CN104865168A - 船用铁谱仪及其测量与分析方法 - Google Patents

Abstract

本发明公开了船用铁谱仪及其测量与分析方法，铁谱仪包括：制谱装置1、高像素摄像头2、USB3、虚拟仪器装置4、笔记本电脑5；其特征在于：所述的制谱装置1中的油样池6的润滑油经微型泵7将磨粒留在玻璃基片8上，油进入废油池9，磨粒经高像素摄像头2拍摄高清晰的图像，通过虚拟仪器装置4将高清晰图像传送至笔记本电脑5，笔记本电脑5内的图像预处理软件对图像进行处理，再在笔记本电脑5内的虚拟界面中应用灰色聚类算法完成磨粒磨损型式判断，应用灰色预测算法拓灰色预测模型(EGM(1，1))进行磨粒磨损趋势预测。制谱装置构造简单，适宜于船舶机舱复杂的电磁环境。虚拟仪器技术的应用，使得船用铁谱分析仪可随时扩展升级。

Description

船用铁谱仪及其测量与分析方法

技术领域：

本发明涉及一种根据船舶柴油机的润滑系统润滑油中磨粒的形状参数判断其运动部件磨损状况分析设备，属于测量仪器领域。

背景技术：

由于船舶常年航行于海洋中，流动分散，长时间难以回到船籍港，应用分析式铁谱仪与旋转式铁谱仪在船东公司建立船用柴油机铁谱分析室，显然不符合现实情况。公开号：102494973A，公开日期：2011-04-13，发明名称：在线全流量可视铁谱仪；公开号：101093191，公开日期：2007-12-26，发明名称：油液污染物综合检测系统及检测方法，由于船舶机舱狭小，噪声、振动以及复杂的电磁环境，很难进行准确的柴油机磨损状况的分析。上述公开的技术在船舶上是无法使用的，针对船舶的实际情况，特提出如下发明。

发明内容：

本发明的目的是解决船舶在航行途中，对其柴油机磨损状况进行监测、磨损模式进行识别与趋势预测的问题，特别是适合船舶这一特殊的水上流动物体的实际需要，提供一种便携式铁谱分析仪。本发明将虚拟仪器技术，图像处理技术、智能分析与预测算法相结合。

船用铁谱仪的组成包括：制谱装置1、高像素摄像头2、USB3、虚拟仪器装置4、笔记本电脑5，装置1中的油样池6的润滑油经微型泵7将磨粒留在玻璃基片8上，油进入废油池9，磨粒经高像素摄像头2拍摄高清晰的图像，通过虚拟仪器装置4将高清晰图像传送至笔记本电脑5，笔记本电脑5内的图像预处理软件对图像进行处理，再在笔记本电脑5内的虚拟界面中完成磨粒磨损型式判断和磨粒磨损趋势预测。

