基于在线铁谱图像的磨损机理智能辨识

基于状态的维护(Condition based maintenance,CBM)理念为机器健康状态维护提出了实时监测的新挑战。现有研究由于缺乏在线信息获取手段,磨损状态监测逐渐成为CBM的技术瓶颈。基于特征磨粒的磨损机理判断方法已经被广泛应用在离线磨损分析中,但是在线磨损机理的表征依然是一个很大的问题。针对基于在线铁谱图像的磨损机理开展研究。为了在一副在线铁谱图像中获得分离的磨粒图像,研究磨粒在在线铁谱传感器中的沉积机理。研究结果表明,磨粒链是图像中的主要形态,这是由于先前沉积的磨粒产生的局部磁场所致。设计一种依靠自适应调节沉积时间的在线磨粒沉积方法。运用该方法可以在在线铁谱图像中获得分离的磨粒,为特征磨粒的特征辨识提供了便利。参考分析铁谱知识,提取特征磨粒的4种形态学特征(当量尺寸、长径比、形状因子和分形维数)以综合表征4种典型磨损机理,包括正常、切削、疲劳、严重滑动磨损。采用反馈式人工神经网络构建自动磨损机理辨识模型。采用离线铁谱图像样本验证所建模型,结果表明该模型可以识别在线磨粒图像中的特征磨粒。对在线磨损机理表征方法进行了有意义的探索,所得研究成果将为在线磨损状态表征提供可行方法。     

油液在线监测系统中的磨粒识别

针对机械设备磨损状态监测要求,构建了基于显微图像分析的油液在线监测系统.根据系统的光路特点,对磨粒图像进行了基于彩色特征的转换,并通过与背景图像的差值处理来快速提取磨粒目标.基于最小二乘支持向量机设计了两类磨粒分类器,并利用粒子群优化算法对最小二乘支持向量机模型中的参数进行了优化选取.在此基础上,根据磨粒识别体系,设计了磨粒综合分类器.最后,利用铁谱分析技术对系统性能和识别效果进行了检验,结果表明,系统的识别精度达到95%以上,满足磨粒在线监测要求.     

基于磨粒特征的矿用减速器磨损状态在线监测方法研究

为实现在线磨损状态监测技术在矿用减速器的工程应用,进行了在线铁谱磨粒特征与减速器磨损状态的映射关系的研究。首先,利用在线铁谱图像自动采集系统获取磨粒图像。进而利用数字图像处理技术获取磨损颗粒信息,主要包括:采用Otsu's自动阈值分割法将目标磨粒从图像背景中分离出来;通过像素扫描和边缘检测等方法提取磨粒的相对浓度和最大宽度尺寸信息。最后,获取设备运行过程中磨粒的统计学特征在时间序列上的变化趋势,实现矿用减速器的磨损状态在线分析。所提出的方法通过在线磨损的工程试验结果进行了有效性验证,为矿用设备的自动化监测与智能维护提供了新的技术手段。     

全视场在线图像可视铁谱磨粒显微成像特性分析

为了评估全视场在线图像可视铁谱磨粒显微成像特性,提出了一种反射光显微成像模型。首先,基于朗伯余弦与小角度散射理论建立了全视场(OLVF)的反射光辐照度模型,实现了磨粒显微成像清晰度定量评价。然后,仿真计算磨粒显微成像的反差透视比,确定了最优光学倍率和适用于全视场OLVF探测的油液衰减系数范围,明确了光学参数对磨粒显微成像质量的影响规律。结果显示：光学倍率为2.0×且油液衰减系数≤2.0条件下,磨粒沉积于物方视场的主光轴附近,全视场OLVF可获得最佳磨粒显微成像清晰度。最后,开展了磨粒显微成像实验测试,结果表明：全视场OLVF能够从油液衰减系数小于2.0的在用液压油和齿轮油中获取反射光谱片图像,并提取磨粒视觉信息进行磨损在线监测。     

