基于分層模糊支持向量機(jī)的油液磨粒自動(dòng)識(shí)別*

(重慶大學(xué)煤礦災(zāi)害動(dòng)力學(xué)與控制國(guó)家重點(diǎn)實(shí)驗(yàn)室 重慶 400030)

視情維修理念的提出為機(jī)械設(shè)備的運(yùn)行維護(hù)提供了一個(gè)新的突破口，解決了長(zhǎng)期定期維修下的種種弊端，在故障潛在階段即可采取相應(yīng)的維修維護(hù)措施，避免其進(jìn)一步擴(kuò)大引起設(shè)備的功能故障。油液分析技術(shù)是視情維修理念指導(dǎo)下典型的設(shè)備故障診斷與監(jiān)測(cè)方法之一，它以油液性能檢測(cè)及油液中的磨損顆粒分析為核心，通過磨粒的形貌特征來識(shí)別磨粒類型，繼而判斷設(shè)備當(dāng)前的磨損程度及失效原因，減少甚至消除設(shè)備以磨損失效為主的突發(fā)性故障。磨粒分析是油液監(jiān)測(cè)的重要內(nèi)容，該項(xiàng)工作提出之際均為人工分析，耗時(shí)長(zhǎng)、誤差大，嚴(yán)重限制了油液分析技術(shù)在工程領(lǐng)域的廣泛應(yīng)用。近年來，不少學(xué)者在磨粒的智能分析領(lǐng)域開展了大量研究，灰色系統(tǒng)[1]、神經(jīng)網(wǎng)絡(luò)[2-4]、支持向量機(jī)[5-7]、決策樹[8]、證據(jù)推理規(guī)則[9]等都被用于磨粒識(shí)別領(lǐng)域且取得了一定的成果，磨粒分析工作逐步實(shí)現(xiàn)自動(dòng)化，分析效率得到了明顯的提高。

受磨粒樣本數(shù)量、高維特征參數(shù)的影響，以小樣本為研究對(duì)象的模式識(shí)別方法在磨粒分析工作中表現(xiàn)出更強(qiáng)的適用性，支持向量機(jī)在解決小樣本、非線性、高維特征問題上的特有優(yōu)勢(shì)，更是在磨粒自動(dòng)識(shí)別領(lǐng)域顯示出了十足的發(fā)展前景。傳統(tǒng)支持向量機(jī)、最小二乘支持向量機(jī)作為目前應(yīng)用最廣泛的識(shí)別模型，其在測(cè)試樣本集上雖然表現(xiàn)出較高的識(shí)別精度，但在實(shí)際應(yīng)用過程中，模型的泛化能力依舊不足。受運(yùn)行工況影響，設(shè)備在用油液攜帶有各種形態(tài)的磨損顆粒，某些磨粒呈現(xiàn)多種磨損機(jī)制作用下的復(fù)合特征，當(dāng)這些磨粒作為訓(xùn)練樣本時(shí)，其本身包含了對(duì)類別的隸屬信息，而傳統(tǒng)支持向量機(jī)(Support Vector Machines，SVM)、最小二乘支持向量機(jī)(Least Squares Support Vector Machines，LSSVM)模型均未考慮訓(xùn)練樣本對(duì)分類結(jié)果的貢獻(xiàn)程度這一因素，而將所有樣本同等對(duì)待，使得支持向量機(jī)的理論優(yōu)越性在磨粒自動(dòng)識(shí)別工作中難以完全凸顯，模型的泛化能力受到影響。

除此之外，支持向量機(jī)現(xiàn)有的構(gòu)造多類別分類器的方法，包括一對(duì)多法(one-against-rest，o-a-r)、一對(duì)一法(one-against-one，o-a-o)、有向無環(huán)圖法(Directed Acyclic Graph，DAG)、二叉樹法(Decision Tree，DT)[10]等，在完成磨粒多類別分類時(shí)也出現(xiàn)了不少問題。例如，o-a-r法的每個(gè)二分類器都有龐大的訓(xùn)練樣本集，模型的分類效率難以提高；o-a-o法與DAG法需要構(gòu)造的二分類器數(shù)量多，模型的累積誤差嚴(yán)重；DT法的分類效果很大程度上取決于二叉樹的結(jié)構(gòu)選型，分類誤差始終處于不可控狀態(tài)。因此，有必要考慮更適合磨粒識(shí)別的多類別分類模型，讓模型在分類器數(shù)量、訓(xùn)練效率及分類精度之間取得最佳折中，充分發(fā)揮支持向量機(jī)的性能。

