铁谱技术智能化应用研究进展*

颜　欢, 韩　超, 张贤明

(重庆工商大学 废油资源化技术与装备教育部工程研究中心, 重庆 400067)



铁谱技术智能化应用研究进展*

颜欢, 韩超, 张贤明

(重庆工商大学 废油资源化技术与装备教育部工程研究中心, 重庆 400067)

铁谱技术是诊断机械设备发生磨损故障的有效办法，但传统铁谱技术难以实现对油液进行在线监测和磨粒的自动识别，而铁谱技术的智能化发展使得磨粒自动识别得以实现；从在线铁谱智能图像理论、BP神经网络、支持向量机和模糊集理论4个方面综述了铁谱技术智能化的应用研究，为后续深入研究铁谱智能化识别系统起到重要的指导意义。

铁谱技术；在线式铁谱仪；人工神经网络；支持向量机；模糊集理论

现代大型工业机械设备越来越要求高效性、高可靠性和较长的使用寿命，机械设备中起着润滑、冷却等作用的润滑油液显得至关重要，然而机械设备中摩擦副之间的磨损使得油液携带了具有丰富磨损信息的磨粒，磨粒随着油液在润滑系统流动时与磨损部件及其他元件再次接触，使得设备磨损情况加剧，严重时甚至导致设备发生故障。以磨粒分析为基础的铁谱技术则能够有效诊断机械设备磨损故障的类型和部位[1]，铁谱技术广泛应用于航空航天、船舶工业、石油机械和石化设备等领域的润滑管理和磨损状态检测，能够及时预测故障发生，使得机械设备实现由“定期维护”转变为“视情维护”。

传统的磨粒分析方法更多依赖于科研工作者的经验分析，对人员的要求比较高，而效率却更低，同时因分析人员经验各自的不同使得判别结果存在一定的误差，因此铁谱磨粒分析技术愈加要求能够实现高度智能化和自动化。采用合适的计算机相关软件和智能化技术应用于大型化工机械的磨损识别判别研究，不仅能够有助于分割铁谱磨粒图像和提取磨粒特征参数，还能够更为准确地定量定性分析磨粒的特征信息，实现自动识别典型特征磨粒，同时多种智能化技术手段的相互融合有利于进一步开发磨粒智能化识别系统。

1　铁谱技术及其传统技术研究

不同磨损形式产生的磨粒的表面形貌、形状、材质以及色泽等各不相同，根据铁谱片上磨粒的特征信息定性分析机械设备的磨损状态，可以判断出设备的磨损形式和发生故障的部位；采用趋势分析法、三线值法和灰色理论法等数学方法定量分析铁谱片上不同铁磁性的浓度、尺寸分布和沉积区域透光度等参数，可以反映出机械设备的磨损程度。

定性分析表示磨粒在铁谱片上数量多少的情况时并不能得到磨损程度的确切量度，常用模糊概念(如大量、小量等)表示；定量分析反映设备的磨损状态时却只能用单一的磨损程度来表示磨粒的多少，无法判断具体的磨损故障形式和发生故障的部位。针对两种方法各自的不足之处，两者结合不仅可以提高磨粒识别判别结果的准确性和可靠性，还能够避免采用单一的定量参数评判机械设备的磨损程度。

铁谱技术不仅能够测定磨粒的大小、数量、形状、成分和分布规律，提供较为全面的磨损信息，还能预防零件失效并对磨损故障提供早期诊断，可在机械设备正常运行的情况下通过分析油液中的磨粒，检测出设备隐藏的一些不正常磨损的征兆。近年来，为了分析不同情况下机械设备发生故障的原因，分析式、旋转式、直读式和在线式等铁谱检测仪器相继问世。

