一、Effect factors of wear particles deposition in the ferrogram based on grey relative analysis（论文文献综述）
苏国庆[1]（2020）在《基于灰色系统理论的柴油机油失效降解过程试验研究》文中提出柴油机是各类船舶的主要动力来源。随着柴油发动机功率不断增大、运行温度不断提高、服役周期不断延长,对柴油机油的润滑性能、氧化安定性等性能提出了更高的技术要求。柴油机油在使用过程中由于高温、高压、金属催化作用以及燃烧副产物、磨料等的污染,不可避免地会发生失效降解。导致柴油机油失效降解的内在机理非常复杂,包括氧化、硝化、硫化、污染（燃油稀释、水分、磨屑）等。柴油机油的失效降解会影响诸多理化性能特别是摩擦学性能,包括粘度的变化、金属防护性能的下降、摩擦学性能的劣化以及氧化寿命的减少等。本论文旨在进行柴油机油失效降解过程试验研究,应用灰色系统理论,探索降解过程对理化性能、摩擦学性能影响及相应的作用机理等。这对于现役柴油机故障诊断、未来长寿命柴油机油的研制,具有重要意义。进行了模拟燃油稀释试验、高温氧化试验,研究了单一物理作用、单一化学作用对柴油机油性能的影响。在模拟试验中,燃油稀释与酸值、碱值和氧化诱导期的灰色关联度数值最高,分别为0.84、0.86、0.84;对柴油机油的闪点和粘度有明显的影响,柴油含量达到10%时,40℃运动粘度下降31.3%,远超过了换油指标（20%）,20%稀释浓度的油样开口闪点仅有126℃,低于柴油机油的换油指标（130℃）;低浓度（≤10%）的燃油稀释对柴油机油边界润滑条件下的摩擦学性能影响较小,摩擦系数和磨损量变化不大,高浓度的燃油稀释（>10%）会造成柴油机油在边界润滑条件下减摩与抗磨损性能的劣化。高温氧化对柴油机油的酸碱值影响明显,加入铜铁丝催化的条件下,48小时后,酸值上升了 2倍,碱值下降了 58.5%;柴油机油各理化性能与Cu、Fe元素的关联度并没有很明显的差别,与Fe元素的关联度明显高于Cu元素;四球摩擦试验表明高温氧化是降低柴油机油减摩抗磨性能的重要因素;通过分析台架试验油样理化性能指标与各元素之间的关联度,验证了模拟试验的结论,表明灰色关联分析在柴油机油降解机理研究中具有较广阔的前景。
陈明鑫[2]（2020）在《基于振动与油液监测的齿轮箱运行状态评估》文中研究表明齿轮箱作为机械传动系统中的关键部件,发挥着重要的作用,其运行状态的好坏直接关系到整个系统的工作性能。因此,在实际的生产活动中有必要对齿轮箱进行状态监测与故障诊断,掌握其运行状况,以便在第一时间发现故障隐患,进行“预知性维修”,降低设备故障风险。本文以直齿轮箱为研究对象,在开展齿轮疲劳磨损试验的基础上,进行基于振动与油液监测的齿轮箱运行状态评估的研究。主要研究内容如下:首先,对齿轮箱振动特征的提取方法进行了研究。利用时域分析方法、频域分析方法和时频域分析方法对在齿轮疲劳磨损试验过程中持续采集的振动信号进行分析,提取表征齿轮箱运行状态的多域振动特征:时域特征、频域特征和时频域特征,通过不同信号域特征的趋势分析能够更全面地反映齿轮箱运行状态的变化。另外,齿轮传动中存在多种失效形式,当故障发生时,会影响齿轮箱的运行状态。因此,提出一种随机森林融合奇异值差分谱的故障识别方法,对齿轮的5种故障模式（健康状态、齿根裂纹、断齿、缺齿和齿面磨损）的平均识别率可达到96.30%。其次,利用理化分析技术、颗粒计数技术、PQ分析技术和铁谱分析技术对在齿轮疲劳磨损试验过程中持续采集的油样进行分析,提取齿轮箱的油液特征。通过运动粘度、酸值、颗粒度、PQ指数的变化及铁谱图像的定性分析反映齿轮箱在运行过程中的润滑状况和运行状况。然后,针对联合应用振动与油液监测技术监测齿轮箱的运行状态时产生的信息冗余问题,提出一种基于主成分分析的齿轮箱运行状态评估的方法。对由多域振动特征和油液特征构建的表征齿轮箱运行状态的高维特征数据集进行主成分分析,将主成分对应的方差贡献率作为权值,进而实现加权特征融合,融合的综合指标可以很好地反映齿轮疲劳磨损试验过程中齿轮箱运行状态的变化。最后,为更充分地挖掘齿轮箱振动与油液特征数据集中各特征间的非线性关系,将核函数方法引入到主成分分析中,提出一种基于核主成分分析的齿轮箱运行状态评估方法。利用核主成分分析对上述特征数据集进行加权特征融合,并与基于主成分分析的特征融合结果进行对比,结果表明:该方法具有更显着的特征融合效果,能够以更少数量的主成分最大化地表示原始数据集的信息,且第一主成分的方差贡献率可达到75%以上,融合的综合指标能够在保留几乎所有原始信息的前提下更清晰地表征齿轮箱的运行状态。
徐雪茹[3]（2019）在《机械设备安全磨损图谱智能分析方法研究》文中进行了进一步梳理机械设备作为工业生产的基础,确保其安全运行、减少故障停机事故、延长服役年限具有十分重大的经济效益和安全效益。设备在用油液携带有能反映设备运行状况的直接信息,对油液中的悬浮颗粒进行分析,能够非破坏性地获取设备的实时运行工况,确保其在安全、健康、可靠、无伤的状态下长期运转。本文以油液磨粒分析技术为核心,以提高分析效率及分析结果准确度为目的,针对磨损图谱开展数字化信息的提取与分析工作,提出了一套流程完整、自动化程度高、可以同时完成定性定量指标提取的油液磨粒信息智能分析方法,实现了油液磨损图谱分析工作的体系化、标准化、智能化。主要研究内容及结论为:（1）提出了油液磨损图谱数字化信息的智能提取流程。整个流程以磨损图谱的获取为起点,以图谱上沉积磨粒宏观分布信息的提取与典型磨粒个体细节信息的提取为核心,确定了各个环节的开展条件、实现方法及输出结果。（2）分析了磨损图谱的宏观分布特征并提出了该特征的自动提取方法。采用HSV颜色空间阈值分割技术分别实现了金属磨粒及非金属颗粒的单独提取;其次针对颜色空间分割后的金属磨粒提出了基于重构分水岭算法及区域重叠面积比的二次分割法,解决了金属磨粒存在的粘结、重叠分布问题;最后利用梯度分布数量Nd、颗粒沉积率dA两个指标对图谱上磨粒的宏观分布情况进行了定量描述。（3）研究了单个金属磨粒的量化表征及特征提取方法。结合H-minima改进分水岭算法及区域自动生长技术完成了金属磨粒图像的自适应分割,避免了分割环节的人工交互处理,显着提高了分割效率。基于分割后的区域及轮廓进一步提取了颜色特征、尺寸形状特征、边缘细节特征、表面纹理特征等构成20维磨粒特征参数体系,实现了磨粒形貌的量化表征。（4）建立了基于模糊支持向量机的金属磨粒自动识别模型。以磨粒的形貌特征参数体系作为输入向量,结合一对多法、二叉树法间接构建了结构简单、累积误差小的4层7类别磨粒分类器,实现了七类磨粒的自动识别。该模型对训练样本的识别率为90.71%,对测试样本的识别率为92.86%。（5）选择旋挖钻机液压马达、减速机及风电齿轮箱为油样监测点,基于提出的分析流程对采集油样的磨损图谱开展磨粒信息的提取及分析工作。分析结果表明,液压油、车辆齿轮油、工业齿轮油在宏观分布特征提取环节的检测准确率分别为82.79%、95.79%、97.04%,在金属磨粒自动识别环节的识别准确率依次为76.07%、83.33%、80.47%,各环节的分析误差表现出一定的累积效应。