制谱装置1包括：油样池6、微型泵7、玻璃基片8、永久磁铁9、废油池10。

本发明有如下积极效果：

1.一个简易的制谱装置加上一个高像素摄像头代替了原来的分析式铁谱仪或旋转式铁谱仪加上显微镜这一复杂系统；

2.原来的铁谱分析仪或旋转式铁谱仪，需要专业人员操作，而本发明是智能型的，船舶机舱工作人员即可进行操作；

3.充分应用计算机图像处理技术，虚拟仪器技术以及智能算法等这些现代新技术，进行组合，用软件来弥补硬件的不足，使本发明的铁谱分析仪精度、速度、重复性大大提高；

4.制谱装置构造简单，适宜于船舶机舱复杂的电磁环境；

5.虚拟仪器技术的应用，使得船用铁谱分析仪可随时扩展升级。

附图说明：

图1船用铁谱仪组成图；

图2制谱装置原理图。

图中，制谱装置1，高像素摄像头2，USB3，虚拟仪器装置4，笔记本电脑5，油样池6，微型泵7，玻璃基片8，永久磁铁9，废油池10。

具体实施方式：

下面结合具体实施方式对本发明船用铁谱仪及其测量与分析方法进行详细说明。

1.本船用铁谱仪结构及具体工作过程

船用铁谱仪的组成包括：制谱装置1、高像素摄像头2、USB3、虚拟仪器装置4、笔记本电脑5。制谱装置1中油样池6的润滑油经微型泵7将磨粒留在玻璃基片8上，润滑油进入废油池9中。高像素摄像头2对磨粒拍摄高清晰的图像，并通过虚拟仪器装置4将高清晰图像传送至笔记本电脑5中。笔记本电脑5内的图像预处理软件对图像进行预处理，获得图像中磨粒的面积、等效圆直径、圆度、长短轴比、凹度5个参数。笔记本电脑5内安装的虚拟界面，通过灰色聚类算法完成磨粒磨损型式判断、通过灰色预测算法完成磨粒磨损趋势预测。

再在笔记本电脑5内的虚拟界面中完成磨粒磨损型式判断和磨粒磨损趋势预测。

2.本船用铁谱仪的各个组成部分

(1)制谱装置1的原理图如图2所示，微型泵6将油样池5中的样品油经试管抽出，样品油以稳定速度流过玻璃基片7，再流入废油池9中。为了保证样品油在玻璃基片7上流动无脉动层流，样品油流速0.20～0.45ml／min；样品油的粘度范围10×10⁶～220×10⁶m²／s；样品油的密度范围为70～90kg／m³。

(2)玻璃基片7的尺寸为60×24×0.17mm，沿长度中心线有一宽4.5～5.0mm的U形油槽，样品油流至其片出口端55～56mm位置处，然后在U形槽内向玻璃基片7出口端流去。

(3)高像素摄像头2选用Evolution LC数码图像套件内置高像素图像传感器，使用USB数据总线协议进行图像获取、模数变换及百万像素级数据信号流传输。采用130万(1280x1024)像素高分辨率CMOS图像传感器，可在图像刷新速度达13幅／秒下拍摄1280x1024和在30幅／秒下拍摄640x480标准的图片以及视频，具有C-mount接口方便与显微镜接口连接。

(4)磨粒图像的预处理采用Image-Pro Plus图像分析软件包对磨粒图像进行预处理，其具有强大的2D和3D图像采集、处理、增强和分析能力和测量和定制功能。具有表面分析功能、多维采集功能，可用普通的视频采集设备以及图像数据库来采集和增强图像，并可制备图像以进行详细的图像分析。软件可用于荧光成像、质量控制、材料成像及其它的多项科研、医学与工业应用。Image-Pro Plus包含了诸多图像增强和测量工具，并允许用户自行编写针对特定应用的宏和插件。

3.磨粒尺寸及形状测量参数，磨粒的几何形状分析

在船舶柴油机的铁谱监测中，磨粒识别的前提必须建立在磨粒图像处理和磨粒特征提取的基础上。由于铁谱监测系统的图像处理软件是通用软件，在进行磨粒特征提取时缺乏针对性，提取精度较差。一个谱片的磨粒图像根据其亲疏程度和相似性是否属于某个类别，其界限往往是不分明的，具有很大程度的模糊性，模糊集合理论正是刻画和解决这类问题的数学方法。

通过对D.P.Anderson图谱中典型磨损型式的磨粒形状特征参数(圆度R_d长短轴比R₁，凹度C_v)，进行模糊聚类分析，以识别任一谱片的磨粒属于哪一类磨粒模式，从而正确判断船舶柴油机的工作状况。磨粒尺寸及形状的描述包括：

(1)面积：

(2)等效圆直径：

(3)圆度d：R_d=L／4πA，L为磨粒区域S_L的周长，R_d为体现磨粒接近圆的程度；

(4)长短轴比R_t：R_t=a／b，a为颗粒长轴尺寸；b为颗粒短轴尺寸；R_t体现磨粒长的程度；

(5)凹度C_v：C_v=L／Z，Z为磨粒区域的最小突包周长，C_v磨粒区域弯的程度。

4.柴油机磨损型式的灰色聚类识别算法

磨粒模式分为：正常，胶合和疲劳，严重滑动几种。

多Agent的磨粒模式选择过程主要是依据铁谱仪对柴油机润滑油综合铁谱磨粒分析和决策的过程。但是由于信息资源的不对称性以及人类思维认知的局限性等多方面的限制，获得的铁谱磨粒模式知识也不确定，在对磨粒选择中利用确定值进行决策并不符合实际的情况，引入灰数或区间灰数可以更准确地表示信息不完全、不确定情况下的磨粒模式的相关知识(灰数是灰色系统理论的最基本要素，即只知道大概范围而不知道其确切值)。

