的磨粒多维度特征，并结合机械装备的实际磨损状态对采集的磨粒特征进行磨损状态标记；步骤
1.2
：对监测数据进行预处理，具体操作方式包括：利用均值填充方式对样本中的缺失值进行补充以及利用3σ
法实现异常样本的剔除；步骤
1.3
：建立机械装备磨损状态辨识数据库，按比例5：1划分训练集和测试集
。4.
根据权利要求2所述的一种基于磨粒特征优选的磨损状态精准辨识方法，其特征在于，所述步骤2具体步骤如下：步骤
2.1
：以摩擦学知识为引导，建立基于磨粒特征关注度的样本数据选择机制，为磨粒特征预选提供数据支撑；步骤
2.2
：计算磨粒特征之间的相关系数，建立基于特征相关性排序的磨粒特征预选策略
。5.
根据权利要求2所述的一种基于磨粒特征优选的磨损状态精准辨识方法，其特征在于，步骤3具体如下：步骤
3.1
：对初步筛选的磨粒特征进行归一化处理；步骤
3.2
：建立基于
K
‑
means
聚类算法的磨粒特征分箱模块，在该模块中磨粒特征按照数值大小被划分为若干子特征区间；步骤
3.3
：以步骤
3.2
中子特征区间的中心与标准差构建基于高斯函数的磨粒子特征隶...

【专利技术属性】
技术研发人员：武通海，万淼，王硕，窦潘，雷亚国，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：