基于PBT框架的人工智能磨粒形狀分析與識(shí)別技術(shù)研究

摘 要：本文針對(duì)大型機(jī)械設(shè)備潤(rùn)滑油磨粒分析識(shí)別領(lǐng)域中自動(dòng)化識(shí)別難度大、準(zhǔn)確率不高以及難以實(shí)際應(yīng)用等問題，基于人工智能模型框架（PyTorch-Base-Trainer，PBT）進(jìn)行磨粒形狀自動(dòng)分析與識(shí)別研究。提取不同時(shí)期與不同類型的典型磨粒圖像作為訓(xùn)練模型的數(shù)據(jù)集，基于PBT構(gòu)建磨粒形狀自動(dòng)化分析與識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)模型，反復(fù)訓(xùn)練模型，利用測(cè)試集數(shù)據(jù)檢測(cè)模型性能。試驗(yàn)結(jié)果表明，基于PBT構(gòu)建的磨粒形狀自動(dòng)化識(shí)別模型異常磨粒最佳識(shí)別率為99.3%。本研究使人工智能與深度學(xué)習(xí)技術(shù)應(yīng)用于磨粒分析識(shí)別領(lǐng)域，為磨粒分析自動(dòng)化提供參考。

關(guān)鍵詞：磨粒分析；人工智能；PBT框架

中圖分類號(hào)：TP 181" " " " " " " 文獻(xiàn)標(biāo)志碼：A

潤(rùn)滑油磨粒是存在于潤(rùn)滑油中的微小磨損顆粒，通常來自機(jī)械設(shè)備在運(yùn)行過程中金屬表面的磨損。根據(jù)磨粒類型、大小、形狀和數(shù)量，能夠得到關(guān)于設(shè)備磨損狀況和故障模式的重要信息，因此磨粒對(duì)設(shè)備健康監(jiān)測(cè)、預(yù)防性維護(hù)以及延長(zhǎng)設(shè)備壽命的作用十分重要[1-4]。

以前分析潤(rùn)滑油中的磨粒的主要方法是由經(jīng)驗(yàn)豐富的專家利用肉眼識(shí)別，不僅費(fèi)時(shí)、成本高，而且分析結(jié)果易受主觀影響，限制了其在行業(yè)中的應(yīng)用范圍[4]。隨著智能圖像識(shí)別技術(shù)的快速發(fā)展，人工智能在圖像識(shí)別方面優(yōu)勢(shì)明顯[5]。

磨粒分析的進(jìn)展經(jīng)歷了多個(gè)階段：在初期階段，主要利用人工微觀檢查，雖然該方法具備專業(yè)性，但是耗時(shí)且準(zhǔn)確率有限。在技術(shù)進(jìn)步階段，20世紀(jì)70年代鐵譜技術(shù)、掃描電子顯微鏡（SEM）和能譜分析技術(shù)出現(xiàn)，提升了分析精度[6]。在自動(dòng)化與數(shù)字化階段，計(jì)算機(jī)視覺和圖像處理技術(shù)的應(yīng)用初步使分析數(shù)字化[7]，但是還面臨數(shù)據(jù)多樣性和復(fù)雜性的挑戰(zhàn)，高級(jí)的分析設(shè)備和技術(shù)需要較高的投資成本以及高級(jí)專業(yè)人員。

2006年深度學(xué)習(xí)技術(shù)興起，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）的應(yīng)用為圖像分析帶來了巨大變革[6]。在提高磨粒識(shí)別的效率和準(zhǔn)確性方面，人工智能大模型技術(shù)取得了突破，減少了對(duì)專業(yè)技術(shù)人員的依賴，能夠處理復(fù)雜數(shù)據(jù)，識(shí)別多樣化磨粒特征。

1 磨粒人工智能識(shí)別模型的構(gòu)建

本文將探討基于PyTorch的人工智能模型框架在磨粒自動(dòng)化分析和識(shí)別中的應(yīng)用，利用先進(jìn)技術(shù)對(duì)磨粒進(jìn)行高效識(shí)別，為大型機(jī)械設(shè)備的預(yù)測(cè)性維護(hù)提供強(qiáng)大的技術(shù)支持。