步骤1：磨粒模式多属性的灰色区间表示

设有磨粒模式集合U={1，2，..，n}，各磨粒模式Agent的属性集合A={A₁，A₂，...，A_m}。第i个Agent_t在第j个属性A_j下的信息量化评估值可表示为非负区间型灰数：

$u_{\mathrm{ij}}(\⊗)\∈[{\underset{\‾}{u}}_{\mathrm{ij}},{\stackrel{\‾}{u}}_{\mathrm{ij}}],$ 其中 $(0\≤{\underset{\‾}{u}}_{\mathrm{ij}}\≤\stackrel{\‾}{u};i=\mathrm{1,2},...,m)$

则Agent_i的量化评估向量记为：

$u_i(\⊗)=(u_{i1}(\⊗),u_{i2}(\⊗),...,u_{\mathrm{im}}(\⊗)),$ 其中(i=1，2，...，n)

由式中各向量生成磨粒模式的灰色基本情况信息表G=(U，A)。再对基本灰色信息表中各属性元素根据灰色级差变换方法，进行标准化处理，可得到标准化评估向量：

$x_i(\⊗)=(x_{i1}(\⊗),x_{i2}(\⊗),...,x_{\mathrm{im}}(\⊗)),$ 其中(i=1，2，...，n)

其中，为[0，1]上的非负区间型灰数。生成标准化灰色信息表G′。

${\underset{\‾}{x}}_{\mathrm{ij}}=\frac{{\underset{\‾}{u}}_{\mathrm{ij}}-{\underset{\‾}{u}}_j^{-}}{{\stackrel{\‾}{u}}_j^{+}-{\underset{\‾}{u}}_j^{-}},{\stackrel{\‾}{x}}_{\mathrm{ij}}=\frac{{\stackrel{\‾}{u}}_{\mathrm{ij}}-{\underset{\‾}{u}}_j^{-}}{{\stackrel{\‾}{u}}_j^{+}-{\underset{\‾}{u}}_j^{-}}$

${\underset{\‾}{x}}_{\mathrm{ij}}=\frac{{\stackrel{\‾}{u}}_j^{+}-{\stackrel{\‾}{u}}_{\mathrm{ij}}}{{\stackrel{\‾}{u}}_j^{+}-{\underset{\‾}{u}}_j^{-}},{\stackrel{\‾}{x}}_{\mathrm{ij}}=\frac{{\stackrel{\‾}{u}}_j^{+}-{\underset{\‾}{u}}_{\mathrm{ij}}}{{\stackrel{\‾}{u}}_j^{+}-{\underset{\‾}{u}}_j^{-}}$

其中 ${\stackrel{\‾}{u}}_j^{+}=\underset{1\≤i\≤n}{\max }\left\{{\stackrel{\‾}{u}}_{\mathrm{ij}}\right\},{\underset{\‾}{u}}_j^{-}=\underset{1\≤i\≤n}{\min \left\{{\underset{\‾}{u}}_{\mathrm{ij}}\right\}},$ j=1，2，...，m。

步骤2：理想磨粒模式属性评估向量

分别选取所有标准化磨粒模式信息中各属性值最优的区间范围，即可得到理想对象属性的评估向量： $x^{+}(\⊗)=(x_1^{+}(\⊗),x_2^{+}(\⊗),...,x_m^{+}(\⊗)),$ 其中， $x_j^{+}(\⊗)\∈[{\underset{\‾}{x}}_j^{+},{\stackrel{\‾}{x}}_j^{+}];{\stackrel{\‾}{x}}_j^{+}=\underset{1\≤i\≤n}{\max }\left\{{\stackrel{\‾}{x}}_{\mathrm{ij}}\right\},$ ${\stackrel{\‾}{x}}_j^{-}=\underset{1\≤i\≤n}{\min }\left\{{\stackrel{\‾}{x}}_{\mathrm{ij}}\right\},{\underset{\‾}{x}}_j^{+}=\underset{1\≤i\≤n}{\max }\left\{{\underset{\‾}{x}}_{\mathrm{ij}}\right\},{\underset{\‾}{x}}_j^{-}=\underset{1\≤i\≤n}{\min }\left\{{\underset{\‾}{x}}_{\mathrm{ij}}\right\},$ (j=1，2，...，m)。

