[發(fā)明專利]一種基于信息融合的船舶柴油機(jī)磨粒類型辨識(shí)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811655295.0
• 申請(qǐng)日: 2018-12-29
• 公開（公告）號(hào): CN109740254B
• 公開（公告）日: 2023-08-18
• 發(fā)明（設(shè)計(jì)）人: 徐曉健;趙狀狀;徐曉濱;胡燕祝;高迪駒;侯平智;盛晨興
• 申請(qǐng)（專利權(quán)）人: 杭州電子科技大學(xué);武漢理工大學(xué)
• 主分類號(hào): G06F30/17
• 分類號(hào): G06F30/17;G06F30/20
• 代理公司: 浙江千克知識(shí)產(chǎn)權(quán)代理有限公司 33246
• 代理人: 周希良

1.一種基于信息融合的船舶柴油機(jī)磨粒類型辨識(shí)方法，其特征在于該方法包括以下步驟:

(1)從中速柴油機(jī)在線油液監(jiān)測(cè)系統(tǒng)中采集油樣，將油樣中的磨粒類型分為嚴(yán)重滑動(dòng)磨損磨粒，用SSL表示；切削磨粒，用C表示；疲勞塊狀磨粒，用FS表示；層狀磨粒，用L表示；球狀磨粒，用SP表示；這五種磨粒類型構(gòu)成模型的辨識(shí)框架，記為Y，Y＝[SSL,C,FS,L,SP]；

(2)對(duì)于采集的多份油樣，制作濾膜譜片并拍照，從磨粒圖片中提取油樣中磨粒二維幾何形貌特征：體態(tài)比AR，當(dāng)量直徑D_e，圓度R和表面粗糙度均值S_a，表面紋理指數(shù)S_tdi；

將體態(tài)比AR，當(dāng)量直徑D_e，圓度R和表面粗糙度均值S_a，表面紋理指數(shù)S_tdi作為輸入特征信號(hào)依次映射為辨識(shí)模型的輸入f₁(t)，f₂(t)，f₃(t),f₄(t)和f₅(t)，t為磨粒樣本編號(hào)，且t＝[1,2,...,T]，T為磨粒樣本總數(shù)；

將f₁(t)、f₂(t)、f₃(t)、f₄(t)、f₅(t)和Y(t)表示成樣本集合S＝{[f₁(t),f₂(t),f₃(t),f₄(t),f₅(t),Y(t)]|t＝1,2,...,T}，其中[f₁(t),f₂(t),f₃(t),f₄(t),f₅(t),Y(t)]為一個(gè)樣本向量；

(3)確定磨粒類型辨識(shí)模型輸入特征的參考值；磨粒的二維特征和三維特征f_i的輸入?yún)⒖贾导螶_i為每一磨粒特征f_i的參考值個(gè)數(shù)；

采用綜合利用平均輪廓系數(shù)和k均值聚類確定每個(gè)輸入特征的參考值，對(duì)樣本集中每一個(gè)磨粒特征進(jìn)行k均值聚類，聚類中心為并且T_i為第i個(gè)特征的聚類中心數(shù)，由樣本集中的每一特征的平均輪廓系數(shù)s確定，即T_i＝arg?max{s_k|0≤s_k≤1,k＝1,2,...,K}，K表示循環(huán)次數(shù)；將每一個(gè)特征的最小值Q_i和最大值按遞增順序組成第i個(gè)特征的參考值量化值

(4)將T個(gè)樣本向量[f₁(t),f₂(t),f₃(t),f₄(t),f₅(t),Y(t)]中的輸入特征f_i(t)分別用分段線性函數(shù)轉(zhuǎn)化為關(guān)于參考值相似度的形式：

樣本對(duì)(f_i(t),Y(t))的輸入特征f_i(t)匹配參考值的相似度分布為：

其中，磨粒特征f_i(t)通過式(1b)等價(jià)轉(zhuǎn)換成相似度分布的形式，其中α_i,j表示f_i(x)與參考等級(jí)的相似程度；

(5)采用投點(diǎn)方式確定每一個(gè)磨粒特征在每一參考值下的置信度分布，定義對(duì)于參考值的證據(jù)為其中表示輸入樣本[f₁(t),f₂(t),f₃(t),f₄(t),f₅(t)]中第i個(gè)磨粒特征在參考值下為第n種磨粒類型的置信度，由式(2)計(jì)算所得

式中表示為第n種磨粒類型的樣本的第i個(gè)特征與參考等級(jí)的相似程度之和，i＝1,...,5；n＝1,2,...,N；

(6)確定每一磨粒特征信息來源的可靠性因子r_i描述輸入特征對(duì)磨粒類型辨識(shí)的能力，從多角度評(píng)價(jià)信息來源的可靠性，i＝1,2,...,5；