其中分析式铁谱仪的应用最为广泛，可以定性与定量分析机械设备的磨损状态和发生故障的部位，常与直读式铁谱仪联合分析设备的磨损情况[2]。旋转式铁谱仪利用旋转离心力的作用在铁谱片上留下的铁磁性磨粒能够真正反映设备的磨损状态，且磨粒几乎保持原有形貌，大小磨粒分布清晰，易于观察，有利于磨粒的定性定量分析和识别，及时准确地监测设备的运行情况[3]，还可以实现制谱位测试和多参数定量测试，如斑点、油质测试等[4]。采用直读式铁谱仪可以直接测定磨粒的浓度，结构简单，能够快速测试、准确定量，在航空和港口轮机方面应用较为广泛，可监测飞机发动机大小磨粒浓度、数目等随发动机运行时间的变化[5]，建立了直读铁谱分析诊断标准[6-7]。以上几种仪器主要用于实验室分析研究，属于离线监测，分析周期相对较长，不能适用于大规模化工机械设备群的故障诊断。虽然在线式铁谱仪可以实现自动化、连续性监测，可根据得到的实时磨粒情况及时预报早期磨损故障[8]，但也只能实现对油液中磨粒的定量分析，磨粒的定性分析却难以实现。

根据以上几种实验室铁谱检测仪器对采集油样进行检测，得到的检测结论的准确性很大程度上依赖监测人员的技术水平和经验，效率低且人为误差较大。当设备中含有大量的磨粒种类和数量时，依靠以上几种实验室检测仪器难以实现对大量设备的同时监测，使得铁谱技术难以进一步在机械设备故障磨损方面推广应用，因此，实现铁谱磨粒识别技术智能化很有必要。

2　智能化铁谱技术的应用研究

计算机图像处理技术的发展，人工神经网络理论、模糊理论、支持向量机理论等学科知识的相继问世，这些学科知识与铁谱技术逐渐融合应用，使得铁谱磨粒自动识别技术有了新的研究方向。近年来，人们坚持不懈地探讨并将新的融合理论进行应用研究，而磨粒识别的智能化和设备状态故障的智能诊断一直以来都是铁谱技术的热点和难点问题。

2.1智能可视在线铁谱图像技术的应用研究

为了避免在线式铁谱仪遗失部分非铁磁性磨粒的磨损信息，导致不能及时预报故障而造成损失，一些学者研发了一系列在线图像可视铁谱仪，将分析铁谱仪的分析功能、直读铁谱仪的磨粒分级指标和在线铁谱仪的在线功能融合在一起，具有分析时间短、无人干预输出报告等特点，可以作为实验室常备连续实时在线检测磨损仪器，还可以作为在线的磨损传感器使用[9]。

目前，比如可监测不透光润滑油中磨粒的图像可视在线铁谱仪可以采集图像中尺寸大于10 μm的磨粒，仪器具有较好的稳定性和重复性。吕晓军和伍昕等[10-13]则研发了一系列以互补金属氧化物半导体图像传感器、可编程逻辑器件技术和数字信号处理器技术为基础的在线图像铁谱仪，不仅可以较好地实现沉积磨粒图像的在线采集与自动识别，还能利用对特征大磨粒的形态和遮光面积百分比的分析结果诊断出机械设备的磨损状态。梁栋等[14]利用在线图像可视铁谱仪有效实现了对球-盘磨损试验机摩擦副磨合期磨损率的实时监测。

此外，还需建立一系列在线铁谱技术标准，避免专家经验分析磨粒时导致的误差，从数据采集方法、仪器的标定、数据分析处理、预测方法等几个方面做出规范和标准，确保判别结果具有良好的准确性和有效性。但单靠某一种铁谱仪或是智能图像可视在线铁谱仪同样很难实现对油液中磨粒信息的全面分析，还需将铁谱技术的离线监测手段和在线监测手段有机结合，与多种技术融合开发智能化铁谱在线监测系统，从而实现磨粒的全面分析。

2.2BP神经网络

神经网络具有自学习、自组织的功能以及大规模并行性、容错性等特点，在模式识别分类问题的应用非常多，比如语音识别、文字识别和图像识别等。黄安雅[15]利用前馈型神经网络模型对7种典型磨损磨粒进行了实例分析，证明了神经网络能够有效识别磨粒，能处理模糊的甚至错误的知识，容错性较好。袁成清等采用神经网络方法将磨粒的表面纹理和表面粗糙度作为表面特征的主要参数，可以有效提高磨粒分类识别的准确率。