步骤3：灰色区间关联系数的计算

将各个备选磨粒模式属性向量与理想磨粒模式的属性向量进行比较，并计算其相对于理想目标的灰色区间关联系数。

$r_{\mathrm{ij}}^{+}=\left(\frac{1}{2}\right[\frac{\underset{l\≤i\≤n}{\min }\underset{1\≤j\≤m}{\min }|{\underset{\‾}{x}}_j^{+}-{\underset{\‾}{x}}_{\mathrm{ij}}|+\mathrm{\λ}\underset{1\≤i\≤n}{\max }\underset{1\≤j\≤m}{\max }|{\underset{\‾}{x}}_j^{+}-{\underset{\‾}{x}}_{\mathrm{ij}}|}{|{\underset{\‾}{x}}_j^{+}-{\underset{\‾}{x}}_{\mathrm{ij}}|+\mathrm{\λ}\underset{1\≤i\≤n}{\max }\underset{1\≤j\≤m}{\max }|{\underset{\‾}{x}}_j^{+}-{\underset{\‾}{x}}_{\mathrm{ij}}|}+\frac{\underset{1\≤i\≤n}{\min }\underset{1\≤j\≤m}{\min }|{\stackrel{\‾}{x}}_j^{+}-{\stackrel{\‾}{x}}_{\mathrm{ij}}|+\mathrm{\λ}\underset{1\≤i\≤n}{\max }\underset{1\≤j\≤m}{\max }|{\stackrel{\‾}{x}}_j^{+}-{\stackrel{\‾}{x}}_{\mathrm{ij}}|}{|{\stackrel{\‾}{x}}_j^{+}-{\stackrel{\‾}{x}}_{\mathrm{ij}}|+\mathrm{\λ}\underset{1\≤i\≤n}{\max }\underset{1\≤j\≤m}{\max }|{\stackrel{\‾}{x}}_j^{+}-{\stackrel{\‾}{x}}_{\mathrm{ij}}|}\left]\right)$

其中，λ∈[0，1]为比较环境调节因子。计算各备选对象各属性关于理想对象相应属性的灰色区间关联系数向量：

$r_i^{+}=(r_{i1}^{+},r_{i2}^{+},...,r_{\mathrm{im}}^{+}),$ 其中(i=1，2，...，n)

生成备选对象关于理想对象的灰色区间关联系数矩阵：

步骤4：白化权函数及各属性权重

根据磨粒模式选择对各属性保留值确定关于各灰类的白化权函数其中(j=1，2，...，m；k=1，2，...，p)；

根据磨粒模式Agent对属性重视程度，为各属性设定权重其中(j=1，2，...，n；k=1，2，..，p)。

步骤5：磨粒模式的综合聚类系数

计算磨粒模式的综合聚类系数

其中(j=1，2，...，n；k=1，2，...，p)

由其中{i=1，2，...，n}确定备选磨粒模式i属于灰类k*，即可完成磨粒模式的初步选择。

5.柴油机磨粒尺寸的灰色预测算法

拓灰色预测模型(EGM(1，1))充分利用铁谱磨粒的形状尺寸参数把随时间变化的磨粒形状尺寸累加求和，生成新数列，用一条适当曲线逼近，逼近曲线还原后即为拓灰色预测模型。设有一组不等时距的离散数据：

X⁽⁰⁾=x⁽⁰⁾(t₁)，x⁽⁰⁾(t₂)，...，x⁽⁰⁾(t_n)