本文作者將模糊支持向量機(jī)應(yīng)用到油液磨粒的自動(dòng)識(shí)別工作中，通過引入隸屬度函數(shù)來使訓(xùn)練樣本集包含對(duì)類別的隸屬信息，同時(shí)基于現(xiàn)有的多分類算法構(gòu)造一種更適用于磨粒識(shí)別的參數(shù)自適應(yīng)分層多分類模型，以期進(jìn)一步提高油液磨粒分析技術(shù)的工程實(shí)用性，促進(jìn)故障診斷在工業(yè)生產(chǎn)中的廣泛應(yīng)用。

1 油液磨粒自動(dòng)識(shí)別的核心內(nèi)容

1.1 待識(shí)別磨粒類型的確定

機(jī)械設(shè)備在用油液中的游離金屬磨粒包括正常磨損磨粒與異常磨損磨粒，異常磨粒按磨損機(jī)制可以劃分為切削磨粒、嚴(yán)重滑動(dòng)磨損磨粒、滾滑復(fù)合磨損磨粒、疲勞片狀磨粒、疲勞塊狀磨粒及球狀磨粒。正常磨粒產(chǎn)生于設(shè)備運(yùn)行全壽命周期的各個(gè)階段，單個(gè)粒子不攜帶有任何設(shè)備異常磨損的信息。而異常磨粒與磨損工況密切相關(guān)，油液中一旦出現(xiàn)這些類型的磨粒，無論數(shù)量分布多少，都預(yù)示著機(jī)器內(nèi)部可能已經(jīng)出現(xiàn)了相應(yīng)形式的磨損。這是異常磨損信息最早期的表現(xiàn)形式，磨粒類型的判定對(duì)磨損部位的判斷和磨損嚴(yán)重程度的確定都有很強(qiáng)的指導(dǎo)作用。因此，本文作者選擇6類異常磨損磨粒為待識(shí)別對(duì)象，設(shè)計(jì)分層多類別模糊支持向量機(jī)模型完成磨粒的自動(dòng)識(shí)別工作。

1.2 磨粒自動(dòng)識(shí)別流程

利用鐵譜技術(shù)或?yàn)V膜譜片技術(shù)提取油液中的磨損顆粒，基于顯微鏡獲取磨粒圖譜，作為磨粒自動(dòng)識(shí)別工作開展的前提。完成圖像的獲取后，即可開展磨粒的自動(dòng)識(shí)別工作，其實(shí)現(xiàn)流程如圖1所示。

圖1 磨損顆粒自動(dòng)識(shí)別流程

1.3 磨粒圖像分割

為了實(shí)現(xiàn)磨粒與背景的準(zhǔn)確分割，最大化保留原始圖像的信息，文中直接對(duì)彩色圖像進(jìn)行分割，在Lab顏色空間中利用K-均值聚類算法實(shí)現(xiàn)目標(biāo)磨粒的提取，具體分割流程參照文獻(xiàn)[11]。圖2所示為一嚴(yán)重滑動(dòng)磨粒的分割實(shí)例。

圖2 嚴(yán)重滑動(dòng)磨粒圖像分割實(shí)例

1.4 磨粒特征參數(shù)提取

特征參數(shù)作為磨粒的量化表征，必須能夠代表磨粒的典型形貌特征，以保證在特征量化的過程中不會(huì)丟失磨粒形貌的關(guān)鍵信息，最大化還原磨粒的區(qū)分度。根據(jù)六類待識(shí)別磨粒的形貌特征，文中選擇形狀尺寸特征參數(shù)、邊緣細(xì)節(jié)特征參數(shù)、表面紋理特征參數(shù)構(gòu)成了磨粒的18維特征參數(shù)體系。

