密封继电器作为一种常用的航天元器件,其可靠性会直接影响到航天设备的可靠性。多余物问题严重影响密封继电器的可靠性。多余物的材质信息对改进密封继电器生产工艺、减少多余物产生具有重要参考价值。目前应用的多余物材质识别技术识别率较低,本文基于机器学习原理开展多余物材质识别技术的研究。首先搭建了多余物材质识别研究的实验平台,提出了多余物材质识别的研究方案。选择常见多余物种类作为研究对象,根据传感器灵敏度实验,设计多余物质量大小,并制作了多余物样本和含多余物的密封继电器样本。对多余物样本进行数据采集、脉冲提取和特征计算,建立了多余物材质识别数据集,解决了继电器多余物材质识别数据不足的问题。然后,针对多余物材质识别数据集不平衡的问题,本文对比分析了间接法和直接法这两种生成人工样本的方法。分析结果表明,直接法在相同模型参数下对数据集平衡效果更好,且具有运行速度快、在原样本空间生成人工样本等优点。故本文基于直接人工样本生成的方法平衡了多余物材质识别数据集。本文基于机器学习算法,分别在空壳数据集和继电器数据集上建立多余物材质识别模型。采用网格搜索算法和遗传算法对模型进行参数优化,得到的材质识别模型对金属、非金属具有良好的分类效果,对于特定的多余物材质也有较好的识别效果。最后,本文采用了基于进程调用的方法将多余物材质识别模型集成到现有多余物检测设备上,并对其进行了优化和实验测试。结果表明,与目前应用的多余物材质识别技术相比,基于机器学习的多余物材质识别技术具有更高的识别准确度。这种基于进程调用的集成方法,也可以用于其他基于机器学习的多余物检测技术。