其中，1986年由Rumelhart和McCelland等人提出的BP(Back Propagation)神经网络(典型的3层BP神经网络，如图1所示)由于结构简单、可塑性强，广泛应用于铁谱图像磨粒识别方面。赵雪红等[16]建立的BP神经网络系统可以自动识别设备的磨损状态，避免人为因素对判别过程的干扰，同时表明应结合定量参数和定性铁谱分析共同诊断机械设备的磨损状态。罗炳海[17]采用PCA-BP分类器能够自动识别航空发动机润滑油液中的磨粒类型，实验结果表明PCA-BP分类器的识别准确率高。

图1　三层BP神经网络Fig.1　Three-layer BP neural network

一些学者为了能够实现BP神经网络方法在多种工业情况下的应用，对它的算法进行改进优化。如田勇等[18]采用Levenberg-Marquardt法和共轭梯度法把BP神经网络优化，利用优化后的方法对数据进行预处理，其优化后的神经网络在设备磨损情况预测效果方面比传统BP神经网络更好。刘桀[19]应用图像形态学处理方法预处理铁谱的磨粒图像，基于磨粒图像、傅里叶两者的特征参数建立了BP神经网络，不仅能够正确识别图像中的磨粒，还能够辨别设备的磨损机制。由以上对BP神经网络算法的改进和优化的应用研究可以看出，各种方法改进优化后的BP神经网络均能为油液污染情况和机械设备磨损状态的判别提供一种新的研究思路。

虽然BP神经网络在磨粒识别方面的应用较为广泛，但它自身也存在一些不足，比如它的收敛速度慢，需要较长的训练时间，其训练时间的长短受到学习算法选择的影响。因此，可以寻求新的磨粒识别方法与之结合，互相弥补各自的不足，如基于模糊神经网络的铁谱图像分类和识别方法对铁谱分析的快速化和智能化又提供了一种有效的途径。

2.3支持向量机

20世纪90年代中期，Vapnik基于统计学习理论提出了支持向量机(Super Vector Machine,SVM)方法[20]。SVM基于结构风险最小化理论，从最初的二分类发展到医疗检测、语音识别、文本分类、故障诊断等实际应用中，由于不受空间维数的影响且具有唯一解，在非线性、高维模式识别和小样本问题方面表现良好，克服了一般神经网络训练速度较慢的局限性。SVM在铁谱磨粒智能化磨损模式识别中，能够有效弥补油液分析领域中小样本和多维向量空间的模式识别，具有极其重要的工程应用价值。SVM结构示意图如图2所示。

图2　最优分类超平面Fig.2　The optimal separating hyperplane

一些标准SVM方法的应用研究，如杨绍卿等[21]采用支持向量机建立了柴油机磨粒磨损模式判断模型，通过对柴油机油液小样本的评估表明采用SVM方法能够准确地识别判断柴油机的磨损模式；顾大强等[22]实验比较了分别基于SVM与BP神经网络两种磨粒分类器的分类识别效果，结果表明基于SVM的磨粒分类器的分类准确率更高。

但标准的SVM方法存在一些缺陷，它的算法复杂，难以实现和理解，训练速度慢，尤其是大型问题。为了避免SVM方法存在的不足，提高在磨粒识别方面的实用性，科研工作者们对传统SVM算法进行优化改进。如Jack等[23]采用遗传算法(Genetic Algorithm,GA)优化支持向量机参数，在滚动轴承的状态检测方面检测性能表现良好；刘国光[24]利用由标准SVM线性分类器改造所得到的线性YSVM分类模型对磨粒所属的类型进行分类，线性YSVM分类算法与传统SVM相比，不仅能够提高训练速度，还具有处理大样本的能力，节省存储空间；Zhang等[25]研究了结合粗糙集和SVM的算法，其推广性和识别率比传统的SVM要好；邱丽娟等[26]采用遗传算法(Genetic Algorithm，GA)优化了磨粒的形状尺寸、纹理特征和颜色这3个特征参数，优化后的支持向量机能够识别多种特征磨粒，实验验证表明采用遗传算法优化SVM参数后的分类器对铁谱磨粒图像进行识别取得了良好的效果，识别准确率达到90%；石宏等[27]对粒子群算法(Particle Swarm Optimization,PSO)进行改进，并同时优化了支持向量机算法，建立了一个基于两种算法的自适应磨粒识别模型，模型法比BP神经网络方法更加有效，对铁谱磨粒样本的识别正确率可达到98%。