式中t_i(i=1，2，..，n)为离散数据对应的时间。

为解决数据列差与时间差的非线性性，在等时距的GM(1，1)模型基础上，要求预测值与原始值近似相等，提出如下方程组：

$\left\{\begin{array}{c}{x}^{\left(0\right)}\left(t_i\right)=c{(1-e^a)e}^{{-\mathrm{at}}_i}\\ x^{\left(0\right)}\left(t_j\right)=c{(1-e^a)e}^{{-\mathrm{at}}_j}\end{array},,i=\mathrm{2,3},...,n-1;n-1;j=i+1,...,n\right.$

解上式得：

$a_{\mathrm{ij}}=\frac{1}{t_i-t_j}\ln \frac{x^{\left(0\right)\left(t_j\right)}}{x^{\left(0\right)}\left(t_i\right)}$

得出的a_ij求和取均值： $\hat{a}=\frac{1}{{(n-1)}^2}\underset{i=2}{\overset{m-1}{\mathrm{\Σ}}}\underset{j=i+l}{\overset{m}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}$

解得： $x^{\left(0\right)}\left(t_i\right)=c_i{(1-e^{\hat{a}})}^{{-\hat{a}}_i},i=\mathrm{1,2},...,n$

根据上式，求得c_i，累加求和取平均值：

$\hat{c}=\frac{1}{n-1}{c}_i$

最后解得拓灰色预测模型： ${\hat{x}}^{\left(0\right)}\left(t_i\right)={\hat{c}}_i{(1-e^{\hat{a}})e}^{{-\widehat{\mathrm{at}}}_i}.$

Claims (10)

1.船用铁谱仪组成包括：制谱装置(1)、高像素摄像头(2)、USB(3)、虚拟仪器装置(4)、笔记本电脑(5)；其特征在于：所述的制谱装置(1)中的油样池(6)的润滑油经微型泵(7)将磨粒留在玻璃基片(8)上，油进入废油池(9)，磨粒经高像素摄像头(2)拍摄高清晰的图像，通过虚拟仪器装置(4)将高清晰图像传送至笔记本电脑(5)，笔记本电脑(5)内的图像预处理软件对图像进行处理，再在笔记本电脑(5)内的虚拟界面中完成磨粒磨损型式判断和磨粒磨损趋势预测。

2.根据权利要求1所述的船用铁谱仪，其特征在于：所述的制谱装置(1)由油样池(6)、微型泵(7)、玻璃基片(8)、永久磁铁(9)、废油池(10)组成。

3.根据权利要求1所述的船用铁谱仪，其特征在于：所述的高像素摄像头(2)选用EvolutionLC数码图像套件。

4.根据权利要求1所述的船用铁谱仪，其特征在于：所述的虚拟仪器装置(4)由数据采集卡、设备驱动、面板程序、应用程序、虚拟仪器开发平台组成，并采用PCMCIA总线。

5.根据权利要求1-4中的任一权利要求所述的船用铁谱仪测量方法，其特征在于：图像预处理软件选用Image-Pro Plus图像分析软件包。

6.根据权利要求1-5中的任一权利要求所述的船用铁谱仪测量方法，其特征在于：应用Image-Pro Plus图像分析软件包测量磨粒的面积、等效圆直径、圆度、长短轴比、凹度5个参数。