基于反相灰度图二值化修正的铁谱图像磨粒特征提取

为准确获取铁谱图像中磨粒几何形状和特征参数,提出一种图像处理算法并对其进行验证。针对铁谱图像底色特征及磨粒特征提取精度要求,提出基于反相操作的铁谱图像灰度图转化方案,得到边缘清晰的铁谱灰度图;提出一种三段式阈值分割方案,利用腐蚀和膨胀操作解决二值化对铁谱图像有效磨粒区域的影响,讨论油污等干扰因素的消除策略;确定磨粒特征参数及磨粒识别方案,完成标准的正常滑动磨损图像处理和某实际的齿轮箱磨粒铁谱图像处理验证。结果表明:所提出的算法能够准确提取铁谱图像中磨粒所在区域的几何特征,通过磨粒标定计算得到了8个特征参数值,证明齿轮箱正处于滑动磨损状态。     

油液在线监测系统中磨粒识别技术研究

针对磨损状态监测要求,构建了基于显微图像分析的油液在线监测系统。根据系统光路特点,对磨粒图像进行了基于彩色特征的转换,并通过与背景图像的差值处理来快速提取磨粒目标。基于最小二乘支持向量机设计了磨粒两类分类器,并利用粒子群优化算法对最小二乘支持向量机模型中的参数进行了优化选取;根据磨粒识别体系,设计了基于最小二乘支持向量机的磨粒综合分类器。最后,利用铁谱分析技术对系统性能和识别效果进行了检验,结果表明本系统具有较高的检测精度和识别效果。     

基于Mask R-CNN的铁谱磨粒智能分割与识别

针对铁谱图像因背景复杂、尺寸分布广、颗粒重叠等导致难以精确分割与识别的问题,以相似度高的疲劳剥块、严重滑动磨粒、层状磨粒共3种异常磨粒作为研究对象,提出基于深度神经网络模型Mask R-CNN的对多目标铁谱磨粒进行智能分割与识别的方法,并对特征提取层分别选用深度不同的残差网络ResNet50和ResNet101进行对比试验。实验结果表明,基于迁移学习方法的Mask R-CNN+ResNet101模型能够在复杂背景下对多目标、多类型、多尺寸的相似磨粒进行有效分割与识别,测试集的平均精度高达76.2%,模型具有较好的泛化能力。     

图像可视在线铁谱传感器的图像数字化处理技术

为实现图像可视在线铁谱传感器的磨粒图像自动辨识,建立数字图像获取系统,探讨铁谱图像数字化处理方法。研究了铁谱图像的预处理方法,对比在RGB和YUV颜色空间对铁谱图像的灰度化处理效果,采用不同的微分模板对平滑后图像进行锐化处理;探讨减背景法和自动阈值法在铁谱图像磨粒分割中的应用效果;给出适用于在线铁谱图像的定量描述方法。研究表明,采用YUV颜色空间的明视度分量可以得到平滑的灰度图像,合理的模板选择可以使微分法在锐化磨粒边缘的同时保持整体图像的平滑;铁谱图像的磨粒分割结果表明,减背景法由于采用人工选取门限值而难以适用于在线铁谱图像的处理,而自动阈值法可以根据铁谱图像自动选取合适的阈值以达到良好的分割效果;采用磨粒百分覆盖面积作为定量指标可反应良好分割的铁谱图像中的磨粒统计质量分数。     

在线图像可视铁谱成像系统的像面照度均匀性

为了定量评价在线图像可视铁谱(OLVF)成像系统的像面照度均匀性,建立了一种像面照度模型。以像方参数及放大倍率表征物方视场,将物方视场区域离散化,采用朗伯余弦理论建立入瞳模式的像面照度模型,实现了像面照度的计算与均匀性评价。利用Matlab进行了物面照度仿真分析,确定了OLVF成像系统环形阵列光源的发光二极管(LED)数量,基于像面照度分析确定了最佳成像焦距和放大倍率。计算了油腔通油情况下成像系统中的光能量损耗以及磨粒沉积面的照度分布,建立了油液吸光系数与CCD像面轴上像点照度的关系。结果显示:LED发光强度已知时,仿真计算的像面不均匀度约为5.60%,实际测试的像面不均匀度为8%~9%,满足不均匀度≤10%的要求。开展了磨粒铁谱图像采集实验,结果表明:图像中磨粒清晰可辨,便于图像分割与视觉特征提取。提出的模型可定量描述OLVF成像系统的像面照度,可作为优化系统结构,提高系统成像性能的依据。     