1999年Sukyens.J.A.K在标准的SVM中增加误差平方项，提出基于修剪法的最小二乘支持向量机(Least Square Support Vector Machines,LS-SVM)方法[28]代替了传统的SVM采用二次规划方法解决模式识别问题，解决了SVM存在的稀松性、鲁棒性以及大规模运算等问题。如李绍成等[29]利用粒子群优化算法对LS-SVM中的参数进行了优化选取，基于显微图像分析构建了油液在线监测系统，系统的识别精度可达到95%以上。Divya Tomar等[30]融合有向循环四类多分类器和最小二乘法双支持向量机(Least Squares Twin Support Vector Machine,LSTSVM)与传统的LSTSVM做比较，改进的LSTSVM在十二组样本数据的预测准确率和训练时间两方面优于传统的LSTSVM。杨宁等[31]融合最小二乘支持向量机方法和模糊c均值算法用于磨粒彩色图像的提取和分割，取得了较好的分割效果。吕德峰等[32]利用基于免疫粒子群参数优化的LS-SVM方法预测了轴承钢的磨损量，分别采用改进的优化方法、BP神经网络算法、遗传算法以及蚁群算法对建模参数进行优化，结果表明，该法在预测轴承钢磨损量方面优于另外三种算法，且预测误差较小，能够进行合理的磨损预测。

2.4模糊集理论

1965年，L.A.Zadeh提出了模糊集(fuzzy sets)理论用于研究具有模糊性或不确定性的问题，随后发展出模糊模式识别、模糊控制和模糊聚类分析等分支广泛应用于各个学科领域。对于铁谱片中磨粒而言，某种磨粒是否出现，达到何种程度是一个比较“模糊”的概念，比如磨粒的尺寸范围、含量和浓度等。因此，对磨粒属性的表达可以采取模糊化进行处理，基于模糊数学方法建立相应的磨粒模糊识别判别系统，对铁谱图像进行图像预处理，提取图像中磨粒的特征值，建立合适的磨粒识别判别准则，从而实现对化工机械设备的磨粒识别。

很多学者采用模糊理论建立铁谱磨粒智能识别系统进行实际应用研究，如王峰[33]采用则是基于模糊聚类识别方法对磨粒种类进行识别，仿真试验结果证实了模糊聚类识别方法的自动识别效果具有有效性、可靠性和一定程度的智能效果；吴黎和田贤忠[34]分析比较了在两种不同模糊隶属度函数条件下对磨粒图像的分割效果，测试结果表明基于最大模糊散度阈值化分割的Bhandari算法的稳定性比基于模糊散度的Bhandari算法要好，有利于研究磨粒智能化自动识别；王南兰[35]为避免模糊数学需人为确定隶属函数的不准确性，采用相对隶属度的模糊算法处理铁谱磨粒，利用最优模糊聚类中心矩阵进行仿真不但可以简化磨粒的磨损模式特征值的提取，还能够提高发动机磨损模式识别的准确率；李兵等[36]结合模糊相对权重概念与模糊优选理论提出了一种加权模糊优选识别方法，方法在发动机磨粒智能识别的实际应用有不错的识别效果，还将模糊相对权重概念与灰色关联综合评价模型相结合建立了模糊灰关联度识别模型，模型比只使用灰色关联法或者模糊聚类识别方法的稳定性和准确度更好[37]。