1.1 人工智能識(shí)別框架

在本研究中，采用基于PyTorch的人工智能模型框架的圖像分類管道，即人工智能模型框架（PyTorch Base Trainer，PBT）。PBT不僅優(yōu)化了訓(xùn)練流程，降低了模型開發(fā)的復(fù)雜程度，還利用其分布式訓(xùn)練的能力顯著提升了訓(xùn)練效率。PBT基礎(chǔ)訓(xùn)練庫定義了一個(gè)基類（Base），所有訓(xùn)練引擎（Engine）以及回調(diào)函數(shù)（Callback）都會(huì)繼承基類。Engine類完成訓(xùn)練的迭代方法（例如on_batch_begin、on_batch_end），用戶在回調(diào)函數(shù)的過程中可以對(duì)迭代方法進(jìn)行輸入/輸出處理。

PBT是1個(gè)針對(duì)深度學(xué)習(xí)訓(xùn)練流程優(yōu)化的框架，改進(jìn)了老一代Keras（Keras是一種高層神經(jīng)網(wǎng)絡(luò)，也是構(gòu)建和訓(xùn)練深度學(xué)習(xí)模型的有效工具。其在TensorFlow、Microsoft Cognitive Toolkit和Theano等應(yīng)用程序編程接口（Application Programming Interface，API）基礎(chǔ)上提供了一種簡(jiǎn)化接口，使深度學(xué)習(xí)模型的開發(fā)更加直觀、快速。其支持快速試驗(yàn)，能夠從理念快速轉(zhuǎn)換為試驗(yàn)結(jié)果）框架，在分布式訓(xùn)練方面表現(xiàn)卓越。利用PyTorch的分布式數(shù)據(jù)并行（Distributed" Data Parallelism，DDP）功能，PBT在每個(gè)進(jìn)程中復(fù)制模型并分配數(shù)據(jù)批次，完成高效的并行訓(xùn)練。該方法采用梯度平均技術(shù)加快訓(xùn)練過程，并保證模型副本間的一致性，顯著提升了訓(xùn)練效率，與老一代框架模型相比，可縮減80%的訓(xùn)練時(shí)間。PBT的設(shè)計(jì)理念是提供最大的配置靈活性，以適應(yīng)不同的研究需求和環(huán)境。其支持命令行參數(shù)和YAML文件，使用者能夠方便地調(diào)整設(shè)置。PBT的Model Checkpoint和自定義回調(diào)函數(shù)功能使模型能夠得到保存并進(jìn)行監(jiān)控，提升了試驗(yàn)的可操作性和監(jiān)控效率。

此外，PBT集成了NNI模型剪枝工具，支持多種剪枝策略以提高模型運(yùn)行效率。這個(gè)特性在處理大規(guī)模數(shù)據(jù)集和復(fù)雜模型的過程中十分重要，能夠有效減少模型的參數(shù)數(shù)量，減少在運(yùn)行過程中的內(nèi)存，保持模型性能。為使深度學(xué)習(xí)在不同領(lǐng)域廣泛應(yīng)用，PBT還提供了一系列用于不同深度學(xué)習(xí)應(yīng)用場(chǎng)景的通用庫，例如分類、檢測(cè)、分割和姿態(tài)估計(jì)，這些基于PBT的庫可快速構(gòu)建和部署模型，無論是在GPU、CPU中，還是在個(gè)人電腦中均能高效運(yùn)行。

綜上所述，PBT提供了1個(gè)高效、靈活且易于使用的深度學(xué)習(xí)訓(xùn)練框架，不僅簡(jiǎn)化了模型開發(fā)流程，還提供了完整的分布式訓(xùn)練解決方案和性能優(yōu)化工具，促進(jìn)深度學(xué)習(xí)技術(shù)的研究和應(yīng)用。在試驗(yàn)中PBT框架的這些特性不僅加快了試驗(yàn)進(jìn)程，還提高了識(shí)別的準(zhǔn)確度，展現(xiàn)了深度學(xué)習(xí)技術(shù)在傳統(tǒng)工業(yè)領(lǐng)域應(yīng)用的巨大潛力。

1.2 模型構(gòu)建的核心代碼

PBT提供了豐富的API函數(shù)，不同的模型構(gòu)建方式會(huì)影響磨粒形狀自動(dòng)化識(shí)別的準(zhǔn)確度和模型訓(xùn)練速度，主要影響因素是初始學(xué)習(xí)率配置和多GPU并行配置。在本試驗(yàn)中模型配置的初始學(xué)習(xí)率為0.05，權(quán)重衰減系數(shù)設(shè)為5×10-4，這有助于模型在初期快速收斂，核心參數(shù)配置從YAML文件讀取超參數(shù)并更新配置，模型構(gòu)建的核心代碼如下。

def build_model（self， cfg， **kwargs）：

\"\"\"build_model\"\"\"

