基于LIBS结合GWO-CNN-SVM的机械设备磨损金属识别研究

《IEEE Journal of Photovoltaics》：Research on Wear Metal Identification of Mechanical Equipment Based on LIBS Combined With GWO-CNN-SVM

　　摘要：润滑油中存在的磨粒金属元素类型能够提供关于机械设备运行状态的关键诊断信息，因为不同的磨损元素通常与设备的特定部件相关联。本研究针对润滑油中不同类型磨粒金属元素的识别问题，基于全谱数据构建了支持向量机（SVM）分类模型。引入卷积神经网络（CNN）从全谱数据中提取特征，以研究特征提取对模型性能的影响。为进一步改善模型的预测性能，采用灰狼优化（GWO）算法优化模型的超参数。所开发的GWO-CNN-SVM模型表现出优异的分类性能，准确率、宏观精确率、宏观召回率和宏观F1值分别达到92.99%±0.65%、94.73%±0.57%、92.99%±0.65%和92.54%±0.79%。实验结果表明，GWO-CNN-SVM模型与激光诱导击穿光谱（LIBS）技术的结合能够有效分类润滑油中的磨粒金属元素，从而为机械设备的磨损位置识别提供有价值的支持。