但是，由于模糊推理自身并不具备自学习功能，其隶属度的确定又直接影响识别判别结果的精度，当数据样本多且复杂，而人员识别经验不够丰富时，隶属度不但难以人为确定，且容易影响结果的准确性，这些局限性使得模糊理论在铁谱磨粒识别应用方面受到了一些限制。

针对模糊理论在磨粒识别方面的缺陷，研究人员逐渐将模糊理论与其他理论相结合以期实现磨粒的智能识别，其中较为突出的是神经网络与模糊理论的结合。人工神经网络在识别数据不可靠或某一数据分类不明等模糊问题时，难以实现模糊语言的表达和具有语义形式输入的处理(如磨粒浓度的大小，粒度的大小等)。而模糊理论与人工神经网络两者的有机结合，不但能够减小专家经验带来的误差，解决磨粒特征参数模糊化语言表达等问题，还能提高磨粒识别的有效性和准确率，解决鲁棒性问题。如姜雪丽[38]应用自适应神经网络模糊系统(ANFIS)可以实现自动化、智能化分析处理泥浆泵的铁谱磨粒数据，较准确地诊断泥浆泵的故障部位。

3　结　语

目前，通过交叉使用图像处理技术、人工神经网络、支持向量机和模糊理论等学科知识，可以实现一些情况不太复杂的磨粒自动识别，利用这些智能化铁谱监测技术不但可以提早发现机械设备可能发生的磨损模式和故障发生部位，实现有针对性的主动维修，可以避免定期维修时对大量正常运行设备的盲目拆检而出现的重新组装负效应和生产运行过程中因隐患而造成机械设备意外故障而引发的突发事故，还能减少不必要的维修费用，延长机械设备的使用寿命。

但是，由于铁谱磨粒分析过程本身就存在复杂性和模糊性，且现有的智能化铁谱监测技术尚未形成完整的系统理论，铁谱监测技术和相关学科理论的结合还不完善，机械磨损情况较为复杂时磨粒的智能化识别还需进一步研究。今后磨粒智能化识别方向的研究热点和发展趋势主要是建立铁谱磨损数学模型和铁谱信息数据库，研发铁谱信息智能管理分析系统，开发多通道、高度自动智能化的新型在线铁谱监测系统，从而能够实现对大量机械设备的同时监测，全面实现铁谱技术现场化、远程化、综合化和智能化等功能。

[1] SEIFERT W W,WESTCOTT V C.A Method for the Study of Wear Particles in Lubricating Oil[J].Wear,1972,21(1):27-42

[2] 陈红卫.铁谱技术在铁路内燃机车柴油机磨损监测中的应用与发展[J].内燃机,2004(3):47-49

CHEN H W.Application and Development of Ferrous Spectrum Technology to the Wear Monitoring of Locomotive Diesel Engines[J].Internal Combustion Engines,2004(3):47-49

[3] 黄江瑞.油液分析技术在煤矿运行设备监测中的应用[J].机电信息,2015,18:84-85

HUANG J R.Application of Oil Analysis Technology in the Monitoring of Coal Mine Operation Equipment[J].Mechanical and Electrical Information,2015,18:84-85

[4] 樊建春,刘兵,张来斌,等.直读式旋转铁谱仪定量测试方法研究[J].润滑与密封,2006(2):110-112

FAN J C,LIU B,ZHANG L B,et al.Quantitative Testing of Lubricating Oil Based on Direct Reading Rotary Ferrogra-phy Instrument[J].Lubrication Engineering,2006(2):110-112

[5] 校云鹏,赵媛莉,姜旭锋,等.飞机发动机磨损状态直读铁谱监测判据选择研究[J].广东化工,2014,41(19):167-168,166

XIAO Y P,ZHAO Y L,JIANG X F,et al.Research on Aircraft Engine Condition Monitoring Direct Reading Ferrograph Wear Criterion Selection[J].Guangdong Chemi-cal,2014,41(19):167-168,166