(1)形狀尺寸特征參數(shù)

對(duì)磨粒的輪廓曲線進(jìn)行Fourier變化即可提取具有平移旋轉(zhuǎn)不變性的形狀特征參數(shù)。文中主要基于磨粒的輪廓曲線提取了其相應(yīng)的傅里葉描述子[12]，計(jì)算得到圓形度F1、細(xì)長(zhǎng)度F2、散射度F3、凹凸度F4等形狀特征參數(shù)。為了盡可能降低磨粒輪廓跟蹤過程存在的誤差，文中又基于磨粒的二值圖像提取了區(qū)域形狀描述子作為修正，包括矩形度AP及體態(tài)比AR，形成6維形狀尺寸特征參數(shù)。區(qū)域描述子的定義如下：

AP=A/P

(1)

AR=a/b

(2)

式中：A、P分別為基于區(qū)域統(tǒng)計(jì)的磨粒面積與周長(zhǎng)；a、b分別為磨粒區(qū)域最小外接矩形的長(zhǎng)軸與短軸。

(2)邊緣細(xì)節(jié)特征參數(shù)

邊緣細(xì)節(jié)特征參數(shù)是反應(yīng)磨粒輪廓隨機(jī)程度和復(fù)雜程度的典型參數(shù)，文中采用FAENA法[13]提取磨粒的邊界分形維數(shù)D作為其邊緣細(xì)節(jié)表征。

(3)表面紋理特征參數(shù)

表面紋理參數(shù)主要基于灰度共生矩陣[14]提取。將原圖像的灰度級(jí)壓縮至16級(jí)，提取對(duì)比度CON、相關(guān)性COR、能量ENG、熵ENT、一致度HOM等二次統(tǒng)計(jì)量在0°、45°、90°、135°方向上的均值m與方差v作為磨粒的紋理表征?？紤]到圖像灰度級(jí)壓縮過程可能造成的信息損失，提取磨粒表面灰度值的方差GM作為補(bǔ)充，形成11維表面紋理參數(shù)。參數(shù)GM的定義如下：

GM=

1pixels∑p∈s[gray(xp,yp)-1pixels∑p∈sgray(xp,yp)]2

(3)

式中：s為磨粒區(qū)域;gray(x,y)為磨粒區(qū)域(x,y)點(diǎn)的灰度值；pixel為磨粒區(qū)域s的像素點(diǎn)個(gè)數(shù)。

表1所示為待識(shí)別6類磨粒的18維特征參數(shù)提取結(jié)果示例。

表1 磨粒特征參數(shù)提取結(jié)果示例

1.5 二分類模糊支持向量機(jī)模型的建立

模糊支持向量機(jī)[15](Fuzzy Support Vector Machines，F(xiàn)SVM)是傳統(tǒng)支持向量機(jī)的一種變形算法，通過隸屬度函數(shù)實(shí)現(xiàn)樣本集的模糊處理，使訓(xùn)練樣本集包含有對(duì)類別隸屬程度的信息，以此來提高分類器的推廣能力。

對(duì)于二類別分類問題，選擇n個(gè)類別已知磨粒的特征參數(shù)體系構(gòu)成訓(xùn)練樣本集，首先定義適當(dāng)?shù)碾`屬度函數(shù)完成樣本的模糊化，將訓(xùn)練集轉(zhuǎn)化為模糊訓(xùn)練集：

train={(xl,yl,tl),l=1,.....,n}

其中：l表示第l個(gè)樣本;xl為磨粒樣本的特征參數(shù)向量;xl∈Rn;yl為樣本xl的所屬類別;yl∈{-1,1};tl為樣本xl屬于某類的隸屬度，滿足δ≤tl≤1，其中δ為任意一個(gè)極小的正數(shù)。

對(duì)于非線性可分的訓(xùn)練數(shù)據(jù)集，(w,b)在特征空間中確定唯一的最優(yōu)超平面，滿足w·x+b=0，使得兩類樣本之間有最大的分類間隔。模糊支持向量機(jī)在最優(yōu)超平面的求解問題上，采取將其轉(zhuǎn)化為目標(biāo)函數(shù)的最優(yōu)解問題這一思路進(jìn)行求解：

min12‖w‖2+C∑nl=1tlξl

s.t.{yl(wlxl+b)≥1-ξl,l=1,2,......,n

ξl≥0,l=1,2,......,n

(4)

