新型磨粒在线监测传感器及其试验研究

依据润滑油中磨粒与电感线圈之间耦合关系,设计了1种新型的电感式磨粒传感器,并建立了相应的在线磨粒测试系统.利用在线磨粒监测试验台,对传感器的磨粒检出能力、测试结果的一致性以及测试系统输出与磨粒通过速度的关系进行了试验.结果表明:该在线磨粒监测传感器对粒度大于500μm的铜磨粒和粒度大于100μm的铁磨粒具有较好的检测能力;磁性磨粒收集装置能显著提高传感器对小尺寸铁磁质磨粒的检测能力;在磨粒速度一定情况下,传感器对不同类别不同粒度的磨粒输出一致性好;磨粒速度对测试系统输出影响较大,磨粒速度越快,测试系统输出越小;提高传感器信号放大电路的频响范围,将改善测试系统的响应速度,提高对高速磨粒的检出能力.本研究结论证明该传感器能较好地满足在线磨粒监测的要求.     

一种新的磨粒图像特征参数

探讨了小波分析在磨粒图像处理中的应用 ,提出了基于磨粒图像统计特征的粒度参数概念 .利用小波分解对磨粒图像进行分解 ,然后对分解的图像进行统计分析 ,实现磨粒图像的特征提取 .结果表明 ,粒度参数可以作为磨粒图像的综合特征参数     

图像可视在线铁谱仪的实验研究

研制出1种监测不透光润滑油中磨粒图像可视在线铁谱仪，介绍了其中关键零部件（混合磁铁和磨粒探测单元）的组成及其工作原理，并进行了性能试验研究．结果表明，所研制的图像可视在线铁谱仪具有采集不透光润滑油中尺寸大于10μm磨粒图像的功能，其稳定性、线性度和重复性较好，能够通过磨粒在线反映机器磨损的状态．     

基于Mask R-CNN网络的磨损颗粒智能识别与应用

针对设备磨损故障诊断中磨粒识别技术难度高、工作主观经验影响大等问题,采用深度学习技术开展了磨粒智能识别的研究,提出了基于Mask R-CNN卷积神经网络的磨粒数字化表征方法. 该方法利用迁移学习训练基于Mask R-CNN网络的磨粒识别模型对图像中磨粒进行识别和实例分割,然后使用Suzuki85算法、迭代算法、等比例计算方法计算出磨粒的真实尺寸,解决了磨粒分析中难定量分析的问题. 结果表明:基于Mask R-CNN网络(采用R-101-FPN骨干网络)训练的磨粒识别模型可以对图像中多个异常磨损颗粒进行识别,综合准确率和召回率达到当前图像识别领域的主流水平. 辅以上述Suzuki85等算法,成功实现磨粒图像的定量评价分析,对促进设备故障诊断技术的自动化发展和工业应用具有一定的实际应用价值.      

基于改进YOLOv4的扫描电镜磨粒图像智能识别

磨损颗粒分析是设备磨损故障诊断和预测的有效手段,为了提高磨粒检测的自动化和智能化程度,提出1种基于改进YOLOv4的目标检测算法,并应用于航空发动机扫描电镜磨粒图像识别.首先,新算法采用VoVNetv2-39替换YOLOv4原主干网络CSPDarknet53,并引入BiFPN特征金字塔结构与新主干相连,同时调整模型中所有3×3标准卷积为深度可分离卷积,以加强多层次特征融合,构造轻量级网络;其次,利用迁移学习解决扫描电镜磨粒图像数量较少的问题,并通过冻结训练加速模型训练过程;最后,应用实际发动机扫描电镜磨粒图像验证,结果表明：新算法相较于原YOLOv4网络,在保证精度的前提下,网络参数量大幅降低,识别速度提升51.1%,满足实际扫描电镜磨粒图像快速、简洁和高精度的检测需求,具备潜在的工程应用价值.     