夏泽华[4]（2019）在《汽轮机油对汽轮机润滑系统磨损影响研究》文中指出汽轮机润滑油系统是石化电力行业中大型汽轮机组中的重要组成部分,但是由于工况的差异、结构的复杂和其他因素的影响,润滑油系统容易出现各种问题,如果单纯地从机械外观等判断是无法找出问题所在的,这样就会给故障诊断带来很大的困难。因此,如果能够利用先进的分析技术,对汽轮机设备及其润滑系统中存在的问题进行有效识别和解决,那么就可以减少不必要的损失;延长设备使用寿命。本文首先阐述了目前主流分析方法的优缺点以及国内外研究进展。在此基础上以汽轮机润滑油系统为研究对象,基于油液监测技术和统计学中灰色预测理论研究汽轮机润滑系统的磨损等问题。具体研究内容包括以下几个方面:1.深入分析了汽轮机润滑油系统的结构和组成;对润滑系统中摩擦副的磨损类型和常见磨粒以及系统中常见的元素及主要磨损器件进行了分类和阐述;对油液监测技术中常用分析方法进行比较并确定本课题所采用分析方法。2.对某电厂200MW汽轮发电机组的润滑油系统在油箱处定期取样,进行实验研究。实验采用理化性能分析、元素光谱分析和铁谱分析等多种分析手段,各项分析结果显示数值正常,该润滑油系统无明显故障。实验表明多种分析技术结合检测能够对润滑油系统实现有效监控。3.对某电厂350MW汽轮发电机组的润滑油系统定期取样并进行实验研究。实验通过理化性能分析、元素光谱分析和铁谱分析等多种分析手段,结合实验结果对设备中的磨损以及故障进行判断,推测润滑系统中的密封件和轴类零件出现故障,经设备检修后发现判断结果与实际检修结果基本一致,证明了多种油液分析技术结合应用的优越性。进一步说明机械设备定期维护的重要性。4.选取壳牌L-TSA 46#汽轮机油的理化表征数据和元素光谱数据为特征信息。针对元素光谱分析中的铁元素,确定了理化性能中水分含量为最大关联参数,为磨损预测奠定基础。另外,借助于MATLAB系统建立了基于GM（1,1）模型的铁元素含量预测模型,根据后验比和小误差概率对模型进行验证表明该模型预测效果良好,为一级精度。除此以外,采用生成数列残差法对基础预测模型进行优化并在原预测理论中引入修正因子?,建立修正的预测模型。确定最佳修正因子?为0.990,进一步提高了模型的预测精度。
周俊丽[5]（2018）在《神东煤炭集团设备润滑管理及油液综合分析技术研究》文中研究指明近年来,神东煤炭集团先后采用了旋转式铁谱、理化指标分析、污染度测试、光谱分析等油液分析技术,对大型煤矿设备开展了一系列状态监测和故障诊断应用研究。本文在总结已有油液分析工作经验的基础上,对煤炭企业规范化的润滑管理以及基于多种技术手段的综合油液监测与分析技术进行了系统研究,以提高煤矿设备状态监测和故障诊断的准确性和科学性。在论述设备润滑管理理念的基础上,明确了煤矿设备所用油脂类型的选用原则、储运管理、油液分析、废油回收等内容;构建了煤矿设备在用油品分析实验室,配备了铁谱仪、铁量仪、污染度检测仪、光谱仪等油液分析仪器,并制定了乳化油样、颗粒异常油样、污染物油样、柴油机机油等各种油样的检测流程。技术研究方面运用关联性研究方法分析了油液污染度与磨粒颗粒含量、铁磁颗粒指数与铁谱分析技术、添加剂与理化指标之间的关联性,实现了油液多参数监测信息的相互补充及印证;采用层次分析法与奇异值分解法对油液监测的各个指标进行了权重分析,并对各个指标进行了重要程度的先后排序,增强了诊断的可靠性与客观性;构建了相对劣化度模型来评估润滑油的劣化情况,实现了对煤矿设备磨损和润滑评估的科学化。探究了神东煤炭集团油液分析技术,对大型煤矿设备开展了一系列铁谱分析技术应用研究,并以采煤机为例,总结了采煤机主要零部件的典型磨粒图谱,并对不同类型油样的磨损等级进行了划分;通过重点煤矿设备关键部件磨损监测分析案例,为基于油液分析技术的大型煤矿设备的状态监测和故障诊断提供参考。
冯云[6]（2016）在《基于铁谱技术的油液监测数字化研究》文中进行了进一步梳理磨损会导致材料的消耗,影响机械设备的使用寿命和可靠性。铁谱技术是一种有效的磨损工作状态监测方法,本文针对传统铁谱分析存在不同的人分析同一张谱片可能得出不同结过的缺点,且没有实用的诊断软件系统投放于市场,对磨粒图片进行数字化的研究,将油液中的磨粒进行分类和统计,为机械设备故障诊断奠定基础。具体研究内容如下：（1）寻找出一种合理有效的磨粒分割方法。采用实际磨粒图片进行分割算法的研究,确定了基于区域生长的RGB颜色特征的分割法去除磨粒图片的背景,减小了人工取点的误差：通过对磨粒图片进行区域生长实验,确定了生长准则；选用Ostu自动分割法,实现了磨粒与沉积链的分离。（2）分析磨粒的特征参数。提取不同磨粒的特征参数（尺寸、颜色、纹理）,通过参数分析,确定了不同特征参数对磨粒识别的影响程度以及影响磨粒识别的特征参数范围。（3）提出了一套对磨粒的类型和成分识别有效的算法。对常用智能识别理论（BP神经网络算法、灰色关联分析）的原理以及优缺点进行了分析,选择了适合本研究要求的识别理论。（4）利用Visual Basic 2008编写磨粒识别软件,将上述（1）、（2）、（3）提出的理论转化为编程语言,并实现了磨粒基本特征的提取。采用实际磨粒图片进行了分割和分类统计验证,结果证明了分割算法和识别方法是合理且有效的。
傅建平[7]（2015）在《基于铁谱分析技术的自行火炮发动机磨损故障诊断研究》文中进行了进一步梳理磨损是引起设备失效和故障的主要因素之一。自行火炮发动机功率大、工作环境恶劣,故障率高,是部队技术保障的重点与难点。铁谱分析技术是自行火炮发动机磨损故障诊断的一种有效方法,铁谱磨粒图像的自动化处理与磨损故障的智能诊断是困扰铁谱分析技术推广应用的两大难题,是铁谱研究工作者的研究重点和难点。本文以某自行火炮发动机为研究对象,依托某军队重点科研项目,围绕铁谱磨粒图像处理与磨损故障诊断开展研究。首先,在发动机结构原理基础上,分析了自行火炮发动机的主要摩擦副；应用摩擦学理论研究了发动机的磨损模式与磨损机理,以及磨损产生的磨粒及其分类；结合发动机结构与工作原理,分析了发动机主要磨损故障及磨损部位,为后续研究奠定理论基础。其次,针对发动机磨粒图像特点,研究其图像增强的原理与方法,提出了同时滤除磨粒图像中脉冲噪声与高斯噪声,又不改变磨粒边界的滤波新方法,使原始磨粒图像清晰。通过对现有的图像处理方法研究,提出了基于快速二维熵阈值分割技术、基于改进遗传算法的最大类间方差法以及基于遗传模糊C-均值聚类算法等三种磨粒灰度图像分割算法,优化了分割算法,提高计算速度,改善分割效果；针对磨粒彩色图像形成机理复杂、图像分割困难特点,应用遗传类间方差法与小波变换法等分割技术直接对磨粒彩色图像进行图像分割,取得了较好的分割效果。并应用边界检测技术与边界跟踪技术提取了磨粒边界,对磨粒图像中的磨粒作了标记,以便于后续磨粒特征提取与磨粒识别。再次,研究了磨粒的形态特征提取方法。从形状、纹理、颜色与分形等四个方面对磨粒特征进行数值化描述,提取了40个磨粒特征；由于磨粒各个参数的描述角度不同,对于磨粒特征信息提取所起作用不尽相同,有的特征参数可能是冗余的,应用模糊粗糙集理论,对这些参数进行优化、筛选,使参数体系的维数由40维降至12维,大大减降低了特征维数,为磨粒识别提供了简单、有效的数据支持。然后,应用模糊数学、神经网络理论和灰色理论提出了基于模糊神经网络理论与模、模糊灰色聚类的磨粒自动识别方法,提高了磨粒识别精度。最后,将铁谱磨粒分析结果应用于发动的磨损故障诊断。提出了基于模糊神经网络和模糊加权灰色关联模型的两种发动机磨损类型诊断模型,以及基于蚁群优化的支持向量机磨损故障诊断模型,实现了自行火炮发动机磨损故障的有效诊断。论文最后对全文进行总结,指出了本论文的主要创新点,并对进一步的研究工作做出了展望。
