CN114034772B - 一种轧辊潜在失效检测与剩余使用寿命预测专家系统 - Google Patents

一种轧辊潜在失效检测与剩余使用寿命预测专家系统 Download PDF

Info

Publication number
CN114034772B
CN114034772B CN202111209810.4A CN202111209810A CN114034772B CN 114034772 B CN114034772 B CN 114034772B CN 202111209810 A CN202111209810 A CN 202111209810A CN 114034772 B CN114034772 B CN 114034772B
Authority
CN
China
Prior art keywords
roller
dimensional
service life
defects
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111209810.4A
Other languages
English (en)
Other versions
CN114034772A (zh
Inventor
张泽琳
苏文哲
王蕾
钟声
夏绪辉
李文喜
曹建华
李鑫
严旭果
刘翔
陈宝通
王瞳
张欢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Science and Engineering WUSE
Xiangyang Boya Precision Industrial Equipments Co Ltd
Original Assignee
Wuhan University of Science and Engineering WUSE
Xiangyang Boya Precision Industrial Equipments Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University of Science and Engineering WUSE, Xiangyang Boya Precision Industrial Equipments Co Ltd filed Critical Wuhan University of Science and Engineering WUSE
Priority to CN202111209810.4A priority Critical patent/CN114034772B/zh
Publication of CN114034772A publication Critical patent/CN114034772A/zh
Application granted granted Critical
Publication of CN114034772B publication Critical patent/CN114034772B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/06—Visualisation of the interior, e.g. acoustic microscopy
    • G01N29/0654—Imaging
    • G01N29/069—Defect imaging, localisation and sizing using, e.g. time of flight diffraction [TOFD], synthetic aperture focusing technique [SAFT], Amplituden-Laufzeit-Ortskurven [ALOK] technique