一种摩擦学状态在线监测系统的研究

研制了一种用于船用柴油机的摩擦学状态在线监测系统。它集磨粒监测，润滑油质量监测，柴油机扭矩及时转速监测于一体，利用在线铁谱技术监测润滑油中的铁磁性磨粒，利用容栅型电容传感器在线监测污染物引起的润滑油介电常数的变化，利用光电传感器和随轴转动齿盘产生的脉冲及相位差在线测量柴油机输出轴的扭矩及瞬时转速。此外，该监测系统还可将柴油机的磨损状态与动力状态相关联，监测由于各缸爆排压力变化造成的瞬时转速变化，从     

基于图像传感器的在线铁谱仪的实验研究

介绍了一种新型在线铁谱仪的原理、性能和试验结果 ,该仪器通过 DSP计算遮光面积百分比、磨损指数以及分类特征大磨粒 ,能够判断被监测机器的磨损状态并预报异常磨损 .试验结果表明 ,所研制的仪器能较好地满足在线磨损检测的要求     

基于证据推理规则的船舶柴油机磨损类型辨识研究

为了利用不确定、不完整信息对船舶柴油机磨损故障进行诊断,以磨粒的二维和三维特征作为诊断信息,提出了基于证据推理(ER)规则的船舶柴油机磨粒类型辨识模型,并以此作为识别柴油机磨损类型的依据.在船舶柴油机油底壳附近安装油液监测系统以采集油液样本,提取油液中磨粒的二维和三维特征.对每一磨粒特征进行k均值聚类确定其参考值,对磨粒样本与参考值的相似性进行似然归一化,获得了证据的置信度分布.考虑辨识证据的可靠性和重要性,利用ER融合规则对多条辨识证据进行融合,辨识磨粒类型,进而确定柴油机磨损类型.通过5折交叉验证以及不同模型对比分析表明:该模型能够利用不确定、不完整信息识别磨粒类型,确定柴油机磨损类型,并且模型结构简单,辨识准确性高,辨识结果客观、可靠.     

卷积神经网络在装备磨损颗粒识别中的研究综述

铁谱法是用于装备故障诊断的1种重要方法,其中铁谱法的重点是铁谱图像的分析,即磨损磨粒分析. 卷积神经网络是当下最流行的深度学习算法之一,其广泛应用于图像识别领域,使得图像识别领域得到突破. 随着卷积神经网络的快速发展,磨损颗粒在智能识别方面的技术取得了重大的突破. 本文中首先简述了卷积神经网络与磨粒智能识别的发展历史,针对基于卷积神经网络的磨粒识别方法进行了从图像数据集处理到模型优化技术方面的介绍,并详细说明了这些技术在磨粒识别中的具体应用实例. 然后从现有网络和自设计网络两方面分类,整理了近年来卷积神经网络应用于磨粒智能识别的代表性文献,综述了这些工作所提出的模型结构和特点,分析并阐述了各个模型主要的识别原理,各个网络结构存在的优缺点,以及它们的数据采用情况等,并对未来磨粒智能识别的主要研究方向进行了展望. 最后肯定了卷积神经网络方法在磨粒智能识别方面的重要性,同时指出了基于此方法的磨粒识别模型的缺点,并提出了应紧跟图像识别领域的最新技术以促进磨粒智能识别水平提高等建议,对磨粒智能识别的发展具有一定的意义.      

电感式磨粒监测传感器的磁场均匀性研究

在介绍电感式磨粒监测传感器结构原理的基础上 ,提出可采用检测线圈内部磁场均匀性的方法来弥补颗粒运动轨迹和流型变化带来的检测误差 ,以提高检测灵敏度 .通过分析不同几何尺寸的线圈中轴线上磁场的变化情况 ,并借助直螺线管的径向和轴向公式 ,对轴外磁场均匀性进行了探讨 .数学模型和优化结果表明 :在检测传感器线圈中部范围内为非匀强磁场 ,且呈非线性变化 ,细长管磁场相对均匀 ;当选取 R/ L <0 .2 ,磁场在线圈轴向长度范围内 ,径向在90 %范围内可近似看作均匀磁场 .所得结果可以确定传感器检测区域的磁场均匀性范围 ,为设计电感式磨粒监测传感器提供依据 .     