式中:ξl為松弛變量，是對(duì)樣本xl錯(cuò)分程度的度量參數(shù);C為懲罰因子，代表優(yōu)化過程對(duì)分類誤差的關(guān)注程度。

式(4)為典型的二次規(guī)劃問題，引入Lagrange乘子α，將該約束最優(yōu)化問題轉(zhuǎn)換為相應(yīng)的對(duì)偶問題：

maxα∑nl=1αl-12∑nl=1∑nq=1αlαqylyq(xl·xq)

s.t.{∑nl=1αlyl=0,l=1,2,......,n

0≤αl≤Ctl,l=1,2,......,n

(5)

假設(shè)優(yōu)化問題的最優(yōu)解α*=(α*1,......,α*n)T，則最優(yōu)分類函數(shù)表示為

f(x)=w*·x+b*

(6)

式中:w*表示最優(yōu)權(quán)值向量;b*表示最優(yōu)偏置，計(jì)算公式分別為

{w*=∑α*lylxl

b*=mean(yq-∑nl=1α*lyl(xl·xq))

l=1,......,n

q=1,......,n且q∈{q|0<α*q≤Ctq}

(7)

根據(jù)式(6)與式(7)獲取樣本x的最優(yōu)分類函數(shù)值后，樣本x的類別決策規(guī)則為

F(x)={ 1,f(x)>0

-1,f(x)<0

(8)

基于上述原理構(gòu)建模糊支持向量機(jī)二分類模型，以磨粒的特征參數(shù)提取結(jié)果為輸入向量，即可獲取磨粒分類的最優(yōu)決策函數(shù)值，實(shí)現(xiàn)類別的自動(dòng)判斷。隸屬度函數(shù)的確定是構(gòu)建模糊支持向量機(jī)分類器的關(guān)鍵環(huán)節(jié)，合理地選擇隸屬度函數(shù)可以最大程度地提取樣本包含的信息，讓模糊支持向量機(jī)的特有性能獲得充分表現(xiàn)。反之，隸屬度函數(shù)如果不符合樣本的實(shí)際情況，往往會(huì)混淆不同數(shù)據(jù)點(diǎn)對(duì)分類結(jié)果的實(shí)際貢獻(xiàn)程度，在分類過程中引入新的誤差。文獻(xiàn)[16-18]提出了幾類隸屬度函數(shù)的確定方法。就目前而言，模糊隸屬度函數(shù)的形式并未有統(tǒng)一標(biāo)準(zhǔn)，隸屬度函數(shù)的優(yōu)劣應(yīng)結(jié)合樣本數(shù)據(jù)點(diǎn)的測(cè)試情況來具體判斷。

2 分層多類別FSVM模型的構(gòu)造

2.1 分層多類別FSVM分類器的設(shè)計(jì)

考慮6類磨粒的形貌特殊性，球狀磨粒和切削磨粒與其他4類磨粒在形狀特征上有明顯的差異性，因此在構(gòu)造球狀磨粒和切削磨粒分類器時(shí)可以不考慮表面紋理特征參數(shù)，而僅以形狀尺寸特征參數(shù)及邊緣細(xì)節(jié)特征參數(shù)為主，構(gòu)成分類器的輸入向量。對(duì)于嚴(yán)重滑動(dòng)磨粒、滾滑復(fù)合磨粒、疲勞片狀磨粒及疲勞塊狀磨粒，這4類磨粒的形狀特征參數(shù)與球狀磨粒、切削磨粒之間有明顯的區(qū)分點(diǎn)，但彼此之間的分布較為接近，主要在表面紋理特征參數(shù)上表現(xiàn)出一定的差異性，想要實(shí)現(xiàn)這4類磨粒的準(zhǔn)確分割，需要以18維特征參數(shù)作為輸入向量，完成各個(gè)二分類器的訓(xùn)練。