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4445—Classification of defects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4481—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8874—Taking dimensions of defect into account
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Acoustics & Sound (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明属于轧辊检测技术领域，公开了一种轧辊潜在失效检测与剩余使用寿命预测专家系统，检测模块进行轧辊二维图像的采集、处理，进行轧辊内部缺陷三维形貌图像的特征提取与分类；预测模块根据不同的缺陷对轧辊的剩余使用寿命影响程度不同，确定不同缺陷的权重系数，进行轧辊剩余使用寿命预测。本发明提高了缺陷检测的灵敏度、结果的可靠性和准确性；设定影响轧辊失效的主要缺陷形式和不同缺陷对应的主要图像特征值，并将其输入专家系统，得到不同缺陷对应的发展阶段，并结合浴盆函数，评估轧辊的剩余使用寿命，减少了技术人员的工作量，提高了寿命预测的准确度，并设置时间点对轧辊进行动态监测，为轧辊的再制造和更换提供了准确的依据。

Description

一种轧辊潜在失效检测与剩余使用寿命预测专家系统
技术领域
本发明属于轧辊检测技术领域，尤其涉及一种轧辊潜在失效检测与剩余使用寿命预测专家系统。
背景技术
目前，轧辊是轧钢生产中的大型工具，是使轧材产生塑性变形的工具。轧辊服役条件极为苛刻，工作中会承受高的交变应力、弯曲应力、接触应力、剪切应力和摩擦力，容易产生辊面磨损、剥落和断辊等多种失效形式，轧辊的质量和使用寿命，直接关系到轧制生产的生产效率、产品质量及生产成本。我国轧辊材料供应不足、价格较高，一旦轧辊的失效使整个轧辊报废，将造成巨大的材料浪费。在实际生产过程中，轧机换辊一般有计划换辊和非计划换辊两种情况，这些基于人工经验或事故状态的换辊方式不仅增加了轧辊的维修和报废成本，同时无法对由内部缺陷造成的突然失效及时预警，打乱了企业的生产节奏，加大了企业的生产风险和生产成本。如何对轧辊的工作状态进行监测分析，并对存在失效的轧辊进行及时的再制造或更换，一直是轧辊制造业面临的重大问题。
目前对轧辊的剩余使用寿命预测主要是通过机器视觉等表面缺陷检测手段或超声波内部缺陷无损检测，再根据检测到的特征由技术人员根据经验，结合轧辊生产工艺、缺陷特征来估计缺陷的性质，去评估轧辊的失效状态和剩余使用寿命，因此效率和准确率不高。且仅使用一种技术去准确地判定轧辊表面和内部缺陷性质是十分困难的。
通过上述分析，现有技术存在的问题及缺陷为：目前轧辊内部缺陷检测仅使用超声波探伤技术在缺陷检测准确性不足，依靠技术人员主观评判轧辊的失效状态和剩余使用寿命效率和准确率不高，且无法准确地判定轧辊表面和内部缺陷性质。
解决以上问题及缺陷的难度为：获取完整精确的缺陷状态信息并对轧辊的内部缺陷作十分准确的定性、定量表征，用缺陷信息去评估轧辊的失效状态和预测剩余使用寿命。
解决以上问题及缺陷的意义为：提高缺陷检测的准确度，为判断轧辊的失效状态提供大量精确的数据支持。专家系统通过大量的经验去合理判断和规划并给出建议，解决了相关人员经验不足的问题，降低了依靠技术人员经验去判断轧辊的状态可能存在的偏差。对轧辊的状态进行实时监测，并准确的预测轧辊的剩余使用寿命，解决了轧辊突然失效造成的生产风险，对存在失效的轧辊后续进行再制造和更换提供了依据，减少了企业成本。
发明内容
针对现有技术存在的问题，本发明提供了一种轧辊潜在失效检测与剩余使用寿命预测专家系统及预测方法。
本发明是这样实现的，一种轧辊潜在失效检测与剩余使用寿命预测专家系统，包括：
检测模块与预测模块；