[6] 姜旭峰,张源,季峰,等.航空发动机直读铁谱状态监测技术研究[J].润滑油,2009,24(4):56-59

JIANG X F,ZHANG Y,JI F,et al.Research on Direct Reading Ferrography for Aero-engine Condition Monito-ring[J].Lubricating Oil,2009,24(4):56-59

[7] 姜旭峰,张源,季峰,等.基于直读铁谱技术的航空发动机磨损状态监测[J].润滑与密封,2009,34(1):56-58

JIANG X F,ZHANG Y,JI F,et al.Aero-engine Wear Condition Monitoring by Direct Reading Ferrography[J].Lubrication Engineering,2009,34(1):56-58

[8] 王立东,石成江.光谱与铁谱的原理及其在设备诊断中的应用[J].哈尔滨轴承,2008,29(3):52-55

WANG L D,SHI C J.Principle of Spectrographic and Ferrographic Technology and Their Application in Equip-ment Diagnosis[J].Journal of Harbin Bearing,2008,29(3):52-55

[9] 董光能,王春辉,姚智刚,等.粘结固体润滑涂层磨损过程的在线铁谱监测[J].徐州工程学院学报(自然科学版),2013,28(1):30-33

DONG G N,WANG C H,YAO Z G,et al.The On-line Ferrograph Monitoring of the Wear Process of Bonded Solid Lubricating Coatings[J].Journal of Xuzhou Institute of Tecnology(Natural Science Edition),2013,28(1):30-33

[10] 吕晓军,郑南宁,刘跃虎,等.在线铁谱仪磁场的优化设计[J].润滑与密封,2006(12):6-9

LV X J,ZHENG N N,LIU Y H,et al.Optimization Design for Magnetic Field of an On-line Ferrography[J].Lubrication Engineering,2006(12):6-9

[11] 伍昕,刘岩,吕晓军,等.在线图像铁谱仪的硬件系统设计[J].清华大学学报(自然科学版),2004,44(11):1475-1477,1481

WU X,LIU Y,LU X J,et al.On-line Image Ferrograph's Hardware System[J].Journal of Tsinghua University (Natural Science Edition),2004,44(11):1475-1477,1481

[12] 吕晓军,景敏卿,伍昕,等.基于图像传感器的在线铁谱仪的实验研究[J].摩擦学学报,2002,22(3):222-225

LV X J,JING M Q,WU X,et al.An On-line Ferrograph Based on CMOS Image Sensor[J].Tribology,2002,22(3):222-225

[13] 吕晓军,谢友柏,郑南宁,等.图像可视在线铁谱仪的实验研究[J].摩擦学学报,2006,26(6):580-584

LV X J,XIE Y B,ZHENG N N,et al.Research on an On-line Image Visualizing Ferrography[J].Tribology,2006,26(6):580-584

[14] 梁栋,姚智刚,董光能,等.磨合期磨损的在线图像可视铁谱仪监测研究[J].设备管理与维修,2012(11):53-55

LIANG D,YAO Z G,DONG G N,et al.Study on the Monitoring of the Wear of the On-line Image Visual Instrument Based on the Run in Period[J].Shebei Guanli Yu Weixiu,2012(11):53-55

[15] 黄安雅,陈兆能,朱继梅.人工神经网络在铁谱技术磨粒识别中的应用[J].传动技术,1997,97(1):42-46

HUANG A Y,CEHN Z N,ZHU J M.The Application of Artificial Neural Networks to Wear Debris Recognition in Ferrography Technology[J].Drive System Technique,1997,97(1):42-46

[16] 赵雪红,樊建春,张来斌.BP神经网络在基于铁谱技术的磨损状态评价体系中的应用[J].润滑与密封,2005(1):86-88

ZHAO X H,FAN J C,ZHANG L B.The Application of BP Neural Network in the Wear Condition Evaluating System Based on Ferrography[J].Lubrication Engineering,2005(1):86-88