為了最大程度地簡(jiǎn)化分類器結(jié)構(gòu)、縮短訓(xùn)練時(shí)間、提高分類速度與精度，文中結(jié)合DT法和o-a-r法，提出了一種更適合磨粒自動(dòng)識(shí)別的分層多類別FSVM分類器的構(gòu)造方法，將這種構(gòu)造方法下的模型記為DT/oar-FSVM模型。記球狀磨粒為類別1，切削磨粒為類別2，嚴(yán)重滑動(dòng)磨粒為類別3，滾滑復(fù)合磨粒為類別4，疲勞層狀磨粒為類別5，疲勞剝塊磨粒為類別6，該模型的分解策略和組合策略描述如下：

分解策略：首先將類別1作為正類樣本，其余所有類別作為負(fù)類樣本，選擇形狀尺寸特征參數(shù)和邊緣細(xì)節(jié)特征參數(shù)組成7維輸入向量，訓(xùn)練球狀磨粒分類器FSVM1；其次將類別2作為正類樣本，除類別1以外的4類磨粒為負(fù)類樣本，同樣以形狀尺寸特征參數(shù)和邊緣細(xì)節(jié)特征參數(shù)為輸入向量，訓(xùn)練切削磨粒分類器FSVM2；對(duì)于其他4類磨粒，則結(jié)合表面紋理參數(shù)形成18維輸入向量，以待識(shí)別磨粒為正類樣本，其余三類為負(fù)類樣本，依次訓(xùn)練分類器FSVM3、FSVM4、FSVM5、FSVM6。這種分解策略下共需要訓(xùn)練6個(gè)二分類器，但訓(xùn)練樣本的數(shù)量相較于o-a-r法明顯減少，訓(xùn)練速度快，同時(shí)，該方法避免了二叉樹結(jié)構(gòu)的選型問題，使得累積誤差可控。

組合策略：基于訓(xùn)練好的6個(gè)二分類器，結(jié)合DT法和o-a-r法完成三層多類別FSVM分類器的構(gòu)造。選擇FSVM1作為分類器的根節(jié)點(diǎn)，其組合模型如圖3所示。

圖3 DT/oar-FSVM模型的組合策略

2.2 測(cè)試樣本的識(shí)別過程

假設(shè)m個(gè)待識(shí)別磨粒的特征參數(shù)集構(gòu)成18維輸入向量Xi，其中i為磨粒的編號(hào)，i=1,......m。在識(shí)別過程中，首先選擇Xi的前7維特征參數(shù)構(gòu)成新的輸入向量xi，進(jìn)入分類器FSVM1，利用決策函數(shù)f1(x)確定屬于類別1的樣本，不屬于類別1的樣本繼續(xù)進(jìn)入FSVM2，判斷其是否屬于類別2。對(duì)于不屬于類別1和類別2的樣本，再基于18維特征參數(shù)集重新構(gòu)成輸入向量xj，同時(shí)進(jìn)入FSVM3、FSVM4、FSVM5、FSVM6四個(gè)分類器，將決策函數(shù)f(x)取最大值時(shí)的二分類器作為識(shí)別結(jié)果。圖4所示為基于DT/oar-FSVM模型的磨粒識(shí)別過程。

圖4 基于DT/oar-FSVM模型的磨粒識(shí)別過程

2.3 DT/oar-FSVM識(shí)別模型的參數(shù)優(yōu)化

在FSVM模型的訓(xùn)練過程中，參數(shù)的選擇是影響分類器性能的重要因素，文中基于粒子群優(yōu)化算法(Particle Swarm Optimization，PSO)完成DT/oar-FSVM模型的參數(shù)優(yōu)化工作，該算法在SVM、LSSVM模型中已經(jīng)表現(xiàn)出較優(yōu)的性能[19-20]。參考文獻(xiàn)[6]，以磨粒識(shí)別率為適應(yīng)度函數(shù)，選擇能對(duì)慣性因子實(shí)現(xiàn)動(dòng)態(tài)調(diào)整的改進(jìn)PSO算法優(yōu)化模型參數(shù)，以迭代中止時(shí)識(shí)別率最高的解變量為優(yōu)化結(jié)果，獲取分類模型的最佳參數(shù)，實(shí)現(xiàn)參數(shù)自適應(yīng)的PSO-DT/oar-FSVM模型。

