磨损磨粒的BP神经网络识别

介绍了铁谱分析技术对设备状态监测与故障诊断的方法;通过机械润滑油或液压油中微观磨损颗粒的分析来判断机器当前的工作状态.铁谱的计算机图像分析技术是近年来研究的热点.基于BP神经网络对磨损磨粒进行识别,提出了磨粒的分步识别策略,并以磨粒样本对网络进行训练,取得了较好的识别效果.     

磨损磨粒的BP神经网络识别

介绍了铁谱分析技术对设备状态监测与故障诊断的方法;通过机械润滑油或液压油中微观磨损颗粒的分析来判断机器当前的工作状态。铁谱的计算机图像分析技术是近年来研究的热点。基于BP神经网络对磨损磨粒进行识别,提出了磨粒的分步识别策略,并以磨粒样本都对网络进行训练,取得了较好的识别效果。     

基于加权模糊优选理论的发动机磨损模式识别

发动机磨损模式识别是发动机状态监测与故障诊断的重要环节，如何快速、准确地识别发动机磨损模式是磨损状态监测与诊断的关键。结合大量铁谱分析数据与专家经验。给出了发动机磨损模式识别标准样本库。引进一种模糊相对权重的概念，并结合模糊优选理论建立了发动机磨损模式识别的加权模糊优选分析模型。实践证明，加权模糊优选分析模型能够快速、准确、有效地识别发动机磨损模式。     

人工神经网络在铁谱技术磨粒识别中的应用

铁谱技术在机械设备状态监测中得到了广泛的应用，磨粒识别是铁谱分析的一个关键环节，本文提出了一种基于神经网络的磨粒识别方法，利用前馈型神经网络模型对七种典型磨损磨粒进行了实例分析识别，取得了令人满意的结果。     

基于铁谱分析的颗粒分类识别方法与应用

铁谱颗粒分析是机器磨损状态监测与维修决策制定最有效的油液分析方法。通过近年来开展工业企业机器油液监测积累的大量铁谱磨粒图像,进行基于不同的颗粒特征的分类识别探究,并基于不同颗粒形成机制与原因提出切合工业现场的润滑管理维保策略。应用实践表明,铁谱分析方法在机器磨损状态监测、润滑磨损诊断机制判别以及企业润滑管理提升活动中仍发挥着积极作用。     

基于模糊加权灰色关联分析的发动机磨损模式识别

结合大量铁谱分析数据与专家经验,给出了发动机磨损模式识别标准样本库,建立了发动机磨损模式识别的模糊均权灰色关联分析模型、模糊加权灰色关联分析模型,结合磨损模式识别实例,验证了识别结果的可靠性。实践证明,模糊加权灰色关联分析方法能够快速、准确、有效地识别发动机磨损模式。     

基于模糊神经网络的磨粒识别专家系统(续)

二、磨粒的分类及识别特征 铁谱分析技术将油液中的固体颗粒分为正常磨损、疲劳磨损、球状、层状、严重滑动、切削、腐蚀磨损、红色氧化物、暗金属氧化物、有色金属、非金属和晶体、污染物等12类。 领域专家根据磨粒的形态（总体形状、边缘细节和表面纹理）、颜色、粒度和厚度信息来识别铁谱磨粒,它们大都是模糊信息,一般用语义形式描述,因此需要采用模糊神经网络识别,识别结果为磨粒类型,系非模糊集合。磨粒特征见表1。     

K-均值聚类法在机械设备铁谱监测技术中的应用

铁谱分析技术是润滑油液分析技术的主导技术,是机械设备工况监测和故障诊断的主要技术手段之一。铁谱片上磨损颗粒间的区分是磨损颗粒识别和诊断的基础。针对铁谱图像中磨损颗粒形状和颜色分布的复杂性,利用数字图像处理技术,采用K-均值聚类法,对铁谱彩色图像进行了分割处理研究。试验结果表明,K-均值聚类法可以有效地分割彩色铁谱图像,将磨损颗粒提取出来,为铁谱图像的后续处理工作奠定了基础。     

RWESOS-VPMCD方法对超声缺陷信号的识别研究

在通过特征值间的内在关系建立预测模型的变量预测模式识别方法(VPMCD)中,传统判别方法受特征向量中的个别特征预测异常值影响大,易导致分类错误.提出基于比值加权的最小误差平方和的判别函数(RWESOS),可将异常预测的特征权重大幅降低,提升正确预测特征的权重,从而提高分类准确率.实验表明,在对不同缺陷大小的超声检测信号的识别中,使用RWESOS判别函数的RWESOS-VPMCD方法的识别率比BP神经网络和普通判别函数的VPMCD方法的识别率分别提高了4％和11％.     