基于显微图像的油液实时分析系统中颗粒识别技术研究

颗粒识别是基于显微图像的油液实时分析系统中的一项关键技术。本文考虑油液分析系统实用化要求,对基于显微图像的油液实时分析系统进行了系统架构设计和光路设计,在此基础上结合油液显微图像的特征,研究了适合本系统的颗粒识别技术,实现了在动态图像序列中快速准确地提取颗粒目标,为油液污染分析和磨粒分析奠定了基础。     

基于Faster R-CNN的齿轮箱铁谱磨粒识别

在利用铁谱技术对齿轮箱磨损状态进行评估时,存在磨粒特征提取困难且磨粒识别的数量有限的问题,基于铁谱磨粒图像特性,提出基于Faster R-CNN算法的铁谱磨粒识别。该算法采用ResNet-34网络完成铁谱磨粒特征自动提取,并采用RPN网络实现对图像中多个磨粒的识别。通过实验对Batch_Size和学习率超参数进行优化,使用超参数优化后的Faster R-CNN算法进行实验。结果表明:该方法克服了磨粒交叉引起的识别难点,能识别一副图像中的多个磨粒,能统计各类磨粒数量,且准确率较高;在磨粒背景颜色不同、存在噪声干扰等情况下,该方法仍能够准确判断磨粒类型,具有较好的稳定性。     

基于改进YOLO算法的多目标铁谱磨粒智能识别

为提高铁谱磨粒中相似磨粒的识别率,降低小颗粒磨粒的漏检率,并确保检测速度的实时性,基于YOLO算法,提出了大尺度yolo层检测(yolov3_mod)和全尺度yolo层检测(yolov3_5l)两种改进模型。该改进模型通过添加空间金字塔池化模块、拓展yolo层尺度,来改善网络结构,提高了相似磨粒的识别率,降低了小颗粒磨粒的漏检率;通过融合卷积层与批量归一化(BN)层,减少了模型计算量,提高了模型检测速度。实验结果表明:与原始模型相比,yolov3_mod模型对相似磨粒的识别率提高了8%,总平均准确率提高了5%,yolov3_5l模型对相似磨粒的识别率提高了14%,总平均准确率提高了10%;2种改进模型的推理速度相比原始模型提高了8%,且磨粒的定位更加精确,基本实现了复杂背景下多目标磨粒的识别;yolov3_mod拥有较快的检测速度,yolov3_5l则有着更高的检测精度,可根据实际工况需求进行取舍。     

气泡高干扰在线铁谱视频图像的磨粒快速分割算法研究

针对在线铁谱视频图像气泡高干扰所面临的磨粒分割困难问题,提出一种气泡高干扰在线铁谱视频图像的磨粒快速分割算法。首先运用运动检测的方法确定视频中气泡的位置,并用相邻帧相同位置的图像信息对气泡区域进行处理,再使用双边滤波对处理后的图像进行平滑去噪,实现气泡干扰的初步抑制;最后基于抑制气泡图像的灰度直方图,对每一帧图像选取其自适应的阈值,实现在线铁谱视频图像中磨粒的快速分割。该研究为在线铁谱的磨粒分割与后续对磨粒特征的智能提取和分析奠定了基础。     