3 工程實(shí)例分析及對(duì)比研究

3.1 樣本獲取與試驗(yàn)設(shè)計(jì)

以某臺(tái)正常施工的旋挖鉆機(jī)為監(jiān)測(cè)對(duì)象，設(shè)備運(yùn)行5 000 h左右時(shí)分別在其液壓回路和潤(rùn)滑點(diǎn)取樣，利用濾膜譜片技術(shù)完成油液中磨損顆粒的提取，獲取試驗(yàn)樣本。圖5所示為油樣中典型磨粒的圖像。

圖5 旋挖鉆機(jī)油液中的典型磨粒

選取6類磨粒各50個(gè)，共300個(gè)磨損顆粒構(gòu)成樣本集data，data={data1,data2,data3,data4,data5,data6}。磨粒識(shí)別工作的各個(gè)環(huán)節(jié)均在MatLab平臺(tái)上完成。通過交叉驗(yàn)證來測(cè)試PSO-DT/oar-FSVM模型的性能，并通過對(duì)比試驗(yàn)分析PSO-DT/oar-FSVM模型在磨粒識(shí)別中的實(shí)用性，具體試驗(yàn)步驟如下：

(1)完成磨粒圖像的分割及特征參數(shù)的提取工作，獲取18維特征參數(shù)體系，形成分類器的輸入樣本集。

(2)在各類磨粒中分別隨機(jī)選擇40個(gè)作為訓(xùn)練樣本，10個(gè)作為測(cè)試樣本，組合成訓(xùn)練樣本集與測(cè)試樣本集，訓(xùn)練PSO-DT/oar-FSVM識(shí)別模型，模糊隸屬度函數(shù)參考文獻(xiàn)[16]。PSO算法的基本參數(shù)選擇如下：粒子總數(shù)為40，最大循環(huán)迭代次數(shù)N為100，學(xué)習(xí)因子均為2，慣性因子的最大值和最小值分別為0.9和0.4。

(3)為了評(píng)估PSO-DT/oar-FSVM模型對(duì)測(cè)試數(shù)據(jù)集的泛化能力，分析訓(xùn)練樣本及測(cè)試樣本的選擇情況對(duì)模型性能的影響，對(duì)模型的性能進(jìn)行交叉驗(yàn)證評(píng)估，對(duì)比測(cè)試樣本集的識(shí)別率。交叉驗(yàn)證試驗(yàn)流程如下：

①將各類磨粒的50個(gè)樣本隨機(jī)均分成5份，分別形成5個(gè)相斥的子集。記為datai={datai1,datai2,datai3,datai4,datai5}，i=1,2,3,4,5,6。

②輪流在data1、data2、data3、data4、data5、data6中選擇1份作為測(cè)試樣本集，其他的4份作為訓(xùn)練樣本集，組合成240個(gè)數(shù)據(jù)點(diǎn)的訓(xùn)練樣本集與60個(gè)數(shù)據(jù)點(diǎn)的測(cè)試樣本集，得到5個(gè)分類模型。測(cè)試樣本集的組成如下所示：

testdata1= {data11,data21,data31,data41,data51,data61}

testdata2= {data12,data22,data32,data42,data52,data62}

testdata3= {data13,data23,data33,data43,data53,data63}

testdata4= {data14,data24,data34,data44,data54,data64}

testdata5= {data15,data25,data35,data45,data55,data65}

③重復(fù)驗(yàn)證模型5次。獲取當(dāng)前樣本集下PSO-DT/oar-FSVM模型對(duì)訓(xùn)練樣本及測(cè)試樣本的識(shí)別率。

(4)為了測(cè)試多類別分類器的構(gòu)造方法對(duì)分類結(jié)果的影響，在同等條件下分別基于o-a-r法、DT法構(gòu)造多類別分類器，二叉樹結(jié)構(gòu)選擇為分類器性能最佳時(shí)的最優(yōu)結(jié)構(gòu)，依次建立PSO-oar-FSVM模型與PSO-DT-FSVM模型，基于步驟(3)中的樣本集完成訓(xùn)練樣本和測(cè)試樣本的分類測(cè)試。

