【技术实现步骤摘要】
本专利技术属于故障诊断与计算机图像数字化处理，特别涉及一种磨粒智能诊断方法、装置、电子设备及存储介质。
技术介绍
1、现代机械设备朝着大型化、自动化及智能化发展，长期服役和极端服役条件更是对机械设备的性能提出更高要求。广泛存在于摩擦副中的磨损会直接导致材料损耗和能源浪费，严重时甚至影响设备运行可靠性及安全性。与振动检测技术相比，磨损监测技术能够更早的监测到设备的故障发生及发展，反映设备的摩擦学系统结构变化。润滑油中磨损颗粒是摩擦副表面磨损的直接产物。磨粒分析能够最直接的获取设备的磨损状态信息，甚至确定故障的诱发因素及故障的发展趋势。通过对机械设备所产生磨损颗粒进行定性、定量的监测，能够获得大量丰富的故障隐患信息。然而，磨粒识别主要通过分析人员借助显微镜观察来实现，这一分析依赖于分析人员的经验知识，具有极大的不确定性。因此，将计算机图像数字化处理技术应用于铁谱磨粒图像的识别处理符合其发展规律。
2、现有研究多是对磨粒进行特征提取，并利用神经网络等智能算法识别磨粒类型。而神经网络等智能算法通常需要大量训练样本，训练速度慢且磨粒识别效果并不能令人满意。现有的智能算法进行识别时，其输入特征均为传统磨粒特征。磨粒的传统特征中包括形状、颜色和纹理特征等，均只能从某一方面表征磨粒，但不能从全局对不同类型的磨粒加以区分。在使用智能算法进行磨粒识别时，虽然输入特征已囊括了磨粒的大多数特征，但极容易造成大量的信息冗余，且无形中增加了磨粒识别过程中的运算量。
3、因此，如何提供一种磨粒智能诊断方法、装置、电子设备及存储介质，扩
技术实现思路
1、本专利技术实施例提供一种磨粒智能诊断方法、装置、电子设备及存储介质，能够通过构造彩色纹理特征扩充磨粒图像特征对故障的表征信息，方法采用卷积神经网络，改进传统复合特征构造方法会造成有用的特征信息因相关性不足被视为冗余信息而被舍弃问题，避免人工经验构造复合特征所带来的冗余性。
2、本专利技术第一个实施例中，提供一种磨粒智能诊断方法，包括：
3、s101、获取铁谱磨粒图像，对所述铁谱磨粒图像进行图像降噪与磨粒分割，得到处理后的磨粒图像；
4、s102、对所述处理后的磨粒图像分别提取形态特征和颜色特征，并构造包括磨粒图像色度矩和双谱幅值分布熵的彩色纹理特征；
5、s103、基于所述彩色纹理特征，构造深度卷积神经网络；
6、s104、将所述形态特征、颜色特征与所述深度卷积神经网络进行自适应融合，构造深度卷积复合特征；
7、s105、基于所述深度卷积复合特征进行磨粒故障诊断智能识别，将所述深度卷积复合特征输入至分类网络中，交叉验证其识别结果。
8、进一步地，对所述处理后的磨粒图像分别提取形态特征和颜色特征，构造磨粒图像色度矩，包括：
9、将磨粒图像从rgb颜色空间转换至cie xyz颜色空间中，像素的(x,y)色度值对应着色度图的二维坐标空间的像素数，一个图像中能够对应多个具有相同(x,y)色度值的像素点，做出xyz颜色空间的二维分布直方图；
10、图像色度图的迹为：
11、
12、色度图的二维分布直方图d(x,y)为：
13、d(x,y)＝nk
14、其中，nk为(x,y)值出现的个数；
15、则相应的(m,l)阶色度矩为：
16、
17、
18、其中，xs、ys为(x,y)空间x、y的最大值。
19、进一步地，构造双谱幅值分布熵，包括：
20、假设累积量ckx(τ1,τ2,…,τk-1)是绝对可求和的，即：
21、
22、则k阶谱定义为k阶累积量的(k-1)维离散时间傅里叶变换，即：
23、
24、其中，ω＝[ω1,ω2,…,ωk-1]t；τ＝[τ1,τ2,…,τk-1]t；
25、双谱即三阶谱，定义为：
26、
27、对于一个离散的时间能量有限的随机信号x(t)，其双谱定义为：
28、bx(ω1,ω2)＝x(ω1)x(ω2)x*(ω1,ω2)
29、其中，x(ω)为信号x(t)的傅里叶变换；
30、以归一化双谱为基础提取双谱不变量特征，归一化的双谱如下式所示：
31、
32、其中，p(ω)为功率谱；
33、使用投影角度为30°的radon变换将图像转为一维信号，对于归一化的双谱矩阵，确定其划分的子空间数目m；