基于铁谱图像异类特征融合的磨损类型识别方法

针对铁谱磨粒图像识别中存在特征单一、异类特征的综合利用率低等问题,提出一种磨粒图像多特征的异类信息融合识别方法。首先,对在线铁谱图像预处理基础上提取磨粒纹理(ASM、熵、相关、对比度)、颜色(均值、方差、斜度)、几何(7个不变矩)3种统计特征;其次,对提取特征数据进行[0,1]归一化处理,采用超球心间距法确定核参数,运用超球多类SVM实现基于单种特征的多类磨损识别;最后,在单种特征识别基础上通过后验概率构造3种特征所需的软判决基本概率赋值(BPA)函数,运用超球多类SVM与D-S证据理论结合法实现异类特征融合的铁谱图像识别。特征融合方法识别最高识别率达到了96.1%,与单一特征识别结果相比,识别准确度更高,且实现了不同特征的互补。     

融合颜色与形状信息的铁谱磨粒链分割方法研究

为了对铁谱图像中的磨粒链进行有效分割,提高磨粒特征提取的精度,通过分析铁谱磨粒链图像不同区域的特点,提出一种融合铁谱图像颜色、形状特征信息的磨粒链分割方法。该方法首先基于形态学运算对磨粒链分割方法,对异常大磨粒进行提取并断开磨粒链黏连部分,然后利用标记分水岭与灰色聚类的方法对磨粒链进行分割,最后考虑到不同磨粒链颜色信息存在差异,结合自适应阈值法对灰色聚类进行改进,从而实现磨粒链的自适应分割。结果表明,相较于传统分割方法,提出的方法能有效避免过分割与欠分割,分割效果较好,适用性高,操作简单。     

曲波域铁谱磨粒图像特征提取方法研究

曲波变换具有多尺度分析能力,与小波变换相比可更好地表达图像的曲线特征.为有效描述铁谱磨粒的形貌特征,提出一种曲波域图像特征提取方法.利用曲波变换将磨粒图像进行分解,得到不同尺度的曲波系数;根据曲波系数统计分布特点,采用广义高斯分布模型对细尺度和精细尺度曲波系数分布进行建模;提取粗尺度曲波系数的均值、标准差、能量和熵等统计特征,以及细尺度和精细尺度曲波系数的广义高斯分布模型参数描述磨粒特征.将提取的特征用于发动机典型磨粒识别,识别成功率达到了88.9%,表明该方法所提特征能很好地表达铁谱磨粒的形貌特征.     

基于粗糙集的油液不完备多值系统知识发现

由于数据量小,油液有效知识的发现,特别是从油液不完备信息系统挖掘决策规则,一直是其有效应用和发展的瓶颈。考虑到分析铁谱对磨损模式的识别贡献最大,结合属性的磨损识别权重和摩擦学系统特点,提出了基于粗糙集的分析铁谱不完备多值系统知识发现模型。通过对部分信息缺省或难以确定的某汽车公司冲压机分析铁谱决策系统进行处理,推导出了关于磨损状态的最优决策规则,说明了粗糙集对不完备油液信息处理有效。     

基于摩擦学的自动润滑双转子流量计故障监测网络系统的研究

通过对自动润滑双转子流量计的研究，设计了基于摩擦学的自动润滑双转子流量计故障监测网络。重点设计了智能双转子流量计、FF计量网络、在线润滑油质量检测电路和铁磁性磨粒检测电路。实现了通过在线检测润滑油质量和铁磁磨粒进行双转子流量计的故障监测。     

The effect of abrasive grain size on the transition between abrasive and adhesive wear

Experiments were carried out in which SiC abrasives with a grain size range of 3–150 μm were inserted between sliding metals. The metals were pure aluminium, copper, iron, nickel and zinc. The test geometry was a tube end against a flat surface. The effect of grain size can be classified into three regimes. In the first, where abrasive grains are larger than a critical size d_c (about 50 μm), the wear rate is independent of grain size. In the second regime the wear rate decreases as abrasive grains become smaller than d_c to a limit at a transition grain size d_t (about 10 μm). In the third regime the wear rate is high and independent of abrasive grain size. The wear debris consists of large metal flakes with abrasive particles mixed in. Although abrasive particles are present, the wear is primarily adhesive, and the action of the abrasive particles is to promote the removal of metallic wear debris from the contact region.