(5)為了測(cè)試PSO-DT/oar-FSVM模型是否優(yōu)于其它類型的支持向量機(jī)分類模型，同時(shí)測(cè)試隸屬度函數(shù)的選擇是否正確，在相同的多類別構(gòu)造方法和參數(shù)優(yōu)化算法下對(duì)步驟(3)中的樣本集利用SVM和LSSVM模型進(jìn)行分類測(cè)試，分別建立PSO-DT/oar-LSSVM模型與PSO-DT/oar-SVM模型，對(duì)比樣本的識(shí)別結(jié)果。

3.2 PSO-DT/oar-FSVM模型的測(cè)試結(jié)果

基于磨粒的特征參數(shù)集訓(xùn)練分類器模型。在訓(xùn)練過程中，利用PSO算法優(yōu)化模型的懲罰因子C值，C的取值范圍選擇為[10，1000]。分類結(jié)果表明：在當(dāng)前樣本集下，PSO-DT/oar-FSVM模型對(duì)訓(xùn)練樣本的識(shí)別率為90.42%，對(duì)測(cè)試樣本的識(shí)別率為90%。表2所示為模型的主要參數(shù)及對(duì)樣本集的識(shí)別率。

表2 PSO-DT/oar-FSVM模型的參數(shù)優(yōu)化結(jié)果及識(shí)別率

3.3 模型的交叉驗(yàn)證

模型的交叉驗(yàn)證結(jié)果如圖6所示。結(jié)果表明，在不同的訓(xùn)練樣本集下，PSO-DT/oar-FSVM模型對(duì)測(cè)試樣本集的識(shí)別率均不低于85%，模型的性能較為穩(wěn)健。

圖6 PSO-DT/oar-FSVM模型的交叉驗(yàn)證

3.4 對(duì)比分析3.4.1 不同多類別分類方法下的識(shí)別率對(duì)比

從模型的復(fù)雜程度、分類效率以及分類精度等方面對(duì)不同構(gòu)造形式下的多類別分類器的性能進(jìn)行對(duì)比分析，圖7為分類器的識(shí)別率對(duì)比圖。結(jié)果表明：PSO-oar-FSVM模型識(shí)別率最低、誤差最大，該模型需要構(gòu)建6個(gè)二分類器，每個(gè)二分類器的訓(xùn)練樣本數(shù)量均為240個(gè)，模型訓(xùn)練速度慢；PSO-DT-FSVM模型與PSO-DT/oar-FSVM模型相對(duì)穩(wěn)定，DT法只需要構(gòu)造5個(gè)二分類器，且訓(xùn)練樣本數(shù)量逐層減少，依次為240個(gè)、200個(gè)、160個(gè)、120個(gè)、80個(gè)，分類效率顯著提高，但該分類器在測(cè)試樣本上表現(xiàn)不佳，推廣性能有待提高；而文中提出的DT/oar分層構(gòu)造多類別FSVM模型的方法，測(cè)試樣本的識(shí)別率明顯提高，最高達(dá)90%，說明這種方法最大化平衡了模型的學(xué)習(xí)精度和學(xué)習(xí)能力，使模型的泛化性能達(dá)到最佳。就磨粒自動(dòng)識(shí)別而言，PSO-DT/oar-FSVM模型表現(xiàn)出一定的優(yōu)越性。

圖7 不同多類別分類方法下模型的識(shí)別率對(duì)比圖

3.4.2 不同支持向量機(jī)模型的識(shí)別率對(duì)比

在相同的多類別分類方法下，F(xiàn)SVM模型相較于同等參數(shù)優(yōu)化條件下的LSSVM模型和SVM模型也表現(xiàn)出一定的優(yōu)勢(shì)，表3為模型交叉驗(yàn)證時(shí)隨機(jī)生成的樣本集在不同形式支持向量機(jī)上的識(shí)別率平均值。從測(cè)試結(jié)果可以看出，在樣本集模糊化處理后，無論是對(duì)訓(xùn)練樣本的分類精度，還是對(duì)未知樣本的識(shí)別能力，PSO-DT/oar-FSVM模型都表現(xiàn)出較優(yōu)的性能，說明FSVM模型在磨粒自動(dòng)識(shí)別工作中有較強(qiáng)的適用性，隸屬度函數(shù)的引入對(duì)磨粒的識(shí)別率提高起到正相關(guān)作用。