# 模型構(gòu)建，配置初始學(xué)習(xí)率

self.logger.info（\"build_model，net_type：{}\".format（cfg.net_type））

model = build_models.get_models（net_type=cfg.net_type，input_size= cfg.input_size，width_mult=cfg.width_mult，num_classes=cfg.num_classes， pretrained=cfg.pretrained）

cfg = setup_config.parser_config（parser.parse_args（1）=0.05， parser.parse_args（2）=5e-4，cfg_updata= True）

# 構(gòu)建模型并行化，如果配置了分布式訓(xùn)練，則該模型在多個(gè)GPU上并行運(yùn)行。

model = self.build_model_parallel（model， cfg.gpu_

id，distributed= cfg.distributed）return model

2 人工智能識(shí)別模型的訓(xùn)練

2.1 試驗(yàn)數(shù)據(jù)集的構(gòu)建

1個(gè)涵蓋了廣泛譜片圖像的多元化數(shù)據(jù)集是本研究的基礎(chǔ)。從《磨粒圖譜》（安德森編著）和《磨粒分析》（楊其明著）中提取圖像，基于這些圖像建立1個(gè)包括3個(gè)磨損時(shí)期和6種不同類型磨粒的基礎(chǔ)圖片庫。在每張圖片中都有詳細(xì)的標(biāo)注信息，例如形成原因、特征形貌和來源。根據(jù)機(jī)械磨損的時(shí)期不同，將磨粒圖像劃分為3個(gè)類別（如圖1所示），分別為類別一（磨合時(shí)期磨粒）、類別二（正常時(shí)期磨粒）和類別三（異常時(shí)期磨粒），分別對(duì)應(yīng)機(jī)械磨損期的前、中和后期[8-9]。

為了擴(kuò)大數(shù)據(jù)集并滿足神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)需求，本文應(yīng)用一系列數(shù)據(jù)增強(qiáng)技術(shù)，例如隨機(jī)裁剪、翻轉(zhuǎn)以及調(diào)整對(duì)比度、亮度和飽和度，在不增加原始數(shù)據(jù)的基礎(chǔ)上生成更多有效數(shù)據(jù)。使用數(shù)據(jù)增強(qiáng)技術(shù)處理后的異常磨損圖像樣本如圖2所示。

在進(jìn)行模型訓(xùn)練的過程中，不同來源的磨粒圖像的尺寸和分辨率的異質(zhì)性可能會(huì)對(duì)訓(xùn)練的一致性和效率造成負(fù)面影響。將所有圖像調(diào)整至統(tǒng)一尺寸，并將圖像統(tǒng)一縮放至256 ppi×256 ppi，既能保證數(shù)據(jù)輸入的一致性，又能降低所需的計(jì)算量來加速訓(xùn)練過程。與其他2個(gè)時(shí)期相比，異常磨損時(shí)期的磨粒種類更多、更復(fù)雜，因此用于異常磨損的訓(xùn)練集數(shù)據(jù)更多。本次試驗(yàn)的磨粒圖像樣本數(shù)見表1，在訓(xùn)練過程中從測(cè)試集隨機(jī)抽取25%的樣本作為驗(yàn)證集。

2.2 訓(xùn)練參數(shù)的配置

在試驗(yàn)過程中模型訓(xùn)練使用相同的超參數(shù)配置，在模型訓(xùn)練過程中采用批量訓(xùn)練方法，使用Multi-StepLR學(xué)習(xí)率調(diào)整策略。與只能固定步長(zhǎng)（step）衰減的StepLR學(xué)習(xí)率調(diào)整策略相比，Multi-StepLR可以設(shè)置每一個(gè)步長(zhǎng)的大小，使學(xué)習(xí)率滿足多指定步長(zhǎng)衰減。當(dāng)訓(xùn)練輪次（epoch）符合設(shè)定值時(shí)，調(diào)整學(xué)習(xí)率。Multi-StepLR學(xué)習(xí)率調(diào)整策略如公式（1）所示。

（1）

式中：lrepoch為當(dāng)前周期的學(xué)習(xí)率；Gmma為學(xué)習(xí)率；lrepoch-1為上一個(gè)訓(xùn)練周期的學(xué)習(xí)率；milestones為1個(gè)包括訓(xùn)練索引的列表。

