磨损磨粒的计算机识别分析系统研究
|
摘要
机器中磨损磨粒的铁谱分析技术因其高效、经济的优点，在机械设备的状态检测、故障诊断和预防性维修等方面都得到了广泛的应用。但是，传统铁谱技术操作的复杂性和判断主观性又提出必须尽快解决铁谱诊断智能化的问题，所以磨损磨粒的自动识别技术是近几十年来国内外学者十分关注并致力加以研究的前沿课题。本论文基于摩擦学原理和计算机技术，通过对铁谱片进行数字化图像预处理，采用对谱片图像的平滑、滤波以及阈值二值分割等方法，计算出谱片中特征磨粒的一些特征参量，如面积、周长、粒度以及纵横比等。依据这些特征参量建立必要的数据库，并以标准磨粒特征参量的数据库作为参考系，采用灰色理论中的灰色关联度算法，编写C语言程序，对这些特征磨粒的类别进行分析、识别和判断，从而可以实现它们所属类别的划分。通过对实际油样中制取的图谱进行分析与处理，结果表明，本系统可以实现对三种常见的磨粒进行识别，即对正常磨粒、球状磨粒以及切削磨粒进行分类，验证了该软件的自动识别效果与人工识别相当，具有一定程度的智能效果，为铁谱仪数字化系统打下了一定的基础。
Ferrography analysis technology for wear debris has been applied broadly in many aspects, such as inspection of machine operation state, failure diagnosis and preventive maintenance, because of its advantages of good effect and economical. However, the issue how to realize the automatization in ferrograph diagnosis has been brought forth owning to manipulative complexity and subjectivity in the judgement for traditional ferrography technology. Thus, the automatic recognition technology for wear debris is a focus research topic and many researchers, whether in overseas or domestic, have paid more attention on studying it last decades.
The characteristic parameters of effective debris in a Ferrograph have been calculated in the present thesis, like area, perimeter, aspect ratio and granularity, in which some methods have been adopted such as smoothing, filtering and thresholding and so on, according to tribological theories and computer technologies and digital image preprocessing. Then, an essential database has been founded with these characteristic parameters. Using the related gray relational grade algorithms, a set of software system with C language has been programmed to analyze, recognize and judge the classification of unknown characteristic wear debris which is referring to the characteristic parameters database of standard wear debris. As a matter of fact, three types of wear debris can be classified by the present software programmed in this research, that is, normal, spherical and cutting debris can be identified. By analyzing and processing the actual ferrograph of wear debris from a used oil sample, the experimental results show that the effects of automatic recognition are equal to those of manual recognition, and the automatization of ferrographical diagnosis has been realized simply and partly, which will be helpful to improve the intelligence of the digital Ferrography system.
Ferrography analysis technology for wear debris has been applied broadly in many aspects, such as inspection of machine operation state, failure diagnosis and preventive maintenance, because of its advantages of good effect and economical. However, the issue how to realize the automatization in ferrograph diagnosis has been brought forth owning to manipulative complexity and subjectivity in the judgement for traditional ferrography technology. Thus, the automatic recognition technology for wear debris is a focus research topic and many researchers, whether in overseas or domestic, have paid more attention on studying it last decades.
The characteristic parameters of effective debris in a Ferrograph have been calculated in the present thesis, like area, perimeter, aspect ratio and granularity, in which some methods have been adopted such as smoothing, filtering and thresholding and so on, according to tribological theories and computer technologies and digital image preprocessing. Then, an essential database has been founded with these characteristic parameters. Using the related gray relational grade algorithms, a set of software system with C language has been programmed to analyze, recognize and judge the classification of unknown characteristic wear debris which is referring to the characteristic parameters database of standard wear debris. As a matter of fact, three types of wear debris can be classified by the present software programmed in this research, that is, normal, spherical and cutting debris can be identified. By analyzing and processing the actual ferrograph of wear debris from a used oil sample, the experimental results show that the effects of automatic recognition are equal to those of manual recognition, and the automatization of ferrographical diagnosis has been realized simply and partly, which will be helpful to improve the intelligence of the digital Ferrography system.