表3 三類SVM模型的識(shí)別率對(duì)比

3.5 討論

文中提出的PSO-DT/oar-FSVM模型雖然在磨粒識(shí)別中表現(xiàn)出了較好的分類效果，但其準(zhǔn)確率也不是100%，表4明確地給出了識(shí)別率最高時(shí)60個(gè)測(cè)試樣本的具體誤分情況。可以看出，滾滑復(fù)合磨粒的識(shí)別率最低，疲勞片狀和剝塊磨粒也出現(xiàn)誤分的現(xiàn)象。分析磨粒誤分的原因，滾滑復(fù)合磨粒的形成受多種磨損機(jī)制共同影響，疲勞磨損和黏著磨損下都有可能出現(xiàn)滾滑復(fù)合磨粒，使得該類磨粒的形貌呈現(xiàn)多樣性，容易將其識(shí)別為單一磨損機(jī)制下的嚴(yán)重滑動(dòng)磨?；蚱谀チ?。對(duì)于疲勞片狀磨粒和疲勞剝塊磨粒而言，厚度信息是區(qū)分和識(shí)別這兩類磨粒的重要信息，而灰度圖像往往難以明確地反映出這類特征信息，同時(shí)，圖像分割的后處理環(huán)節(jié)也使片狀磨粒喪失了表面孔洞等信息，從而影響了這兩類磨粒的識(shí)別率。

磨粒自動(dòng)識(shí)別的準(zhǔn)確程度受磨粒獲取、圖像分割、特征參數(shù)提取等各個(gè)環(huán)節(jié)影響，由于每個(gè)環(huán)節(jié)都存在或多或少的誤差，誤差累積后最終都會(huì)體現(xiàn)在模型的識(shí)別性能上。為了進(jìn)一步提高磨粒自動(dòng)識(shí)別工作的準(zhǔn)確程度，可以從磨粒識(shí)別工作的各個(gè)環(huán)節(jié)入手，優(yōu)化磨粒識(shí)別體系，將累積誤差降到最低。

表4 PSO-DT/oar-FSVM模型下各測(cè)試樣本的分類結(jié)果

4 結(jié)論

(1)通過將模糊集理論引入支持向量機(jī)，充分考慮了樣本對(duì)類別歸屬的模糊性，最大化地利用了訓(xùn)練樣本集的信息，對(duì)于磨粒識(shí)別而言，在樣本來源非常廣泛時(shí)也可以獲得較高的識(shí)別精度。

(2)在各個(gè)二分類器的訓(xùn)練過程中，輸入向量可以根據(jù)待識(shí)別正類樣本的形貌特征視情選擇。選擇最能反映該類磨粒的典型特征參數(shù)作為訓(xùn)練該類磨粒分類器的輸入向量，這樣可以在最大化分類精度的條件下通過降低輸入?yún)?shù)的維數(shù)來提高分類器的訓(xùn)練速度，減少多余參數(shù)的干擾。

(3)在磨粒的自動(dòng)識(shí)別工作中，結(jié)合二叉樹和一對(duì)多法構(gòu)造的分層多類別分類器表現(xiàn)出了單一組合法難以比及的效果，這種構(gòu)造方法最大程度地簡(jiǎn)化了分類器的結(jié)構(gòu)，降低了累計(jì)誤差，顯著提高了分類效率和泛化能力。

(4)采用PSO-DT/oar-FSVM模型對(duì)旋挖鉆機(jī)齒輪油和液壓油中的磨粒進(jìn)行識(shí)別，模型對(duì)測(cè)試樣本的識(shí)別準(zhǔn)確率最高可達(dá)90%，優(yōu)于同等條件下的其他支持向量機(jī)模型。該模型有較大的工程實(shí)用性。