王静秋[8]（2014）在《铁谱图像分割及磨粒识别关键技术研究》文中研究表明随着现代工业装备朝着大型化、连续化和高可靠性方向发展,设备的维修方式也发生很大变化。由定期维修向视情维修的转变,使得各类机械设备对工况监测和故障诊断的需求也越来越高。近年来,铁谱技术已被证明是一种有效的通过对磨损颗粒（简称磨粒或磨屑）进行定性和定量分析来实现磨损工况监测和故障诊断的技术手段,而随着计算机图像处理与分析、人工智能和模式识别等技术的发展,基于计算机图像处理与分析的铁谱技术必将有利于其深入应用。因此,为了提高铁谱分析技术的自动化和智能化水平,本文对铁谱图像处理与分析方法进行了研究,分别针对磨粒边缘提取、磨粒与背景分割、磨粒与磨粒分割、磨粒识别等提出相应算法,并通过实际铁谱图像进行验证和对比分析。为了便于进行铁谱图像处理和分析,搭建了铁谱图像分析系统。该系统包括硬件和软件平台两部分,其中软件平台主要包括铁谱图像采集、铁谱图像处理、铁谱图像分割与磨粒识别等部分。针对铁谱图像,本文提出两种磨粒边缘检测方法。第一种方法是融合大津阈值（Otsu）和灰色关联分析的边缘检测算法（O&G）,该算法首先采用Otsu算法实现铁谱图像磨粒与背景分离,然后采用灰色变权关联度模型对磨粒进行边缘检测;第二种方法是基于智能蚁群搜索的磨粒边缘检测算法（IACO）,该算法将颜色信息引入到蚁群算法中,在像素点的梯度值和领域颜色差异的共同作用下引导蚂蚁移动实现磨粒边缘搜索。彩色图像比灰度图像包含更多信息,本文提出了两种利用颜色信息进行背景去除的方法。第一种方法是基于颜色分量比的背景减除,该方法利用铁谱图像背景颜色分量比值相对固定,而与磨粒颜色分量比值相差较大的特点,通过优化背景与磨粒的颜色分量比阈值,实现背景和磨粒的分离,该方法适用于背景颜色均匀一致的铁谱图像;第二种是基于颜色K-means聚类的算法,在CIELAB颜色空间,利用二维颜色分量（a*,b*）的K-means聚类实现背景和磨粒的分离,该方法可以根据背景颜色自动选择聚类中心,满足铁谱图像自动化处理的要求。虽然基于边缘检测的O&G和IACO算法可以提取大部分的磨粒边缘,但是也会出现伪边缘和未闭合边缘,而且对于磨粒沉积链,其内部轮廓还难以准确检测。因此,为实现磨粒准确分割,本文提出了两种融合区域分割与聚类的新算法。第一种方法是融合分水岭与智能蚁群聚类的磨粒分割方法（CWACA）。该方法首先利用标记分水岭算法实现磨粒与背景的初步分割。然后利用蚁群聚类算法对分水岭过分割的各个区域进行聚类合并,并通过利用磨粒特征参数——长宽比实现聚类结果的判别和修正,最终实现各种类型磨粒的准确分割。第二种方法是将分水岭算法与灰色聚类算法相融合（CMWGC）,通过对分水岭算法初步分割后的各个区域的颜色信息和相对位置进行关联分析,从而对各个颜色相近且彼此相邻的区域进行聚类,以避免过分割,再通过利用长宽比进行结果的判别和修正,实现磨粒的快速准确分割。实验结果表明,上述两种方法都可以实现多类型、宽尺度和具有模糊边界的磨粒分割,例如磨粒沉积链和异常大磨粒的分割,特别是CMWGC方法,具有分割效果好并且计算速度快的优点。准确的磨粒分割为磨粒特征提取和识别提供了保证,为了提高磨粒识别的准确性,本文提出了融合主成分分析和灰色关联分析的新方法（CPGA）。首先,主成分分析用来优化磨粒特征参数。然后,一种改进的灰关联分析用来识别以往难以进行准确分类的异常大磨粒,如严重滑动和疲劳磨粒。实验结果表明,本文提出的CPGA算法可以较好地解决多个参数产生的信息冗余问题,并证明其是一种实用的方法,能够快速准确地识别磨损颗粒。本文的研究结果,能够提高铁谱分析技术的自动化和智能化水平,从而为其在实际工程中的进一步深入应用提供参考。
夏敏[9]（2014）在《铁谱图像分割质量评价方法研究》文中指出铁谱分析技术是上世纪70年代出现的一种磨损颗粒分析和机器状态监测技术，是目前最经济有效的磨损检测方法之一。铁谱图像处理与分析是现代铁谱分析技术的关键环节，实现铁谱图像中磨粒的准确分割，对后续的磨粒分析和识别，以及磨损状态监测和故障诊断有重要的意义。铁谱图像复杂、信息量大，对其进行磨粒分割时经常出现过分割或欠分割等现象，因此对于铁谱图像分割进行评价，不仅可以改善算法性能，也为后续磨粒识别和故障诊断提供基础和依据。本文主要对铁谱图像分割质量的评价方法进行研究，主要包括：（1）针对铁谱图像背景与磨粒的分割，提出了一种基于灰色关联分析的评价方法。该方法首先统计不同背景颜色的铁谱图像在RGB空间和CIEL a b空间的各颜色分量比信息，从而获得背景和磨粒的参考序列；其次，利用大津阈值法和分水岭算法对铁谱图像进行分割并标记各个区域，根据标记点提取各区域的颜色分量比信息作为待评价序列；然后，利用灰色关联度模型，计算各个待评价序列与背景和磨粒参考序列的关联度；最后，根据关联度的大小，判断出铁谱图像分割结果各个区域是属于背景还是磨粒，从而评判出分割结果的质量。（2）针对铁谱图像磨粒与磨粒的分割，提出了一种基于灰色聚类的磨粒分割质量的评价方法。该评价方法在研究常用评价指标的基础上，提出“聚类次数”评价指标，以分水岭算法不同梯度阈值下的分割结果为评价对象，以面积因子、形状因子、汉明距离、质心距离和聚类次数为评价指标，以优、中、差为灰类，最终得到聚类系数向量矩阵，通过其行列数据的大小，对分割结果进行优劣排序。本课题以Visual C++6.0为平台，利用OpenCV函数库实现各个算法。实验结果证明，本文提出的基于灰色系统理论的铁谱图像分割质量评价方法可以用于磨粒分割质量的评价，具有较好的可行性和有效性。
姚盼盼[10]（2014）在《基于改进灰色聚类的铁谱图像分割》文中指出机械零部件的磨损往往会引起能源及材料的损耗，造成巨大的浪费，也会导致机械的失效和报废，甚至于引发重大的事故，危及人身安全。所以建立机器磨损状态监测和提高故障诊断技术具有重大的经济和社会效益。铁谱分析是广泛应用于机械状态监测与故障诊断的有效手段之一。近年来，随着计算机、图像处理识别、专家系统等技术的兴起和逐渐完善，使得铁谱分析技术向着智能化方向不断发展。铁谱图像分割是智能化铁谱分析的首要和关键步骤，其分割的准确与否直接影响到后续工作中磨粒磨损特征的提取、类型的识别和统计的精度。本文首先简要介绍了铁谱分析技术的原理、特点及发展现状，并对铁谱图像分割中一些常用的方法如阈值分割法、形态学分割算法及聚类算法的一些基本概念做了介绍，也对灰色理论在图像处理中的应用做了简要分析。其次，针对铁谱图像中难以准确分割的磨粒沉积链及异常大磨粒，本文提出了基于改进灰色聚类的铁谱图像分割的方法。在该算法中：首先，采用改进的大津阈值分割方法，将铁谱图像背景与磨粒分离；其次，使用分水岭算法对减除背景后的图像进行分割，实现磨粒的初步分割；然后，针对在分水岭分割过程中，异常大磨粒出现的过分割现象，将区域间相对位置关系参数和区域颜色特征序列引入到改进的灰色聚类中，合并关联度大于阈值的区域，实现异常大磨粒较为准确的分割；最后，根据铁谱图像上的异常大磨粒与磨粒沉积链形状上的差异，通过比较磨粒的等效椭圆长短轴比来区分磨粒沉积链和异常大磨粒，对聚类结果进行判别和修正，从而实现对不同类型磨粒的准确分割。最后将本文算法与Canny边缘检测、K均值聚类、模糊C均值聚类算法进行比较。实验结果证明，本方法可以实现对包含磨粒沉积链及异常大磨粒的铁谱图像进行较为准确的分割。本文以VC++6.0编程为平台，利用OpenCV函数库，通过编程实现了本文算法，实验结果证明了本文算法的可行性、快速性及有效性。