Multi-StepLR的學(xué)習(xí)曲線如圖3所示，該學(xué)習(xí)曲線魯棒性好、收斂快。

在本磨粒圖像人工智能識(shí)別模型的訓(xùn)練過程中，優(yōu)化器采用了小批量隨機(jī)梯度下降算法（mini-SGD），設(shè)置學(xué)習(xí)率為0.05，批量（batch）大小為32，訓(xùn)練30個(gè)輪次，采用損失函數(shù)為優(yōu)秀的CrossEntropyLoss函數(shù)，如公式（2）所示。

H（p，q）=-∑p（x）log（q（x）） " " " " （2）

式中：H（p，q）為交叉熵；x為神經(jīng)網(wǎng)絡(luò)輸出值；p（x）為期望輸出的概率分布；q（x）為實(shí)際輸出的概率分布。

交叉熵描述實(shí)際輸出概率與期望輸出概率之間的差距，交叉熵的值越小，2個(gè)概率分布就越接近。在訓(xùn)練過程中數(shù)據(jù)損失值平穩(wěn)下降，訓(xùn)練集與驗(yàn)證集的準(zhǔn)確率平穩(wěn)上升至差距很小，訓(xùn)練完成。

2.3 運(yùn)行過程與結(jié)果分析

配置試驗(yàn)參數(shù)后，即可進(jìn)行模型訓(xùn)練。PBT框架提供了最佳模型、次最佳模型和最近模型，使用同樣的試驗(yàn)參數(shù)對(duì)這3個(gè)模型進(jìn)行訓(xùn)練，從中選擇識(shí)別率最高的模型。當(dāng)PBT模型進(jìn)行訓(xùn)練時(shí)，訓(xùn)練集和測(cè)試集識(shí)別準(zhǔn)確率曲線如圖4所示。由圖4可知，隨著訓(xùn)練周期迭代，訓(xùn)練集的準(zhǔn)確率穩(wěn)步上升。測(cè)試集的準(zhǔn)確率在迭代周期前期有一些波折，但是總體呈上升趨勢(shì)，收斂速度快，魯棒性好。訓(xùn)練集和測(cè)試集損失值曲線如圖5所示。由圖5可知，訓(xùn)練集的損失值穩(wěn)步下降，訓(xùn)練完成后穩(wěn)定在0.1左右。驗(yàn)證集的損失值在訓(xùn)練前期急劇上升，隨后穩(wěn)步下降，最后也穩(wěn)定在0.1左右。訓(xùn)練迭代后訓(xùn)練集與測(cè)試集的損失值差距很小。綜上所述，PBT模型訓(xùn)練后訓(xùn)練集與測(cè)試集準(zhǔn)確率和損失值差距很小，構(gòu)建的磨粒圖像識(shí)別模型識(shí)別能力較強(qiáng)。

迭代訓(xùn)練30個(gè)輪次后（訓(xùn)練時(shí)間小于1 h）形成最佳模型、次最佳模型和最近模型3個(gè)模型，運(yùn)用測(cè)試集進(jìn)行測(cè)試，最佳模型性能卓越，異常磨粒最佳模型的識(shí)別率為99.3%，模型識(shí)別率見表2。

分別從3個(gè)類別的測(cè)試集中隨機(jī)抽取25%的樣本作為驗(yàn)證集，評(píng)估磨粒圖像識(shí)別模型的性能。使用精確率（Accuracy）、召回率（Recall）以及F1值評(píng)估模型的性能。精確率反映了模型預(yù)測(cè)為正例的樣本中實(shí)際為正例樣本的比例，代表了模型的預(yù)測(cè)準(zhǔn)確性和精確性。Accuracy的計(jì)算過程如公式（3）所示。

Accuracy=TP/（TP+FP） " "（3）

式中：TP為正確預(yù)測(cè)為正例的樣本數(shù)；FP為錯(cuò)誤預(yù)測(cè)為正例而真正為負(fù)例的樣本數(shù)。

精確度指標(biāo)越高，模型的預(yù)測(cè)效果越好。模型對(duì)3個(gè)類別的識(shí)別精確率都超過90%，平均值為95.43%，對(duì)類別異常時(shí)期的磨粒識(shí)別精確率接近100%，說明模型對(duì)磨粒圖像識(shí)別的預(yù)測(cè)效果優(yōu)秀。

