磨粒的特征參數優(yōu)化與集成識別方法研究.pdf

1、摩擦學系統(tǒng)的狀態(tài)監(jiān)測與辨識日益引起學術界與工業(yè)界的重視和關注，以潤滑油中的磨損顆粒為研究對象的磨粒分析技術是開展摩擦學系統(tǒng)狀態(tài)描述和辨識研究的一種有效方法。由于磨粒的多樣性和復雜性，磨粒的識別長期依賴專家的經驗，導致磨粒分析技術的推廣應用受到較大限制。隨著顯微鏡技術、計算機技術、傳感器技術、信息技術及現代數學理論的長足進步，磨粒分析及識別技術雖然已經向智能化、自動化方向發(fā)展，但在磨粒特征參數的選擇優(yōu)化以及識別方法等方面的研究還存在著不足

2、。 如何建立磨粒特征參數描述體系是磨粒分析領域內的一大難點，本文從磨粒特征集內在的關聯(lián)性出發(fā)，在對磨粒特征的相關性和冗余性分析的基礎上，針對磨粒特征參數評價優(yōu)化問題，設計了兩種不同的特征選擇算法——Recorre算法和遺傳算法(GA)。研究表明：這2種算法對磨粒特征空間都能有效的約簡。Recorre算法根據磨粒訓練樣本的統(tǒng)計特性進行特征選擇，效率高，所得到的特征子集通用性強，但精度一般，在數據的處理量很大、系統(tǒng)的實時性要求高時可

3、考慮采用Recorre算法；遺傳算法根據磨粒識別系統(tǒng)的準確率來選擇特征子集，所得到的特征子集是使系統(tǒng)性能最好的特征子集，因而能獲得較高的系統(tǒng)識別率，但該方法效率低，適用于對系統(tǒng)識別率要求高的場合。 集成學習通過將多個分類器以某種方式集成，可以顯著提高磨粒分類的準確性。本文將集成學習理論引入磨粒的自動識別研究，研究了基于Bagging集成技術的磨粒識別方法，結果表明該方法可以進一步提高現有磨粒識別方法的準確率。在上述研究的基礎上，