二、Effect factors of wear particles deposition in the ferrogram based on grey relative analysis（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、Effect factors of wear particles deposition in the ferrogram based on grey relative analysis（论文提纲范文）
（1）基于灰色系统理论的柴油机油失效降解过程试验研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 柴油机油相关影响因素研究现状 |
| 1.1.1 氧化、硝化等对柴油发动机油失效降解的影响 |
| 1.1.2 燃料燃烧对柴油机油老化的影响 |
| 1.1.3 金属碎屑对机油老化的影响 |
| 1.1.4 污染物对柴油机油老化的影响 |
| 1.2 柴油机油监测技术现状 |
| 1.2.1 理化性能分析 |
| 1.2.2 元素分析技术 |
| 1.2.3 铁谱分析技术 |
| 1.2.4 红外分析技术 |
| 1.2.5 颗粒计数技术 |
| 1.3 灰色理论在油液监测中的应用现状 |
| 1.4 课题的提出与论文框架 |
| 第2章 燃油稀释对柴油机油性能影响试验及其灰分析 |
| 2.1 燃油稀释对机油的性能影响调研 |
| 2.2 试验设计及试验过程 |
| 2.2.1 试验设计 |
| 2.2.2 试验过程 |
| 2.3 灰色关联模型 |
| 2.3.1 灰色关联分析的特征 |
| 2.3.2 灰色关联因素 |
| 2.3.3 灰色关联公理及种类 |
| 2.3.4 灰色关联分析计算步骤 |
| 2.4 试验数据的灰关联分析 |
| 2.4.1 燃油稀释对柴油机油理化性能的影响 |
| 2.4.2 燃油稀释对柴油机油摩擦学性能影响 |
| 2.5 本章小结 |
| 第3章 模拟氧化对柴油机油性能影响试验及其灰分析 |
| 3.1 柴油机油的氧化机理 |
| 3.2 氧化对柴油机油性能的影响 |
| 3.3 恒温箱模拟氧化试验 |
| 3.3.1 试验过程 |
| 3.3.2 恒温箱模拟氧化试验结果分析 |
| 3.4 铜丝铁丝催化条件下的高温模拟氧化试验 |
| 3.4.1 试验设计与实施过程 |
| 3.4.2 试验结果及其灰关联分析 |
| 3.5 本章小结 |
| 第4章 台架试验综合分析与验证 |
| 4.1 理化性能与台架试验油样元素关联分析 |
| 4.2 台架试验油样的摩擦学性能分析 |
| 4.3 本章小结 |
| 第5章 总结和展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
| 学位论文评阅及答辩情况表 |
（2）基于振动与油液监测的齿轮箱运行状态评估（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究动态 |
| 1.2.1 振动监测技术的研究动态 |
| 1.2.2 油液监测技术的研究动态 |
| 1.2.3 信息融合技术的研究动态 |
| 1.3 主要研究内容 |
| 1.4 本章小结 |
| 第二章 齿轮箱振动信号特征提取方法 |
| 2.1 引言 |
| 2.2 时域特征提取方法 |
| 2.3 频域特征提取方法 |
| 2.4 时频域特征提取方法 |
| 2.4.1 小波包变换 |
| 2.4.2 小波包能量熵 |
| 2.5 基于多域振动特征提取的齿轮箱疲劳磨损试验 |
| 2.5.1 时域特征结果与分析 |
| 2.5.2 频域特征结果与分析 |
| 2.5.3 时频域特征结果与分析 |
| 2.6 小结 |
| 第三章 随机森林融合奇异值差分谱的齿轮故障识别方法 |
| 3.1 引言 |
| 3.2 随机森林融合奇异值差分谱的故障识别方法原理 |
| 3.2.1 随机森林算法基本原理 |
| 3.2.2 奇异值差分谱法基本原理 |
| 3.2.3 故障识别方法流程 |
| 3.3 试验验证 |
| 3.3.1 试验方案 |
| 3.3.2 奇异值差分谱降噪 |
| 3.3.3 基于随机森林的故障识别 |
| 3.3.4 随机森林与BP神经网络的对比 |
| 3.4 小结 |
| 第四章 齿轮箱油液特征提取方法 |
| 4.1 引言 |
| 4.2 理化指标分析 |
| 4.2.1 运动粘度 |
| 4.2.2 酸值 |
| 4.3 颗粒度分析 |
| 4.4 PQ分析 |
| 4.5 铁谱分析 |
| 4.6 基于油液特征提取的齿轮疲劳磨损试验 |
| 4.6.1 理化特征结果与分析 |
| 4.6.2 颗粒度结果与分析 |
| 4.6.3 PQ指数结果与分析 |
| 4.6.4 铁谱图像结果与分析 |
| 4.7 小结 |
| 第五章 基于主成分分析的齿轮箱运行状态评估 |
| 5.1 引言 |
| 5.2 主成分分析算法原理 |
| 5.3 基于主成分分析的加权特征融合方法 |
| 5.4 试验验证 |
| 5.4.1 齿轮疲劳磨损试验 |
| 5.4.2 数据标准化处理 |
| 5.4.3 基于主成分分析的振动与油液特征融合分析 |
| 5.5 小结 |
| 第六章 基于核主成分分析的齿轮箱运行状态评估 |
| 6.1 引言 |
| 6.2 核函数基本原理 |
| 6.3 核主成分分析的基本原理 |
| 6.4 基于核主成分分析的加权特征融合方法 |
| 6.5 试验验证 |
| 6.6 小结 |
| 第七章 结论与展望 |
| 7.1 工作总结 |
| 7.2 主要结论 |
| 7.3 展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（3）机械设备安全磨损图谱智能分析方法研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 背景及研究意义 |
| 1.2 机械设备油液分析技术 |
| 1.2.1 油液分析技术的发展现状 |
| 1.2.2 油液磨粒分析技术的发展现状 |
| 1.3 油液磨粒分析关键技术研究现状 |
| 1.3.1 油液磨粒谱片制备及信息提取方法发展现状 |
| 1.3.2 磨粒图像处理技术研究现状 |
| 1.3.3 磨粒自动识别技术研究现状 |
| 1.4 研究内容与技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 2 油液磨粒宏观分布信息智能提取方法研究 |
| 2.1 磨粒信息智能提取流程 |
| 2.2 宏观分布信息提取的关键参数 |
| 2.3 磨粒谱片全沉积域的金属磨粒提取 |