7.根据权利要求2所述的铁谱仪，其特征在于：玻璃基片(7)的尺寸60×24×0.17mm。

8.根据权利要求2所述的铁谱仪，其特征在于：微型泵(6)油样的流速为0.20～0.45ml／min。

9.根据权利要求1-5中的任一权利要求所述的铁谱仪分析方法，应用灰色聚类算法对磨粒磨损型式进行判断，该算法的步骤为：

步骤1)磨粒模式多属性的灰色区间表示；

步骤2)理想磨粒模式属性评估向量；

步骤3)灰色区间关联系数的计算；

步骤4)白化权函数及各属性权重；

步骤5)磨粒模式的综合聚类系数；

其特征在于：

1)灰色区间关联系数的计算；

将各个备选磨粒模式属性向量与理想磨粒模式的属性向量进行比较，并计算其相对于理想目标的灰色区间关联系数；

$r_{\mathrm{ij}}^{+}=\left(\frac{1}{2}\right[\frac{\underset{l\≤i\≤n}{\min }\underset{1\≤j\≤m}{\min }|{\underset{\‾}{x}}_j^{+}-{\underset{\‾}{x}}_{\mathrm{ij}}|+\mathrm{\λ}\underset{1\≤i\≤n}{\max }\underset{1\≤j\≤m}{\max }|{\underset{\‾}{x}}_j^{+}-{\underset{\‾}{x}}_{\mathrm{ij}}|}{|{\underset{\‾}{x}}_j^{+}-{\underset{\‾}{x}}_{\mathrm{ij}}|+\mathrm{\λ}\underset{1\≤i\≤n}{\max }\underset{1\≤j\≤m}{\max }|{\underset{\‾}{x}}_j^{+}-{\underset{\‾}{x}}_{\mathrm{ij}}|}+\frac{\underset{1\≤i\≤n}{\min }\underset{1\≤j\≤m}{\min }|{\stackrel{\‾}{x}}_j^{+}-{\stackrel{\‾}{x}}_{\mathrm{ij}}|+\mathrm{\λ}\underset{1\≤i\≤n}{\max }\underset{1\≤j\≤m}{\max }|{\stackrel{\‾}{x}}_j^{+}-{\stackrel{\‾}{x}}_{\mathrm{ij}}|}{|{\stackrel{\‾}{x}}_j^{+}-{\stackrel{\‾}{x}}_{\mathrm{ij}}|+\mathrm{\λ}\underset{1\≤i\≤n}{\max }\underset{1\≤j\≤m}{\max }|{\stackrel{\‾}{x}}_j^{+}-{\stackrel{\‾}{x}}_{\mathrm{ij}}|}\left]\right)$

其中，λ∈[0，i]为比较环境调节因子，计算各备选对象各属性关于理想对象相应属性的灰色区间关联系数向量：

$r_i^{+}=(r_{i1}^{+},r_{i2}^{+},...,r_{\mathrm{im}}^{+}),$ 其中(i=1,2,...,n)

生成备选对象关于理想对象的灰色区间关联系数矩阵：

2)白化权函数及各属性权重；

根据磨粒模式选择对各属性保留值确定关于各灰类的白化权函数其中(j=1，2，...，m；k=1，2，...，p)，

根据磨粒模式Agent对属性重视程度，为各属性设定权重其中(j=1，2，...，n；k=1，2，...，p)；

3)磨粒模式的综合聚类系数；

计算磨粒模式的综合聚类系数

其中(j=1,2,...,nk=1,2,...,p)

由其中{i=1，2，...，n}确定备选磨粒模式i属于灰类k^*，即可完成磨粒模式的初步选择。

10.根据权利要求1-5中的任一权利要求所述的铁谱仪分析方法，灰色预测算法对磨粒磨损趋势进行预测，其特征在于：

在等时距的GM(1，1)模型基础上，要求预测值与原始值近似相等，提出如下方程组

$\left\{\begin{array}{c}{x}^{\left(0\right)}\left(t_i\right)=c{(1-e^a)e}^{{-\mathrm{at}}_i}\\ x^{\left(0\right)}\left(t_j\right)=c{(1-e^a)e}^{{-\mathrm{at}}_j}\end{array},,i=\mathrm{2,3},...,n-1;n-1;j=i+1,...,n\right.$

解上式得：

$a_{\mathrm{ij}}=\frac{1}{t_i-t_j}\ln \frac{x^{\left(0\right)\left(t_j\right)}}{x^{\left(0\right)}\left(t_i\right)}$

得出的a_ij求和取均值： $\hat{a}=\frac{1}{{(n-1)}^2}\underset{i=2}{\overset{m-1}{\mathrm{\Σ}}}\underset{j=i+l}{\overset{m}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}$

解得： $x^{\left(0\right)}\left(t_i\right)=c_i{(1-e^{\hat{a}})}^{{-\hat{a}}_i},i=\mathrm{1,2},...,n$ 根据上式，求得c_i，累加求和取平均值：

$\hat{c}=\frac{1}{n-1}{c}_i$

最后解得拓灰色预测模型： ${\hat{x}}^{\left(0\right)}\left(t_i\right)={\hat{c}}_i{(1-e^{\hat{a}})e}^{{-\widehat{\mathrm{at}}}_i}.$