检测模块，包括超声容积探头，步进电机，运动控制卡，波形发生器，运动控制单元和图像储存平台；用于进行轧辊二维图像的采集、处理，进行轧辊内部缺陷三维形貌图像的特征提取与分类；
预测模块，包括交互界面、知识库、推理机、解释器、数据库、知识获取单元；用于根据不同的缺陷对轧辊的剩余使用寿命影响程度不同，确定不同缺陷的权重系数，进行轧辊剩余使用寿命预测。
进一步，所述检测模块包括：
超声容积探头，用于对轧辊进行扫描，获取轧辊二维图像信息；
步进电机，用于带动超声容积探头移动；
运动控制卡，用于通过控制步进电机；
波形发生器，用于控制探头脉冲的参数和脉冲的发生；
运动控制单元，用于匹配触发脉冲和探头移动速度，每接收一个脉冲，采集一帧二维图像；
图像储存平台；用于进行所有采集数据的存储；同时用于进行采集数据的处理，进行轧辊内部缺陷三维形貌图像的特征提取与分类。
进一步，所述预测模块包括：
交互界面，获取裂纹、磨损、划坑、折断四种缺陷的不同特征参数作为输入；
知识库，用于存放专业知识；
推理机，用于结合输入和相关知识推理得到不同缺陷所处的失效状态；
数据库，用于输入参数以及推理得到的失效状态。
解释器，用于区分各类知识并用陈述的方式将专业知识表示出来。
知识获取单元，用于建立、修改和扩充知识库。
本发明的另一目的在于提供一种应用于所述轧辊潜在失效检测与剩余使用寿命预测专家系统的轧辊潜在失效检测与剩余使用寿命预测方法，所述轧辊潜在失效检测与剩余使用寿命预测方法包括：
设定在规定的时间点，对轧辊进行检测，并采集轧辊二维图像；同时对采集的轧辊二维图像进行处理，提取轧辊内部缺陷三维形貌图像的特征并分类；根据不同的缺陷对轧辊的剩余使用寿命影响程度不同，确定不同缺陷的权重系数，进行轧辊剩余使用寿命预测。现只选取最常规的四种缺陷进行预测，这四种缺陷对应的权重系数为专家系统经计算得出的定值，对于更多的缺陷可以通过专家系统重新设置对应的权重系数。
进一步，所述对采集的轧辊二维图像进行处理，提取轧辊内部缺陷三维形貌图像的特征并分类包括：
对采集的轧辊二维图像进行坐标变换，将所有的二维图像组合转换为三维图形；采用空间直角坐标系旋转方法，通过图像处理技术，构建轧辊缺陷的多视角二维图像映射；构建多类别、多视角的三维数据CNN模型，进行轧辊内部缺陷三维形貌图像的特征提取与分类。
进一步，所述轧辊潜在失效检测与剩余使用寿命预测方法包括以下步骤：
步骤一，使用超声容积探头对轧辊进行扫描，获取轧辊二维图像信息；将二维图像的每一帧对应至三维图形的相应位置，将二维图像信息组合起来，获取轧辊三维图形；
步骤二，通过空间直角坐标系旋转方法，构建轧辊内部缺陷三维模型的多视角二维图像映射模型；
步骤三，采用Sobel边缘提取、Otsu二值化及其他图像处理技术，获得缺陷的多视角二维图像；
步骤四，建立分层分段多视角卷积神经网络模型，对多视角二维图像的特征进行提取与分类；
步骤五，根据获取到的各种缺陷的图像特征值利用知识推理，得到不同缺陷的发展阶段；
步骤六，根据不同缺陷发展阶段，对不同的缺陷定量合适的权重，确定预测函数；同时结合浴盆函数，通过多因素的评估预测轧辊的剩余使用寿命。
进一步，所述不同缺陷包括：裂纹、磨损、划坑、折断。
进一步，所述根据获取到的各种缺陷的图像特征值利用知识推理，得到不同缺陷的发展阶段包括：
基于缺陷长度、圆形度、深度3个图像特征值评估裂纹的发展阶段；
基于缺陷等效面积圆半径、圆形度、纹理嫡、二阶矩4个图像特征值评估磨损的发展阶段；
基于缺陷面积、深度2个图像特征值评估划坑的发展阶段；
基于辊内非金属夹杂、结晶、气孔的体积3个图像特征值评估折断的发展阶段。
进一步，所述预测函数包括：
式中tmax的系数由轧辊在损耗故障期寿命快速减少的速率确定，一般取-80至-100，248为轧辊在刚刚进入第三阶段所预测的寿命计算得出定常数。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述轧辊潜在失效检测与剩余使用寿命预测方法。