| 2.3.1 基于红色反射光/绿色透射光图谱的金属磨粒提取流程 |
| 2.3.2 基于HSV颜色空间的金属磨粒双阈值分割法 |
| 2.3.3 基于重构分水岭及区域重叠面积比的粘结金属磨粒分割 |
| 2.4 磨粒谱片全沉积域的非金属晶体颗粒提取 |
| 2.4.1 基于透射偏振光图谱的非金属颗粒提取流程 |
| 2.4.2 基于HSV颜色空间的非金属晶体单阈值分割法 |
| 2.4.3 纤维类颗粒提取技术 |
| 2.5 全沉积域磨粒的宏观分布特征提取 |
| 2.6 本章小结 |
| 3 典型金属磨粒的细节特征提取方法研究 |
| 3.1 典型金属磨粒的分析规则 |
| 3.2 典型金属磨粒图像的自适应分割技术 |
| 3.2.1 典型金属磨粒图像的分割流程 |
| 3.2.2 基于H-minima改进分水岭变化的金属磨粒图像分割 |
| 3.2.3 基于区域综合相似度的分水岭过分割区域生长 |
| 3.2.4 典型金属磨粒图谱分割方法的性能测试 |
| 3.3 油液磨粒特征参数体系的选择与提取 |
| 3.3.1 金属磨粒特征参数体系的选择 |
| 3.3.2 颜色特征参数 |
| 3.3.3 形状尺寸特征参数 |
| 3.3.4 边缘细节特征参数 |
| 3.3.5 表面纹理特征参数 |
| 3.4 本章小结 |
| 4 基于模糊支持向量机的金属磨粒自动识别 |
| 4.1 待识别磨粒类型的确定 |
| 4.2 模糊支持向量机概述 |
| 4.2.1 模糊支持向量机原理简介 |
| 4.2.2 模糊隶属度函数的确定 |
| 4.2.3 多类别分类器的构造 |
| 4.3 分层多类别模糊支持向量机识别模型的构造 |
| 4.3.1 分层多类别FSVM识别模型的设计 |
| 4.3.2 DT/oar-FSVM识别模型的参数优化 |
| 4.3.3 待识别样本的识别流程 |
| 4.4 识别模型的训练及测试 |
| 4.4.1 识别模型的训练过程分析 |
| 4.4.2 识别模型的测试结果分析 |
| 4.5 识别模型的对比分析 |
| 4.5.1 不同多类别分类器构造方法下的识别率对比 |
| 4.5.2 不同支持向量机模型的识别率对比 |
| 4.6 识别模型的交叉验证 |
| 4.6.1 交叉验证流程 |
| 4.6.2 交叉验证结果分析 |
| 4.7 本章小结 |
| 5 磨粒信息智能分析技术在不同油样中的应用研究 |
| 5.1 取样方案 |
| 5.1.1 油样来源及油样采集 |
| 5.1.2 油样理化指标检测及分析油样确定 |
| 5.1.3 油样磨粒信息提取规则的设定 |
| 5.2 L-HM抗磨液压油的磨粒信息智能分析 |
| 5.2.1 旋挖钻机1#动力头马达液压油样 |
| 5.2.2 旋挖钻机2#动力头马达液压油样 |
| 5.2.3 旋挖钻机1#主卷扬马达液压油样 |
| 5.2.4 旋挖钻机2#主卷扬马达液压油样 |
| 5.2.5 磨粒信息智能分析方法在液压油样中的应用效果分析 |
| 5.3 GL-5 重负荷车辆齿轮油的磨粒信息智能分析 |
| 5.3.1 旋挖钻机1#行走减速机齿轮油样 |
| 5.3.2 旋挖钻机2#行走减速机齿轮油样 |
| 5.3.3 旋挖钻机2#动力头变速箱齿轮油样 |
| 5.3.4 磨粒信息智能分析方法在车辆齿轮油样中的应用效果分析 |
| 5.4 L-CKD重负荷工业闭式齿轮油的磨粒信息智能分析 |
| 5.4.1 WF2000A4 风电齿轮箱齿轮油样 |
| 5.4.2 WF1500A2 风电齿轮箱齿轮油样 |
| 5.4.3 WF2000A1 风电齿轮箱齿轮油样 |
| 5.4.4 磨粒信息智能分析方法在工业齿轮油样中的应用效果分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| A 作者在攻读硕士学位期间发表的论文 |
| B 作者在攻读硕士学位期间参与的科研项目和实践课题研究 |
| C 作者在攻读硕士学位期间获得的奖励 |
| D 学位论文数据集 |
| 致谢 |
（4）汽轮机油对汽轮机润滑系统磨损影响研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 汽轮机油概述 |
| 1.3 汽轮机润滑油系统概述 |
| 1.4 汽轮机润滑系统常见磨损 |
| 1.4.1 磨损理论介绍 |
| 1.4.2 磨损机理 |
| 1.5 汽轮机润滑系统常见磨粒 |
| 1.6 汽轮机润滑系统中常见元素 |
| 1.7 油液分析技术 |
| 1.7.1 理化性能分析 |
| 1.7.2 盘棒电极原子发射光谱分析 |
| 1.7.3 铁谱分析技术 |
| 1.7.4 各分析技术比较 |
| 1.8 国内外研究动态 |
| 1.8.1 油液分析技术研究动态 |
| 1.8.2 油液性能和设备磨损研究动态 |
| 1.8.3 灰色理论在油液分析中应用研究动态 |
| 1.9 目前研究存在的问题 |
| 1.10 本文研究内容 |
| 第二章 基于油液监测技术的200MW汽轮发电机组润滑系统实验研究 |
| 2.1 引言 |
| 2.2 监测对象 |
| 2.3 取样要求 |
| 2.3.1 取样点选择 |
| 2.3.2 取样时间确定 |
| 2.4 实验药品与仪器 |
| 2.5 实验操作 |
| 2.5.1 粘度测试 |
| 2.5.2 酸值测试 |
| 2.5.3 水分含量测试 |
| 2.5.4 元素光谱分析测试 |
| 2.5.5 铁谱分析 |
| 2.6 试验结果与分析 |
| 2.6.1 粘度变化分析 |
| 2.6.2 酸值变化分析 |
| 2.6.3 水分含量变化分析 |
| 2.6.4 元素光谱分析 |
| 2.6.5 分析铁谱试验结果分析 |
| 2.7 本章小结 |
| 第三章 基于油液监测技术的350MW汽轮发电机组润滑系统实验研究 |
| 3.1 监测对象 |
| 3.2 取样要求 |
| 3.2.1 取样点选择 |
| 3.2.2 取样周期选择 |
| 3.3 实验药品与仪器 |
| 3.4 实验操作 |
| 3.5 试验结果与分析 |
| 3.5.1 粘度变化分析 |
| 3.5.2 酸值变化分析 |
| 3.5.3 水分含量变化分析 |
| 3.5.4 元素光谱分析 |
| 3.5.5 分析铁谱试验结果分析 |
| 3.6 本章小结 |
| 第四章 汽轮机润滑系统磨损灰色预测 |
| 4.1 前言 |
| 4.2 关联度分析 |
| 4.2.1 关联度概念及计算 |
| 4.2.2 原理与方法 |
| 4.2.3 油液监测数据关联分析 |
| 4.3 灰色预测 |
| 4.3.1 灰色理论概念与特点 |
| 4.3.2 模型优化 |
| 4.3.3 最佳修正因子确定 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 研究生期间发表的论文及申请的专利 |
（5）神东煤炭集团设备润滑管理及油液综合分析技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 油液分析技术简介 |
| 1.3 油液分析技术研究现状 |
| 1.4 主要研究内容 |
| 2 煤矿设备润滑管理及润滑油脂管理流程的建立 |