[17] 罗炳海,黄永武,刘远飞.基于PCA-BP神经网络的磨粒自动识别[J].润滑与密封,2010,35(6):117-120

LUO B H,HUANG Y W,LIU Y F.Wear Particles Identification Based on PCA and BP Neural Network[J].Lubrication Engineering,2010,35(6):117-120

[18] 田勇,廉书林,陈闽杰.BP神经网络在油液污染与磨损预测中的应用[J].机床与液压,2014,42(7):163-166

TIAN Y,LIAN S L,CHEN M J.Application of BP Neural Network in Oil Pollution and Wear Prediction[J].Machine Tool & Hydraulics,2014,42(7):163-166

[19] 刘粲,谢小鹏,陆丕清,等.基于BP神经网络的铁谱磨粒图像识别方法研究[J].润滑与密封,2010,35(4):72-75

LIU C,XIE X P,LU P Q,et al.Research on Recognition of Wear Particles Based on BP Neural Network[J].Lubrication Engineering,2010,35(4):72-75

[20] VAPNIK V N.The Nature of Statistical Learning The-ory[M].New York:Springer,2000

[21] 杨绍卿,王宪成,赵文柱,等.基于支持向量机的柴油机磨损模式识别方法[J].四川兵工学报,2015,36(8):96-99

YANG S Q,WANG X C,ZHAO W Z,et al.Wear Mode Recognition Method of Diesel Engines Based on Support Vector Machine[J].Journal of Sichuan Ordnance,2015,36(8):96-99

[22] 顾大强,周利霞,王静.基于支持向量机的铁谱磨粒模式识别[J].中国机械工程,2006,17(11):1391-1394

GU D Q,ZHOU L X,WANG J.Ferrography Wear Particle Pattern Recognition Based on Support Vector Machine[J].China Mechanical Engineering,2006,17(11):1391-1394

[23] JACK L B,NANDI A K.Fault Detection Using Support Vector Machines and Artificial Neural Networks Augmen-ted by Genetic Algorithms[J].Mechanical Systems & Signal Processing,2002,16(2-3):373-390

[24] 刘国光.基于改进支持向量机的磨粒铁谱识别的研究[J].润滑与密封,2005(3):94-96,98

LIU G G.The Study on the Wear Particle Recognition Based on Improved Support Vector Machine[J].Lubrica-tion Engineering,2005(3):94-96,98

[25] ZHANG G X,CAO Z X,GU Y J.A Hybrid Classifier Based on Rough Set Theory and Support Vector Machines[J].Lecture Notes in Computer Science,2005(3613):1287-1296

[26] 邱丽娟,宣征南,张兴芳,等.基于支持向量机的铁谱磨粒自动识别[J].广东石油化工学院学报,2015,25(3):30-34

QIU L J,XUAN Z N,ZHANG X F,et al.Ferrograghy Abrasive Automatic Recognition Based on Support Vector Machine[J].Journal of Guangdong University of Petroche-mical Technology,2015,25(3):30-34

[27] 石宏,张帅,李昂.基于自适应支持向量机的磨粒识别技术研究[J].科学技术与工程,2012,12(32):8543-8546,8552

SHI H,ZHANG S,LI A.Research on Wear Particle Recognition Based on Self-Adapting Support Vector Machine[J].Science Technology and Engineering,2012,12(32):8543-8546,8552

[28] SUYKENS J A K,GESTEL T V,BRABANTER J D,et al.Least Squares Support Vector Machines[M].Singapore:Work Scientific,2003

[29] 李绍成,左洪福.油液在线监测系统中的磨粒图像处理[J].传感器与微系统,2011,30(9):37-40

LI S C,ZUO H F.Wear Particle Image Processing for Oil On-line Monitoring System[J].Transducer and Micro-system Technologies,2011,30(9):37-40

[30] TOMAR D,AGARWAL S.A Comparison on Multi-Class Classication Methods Based on Least Squares Twin Support Vector Machine[J].Knowledge Based System,2015,2(9):1-17