將歷史樣本的可信度δ₁和磨粒特征提取的難易程度δ₂作為評(píng)價(jià)指標(biāo)，歷史樣本來源越可靠，δ₁越大，磨粒特征提取復(fù)雜程度越小，越容易獲取，δ₂越大，故可靠性因子r_i為:

r_i是每一磨粒特征的客觀屬性，其數(shù)量與模型中采用的磨粒特征數(shù)量相等；

(7)確定每一磨粒特征在證據(jù)融合過程中的重要性因子w_i描述輸入特征在磨粒辨識(shí)過程中所起作用的大小，i＝1,2,...5，每一磨粒特征在劃分為個(gè)參考值，所以認(rèn)為每一參考值下對(duì)應(yīng)的五種磨粒類型的置信度分布均作為一條子證據(jù)，重要性為的數(shù)量與辨識(shí)模型的磨粒特征個(gè)數(shù)和每一特征的參考值個(gè)數(shù)有關(guān)，即根據(jù)式(4)采用組合賦權(quán)的方式確定第i個(gè)磨粒特征的重要性因子w_i：

其中α_i,j表示樣本第i個(gè)磨粒特征的數(shù)值與第j個(gè)參考值的相似程度；的初始值均設(shè)為1，認(rèn)為所有證據(jù)對(duì)生成最終磨粒辨識(shí)結(jié)果同等重要；的最終值通過遺傳算法優(yōu)化確定，以提高模型的辨識(shí)準(zhǔn)確性；

(8)每一磨粒特征對(duì)應(yīng)的證據(jù)e_i可由被激活的兩參考值對(duì)應(yīng)的子證據(jù)融合得到；具體為：輸入樣本第i個(gè)磨粒特征對(duì)應(yīng)的數(shù)值f_i(t)必然落在兩個(gè)參考值構(gòu)成的區(qū)間中，根據(jù)式(1b)可知，該輸入值與的相似程度分別為α_i,j,α_i,j+1，此時(shí)這兩個(gè)參考值對(duì)應(yīng)的子證據(jù)和被激活，根據(jù)式(5a)，(5b)采用解析ER算法將兩條被激活的子證據(jù)和以非線性方式進(jìn)行融合,得到最終每一磨粒特征對(duì)應(yīng)的證據(jù)e_i＝{(Y_n,p_n,i),n＝1,2,...,N}；

(9)對(duì)五個(gè)磨粒特征進(jìn)行融合，以確定輸入樣本(f₁(t),f₂(t),f₃(t),f₄(t),f₅(t))對(duì)應(yīng)的辨識(shí)結(jié)果；利用步驟(6)～步驟(8)中確定的待融合證據(jù)的可靠性因子r_i，重要性因子w_i和置信度分布e_i，采用證據(jù)推理規(guī)則的方式確定該樣本對(duì)應(yīng)的五種磨粒類型的置信度分布{(SSL,p₁),(C,p₂),...,(SP,p₅)}；

最終樣本(f₁(t),f₂(t),f₃(t),f₄(t),f₅(t))對(duì)應(yīng)的磨粒類型辨識(shí)結(jié)果為:

(10)基于遺傳算法構(gòu)建磨粒類型辨識(shí)參數(shù)優(yōu)化模型，具體步驟如下：

(10-1)將每一證據(jù)的重要性因子作為待優(yōu)化的參數(shù)，確定優(yōu)化參數(shù)集合待優(yōu)化參數(shù)數(shù)量為

(10-2)以提高磨粒辨識(shí)模型的辨識(shí)準(zhǔn)確性為優(yōu)化目標(biāo)，建立優(yōu)化模型

式中，UA表示辨識(shí)模型的準(zhǔn)確性；采用知識(shí)引導(dǎo)確定遺傳算法優(yōu)化的初始種群，以保證算法在優(yōu)化過程中找到最優(yōu)點(diǎn)，所以初始包含兩部分：根據(jù)知識(shí)確定的個(gè)體和隨機(jī)產(chǎn)生的個(gè)人，即其中n₁為知識(shí)確定的個(gè)體數(shù)量，n₂為隨機(jī)產(chǎn)生的個(gè)體數(shù)量；隨機(jī)產(chǎn)生的種群個(gè)體根據(jù)(8b)在[0,1]之間通過隨機(jī)方式產(chǎn)生，并且滿足

其中，W^L表示證據(jù)重要性因子w的下限值，W^U表示w的上限值，m_W為一個(gè)個(gè)體中包含的待優(yōu)化參數(shù)個(gè)數(shù)；優(yōu)化后的模型作為最終的磨粒類型辨識(shí)模型，從柴油機(jī)在線油液監(jiān)測(cè)系統(tǒng)中采集磨粒圖像，利用步驟(4)進(jìn)行處理，再一次重復(fù)步驟(6)～步驟(9)即可得到更為準(zhǔn)確地柴油機(jī)磨粒類型辨識(shí)結(jié)果。