| 2.1 润滑管理的理论基础 |
| 2.2 企业润滑管理的观念存在的误区 |
| 2.3 润滑管理的内容与实施 |
| 2.4 润滑油脂的选用与管理 |
| 2.4.1 润滑油脂选用的基本原则 |
| 2.4.2 润滑管理的基本要求 |
| 2.4.3 润滑油脂的采购管理 |
| 2.4.4 润滑油脂供应商管理 |
| 2.4.5 润滑油脂的入库管理 |
| 2.4.6 润滑油脂的储运保管措施 |
| 2.4.7 换油的规定 |
| 2.4.8 润滑油的代用 |
| 3 煤矿设备在用油品分析实验室及检测流程构建 |
| 3.1 润滑油分析实验室构建方案 |
| 3.2 选用润滑油分析仪器设备信息 |
| 3.2.1 铁谱分析系统 |
| 3.2.2 铁量仪 |
| 3.2.3 污染度检测仪 |
| 3.2.4 光谱仪 |
| 3.2.5 其它设备 |
| 3.3 不同类型油样的检测流程 |
| 3.3.1 乳化油样 |
| 3.3.2 颗粒异常油样 |
| 3.3.3 污染物油样 |
| 3.3.4 柴油机机油油样 |
| 4 油液监测相关技术指标的关联性研究 |
| 4.1 齿轮油污染度和磨损颗粒含量的相关性分析 |
| 4.1.1 实验数据的获取 |
| 4.1.2 油液污染度与铁谱数据灰色关联度计算 |
| 4.1.3 结果分析 |
| 4.2 在用润滑油的铁磁颗粒指数与铁谱分析的相关性研究 |
| 4.2.1 实验部分 |
| 4.2.2 结果与讨论 |
| 4.3 矿用润滑油添加剂与油品相关理化指标关联性研究 |
| 4.3.1 润滑油理化指标性能试验流程 |
| 4.3.2 齿轮油添加剂对油品理化指标关联性试验过程 |
| 4.3.3 齿轮油添加剂的有关于油品理化指标关联性验证结论 |
| 4.3.4 结论 |
| 5 采煤机综合油液监测指标权重及劣化度分析研究 |
| 5.1 油液监测方法层次结构构成 |
| 5.1.1 油液监测分析层次结构建立方法 |
| 5.1.2 油液状态检测磨损指标层次结构 |
| 5.1.3 油品质量与润滑状态监测手段的层次结构 |
| 5.2 油液监测方法及检测指标权重 |
| 5.2.1 磨损状态监测方法及属性权重的确定 |
| 5.2.2 原子发射光谱方法权重确定 |
| 5.2.3 不同磨粒类型权重结论 |
| 5.2.4 不同磨粒尺寸权重确定 |
| 5.2.5 不同技术手段权重结论 |
| 5.3 油液监测劣化分析方法 |
| 5.3.1 相对劣化评估模型 |
| 5.3.2 劣化度等级的划分 |
| 5.3.3 综合劣化度模型 |
| 6 油液铁谱分析技术在神东煤炭集团公司的应用 |
| 6.1 煤矿设备油液典型磨粒图谱分类 |
| 6.1.1 正常磨损颗粒 |
| 6.1.2 切削磨损颗粒 |
| 6.1.3 疲劳磨损颗粒 |
| 6.1.4 滚滑复合磨损颗粒(齿轮系) |
| 6.1.5 严重滑动磨损颗粒 |
| 6.2 磨损等级划分 |
| 6.2.1 正常磨损等级 |
| 6.2.2 轻微磨损等级 |
| 6.2.3 异常磨损等级 |
| 6.2.4 严重磨损等级 |
| 6.3 磨损监测分析案例 |
| 6.3.1 刮板机机尾减速器损坏 |
| 6.3.2 采煤机右摇臂行星头齿轮圈剥落 |
| 6.3.3 采煤机左牵引高速齿轮箱故障 |
| 6.4 油液铁谱分析技术在神东煤炭集团公司的应用效果分析 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
（6）基于铁谱技术的油液监测数字化研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景 |
| 1.1.1 油液分析技术 |
| 1.1.2 铁谱技术概述 |
| 1.1.3 磨粒智能识别的研究现状 |
| 1.2 研究价值与意义 |
| 1.3 主要研究内容 |
| 2 磨损机理与磨粒类型的研究 |
| 2.1 磨损分类 |
| 2.1.1 磨损阶段 |
| 2.1.2 磨损机理 |
| 2.2 磨粒种类及特征 |
| 2.2.1 磨粒分类 |
| 2.2.2 磨粒特征及形成机理 |
| 2.3 本章小结 |
| 3 铁谱图像处理算法研究 |
| 3.1 数字图像处理的基础知识 |
| 3.1.1 图像分类 |
| 3.1.2 图像数字化 |
| 3.2 图像预处理 |
| 3.3 图像灰度化 |
| 3.4 图像增强处理 |
| 3.5 图像分割 |
| 3.5.1 基于区域生长的磨粒图像背景减除 |
| 3.5.2 Ostu分割法 |
| 3.5.3 分割流程图 |
| 3.6 磨粒形态学运算 |
| 3.7 磨粒标号 |
| 3.7.1 磨粒边界提取 |
| 3.7.2 种子填充 |
| 3.8 图像处理算法实例 |
| 3.9 本章小结 |
| 4 磨粒特征参数的提取与识别 |
| 4.1 磨粒特征参数计算 |
| 4.1.1 尺寸参数 |
| 4.1.2 颜色参数 |
| 4.1.3 纹理参数 |
| 4.2 识别方法 |
| 4.2.1 BP神经网络识别方法 |
| 4.2.2 灰色关联方法 |
| 4.2.3 磨粒识别次序 |
| 4.3 本章小结 |
| 5 磨粒智能识别系统 |
| 5.1 系统的整体结构设计 |
| 5.1.1 系统的硬件设计 |
| 5.1.2 系统的软件设计 |
| 5.2 结果分析 |
| 5.2.1 磨粒分割结果分析 |
| 5.2.2 磨粒识别结果分析 |
| 5.3 本章小结 |
| 6 结论 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（7）基于铁谱分析技术的自行火炮发动机磨损故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景和意义 |
| 1.2 发动机故障诊断技术 |
| 1.3 铁谱分析技术现状与发展 |
| 1.3.1 铁谱分析技术的国外发展动态 |
| 1.3.2 铁谱分析技术的国内发展动态 |
| 1.3.3 铁谱分析技术的发展方向 |
| 1.4 本文主要研究工作 |
| 2 自行火炮发动机磨损机理研究 |
| 2.1 发动机的主要摩擦副及其磨损分析 |
| 2.2 发动机的磨损规律与特点 |
| 2.3 发动机磨损类型与特点 |
| 2.4 发动机磨粒及分类 |
| 2.5 发动机磨损故障及其原因分析 |
| 2.6 发动机磨损故障诊断的理论基础 |
| 2.7 本章小结 |
| 3 铁谱磨粒图像增强与分割 |
| 3.1 铁谱磨粒图像获取 |
| 3.2 磨粒图像增强 |
| 3.2.1 噪声与噪声分类 |
| 3.2.2 图像增强 |
| 3.3 磨粒灰度图像分割 |
| 3.3.1 基于快速二维熵阈值的铁谱磨粒图像分割方法 |
| 3.3.2 基于最大类间方差与改进遗传算法的磨粒图像分割 |
| 3.3.3 基于遗传模糊C-均值聚类算法的磨粒图像分割 |
| 3.4 磨粒彩色图像分割 |
| 3.4.1 基于最大类间方差与Fisher函数的磨粒彩色图像分割 |
| 3.4.2 基于小波变换的彩色磨粒图像分割 |
| 3.5 磨粒边缘提取 |
