Resumen

El análisis de imágenes de partículas de desgaste es un método eficaz para detectar el estado de desgaste de los dispositivos mecánicos. Sin embargo, la precisión y la eficacia del reconocimiento automático de las partículas de desgaste en línea son siempre mutuamente restringidas porque las imágenes de partículas de desgaste en línea casi no tienen información de textura y carecen de claridad. Especialmente para confundir las partículas de desgaste por fatiga y las partículas de desgaste por deslizamiento, el reconocimiento en línea es una tarea difícil. Sobre la base de este requisito, se propone una técnica de reconstrucción de superresolución y una red neuronal convolucional jerárquica parcial, SR-PHnet, para clasificar las partículas de desgaste en un solo paso. La estructura de esta red se compone de tres módulos, uno es el módulo de capa de superresolución, el segundo es el módulo clasificador de red neuronal convolucional, y el tercero es el módulo clasificador de máquina de vectores de apoyo (SVM). El resultado de la clasificación del segundo módulo es una entrada parcial al tercer módulo para la clasificación de precisión de las partículas de fatiga y deslizamiento. Además, se propone una nueva característica de factor de borde radial (REF) para clasificar las partículas de fatiga y desgaste por deslizamiento. El resultado de la prueba muestra que la nueva característica tiene la capacidad de distinguir bien las partículas de fatiga y de deslizamiento y de ahorrar tiempo. Se realizan experimentos de comparación entre el método de la red neuronal de convolución (CNN), el método de la máquina de vectores de apoyo (SVM) con y sin la característica REF, y el modelo integrado de retropropagación (BP) y CNN. Los resultados de la comparación muestran que la velocidad de reconocimiento en línea y la tasa de reconocimiento en línea del modelo SR-PHnet propuesto en este trabajo mejoran notablemente, especialmente para las partículas de fatiga y desgaste por deslizamiento.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:red neuronal convolucional, partículas de desgaste en línea, nuevas características, partículas de desgaste, partículas, técnicas de reconstrucción de resolución, métodos de máquinas vectoriales, módulo clasificador de red, velocidad de reconocimiento en línea, factores de borde radial
• Keywords:convolutional neural network, online wear particles, new features, wear particles, particles, resolution reconstruct techniques, vector machine methods, network classifier module, online recognition speed, radial edge factors