结合上述所有技术方案，本发明所具备的优点及积极效果为：本发明提出了一种轧辊潜在失效检测与剩余使用寿命预测专家系统，利用超声三维成像技术，重构出三维图形，重构出的三维图形能直观表达缺陷的空间分布特征，并能从空间不同角度观察缺陷的三维形貌，提高了缺陷检测的灵敏度、结果的可靠性和准确性。对比于超声波探伤根据发射波、缺陷波、底波相对于扫描基线的位置去计算缺陷的位置，超声三维成像技术可根据重构的三维图形，在空间上构建坐标轴获得缺陷的坐标和对应在轧辊轮廓的相对位置，更加直观和准确，精度更高。可用二维图片的形式确定缺陷的面积等图像特征值和直观的反映缺陷的性质，对比根据缺陷波的幅度确定缺陷的大小和根据缺陷波的形状可分析缺陷的性质更加便捷可靠。
在获取主要缺陷特征参数的基础上，设定影响轧辊失效的主要缺陷形式和不同缺陷对应的主要图像特征值，并将其输入专家系统，得到不同缺陷对应的发展阶段，并结合浴盆函数，评估轧辊的剩余使用寿命，减少了技术人员的工作量，提高了寿命预测的准确度，并设置时间点对轧辊进行动态监测，为轧辊的再制造和更换提供了准确的依据。
附图说明
图1是本发明实施例提供的轧辊潜在失效检测与剩余使用寿命预测专家系统原理图。
图2是本发明实施例提供的轧辊潜在失效检测与剩余使用寿命预测专家系统结构示意图；
图中：1、检测模块；2、预测模块；11、超声容积探头；12、步进电机；13、运动控制卡；14、波形发生器；15、运动控制单元；16、图像储存平台；21、交互界面；22、知识库；23、推理机；24、解释器；25、数据库；26、知识获取单元。
图3是本发明实施例提供的轧辊潜在失效检测与剩余使用寿命预测方法流程图。
图4是本发明实施例提供的三维重构原理图。
图5是本发明实施例提供的三维数据CNN模型示意图。
图6是本发明实施例提供的浴盆函数原理图。
图7是本发明实施例提供的剩余使用寿命预测图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种轧辊潜在失效检测与剩余使用寿命预测专家系统，下面结合附图对本发明作详细的描述。
如图1-图2所示，本发明实施例提供的轧辊潜在失效检测与剩余使用寿命预测专家系统包括：
检测模块1与预测模块2；
检测模块1，包括超声容积探头11，步进电机12，运动控制卡13，波形发生器14，运动控制单元15和图像储存平台16；用于进行轧辊二维图像的采集、处理，进行轧辊内部缺陷三维形貌图像的特征提取与分类；
预测模块2，包括交互界面21、知识库22、推理机23、解释器24、数据库25、知识获取单元26；用于根据不同的缺陷对轧辊的剩余使用寿命影响程度不同，确定不同缺陷的权重系数，进行轧辊剩余使用寿命预测。
本发明实施例提供的检测模块1包括：
超声容积探头11，用于对轧辊进行扫描，获取轧辊二维图像信息；
步进电机12，用于带动超声容积探头移动；
运动控制卡13，用于通过控制步进电机；
波形发生器14，用于控制探头脉冲的参数和脉冲的发生；
运动控制单元15，用于匹配触发脉冲和探头移动速度，每接收一个脉冲，采集一帧二维图像；
图像储存平台16，用于进行所有采集数据的存储；同时用于进行采集数据的处理，进行轧辊内部缺陷三维形貌图像的特征提取与分类。
本发明实施例提供的预测模块2包括：
交互界面21，获取裂纹、磨损、划坑、折断四种缺陷的不同特征参数作为输入；
知识库22，用于存放专业知识；
推理机23，用于结合输入和相关知识推理得到不同缺陷所处的失效状态；
数据库25，用于输入参数以及推理得到的失效状态。
解释器24，用于区分各类知识并用陈述的方式将专业知识表示出来。
知识获取单元27，用于建立、修改和扩充知识库。
本发明实施例提供的轧辊潜在失效检测与剩余使用寿命预测方法包括：
设定在规定的时间点，对轧辊进行检测，并采集轧辊二维图像；同时对采集的轧辊二维图像进行处理，提取轧辊内部缺陷三维形貌图像的特征并分类；根据不同的缺陷对轧辊的剩余使用寿命影响程度不同，确定不同缺陷的权重系数，进行轧辊剩余使用寿命预测。