| 3.6 磨粒图像标注 |
| 3.7 本章小结 |
| 4 铁谱磨粒显微形态特征描述 |
| 4.1 磨粒形状特征 |
| 4.1.1 磨粒几何尺寸特征 |
| 4.1.2 边界形状特征参数 |
| 4.1.3 磨粒区域矩特征 |
| 4.2 磨粒的纹理特征参数 |
| 4.2.1 灰度共生矩阵 |
| 4.2.2 灰度—梯度共生矩阵 |
| 4.3 磨粒的颜色特征参数 |
| 4.4 铁谱磨粒轮廓分形维数特征 |
| 4.4.1 磨粒分形维数计算原理 |
| 4.4.2 铁谱磨粒表面纹理分形维数 |
| 4.5 磨粒特征参数的优化 |
| 4.5.1 模糊粗糙集 |
| 4.5.2 敏感特征优选 |
| 4.6 本章小结 |
| 5 铁谱磨粒智能识别 |
| 5.1 基于神经网络的磨粒识别模型 |
| 5.1.1 BP网络结构 |
| 5.1.2 BP网络算法 |
| 5.1.3 磨粒识别实例 |
| 5.2 基于模糊灰色聚类的磨粒识别模型 |
| 5.2.1 灰色聚类分析 |
| 5.2.2 模糊相对权重 |
| 5.2.3 磨粒识别实例 |
| 5.3 本章小结 |
| 6 发动机磨损故障诊断 |
| 6.1 发动机磨损状态诊断 |
| 6.1.1 发动机磨损模式磨粒描述标准库 |
| 6.1.2 模糊神经网络磨损模式识别模型 |
| 6.1.3 基于灰色关联的发动机磨损模式识别 |
| 6.1.4 算法仿真与应用实例 |
| 6.2 发动机磨损故障诊断 |
| 6.2.1 支持向量机 |
| 6.2.2 基于蚁群算法的SVM参数优化 |
| 6.2.3 故障诊断及结果分析 |
| 6.3 本章小结 |
| 7 全文工作总结 |
| 7.1 本文主要工作及创新点 |
| 7.2 今后的研究方向 |
| 致谢 |
| 参考文献 |
| 附录 |
（8）铁谱图像分割及磨粒识别关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 注释表 |
| 缩略词 |
| 第一章 绪论 |
| 1.1 课题的研究背景、意义及来源 |
| 1.2 国内外研究现状 |
| 1.2.1 铁谱图像处理 |
| 1.2.1.1 早期探索 |
| 1.2.1.2 铁谱图像的基本处理 |
| 1.2.1.3 针对单个或少量磨粒的参数统计与磨粒识别 |
| 1.2.1.4 针对铁谱图像的分割处理 |
| 1.2.1.5 面向工业应用的铁谱分析系统 |
| 1.2.2 磨粒特征提取与识别 |
| 1.3 铁谱图像处理和磨粒识别中存在的问题 |
| 1.4 课题研究内容及方法 |
| 第二章 铁谱技术基础及铁谱图像分析研究平台构建 |
| 2.1 铁谱技术简介 |
| 2.1.1 铁谱仪及谱片制备 |
| 2.1.2 铁谱定性分析 |
| 2.1.3 铁谱定量分析 |
| 2.1.4 磨屑群理论 |
| 2.2 铁谱图像分析系统硬件及软件平台设计 |
| 2.2.1 硬件方案设计 |
| 2.2.1.1 铁谱图像获取 |
| 2.2.2 软件方案设计 |
| 2.2.3 软件功能 |
| 2.3 本章小结 |
| 第三章 铁谱图像处理与分析的理论基础 |
| 3.1 铁谱图像处理 |
| 3.1.1 铁谱图像颜色空间转换 |
| 3.1.2 铁谱图像尺寸缩放 |
| 3.1.3 图像预处理 |
| 3.2 铁谱图像分析 |
| 3.2.1 图像分割基础 |
| 3.2.2 目标表达与描述 |
| 3.3 目标分类与磨粒识别 |
| 3.4 基于数学形态学的图像处理 |
| 3.4.1 形态学预处理 |
| 3.4.2 分水岭算法基本原理 |
| 3.5 基于灰色系统理论的图像处理 |
| 3.5.1 灰色关联分析 |
| 3.6 基于聚类技术的图像分割 |
| 3.6.1 K均值聚类 |
| 3.6.2 模糊C均值聚类 |
| 3.6.3 蚁群聚类 |
| 3.7 本章小结 |
| 第四章 磨粒边缘检测方法研究 |
| 4.1 常见的边缘检测方法 |
| 4.2 基于大津阈值和灰色关联度的磨粒边缘提取（O&G） |
| 4.2.1 基于Otsu算法的磨粒与背景分割 |
| 4.2.2 基于变权关联度的磨粒边缘提取 |
| 4.2.3 O&G算法流程 |
| 4.2.4 O&G边缘检测算法的实例分析 |
| 4.3 基于改进蚁群算法的磨粒边缘提取（IACO） |
| 4.3.1 IACO算法介绍 |
| 4.3.1.1 铁谱图像预处理 |
| 4.3.1.2 磨粒边缘的初步提取 |
| 4.3.1.3 改进蚁群算法边缘检测 |
| 4.3.2 实验结果与分析 |
| 4.4 本章小结 |
| 第五章 基于颜色聚类的磨粒与背景分割 |
| 5.1 颜色空间处理技术与难点 |
| 5.1.1 颜色空间处理技术 |
| 5.1.2 颜色空间处理的难点 |
| 5.2 基于颜色分量比的背景减除 |
| 5.2.1 算法描述 |
| 5.2.2 实验与结果分析 |
| 5.3 基于K-means颜色聚类的磨粒与背景的分割 |
| 5.3.1 K-means聚类简介 |
| 5.3.2 算法描述 |
| 5.3.2.1 RGB和HSI颜色空间的二维颜色分量K-means聚类 |
| 5.3.2.2 CIELAB颜色空间的二维分量K-means聚类 |
| 5.3.3 不同背景铁谱图像的分割效果对比 |
| 5.4 本章小结 |
| 第六章 融合分水岭与聚类算法的磨粒分割 |
| 6.1 基于改进分水岭算法的磨粒初始分割 |
| 6.1.1 标记分水岭算法 |
| 6.1.2 磨粒沉积链分割实验结果及分析 |
| 6.2 融合分水岭算法和改进蚁群聚类的磨粒分割方法（CWACA） |
| 6.2.1 蚁群聚类算法 |
| 6.2.2 基于改进蚁群聚类技术的磨粒分割 |
| 6.2.2.1 改进的蚁群聚类算法 |
| 6.2.2.2 蚁群聚类结果判别和修正 |
| 6.2.2.3 CWACA算法步骤 |
| 6.2.2.4 CWACA实验结果及分析 |
| 6.3 基于标记分水岭和改进灰色聚类技术的磨粒分割（CMWGC） |
| 6.3.1 灰色聚类技术 |
| 6.3.2 基于改进灰色聚类技术的异常大磨粒分割 |
| 6.3.2.1 改进的灰色聚类方法 |
| 6.3.2.2 灰色聚类结果判别和修正 |
| 6.3.2.3 CMWGC算法步骤 |
| 6.3.2.4 实验结果及分析 |
| 6.4 本章小结 |
| 第七章 基于主成分分析和灰色理论的磨粒识别 |
| 7.1 磨粒特征参数及识别技术 |
| 7.1.1 磨粒特征参数 |
| 7.1.2 磨粒识别技术 |
| 7.2 CPGA算法步骤 |
| 7.2.1 基于主成分分析的磨粒特征提取 |
| 7.2.2 基于灰色关联分析的磨粒识别 |
| 7.3 实验结果及分析 |
| 7.4 本章小结 |
| 第八章 总结与展望 |
| 8.1 总结 |
| 8.2 创新点 |
| 8.3 展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（9）铁谱图像分割质量评价方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 图表目录 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 铁谱分析技术简介 |