基于背景色彩识别的磨粒图像分割方法

针对铁谱图像背景色彩相对单一的特点,设计了1种基于背景色彩识别的磨粒图像分割方法,采用该方法对轴尖-宝石轴承的润滑油铁谱图像进行图像分割,并用所得磨粒覆盖面积推算轴尖磨损量.通过大量磨粒图像分割实践表明,所设计的方法具有精度高、计算速度快及适应性强等优点.定量磨损分析表明,该摩擦副的磨损进程极为缓慢.     

On-line full scan inspection of particle size and shape using digital image processing

An on-line full scan inspection system is developed for particle size analysis.A particle image is first obtained through optical line scan technology and is then analyzed using digital image processing.The system is composed of a particle separation module,an image acquisition module,an image processing module,and an electric control module.Experiments are carried out using non-uniform 0.1 mm particles.The main advantage of this system consists of a full analysis of particles without any overlap or miss,thus improving the Area Scan Charge Coupled Device(CCD)acquisition problems.Particle size distribution,roundness,and sphericity can be obtained using the system with a deviation of repeated precision of around ±1%.The developed system is shown to be also convenient and versatile for any particle size and shape for academic and industrial users.     

IN-LINE PARTICLE SIZING FORPROCESS CONTROL IN NEW DIMENSIONS

The combination of laser diffraction with upstream sampling realized a break-through for the in-and on-line particles size analysis in industrial applications. Today, the combination of representative sampling, dry dispersion, particle size analysis by laser diffraction and integrated feedback of the sample is well accepted in many industrial applications. No more interactions of the user are required, and for standard applications the on-line monitoring of particle sizes became nearly as simple as the rnonitodng of any other process parameter. The increase of inspection interval from 24-hour operation to months has increased user confidence in this technology, and industries with more demanding measurement requirements are seeking to benefit from this performance. This challenge could not be solved with simple scale-ups or scale-do,he. New solutions had to be found for the sampling system, the measuring sensor, the adaptation to the environmental conditions and the processing of fesl growing volume of data.     

一种新的铁谱磨损监测定量参数

在工程实际中，铁谱磨损监测技术已经获得广泛应用，但其主要缺点是所用特征参数不能直接反映机械设备的磨损劣化程度．为了弥补现用铁谱定量分析参数的不足，提出了一种新的铁谱磨损监测定量参数——劣化值．这种参数的优点是使被监测对象的磨损劣化程度具有直观性和可比．为了避免使用一种铁谱定量参数的劣化值进行磨损状态判别时存在的片面性，运用模糊评判理论，引入综合劣化值概念，建立了评判标准；针对引入的劣化值，开发了相应的数据处理系统，用于劣化值计算及磨损状态判别．应用实例表明，劣化值的引入，不仅提高了铁谱定量参数的直观性，而且还实现了不同机械铁谱定量参数的可比性，能够反映机械设备磨损劣化状态的轻重程度     

Sequential non-linear least-square estimation for damage identification of structures

An early detection of structural damage is an important goal of any structural health monitoring system. In particular, the ability to detect damages on-line, based on vibration data measured from sensors, will ensure the reliability and safety of the structures. In this connection, innovative data analysis techniques for the on-line damage detection of structures have received considerable attentions recently, although the problem is quite challenging. In this paper, we proposed a new data analysis method, referred to as the sequential non-linear least-square (SNLSE) approach, for the on-line identification of structural parameters. This new approach has significant advantages over the extended Kalman filter (EKF) approach in terms of the stability and convergence of the solution as well as the computational efforts involved. Further, an adaptive tracking technique recently proposed has been implemented in the proposed SNLSE to identify the time-varying system parameters of the structure. The accuracy and effectiveness of the proposed approach have been demonstrated using the Phase I ASCE structural health monitoring benchmark building, a non-linear elastic structure and non-linear hysteretic structures. Simulation results indicate that the proposed approach is capable of tracking on-line the changes of structural parameters leading to the identification of structural damages.