神经网络在磨损颗粒自动识别中的应用

引入了一套磨粒形态学描述体系，用来提取磨损颗粒的显微形态特征，然后以此为输入参数，提出了一套BP神经网络，对磨损颗粒进行自动识别分类。以很少的磨粒特征量，可以正确识别磨损类别，提高了磨损识别的效率。     

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。     

神经网络技术在基于油液分析的发动机磨损诊断中的应用

本文简述了人工神经网络技术在基于油液分析的自行火炮发动机磨损故障诊断中三个方面的应用,具体包括发动机磨损磨粒的识别、磨损元素浓度值的预测和磨损故障智能诊断,文后讨论了神经网络技术应用与机械故障诊断领域的发展方向。     

铁谱技术中非铁磁性磨损颗粒的监测研究

在使用铁谱技术进行机械工况监测过程中，由于铁谱仪的磁场很难收集到摩擦副产生的非铁磁性磨损颗粒，往往会导致监测结果产生偏差或不正确。以钢一铜试件对磨后获得的油样为例进行铁谱对比实验，研究了磁流体在非铁磁性磨粒监测方面的应用。结果表明，在磁流体的作用下，油液中的非铁磁性磨粒将被磁化而有效沉积到铁谱片上，从而使油液的监测分析结果更为全面和准确。此外，介绍了磁流体的组成，分析了磁流体使非铁磁性磨粒磁化的机理。     

基于yolov5在线可视铁谱图像磨粒多目标识别方法研究

鉴于在线图像可视铁谱获取的磨粒谱片图像分辨率低,磨粒种类复杂多变,磨粒图像背景复杂等问题,使得磨粒在线智能识别面临挑战。为了实现在线可视铁谱图像磨粒多目标实时检测与识别,提出基于yolov5在线可视铁谱图像磨粒多目标识别方法。以正常磨损磨粒、疲劳磨损磨粒、滑动磨损磨粒、球形磨粒、氧化磨损磨粒、切削磨损磨粒6种磨粒作为研究对象,基于yolov5深度神经网络模型对复杂油液环境下的异常磨损磨粒进行分割与识别。结果表明：基于yolov5算法的磨粒智能识别模型能够实现复杂环境下多目标、多类型磨粒在线实时识别,其识别速度和准确率基本满足油液在线监测需求,为装备在线图像可视铁谱技术工业化应用提供了技术支撑。     

Developments in analytical ferrography

Recent work at the Foxboro Analytical ferrography laboratory on the recognition of non-ferrous metal particles, particles from lead-, tin- and Pb- Sn-based alloys, ferrous oxide particles and corrosive wear debris is described. An explanation of polarized light microscopy as it applies to ferrography is given. Ferrograms made from conductive substrates which can be used in a scanning electron microscope without requiring coating are discussed.     

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。     

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.     

基于油样分析技术的钻井泵寿命预测

通过跟踪3台不同运行时间钻井泵的油样的铁谱和光谱分析数据,发现随着使用时间的增多,设备磨损加大,油样中Al、Cu、Fe等金属元素含量明显增加,在泵接近损坏时,铁谱显示油液中存在严重滑动磨粒和球形磨粒,磨粒链加密并伴有疲劳剥离磨屑;光谱显示铁质含量陡增。分析了磨损产生的机制并提出了减少磨损的方法,提出了将金属磨屑增长的速率作为状态考察的重要判断指标。分析结果表明,通过油样检测分析可预报泵动力端轴承等摩擦副的运行状态,为泵的大修时间的确定以及提高泵的工作寿命提供了科学的依据。