[31] 杨宁,张培林,于立帝,等.基于最小二乘支持向量机的彩色磨粒图像分割[J].车用发动机,2009(1):81-83

YANG N,ZHANG P L,YU L D,et al.Image Segmentation of Color Wear Debris Based on LS-SVM[J].Vehicle Engine,2009(1):81-83

[32] 吕德峰,左洪福,蔡景,等.一种磨损预测的优化算法研究[J].摩擦学学报,2008,28(6):562-566

LV D F,ZUO H F,CAI J,et al.Research on a Opimal Algorithm for the Prediction of Wear Loss[J].Tribology,2008,28(6):562-566

[33] 王峰.图像处理技术在铁谱磨粒图像分析中的应用研究[D].武汉理工大学,2005

WANG F.Study on the Ferrography Wear Particle With Image Processing Technology[D].Wuhan University of Technology,2005

[34] 吴黎,田贤忠.模糊散度理论在铁谱磨粒识别中的应用[J].仪器仪表学报(增刊),2005,26(8):660-662

WU L,TIAN X Z.The Application of Fuzzy Divergence to Wear Debris Recognition[J].Chinese Journal of Scientific Instrument (Suppl),2005,26(8):660-662

[35] 王南兰,李晓峰.基于相对隶属度的发动机磨损模糊模式识别[J].车用发动机,2008(4):28-31

WANG N L,LI X F.Fuzzy Pattern Recognition of Engine Wear Based on Relative Membership Degree[J].Vehicle Engine,2008(4):28-31

[36] 李兵,张培林,任国全,等.基于加权模糊优选理论的发动机磨粒智能识别[J].内燃机工程,2006,27(5):77-79,84

LI B,ZHANG P L,REN G Q,et al.Wear Particle Intelligent Recognition Based on Weighted Fuzzy Optimi-zation Theory[J].Chinese Internal Combustion Engine Engineering,2006,27(5):77-79,84

[37] 李兵,张培林,傅建平,等.基于模糊灰色信息集成理论的磨粒识别研究[J].润滑与密封,2006(2):124-126

LI B,ZHANG P L,FU J P,et al.Fuzzy-grey Theory in the Application of Wear Recognition[J].Lubrication Engin-eering,2006(2):124-126

[38] 姜雪丽,裴峻峰,卢群辉,等.基于ANFIS和铁谱磨粒分析的泥浆泵故障诊断[J].流体机械,2008,36(6):46-49

JIANG X L,PEI J F,LU Q H,et al.Fault Diagnose of Mud Pump Based on ANFIS and Ferrography Wear Particles Analysis[J].Fluid Machinery,2008,36(6):46-49

责任编辑：田静

Research Progress of Intelligent Application of Ferrographic Technique

YAN Huan, HAN Chao, ZHANG Xian-ming

(Engineering Research Center for Waste Oil Recovery Technology and Equipment of Education Ministry，Chongqing Technology and Business University，Chongqing 400067，China)

The ferrography technology is an effective way to diagnose the wear faults of mechanical equipment. This paper has introduced the current application of traditional ferrography technology. It is difficult to realize the on-line monitoring of oil and the automatic recognition of the abrasive grains by the traditional iron ferrography technology. The intelligent development of the iron ferrography technology makes the automatic recognition of the abrasive grains be realized. Then it has summarized the research and application of intelligent ferrography technology from such four aspects as intelligent on-line ferrograph image theory, BP neural network, support vector machine and fuzzy set theory. Those researches have important guiding significance for the further research of the ferrography intelligent identification system.

ferrography technology; on-line ferrography instrument; artificial neural network; support vector machine; fuzzy set theory

10.16055/j.issn.1672-058X.2016.0005.017

2016-03-11；

2016-04-21.

重庆市基础与前沿研究计划项目(CSTC2014JCYJA90015);重庆市研究生教育教学改革研究项目(YJG153004);重庆市研究生市级创新型项目(YJSCXX2015-41-24).

颜欢(1989-) ,女,重庆市人,硕士研究生,从事油液污染控制技术研究.

TH117.1

A

1672-058X(2016)05-0085-07