本发明实施例提供的对采集的轧辊二维图像进行处理，提取轧辊内部缺陷三维形貌图像的特征并分类包括：
对采集的轧辊二维图像进行坐标变换，将所有的二维图像组合转换为三维图形；采用空间直角坐标系旋转方法，通过图像处理技术，构建轧辊缺陷的多视角二维图像映射；构建多类别、多视角的三维数据CNN模型，进行轧辊内部缺陷三维形貌图像的特征提取与分类。
如图3所示，本发明实施例提供的轧辊潜在失效检测与剩余使用寿命预测方法包括以下步骤：
S101，使用超声容积探头对轧辊进行扫描，获取轧辊二维图像信息；将二维图像的每一帧对应至三维图形的相应位置，将二维图像信息组合起来，获取轧辊三维图形；
S102，通过空间直角坐标系旋转方法，构建轧辊内部缺陷三维模型的多视角二维图像映射模型；采用Sobel边缘提取、Otsu二值化及其他图像处理技术，获得缺陷的多视角二维图像；
S103，建立分层分段多视角卷积神经网络模型，对多视角二维图像的特征进行提取与分类；根据获取到的各种缺陷的图像特征值利用知识推理，得到不同缺陷的发展阶段；
S104，根据不同缺陷发展阶段，对不同的缺陷定量合适的权重，确定预测函数；同时结合浴盆函数，通过多因素的评估预测轧辊的剩余使用寿命。
本发明实施例提供的不同缺陷包括：裂纹、磨损、划坑、折断。
本发明实施例提供的根据获取到的各种缺陷的图像特征值利用知识推理，得到不同缺陷的发展阶段包括：
基于缺陷长度、圆形度、深度3个图像特征值评估裂纹的发展阶段；
基于缺陷等效面积圆半径、圆形度、纹理嫡、二阶矩4个图像特征值评估磨损的发展阶段；
基于缺陷面积、深度2个图像特征值评估划坑的发展阶段；
基于辊内非金属夹杂、结晶、气孔的体积3个图像特征值评估折断的发展阶段。
本发明实施例提供的预测函数包括：
式中tmax的系数由轧辊在损耗故障期寿命快速减少的速率确定，一般取-80至-100，248为轧辊在刚刚进入第三阶段所预测的寿命计算得出定常数。
下面结合具体实施例对本发明的技术方案作进一步说明。
实施例1：
轧辊潜在失效检测与剩余使用寿命预测系统组成有检测系统和专家系统
检测系统包括：超声容积探头，步进电机，运动控制卡，波形发生器，运动控制模块和图像储存平台。运动控制卡控制步进电机带动超声容积探头在检测区域内移动，波形发生器控制探头脉冲的参数和脉冲的发生，运动控制模块用于匹配触发脉冲和探头移动速度，每接收一个脉冲，就采集一帧二维图像。再将采集到的数据保存到图像储存平台，通过坐标变换，将所有的二维图像组合转换为三维图形。采用空间直角坐标系旋转方法，通过图像处理技术，构建轧辊缺陷的多视角二维图像映射。构建多类别、多视角的三维数据CNN模型，实现轧辊内部缺陷三维形貌图像的特征提取与分类。
专家系统包括：交互界面、知识库、推理机、解释器、数据库、知识获取等6个部分构成。其中核心组成部分是存放专门知识的知识库和利用知识库实现实际问题求解的推理机。
轧辊在生产过程中，容易产生多种失效形式，不同的失效形式都会对轧辊的使用寿命造成影响，因此，对使用寿命的预测是一个多因素多变量作用影响的复杂系统，如何选择合适的知识表示模式是知识库设计中的关键。通过丰富的分析、论证与询问专家意见，认为以下四种失效形式是影响轧辊寿命的核心因素:裂纹、磨损、划坑、折断。由于知识的特殊性，它不同于普通的数据，因此、必须将知识转换为符号、数量的表示方法，而且不同的失效形式在轧辊工作过程中的发展趋势并不具有同一性，因此需要对这四种失效形式需要分别进行定量分析。对于裂纹，选择缺陷长度、圆形度、深度这3个图像特征值来对裂纹进行评估。对于磨损，选择缺陷等效面积圆半径、圆形度、纹理嫡、二阶矩这4个图像特征值来对磨损进行评估。对于划坑：选择缺陷面积、深度这2个图像特征值来对划坑进行评估。对于折断：选择辊内非金属夹杂、结晶、气孔的体积来进行评估。专家系统根据不同的缺陷对轧辊的剩余使用寿命影响程度不同，确定不同缺陷的权重系数。交互界面获取这四种缺陷的不同特征参数作为输入，推理机结合输入和相关知识推理出不同缺陷所处的失效状态，并将其储存在综合数据库中。