| 1.2.1 铁谱分析技术的原理与应用 |
| 1.2.2 铁谱分析技术的发展 |
| 1.2.3 铁谱图像处理与分析技术的难点 |
| 1.3 图像分割评价技术简介 |
| 1.3.1 图像分割评价技术的研究现状 |
| 1.3.2 图像分割评价方法分类 |
| 1.3.3 图像分割评价方法框架 |
| 1.4 灰色系统理论简介 |
| 1.4.1 灰色系统理论概述 |
| 1.4.2 灰色系统理论在图像分割评价中的应用 |
| 1.5 本文的研究内容和目的 |
| 1.6 本文的组织安排与内容结构 |
| 第二章 铁谱图像的分割 |
| 2.1 铁谱图像的获取与预处理 |
| 2.1.1 铁谱图像获取与数字化 |
| 2.1.2 空间滤波处理 |
| 2.1.3 形态学处理 |
| 2.2 常用颜色空间 |
| 2.2.1 RGB 空间 |
| 2.2.2 CIEL*a*b*空间 |
| 2.2.3 RGB 空间与 CIEL*a*b*空间的转换 |
| 2.3 阈值分割方法 |
| 2.3.1 阈值分割方法概述 |
| 2.3.2 大津阈值分割方法 |
| 2.4 分水岭分割方法 |
| 2.4.1 分水岭算法原理 |
| 2.4.2 分水岭算法数学模型 |
| 2.5 常见的铁谱图像分割错误 |
| 2.6 本章小结 |
| 第三章 灰色系统理论 |
| 3.1 灰色系统理论概述 |
| 3.2 灰色系统理论的产生与发展 |
| 3.3 灰色关联分析 |
| 3.3.1 灰色关联分析概述 |
| 3.3.2 灰色关联度模型 |
| 3.4 灰色聚类 |
| 3.4.1 灰色聚类概述 |
| 3.4.2 灰类白化权函数聚类 |
| 3.5 本章小结 |
| 第四章 基于灰色关联分析的背景与磨粒分割质量评价 |
| 4.1 评价指标 |
| 4.2 背景与磨粒分割质量评价 |
| 4.2.1 基于灰色关联分析的背景与磨粒分割质量评价 |
| 4.2.2 灰色关联评价算法流程 |
| 4.3 应用实例与性能分析 |
| 4.3.1 黄色背景的铁谱图像分割质量评价 |
| 4.3.2 绿色背景的铁谱图像分割质量评价 |
| 4.4 本章小结 |
| 第五章 基于灰色聚类的磨粒分割质量评价 |
| 5.1 评价指标 |
| 5.2 磨粒分割质量评价 |
| 5.2.1 基于灰色聚类的磨粒分割质量评价 |
| 5.2.2 灰色聚类评价算法流程 |
| 5.3 应用实例与性能分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本课题的主要研究工作 |
| 6.2 对本课题研究的展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（10）基于改进灰色聚类的铁谱图像分割（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 图表目录 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 铁谱分析技术 |
| 1.2.1 铁谱分析技术原理及特点 |
| 1.2.2 铁谱图像分析技术的发展 |
| 1.2.3 铁谱图像分析技术研究现状 |
| 1.2.4 铁谱图像分析技术的研究意义 |
| 1.3 铁谱图像分割存在的问题 |
| 1.4 本文的研究内容及结构框架 |
| 1.4.1 本文的研究内容 |
| 1.4.2 本文的结构框架 |
| 第二章 铁谱图像处理技术简介 |
| 2.1 颜色空间简介 |
| 2.1.1 颜色的定义 |
| 2.1.2 RGB 颜色空间 |
| 2.1.3 CIE L * a * b *颜色空间 |
| 2.2 图像预处理技术 |
| 2.2.1 幂次变换 |
| 2.2.2 空间滤波 |
| 2.3 图像边缘检测法 |
| 2.3.1 Roberts 边缘检测算子 |
| 2.3.2 Sobel 边缘检测算子 |
| 2.3.3 Canny 边缘检测算子 |
| 2.4 阈值分割法 |
| 2.4.1 阈值分割法简介 |
| 2.4.2 大津阈值法简介 |
| 2.5 数学形态学分割算法 |
| 2.5.1 数学形态学简介 |
| 2.5.2 数学形态学的基本运算 |
| 2.6 聚类算法简介 |
| 2.6.1 聚类的概念和过程 |
| 2.6.2 灰色聚类在图像处理中的应用 |
| 2.7 本章小结 |
| 第三章 基于大津阈值和分水岭算法的铁谱图像分割 |
| 3.1 大津阈值与分水岭算法的原理 |
| 3.1.1 大津阈值算法原理 |
| 3.1.2 分水岭算法基本原理 |
| 3.2 基于大津阈值和分水岭算法的铁谱图像分割 |
| 3.2.1 大津阈值减除背景 |
| 3.2.2 基于分水岭的磨粒图像分割 |
| 3.3 本章小结 |
| 第四章 基于改进灰色聚类的磨粒分割 |
| 4.1 灰色聚类原理 |
| 4.1.1 灰色关联分析 |
| 4.1.2 邓氏关联度 |
| 4.1.3 其他灰色关联度 |
| 4.1.4 灰色关联聚类 |
| 4.2 改进灰色聚类分割图像 |
| 4.2.1 改进灰色聚类算法 |
| 4.2.2 具体算法流程 |
| 4.3 聚类过程实例 |
| 4.4 实验结果及对比 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 本课题的主要研究工作 |
| 5.2 对本课题研究的展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
四、Effect factors of wear particles deposition in the ferrogram based on grey relative analysis（论文参考文献）
- [1]基于灰色系统理论的柴油机油失效降解过程试验研究[D]. 苏国庆. 山东大学, 2020(02)
- [2]基于振动与油液监测的齿轮箱运行状态评估[D]. 陈明鑫. 太原理工大学, 2020(07)
- [3]机械设备安全磨损图谱智能分析方法研究[D]. 徐雪茹. 重庆大学, 2019(01)
- [4]汽轮机油对汽轮机润滑系统磨损影响研究[D]. 夏泽华. 东南大学, 2019(05)
- [5]神东煤炭集团设备润滑管理及油液综合分析技术研究[D]. 周俊丽. 西安建筑科技大学, 2018(06)
- [6]基于铁谱技术的油液监测数字化研究[D]. 冯云. 北京交通大学, 2016(07)
- [7]基于铁谱分析技术的自行火炮发动机磨损故障诊断研究[D]. 傅建平. 南京理工大学, 2015(12)
- [8]铁谱图像分割及磨粒识别关键技术研究[D]. 王静秋. 南京航空航天大学, 2014(01)
- [9]铁谱图像分割质量评价方法研究[D]. 夏敏. 南京航空航天大学, 2014(02)
- [10]基于改进灰色聚类的铁谱图像分割[D]. 姚盼盼. 南京航空航天大学, 2014(01)