34、
35、其中，σ为归一化双谱的标准差，z(·)为取整运算；
36、根据子空间数目，确定每个子空间的幅值范围为其中，k为子空间序号；
37、统计归一化双谱矩阵落入每个幅值子空间的概率
38、
39、式中：n_sum—归一化双谱矩阵总点数；ak—划分幅值子空间；count(·)—取整运算；
40、根据子空间概率计算双谱幅值分布熵h(bn)：
41、
42、进一步地，将所述形态特征、颜色特征与所述深度卷积神经网络进行自适应融合，构造深度卷积复合特征，包括：
43、将24维原始特征分别输入支持向量机svm、k最邻近算法knn、朴素贝叶斯算法nb、树算法tree分类网络中，并结合k-fold交叉验证对比识别结果；
44、将构造的深度卷积神经网络的全连接层2的输出的8维特征作为深度卷积特征，得到形态特征、颜色特征与彩色纹理特征融合所得的深度卷积复合特征。
45、进一步地，基于所述彩色纹理特征，构造深度卷积神经网络，包括：
46、所述深度卷积神经网络包括特征提取和分类单元，所述特征提取单元包括：卷积层、池化层、批归一化层和激活层，所述分类单元由带有分类器的多层神经网络组成；
47、基于pytorch深度学习框架和python编程语言开发环境构建深度卷积神经网络以构造深度卷积复合特征。
48、进一步地，对所述处理后的磨粒图像分别提取形态特征和颜色特征，包括：
49、提取所述处理后磨粒图像的形状因子和r、g、b的平均值和标准差。
50、本专利技术的又一个实施例中，提供一种磨粒智能诊断装置，包括：
51、第一处理模块，用于获取铁谱磨粒图像，对所述铁谱磨粒图像进行图像降噪与磨粒分割，得到处理后的磨粒图像；以及对所述处理后的磨粒图像分别提取形态特征和颜色特征，并构造包括磨粒图像色度矩和双谱幅值分布熵的彩色纹理特征；
52、第二处理模块，用于基于所述彩色纹理特征，构造深度卷积神经网络，以及，将所述形态特征、颜色特征与本文档来自技高网...
【技术保护点】
1.一种磨粒智能诊断方法，其特征在于，所述方法，包括：
2.根据权利要求1所述的一种磨粒智能诊断方法，其特征在于，对所述处理后的磨粒图像分别提取形态特征和颜色特征，构造磨粒图像色度矩，包括：
3.根据权利要求2所述的一种磨粒智能诊断方法，其特征在于，构造双谱幅值分布熵，包括：
4.根据权利要求1所述的一种磨粒智能诊断方法，其特征在于，将所述形态特征、颜色特征与所述深度卷积神经网络进行自适应融合，构造深度卷积复合特征，包括：
5.根据权利要求1所述的一种磨粒智能诊断方法，其特征在于，基于所述彩色纹理特征，构造深度卷积神经网络，包括：
6.根据权利要求1所述的一种磨粒智能诊断方法，其特征在于，对所述处理后的磨粒图像分别提取形态特征和颜色特征，包括：
7.一种磨粒智能诊断装置，其特征在于，包括：
8.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时，实现权利要求1至6中任一项所述的一种磨粒智能诊断方法中的步骤。
9.一种计算
...【技术特征摘要】
1.一种磨粒智能诊断方法，其特征在于，所述方法，包括：
2.根据权利要求1所述的一种磨粒智能诊断方法，其特征在于，对所述处理后的磨粒图像分别提取形态特征和颜色特征，构造磨粒图像色度矩，包括：
3.根据权利要求2所述的一种磨粒智能诊断方法，其特征在于，构造双谱幅值分布熵，包括：
4.根据权利要求1所述的一种磨粒智能诊断方法，其特征在于，将所述形态特征、颜色特征与所述深度卷积神经网络进行自适应融合，构造深度卷积复合特征，包括：
5.根据权利要求1所述的一种磨粒智能诊断方法，其特征在于，基于所述彩色纹理特征，构造深度卷积神经网络，...
【专利技术属性】
技术研发人员：林枫，唐瑞，温广瑞，孙鹏，牛夕莹，崔宝，王琦，席越，段旭尧，范谨菘，苏宇，王伟影，徐志强，王永峰，来亮，杨强，傅琳，毛冬岩，
申请(专利权)人：中国船舶集团有限公司第七〇三研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。