引文
[1] 杨其明著．《磨粒分析——磨粒图谱与铁谱技术》．北京：中国铁道出版社，2002
[2] K. Xu, A. R. Luxmoore, An integrated system for automatic wear particle analysis, Wear, 1997, 208:184～193
[3] G.W. Stachowiak, Numerical characterization of wear particles morphology and angularity of particles and surfaces, Tribology International, 1998, 31: 139～157
[4] Z.X. Peng, An integrated intelligence system for wear debris analysis, Wear, 2002, 252:730～743
[5] 熊皋，孔宪梅，汪家道等．可共享的磨粒识别及磨损诊断系统．机械科学与技术，2002，21(3)：421～423
[6] 冼亮，陈大融．铁谱磨粒数字特征分析系统．清华大学学报(自然科学版)，1992，32(5)：60～64
[7] 李艳军，左洪福等．基于磨粒显微形态分析的发动机磨损状态监测与故障诊断技术．应用基础与工程科学学报，2002，8(4)：431～437
[8] 孔宪梅，熊皋，汪家道．计算机图像处理在铁谱分析中的应用．润滑与密封，2002．(2)：23～26
[9] 梁华，杨明忠．磨粒的计算机识别方法的研究与评述．中国机械工程，1995，6(3)：28～30
[10] 詹松，郑寿森，胡献国．基于计算机图像分析的铁谱诊断研究．机电工程技术，2003，32(3)：70～73
[11] Z. Peng, T. B. Kirk, Wear Computer image analysis of wear particles in three-dimensions for machine condition monitoring ,Wear, 1998, 223: 157～166
[12] K. Xu, A. R. Luxmoore, L. M. Jones, F. Deravi, Integration of neural networks and expert systems for microscopic wear particle analysis, Knowledge-Based Systems, 1998, 11 (3-4): 213～227
[13] 陈果，左洪福．彩色磨粒图像自动分割技术．信号处理，2001，17(5)：449～453
[14] 左洪福，吴振锋，杨忠．双BP神经网络在磨损颗粒自动识别中的应用．航空学报，2001，21(4)：372～375
[15] A. D. H. Thomas, T. Davies, A. R. Luxmoore, Computer image analysis for identification of wear particles, Wear, 1991, 142:213～226
[16] 袁成清，李健，韦习成等．图像数字化处理系统在铁谱技术中的应用．99摩擦学及表面工程学术会议，1999：165～169
[17] 杨忠，左洪福等．基于微机图像处理的滑油磨粒测量与分析系统．数据采集与处理，1997，12(4)：301～307
[18] N. K. Myshkin, O. K. Kwon, Classification of wear debris using a neural network, Wear, 1997, 203-204:658～662
[19] P. Podsiadlo, G. W. Stachowiak, Scale-invariant analysis of wear particle surface morphology I: Theoretical background, computer implementation and technique testing, Wear, 2000, 242:160～179
[20] G. W. Stachowiak, P. Podsiadlo, Surface characterization of wear particles, Wear, 1999, 225-229:1171～1185
[21] G. B. Stachowiak, G. W. Stachowiak, The effects of particle characteristics on three-body abrasive wear, Wear, 2001, 249:201～207
[22] Z. Peng, T. B. Kirk, Wear particle classification in a fuzzy grey system, Wear, 1999, 225-229:1238～1247
[23] 汪家道，孔宪梅等．节点自删除神经网络及其在磨粒识别中的应用．清华大学学报(自然科学版)，1998，38(4)：42～46
[24] 柏子游，张勇，虞烈．真彩色铁谱图像的色彩压缩储存．润滑与密封，1999，(3)：51～53
[25] 柏子游，程正兴，虞烈．基于小波变换的铁谱图像数据压缩．润滑与密封，1999，(4)：42～44
[26] 吴明赞，陈淑燕，陈森发等．基于粗集-神经网络的磨粒模式识别．摩擦学学报，2002，22(3)：235～237
[27] 周新聪，萧汗梁，严新平等．一种新的磨粒图像特征参数．摩擦学学报，2002，22(2)：138～141
[28] 林天亮，李晓华，张省．基于灰色关联度的神经网络磨粒识别诊断系统．黄金学报，1999，1(3)：227～229
