1.2.3 磨粒类型辨识

磨粒类型辨识是实现磨损机理评价的重要依据，也是磨粒分析技术的灵魂。磨粒类型辨识取决于多维度磨粒特征信息，但磨损过程的强随机性导致磨粒本身的特征波动范围极大。为系统分析机械装备的磨损状态，研究人员根据磨粒形态与摩擦副运行状态关系定义了五种典型失效磨粒，包括正常磨粒、球状磨粒、切削磨粒、严重滑动磨粒以及疲劳剥落磨粒［10,11］。

如表1-2所示，每种磨粒均具有特定的尺寸、形状、形貌特征，而这些形态特征与磨粒所对应摩擦副的运行状态及磨损机理密切相关。经过近50年的磨粒分析研究，研究人员们积累了大量关于磨粒分析的知识经验[12,13]。如表1-2所示，正常磨粒尺寸较小；球状磨粒和切削磨粒具有显著的形状特征；疲劳剥落磨粒和严重滑动磨粒虽然形状不规则，但表面形貌特征却各有不同。经过专业训练，分析人员利用这些典型特征能够准确地辨识不同类型的磨粒。但是由于磨粒形态多样性，分析人员需要付出大量的时间积累知识经验，同时需要经过复杂的操作才能针对个别特征磨粒给出判断结论。

图1-2 基于图像的磨粒特征表征

表1-2 磨粒与摩擦副磨损状态间关系描述［12-15］

（续）

显然，传统铁谱分析无法满足机械装备磨损状态智能监测的需求，尤其是随着人工智能算法在图像处理领域的快速发展，传统的铁谱分析技术正在被推向自动化、智能化发展方向。最初，以磨粒多维特征表征为基础，研究人员结合神经网络、D-S证据理论、支持向量机等算法建立了基于特征的磨粒类型辨识模型，初步实现了正常、切削和球状等磨粒类型的有效识别。此类辨识模型提高了磨粒识别的自动化程度，但是特征参数种类繁多，不可避免地存在冗余信息，反而降低了形态学相似磨粒的识别准确率。随着深度学习在磨粒分析领域的引入，特别是卷积神经网络（Convolutional Neural Network, CNN）使得磨粒图像辨识逐渐趋向于无参数化方向发展，但是磨粒样本匮乏、形态相似极大地降低了此类模型在工业应用中的泛化能力。无疑，信息技术的深度融入必将为磨粒分析掀起新的技术浪潮。