轧辊潜在失效检测的具体步骤如下，专家系统设定在规定的时间点，对轧辊进行检测：
1.使用超声容积探头对轧辊进行扫描，获取轧辊二维图像信息。
2.将二维图像的每一帧对应至三维图形的相应位置，将二维图像信息组合起来，获取轧辊三维图形。
3.通过空间直角坐标系旋转方法，构建轧辊内部缺陷三维模型的多视角二维图像映射模型。
4.采用Sobel边缘提取、Otsu二值化等图像处理技术，获得缺陷的多视角二维图像。
5.建立分层分段多视角卷积神经网络模型，对多视角二维图像的特征进行提取与分类。
6.获取到不同缺陷的各种图像特征值之后，输入到专家系统，专家系统经过知识推理，得到不同缺陷的发展阶段。
7.根据不同缺陷发展阶段，结合浴盆函数，多因素的评估预测轧辊的剩余使用寿命。
实施例2：
提出一种轧辊潜在失效检测与剩余使用寿命预测专家系统，对轧辊各内部缺陷在一个轧辊使用周期内的发展速度进行分析，设定轧辊内部缺陷三维图像动态监测的时间节点，在设定的时间点对轧辊进行动态监测：
1.使用4Z1c超声容积探头对轧辊进行定长定向扫描，同时对触发脉冲和探头移动速率进行匹配。PCI1240U运动控制卡控制86BYGH250C85步进电机实现探头移动，AFG3022波形发生器控制采集脉冲的参数和脉冲发射，每接收一个脉冲，就采集一帧二维超声图像,直到探头运动至终点,得到二维超声图像集,其中探头速率其中n为秒脉冲数，θ为电机步距角，p为扫描轴螺距，确定探头移动速率后，根据所需精度可定义波形发生器发射的脉冲频率和波形，触发频率f＝D/σ,其中D为移动速率，σ为采样精度。最后通过图像储存平台将所采集的二维图像集存储起来。
2.根据采集存储到的二维图像信息，确定重建三维图形的尺寸和分辨率，根据数据采集存储模块提供的二维图像集信息,包括图像帧数﹑图像尺寸和像素间距等,确定重建后三维立方体的尺寸(最大和最小坐标)以及X、Y方向分辨率,Z方向分辨率可由超声探头扫描移动过程中的采集精度α确定。由于数据采集过程采用的是机械扫描采集方式,探头移动协同于触发脉冲的发射频率,因此所获得的图像在空间中等间隔平行排列,图像间隔即采集精度α。将二维图像的每一帧对应至三维图形的相应位置，快速获得轧辊缺陷三维图形，并且对缺陷进行标注。图4是本发明实施例提供的三维重构原理图。
3.引入空间直角坐标系旋转方法，构建轧辊内部缺陷三维模型的多视角二维图像映射模型如图5。采用Sobel边缘提取、Otsu二值化等图像处理技术，对不同视角的轧辊内部缺陷二维图像进行图像锐化、边缘增强和归一化处理，获得轧辊内部缺陷三维形貌图像的多视角二维图像映射。
4.建立分层分段多视角卷积神经网络模型，实现轧辊内部缺陷三维形貌图像的特征提取与分类，并筛选影响轧辊寿命的核心因素和对应的图像特征。
5.检测到的裂纹的缺陷长度、圆形度、深度这3个图像特征值分别为30、1.12×10-3、16、0.01。磨损的缺陷等效面积圆半径、圆形度、纹理嫡、二阶矩这4个图像特征值分别为6.5、7、0.2。划坑的缺陷面积、深度这2个图像特征值分别为7500、0.2。对于辊内非金属夹杂、结晶、气孔的体积直径为0.5，将这些图像特征输入到专家系统，得到轧辊不同缺陷对应的发展阶段。裂纹t1为第一阶段、磨损t2为第二阶段、划坑t3为第二阶段、折断t4为第一阶段。
6.多因素的度量轧辊的剩余使用寿命，将轧辊失效的发展阶段分为高可靠稳定性低消耗的早期失效期、正常损耗的偶然失效期和高损耗故障期。并根据不同时期轧辊的损伤状态对应的失效发展阶段对剩余使用寿命进行评估，如图7所示，在早期和正常损耗时期，轧辊的剩余使用寿命正常缓慢减少，在高损耗故障期轧辊会产生十分严重，会使轧辊完全失效的缺陷，轧辊的剩余使用寿命急剧下降。根据轧辊不同的缺陷对轧辊的影响程度不同，由专家系统对不同的缺陷定量合适的权重，构建预测函数为
输出得到剩余使用寿命为7.36个月。
