磨损过程中摩擦副间的相对运动产生大量磨损微粒,磨损微粒携带着大量的信息,磨粒与磨损过程的关系能反映复杂摩擦磨损系统的变化规律。因此对磨粒特征进行表征和识别研究,对于磨损状态识别和无损故障诊断具有重要的工程应用意义。现阶段对磨粒的表征方法有很多,但是由于受尺度影响较大,表征结果不具唯一性。寻找具有尺度独立性的、客观性好的磨粒表征方法具有重大研究意义。磨粒的显微观察可以看出磨粒并非一个完全的欧式几何体,其表现出了分形特性。因此,分形几何的自相似性和标度不变性可以弥补欧式几何的不足。另外,磨损过程中磨粒数量巨大难以统计,卷积神经网络方法恰能弥补统计方法的不足。因此,本文基于分形理论和卷积神经网络开展对磨损过程中磨粒的分形识别研究。本文从以下四个方面研究磨损过程中磨粒特征的分形识别。首先,为了研究磨损过程中各阶段磨粒的区别,设计了分阶段且更换环-盘试样的摩擦磨损试验,完成10个磨损阶段的摩擦磨损试验;对各阶段摩擦磨损试验的磨粒进行信息采集:采用冲洗试件与油盒的方式采集各阶段磨粒;采用旋转式铁谱仪制作铁谱磨粒谱片完成铁谱磨粒图像信息采集;采用超声波振动筛分的方式将磨粒按尺寸筛分成五个等级,有效减少在单个磨粒谱片拍摄过程中小磨粒信息的丢失并借助显微镜与图像信息采集模块实现单个磨粒图像信息采集。其次,为了后续对铁谱磨粒图像的计算,采用图像处理手段,完成对铁谱磨粒图像的灰度化处理、滤波降噪处理、二值化处理与开运算处理,获得较低干扰的铁谱磨粒二值图像;将磨粒分为规则形、不规则形、圆形、长条形四种类型,建立了4400个样本数的磨粒数据集,可用于磨粒识别网络的训练。接着,为了寻找具有尺度独立性的磨粒表征参数,引入分形理论研究磨粒轮廓及铁谱磨粒图像的分形特性,结果表明:磨粒轮廓和铁谱磨粒图像都具有分形特征;对比分析盒维数法与小岛法对磨粒轮廓分形维数的测定,选择计算稳定性较好的小岛法作为磨粒轮廓分形维数测定方法;为了实现对磨损各阶段磨粒轮廓分形维数的自动化、批量化统计,通过对比分析基于卷积神经网络的磨粒分割网络,选定PSPNet网络作为磨粒图像分割网络,并结合小岛法提出基于卷积神经网络的磨粒分形维数计算方法。最后,对磨损过程中的磨粒分形特性及变化规律进行研究。统计研究磨粒尺寸及数量并对其分布进行分形表征,选用磨粒周长与面积作为磨粒尺寸分布的研究参数,结果表明:磨粒尺寸分布中数量与尺寸之间具有分形特性,磨损各阶段磨粒尺寸分布分形维数可以定量表征磨损过程中磨粒的分形特性及变化过程。对磨损各阶段磨粒轮廓进行分形研究的结果表明,磨损各阶段磨粒轮廓分形分布呈正态分布,磨粒尺寸在10-20μm和20-30μm两个尺寸带范围内的各阶段磨粒轮廓平均分形维数在磨合阶段处于较高值,在平稳磨损阶段处于较低值,据此可定量表征磨损阶段。对磨损各阶段铁谱磨粒图像选用盒维数计算方法进行分形维数计算,结果表明:各阶段铁谱磨粒图像分形维数随时间延长而增大,在磨合阶段增长较快,平稳磨损阶段,铁谱磨粒图像分形维数增长缓慢,与磨损过程中磨损量的变化一致。本论文有图90幅,表19个,参考文献150篇