Recall衡量了模型正確識(shí)別出正樣本的比例。Recall的計(jì)算過程如公式（4）所示。

Recall=TP/（TP+FN）" " " " （4）

式中：FN為預(yù)測(cè)為負(fù)例而真正為正例的樣本數(shù)。

Recall反映了模型中所有正例樣本被正確識(shí)別的比例，Recall越高，模型檢測(cè)識(shí)別能力越好。模型對(duì)3個(gè)類別的磨粒識(shí)別Recall都在90%以上，平均值為95.24%，說明模型能夠識(shí)別正確樣本。

F1值綜合評(píng)價(jià)模型的性能，其計(jì)算過程如公式（5）所示。

F1=（2×Accuracy·Recall）/（Accuracy+Recall） （5）

模型性能評(píng)估見表3。模型對(duì)3個(gè)類別的磨粒識(shí)別F1值都超過90%，平均值為95.23%，總體準(zhǔn)確率為95.24%，說明該模型可以識(shí)別3種類別的磨粒。

這個(gè)高性能的識(shí)別結(jié)果不僅證明了模型在磨粒形態(tài)識(shí)別任務(wù)方面的有效性，還展示了其在實(shí)際應(yīng)用場(chǎng)景中的實(shí)用性。本文構(gòu)建的模型能夠縮減磨粒判別時(shí)間，提高判別準(zhǔn)確度。

3 結(jié)論

本文針對(duì)大型機(jī)械設(shè)備潤(rùn)滑油磨粒分析識(shí)別領(lǐng)域中自動(dòng)化識(shí)別難度大、準(zhǔn)確率不高和難以實(shí)際應(yīng)用等問題，基于PBT對(duì)磨粒形狀自動(dòng)分析與識(shí)別進(jìn)行研究。本文構(gòu)建了磨粒圖像人工智能識(shí)別模型，對(duì)磨粒圖像形狀進(jìn)行自動(dòng)化識(shí)別。模型運(yùn)行結(jié)果表明，訓(xùn)練后的模型對(duì)不同時(shí)期的磨粒圖像均有優(yōu)秀的識(shí)別能力，異常磨粒最佳識(shí)別率為99.3%。本文提出的PBT形狀識(shí)別模型為人工智能與深度學(xué)習(xí)技術(shù)應(yīng)用于磨粒分析識(shí)別領(lǐng)域以及磨粒分析自動(dòng)化提供了新思路。

參考文獻(xiàn)

[1]劉峰壁，任和.機(jī)械潤(rùn)滑故障與油液分析（上）[M].廣州：華南理工大學(xué)出版社，2019.

[2]黃志堅(jiān).機(jī)械設(shè)備故障診斷與監(jiān)測(cè)技術(shù)[M].北京：化學(xué)工業(yè)出版社，2020.

[3]錢勇武，張萌萌，吳同浦.齒輪箱潤(rùn)滑油在線監(jiān)測(cè)系統(tǒng)總體設(shè)計(jì)[J].機(jī)械制造與自動(dòng)化，2021，50（3）：207-209.

[4]YUAN C Q， PENG Z X， ZHOU X C， et al.The characterization"of wear transitions in sliding wear process contaminated with silica and iron powder[J]. Tribology International，2005，38（2）：129-143.

[5]張順，龔怡宏，王進(jìn)軍.深度卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展及其在計(jì)算機(jī)視覺領(lǐng)域的應(yīng)用[J].計(jì)算機(jī)學(xué)報(bào)，2019（3）：100-101.

[6]徐元強(qiáng).數(shù)字同軸全息油液磨粒檢測(cè)技術(shù)的初步研究[D].濟(jì)南：山東大學(xué)，2010.

[7]范斌.基于油液監(jiān)測(cè)技術(shù)的重型車輛綜合傳動(dòng)磨損狀態(tài)研究[D].呼和浩特：內(nèi)蒙古工業(yè)大學(xué)，2013.

[8]楊其明.磨粒分析：磨粒圖譜與鐵譜技術(shù)[M].北京：中國鐵道出版社，2002.

[9]安德森，金元生，楊其明.磨粒圖譜[M].北京：機(jī)械工業(yè)出版社，1987.

通信作者：鐘金鋼（1964—），男，江西新余人，暨南大學(xué)物理與光電工程學(xué)院教授，研究方向?yàn)橛?jì)算成像、機(jī)器視覺。

電子郵箱：tzjg@jnu.edu.cn。

通信作者：張冠文（1964—）男，廣東東莞人，廣東省科學(xué)院測(cè)試分析研究所（中國廣州分析測(cè)試中心）教授級(jí)高級(jí)工程師，研究方向?yàn)榭茖W(xué)儀器。

電子郵箱：dg-qiang@163.com。