7.专家系统根据对轧辊动态监测测的时间点结合浴盆函数，如图6，对轧辊使用的时间对应的发展阶段进行初步的评估，根据轧辊工作早期为低损伤但是可能因生产轧辊时存在缺陷导致整体失效，轧辊工作一段时间后应存在正常的损耗，长时间工作后轧辊会出现严重损耗的状况，合理的判断对轧辊的剩余寿命预测是否合理，并对存在问题的结果进行评估和再预测。
表1缺陷阶段量化表
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种轧辊潜在失效检测与剩余使用寿命预测专家系统，其特征在于，所述轧辊潜在失效检测与剩余使用寿命预测专家系统包括：
检测模块与预测模块；
检测模块，包括超声容积探头，步进电机，运动控制卡，波形发生器，运动控制单元和图像储存平台；用于进行轧辊二维图像的采集、处理，进行轧辊内部缺陷三维形貌图像的特征提取与分类；
预测模块，包括交互界面、知识库、推理机、解释器、数据库、知识获取单元；用于根据不同的缺陷对轧辊的剩余使用寿命影响程度不同，确定不同缺陷的权重系数，进行轧辊剩余使用寿命预测；
所述检测模块包括：
超声容积探头，用于对轧辊进行扫描，获取轧辊二维图像信息；
步进电机，用于带动超声容积探头移动；
运动控制卡，用于通过控制步进电机；
波形发生器，用于控制探头脉冲的参数和脉冲的发生；
运动控制单元，用于匹配触发脉冲和探头移动速度，每接收一个脉冲，采集一帧二维图像；
图像储存平台；用于进行所有采集数据的存储；同时用于进行采集数据的处理，进行轧辊内部缺陷三维形貌图像的特征提取与分类。
2.如权利要求1所述轧辊潜在失效检测与剩余使用寿命预测专家系统，其特征在于，所述预测模块包括：
交互界面，获取裂纹、磨损、划坑、折断四种缺陷的不同特征参数作为输入；
知识库，用于存放专业知识；
推理机，用于结合输入和相关知识推理得到不同缺陷所处的失效状态；
数据库，用于输入参数以及推理得到的失效状态。
3.如权利要求2所述轧辊潜在失效检测与剩余使用寿命预测专家系统，其特征在于，所述预测模块还包括：解释器，用于区分各类知识并用陈述的方式将专业知识表示出来；
知识获取单元，用于建立、修改和扩充知识库。
4.一种应用于如权利要求1-3任意一项所述轧辊潜在失效检测与剩余使用寿命预测专家系统的轧辊潜在失效检测与剩余使用寿命预测方法，其特征在于，所述轧辊潜在失效检测与剩余使用寿命预测方法包括：
设定在规定的时间点，对轧辊进行检测，并采集轧辊二维图像；同时对采集的轧辊二维图像进行处理，提取轧辊内部缺陷三维形貌图像的特征并分类；根据不同的缺陷对轧辊的剩余使用寿命影响程度不同，确定不同缺陷的权重系数，进行轧辊剩余使用寿命预测。
5.如权利要求4所述轧辊潜在失效检测与剩余使用寿命预测方法，其特征在于，所述对采集的轧辊二维图像进行处理，提取轧辊内部缺陷三维形貌图像的特征并分类包括：
对采集的轧辊二维图像进行坐标变换，将所有的二维图像组合转换为三维图形；采用空间直角坐标系旋转方法，通过图像处理技术，构建轧辊缺陷的多视角二维图像映射；构建多类别、多视角的三维数据CNN模型，进行轧辊内部缺陷三维形貌图像的特征提取与分类。
6.如权利要求4所述轧辊潜在失效检测与剩余使用寿命预测方法，其特征在于，所述轧辊潜在失效检测与剩余使用寿命预测方法包括以下步骤：
步骤一，使用超声容积探头对轧辊进行扫描，获取轧辊二维图像信息；将二维图像的每一帧对应至三维图形的相应位置，将二维图像信息组合起来，获取轧辊三维图形；
步骤二，通过空间直角坐标系旋转方法，构建轧辊内部缺陷三维模型的多视角二维图像映射模型；
步骤三，采用Sobel边缘提取、Otsu二值化及其他图像处理技术，获得缺陷的多视角二维图像；
步骤四，建立分层分段多视角卷积神经网络模型，对多视角二维图像的特征进行提取与分类；
步骤五，根据获取到的各种缺陷的图像特征值利用知识推理，得到不同缺陷的发展阶段；
步骤六，根据不同缺陷发展阶段，对不同的缺陷定量合适的权重，确定预测函数；同时结合浴盆函数，通过多因素的评估预测轧辊的剩余使用寿命。