[29] 姚家奕等编著．《计算机图像技术及其应用》，长沙：国防工业出版社，1998
[30] 张远鹏，董海，周文灵．《计算机图像处理技术基础》，北京：北京大学出版社，1996
[31] 刘文耀等编著．《光电图像处理》，北京：电子工业出版社，2002
[32] 荆仁杰，叶秀清，徐胜荣等编．《计算机图像处理》，杭州：浙江大学出版社，1990
[33] K．R．Castleman著，朱志刚，林学阎，石定机等译．《数字图像处理》，北京：电子工业出版社，2002
[34] 何斌，马天予，王运坚等编著．《Visual C++数字图像处理》，北京：人民
邮电出版社，2001
[35] 凌玲，陈大融，孔宪梅．铁谱磨粒图像的计算机图像处理．中国机械工程，1994，41～43
[36] 李忠、曾昭翔等．基于BP神经网络的磨损微粒智能识别．北方交通大学学报，1998，21(1)：86～91
[37] P. Podisiadlo, G. W. Stachowiak, Scale-invariant analysis of wear particle surface morphology Ⅲ: Pattern recognition, Wear, 2000, 242:189～201
[38] 李艳军，左洪福，吴振锋．灰色定权聚类在磨粒识别中的应用．数据采集与处理，2002，17(1)：108～112
[39] 闫兵，潭达明．故障诊断中是灰色关联度分析．振动、测试与诊断，1994，(9)：43～50
[40] 何永勇，贾民平，钟秉林等．基于模糊关联度的旋转机械故障多参数诊断．东南大学学报，1995，(9)：73～76
[41] 白士红，徐明，岳国胜．灰色系统关联分析在故障识别中的应用．沈阳航空工业学院学报，2000，(6)：81～83
[42] 边肇祺，张学工等编著．《模式识别》，北京：清华大学出版社，1999
[43] 戴葵编著．《神经网络实现技术》，长沙：国防科技大学出版社，1998
[44] 邓聚龙著．《灰色控制系统》，武汉：华中工学院出版社，1985
[45] 代劲松，宋素芳，佟德纯．基于灰色理论的电站机组状态监视与故障诊断方法．振动工程学报，1993，6(4)：380～385
[46] 曾光明等．环境影响综合评价的灰色关联分析法．中国环境科学，1995，15(4)：247～251
[47] 王学萌等．《灰色系统模型在农村经济中的应用》，武汉：华中理工大学出版社，1989
[48] M．J．Yong著，邱仲潘等译．《Visual C++6从入门到精通》，北京：电子工业出版社，1999
[49] 潭浩强，张基温，唐承炎编著．《C语言程序设计教程》，北京：高等教育出版社，1998
[50] (美)Microsoft Corporation著，欣力，李莉，陈维等译．《Microsoft Win32程序员参考大全》，北京：清华大学出版社，1995
[2] K. Xu, A. R. Luxmoore, An integrated system for automatic wear particle analysis, Wear, 1997, 208:184～193
[3] G.W. Stachowiak, Numerical characterization of wear particles morphology and angularity of particles and surfaces, Tribology International, 1998, 31: 139～157
[4] Z.X. Peng, An integrated intelligence system for wear debris analysis, Wear, 2002, 252:730～743
[5] 熊皋，孔宪梅，汪家道等．可共享的磨粒识别及磨损诊断系统．机械科学与技术，2002，21(3)：421～423
[6] 冼亮，陈大融．铁谱磨粒数字特征分析系统．清华大学学报(自然科学版)，1992，32(5)：60～64
[7] 李艳军，左洪福等．基于磨粒显微形态分析的发动机磨损状态监测与故障诊断技术．应用基础与工程科学学报，2002，8(4)：431～437
[8] 孔宪梅，熊皋，汪家道．计算机图像处理在铁谱分析中的应用．润滑与密封，2002．(2)：23～26
[9] 梁华，杨明忠．磨粒的计算机识别方法的研究与评述．中国机械工程，1995，6(3)：28～30
[10] 詹松，郑寿森，胡献国．基于计算机图像分析的铁谱诊断研究．机电工程技术，2003，32(3)：70～73
[11] Z. Peng, T. B. Kirk, Wear Computer image analysis of wear particles in three-dimensions for machine condition monitoring ,Wear, 1998, 223: 157～166
[12] K. Xu, A. R. Luxmoore, L. M. Jones, F. Deravi, Integration of neural networks and expert systems for microscopic wear particle analysis, Knowledge-Based Systems, 1998, 11 (3-4): 213～227
[13] 陈果，左洪福．彩色磨粒图像自动分割技术．信号处理，2001，17(5)：449～453
[14] 左洪福，吴振锋，杨忠．双BP神经网络在磨损颗粒自动识别中的应用．航空学报，2001，21(4)：372～375
[15] A. D. H. Thomas, T. Davies, A. R. Luxmoore, Computer image analysis for identification of wear particles, Wear, 1991, 142:213～226
[16] 袁成清，李健，韦习成等．图像数字化处理系统在铁谱技术中的应用．99摩擦学及表面工程学术会议，1999：165～169
[17] 杨忠，左洪福等．基于微机图像处理的滑油磨粒测量与分析系统．数据采集与处理，1997，12(4)：301～307
[18] N. K. Myshkin, O. K. Kwon, Classification of wear debris using a neural network, Wear, 1997, 203-204:658～662
[19] P. Podsiadlo, G. W. Stachowiak, Scale-invariant analysis of wear particle surface morphology I: Theoretical background, computer implementation and technique testing, Wear, 2000, 242:160～179
[20] G. W. Stachowiak, P. Podsiadlo, Surface characterization of wear particles, Wear, 1999, 225-229:1171～1185
[21] G. B. Stachowiak, G. W. Stachowiak, The effects of particle characteristics on three-body abrasive wear, Wear, 2001, 249:201～207
[22] Z. Peng, T. B. Kirk, Wear particle classification in a fuzzy grey system, Wear, 1999, 225-229:1238～1247
[23] 汪家道，孔宪梅等．节点自删除神经网络及其在磨粒识别中的应用．清华大学学报(自然科学版)，1998，38(4)：42～46
[24] 柏子游，张勇，虞烈．真彩色铁谱图像的色彩压缩储存．润滑与密封，1999，(3)：51～53
[25] 柏子游，程正兴，虞烈．基于小波变换的铁谱图像数据压缩．润滑与密封，1999，(4)：42～44
[26] 吴明赞，陈淑燕，陈森发等．基于粗集-神经网络的磨粒模式识别．摩擦学学报，2002，22(3)：235～237
[27] 周新聪，萧汗梁，严新平等．一种新的磨粒图像特征参数．摩擦学学报，2002，22(2)：138～141
[28] 林天亮，李晓华，张省．基于灰色关联度的神经网络磨粒识别诊断系统．黄金学报，1999，1(3)：227～229
[29] 姚家奕等编著．《计算机图像技术及其应用》，长沙：国防工业出版社，1998
[30] 张远鹏，董海，周文灵．《计算机图像处理技术基础》，北京：北京大学出版社，1996
[31] 刘文耀等编著．《光电图像处理》，北京：电子工业出版社，2002
[32] 荆仁杰，叶秀清，徐胜荣等编．《计算机图像处理》，杭州：浙江大学出版社，1990
[33] K．R．Castleman著，朱志刚，林学阎，石定机等译．《数字图像处理》，北京：电子工业出版社，2002
[34] 何斌，马天予，王运坚等编著．《Visual C++数字图像处理》，北京：人民
邮电出版社，2001
[35] 凌玲，陈大融，孔宪梅．铁谱磨粒图像的计算机图像处理．中国机械工程，1994，41～43
[36] 李忠、曾昭翔等．基于BP神经网络的磨损微粒智能识别．北方交通大学学报，1998，21(1)：86～91
[37] P. Podisiadlo, G. W. Stachowiak, Scale-invariant analysis of wear particle surface morphology Ⅲ: Pattern recognition, Wear, 2000, 242:189～201
[38] 李艳军，左洪福，吴振锋．灰色定权聚类在磨粒识别中的应用．数据采集与处理，2002，17(1)：108～112
[39] 闫兵，潭达明．故障诊断中是灰色关联度分析．振动、测试与诊断，1994，(9)：43～50
[40] 何永勇，贾民平，钟秉林等．基于模糊关联度的旋转机械故障多参数诊断．东南大学学报，1995，(9)：73～76
[41] 白士红，徐明，岳国胜．灰色系统关联分析在故障识别中的应用．沈阳航空工业学院学报，2000，(6)：81～83
[42] 边肇祺，张学工等编著．《模式识别》，北京：清华大学出版社，1999
[43] 戴葵编著．《神经网络实现技术》，长沙：国防科技大学出版社，1998
[44] 邓聚龙著．《灰色控制系统》，武汉：华中工学院出版社，1985
[45] 代劲松，宋素芳，佟德纯．基于灰色理论的电站机组状态监视与故障诊断方法．振动工程学报，1993，6(4)：380～385
[46] 曾光明等．环境影响综合评价的灰色关联分析法．中国环境科学，1995，15(4)：247～251
[47] 王学萌等．《灰色系统模型在农村经济中的应用》，武汉：华中理工大学出版社，1989
[48] M．J．Yong著，邱仲潘等译．《Visual C++6从入门到精通》，北京：电子工业出版社，1999
[49] 潭浩强，张基温，唐承炎编著．《C语言程序设计教程》，北京：高等教育出版社，1998
[50] (美)Microsoft Corporation著，欣力，李莉，陈维等译．《Microsoft Win32程序员参考大全》，北京：清华大学出版社，1995