7.如权利要求6所述轧辊潜在失效检测与剩余使用寿命预测方法，其特征在于，所述不同缺陷包括：裂纹、磨损、划坑、折断。
8.如权利要求6所述轧辊潜在失效检测与剩余使用寿命预测方法，其特征在于，所述根据获取到的各种缺陷的图像特征值利用知识推理，得到不同缺陷的发展阶段包括：
基于缺陷长度、圆形度、深度3个图像特征值评估裂纹的发展阶段；
基于缺陷等效面积圆半径、圆形度、纹理嫡、二阶矩4个图像特征值评估磨损的发展阶段；
基于缺陷面积、深度2个图像特征值评估划坑的发展阶段；
基于辊内非金属夹杂、结晶、气孔的体积3个图像特征值评估折断的发展阶段；
所述预测函数包括：
式中tmax的系数由轧辊在损耗故障期寿命快速减少的速率确定，取-80至-100，248为轧辊在刚刚进入第三阶段所预测的寿命计算得出定常数。
9.一种信息数据处理终端，其特征在于，所述信息数据处理终端包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求4～8任意一项所述轧辊潜在失效检测与剩余使用寿命预测方法。
CN202111209810.4A 2021-10-18 2021-10-18 一种轧辊潜在失效检测与剩余使用寿命预测专家系统 Active CN114034772B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111209810.4A CN114034772B (zh) 2021-10-18 2021-10-18 一种轧辊潜在失效检测与剩余使用寿命预测专家系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111209810.4A CN114034772B (zh) 2021-10-18 2021-10-18 一种轧辊潜在失效检测与剩余使用寿命预测专家系统

Publications (2)

Publication Number Publication Date
CN114034772A CN114034772A (zh) 2022-02-11
CN114034772B true CN114034772B (zh) 2023-09-19

Family

ID=80141720

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111209810.4A Active CN114034772B (zh) 2021-10-18 2021-10-18 一种轧辊潜在失效检测与剩余使用寿命预测专家系统

Country Status (1)

Country Link
CN (1) CN114034772B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114522985B (zh) * 2022-04-13 2022-10-14 东莞海裕百特智能装备有限公司 一种轧辊辊压控制方法、系统和计算机可读存储介质
CN116990391B (zh) * 2023-09-27 2023-12-01 江苏迪莫工业智能科技有限公司 一种轴承检测系统及检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001174380A (ja) * 1999-12-15 2001-06-29 Toshiba Corp 構造部材の余寿命予測方法およびこの方法に用いる構造部材の余寿命予測装置
CN101308153A (zh) * 2007-05-14 2008-11-19 中国科学院金属研究所 一种数字成像管棒材缺陷无损探伤检测系统
CN104597122A (zh) * 2013-10-30 2015-05-06 上海宝钢工业技术服务有限公司 用于连铸辊缺陷检测的超声相控阵自动检测系统
WO2015166003A1 (en) * 2014-04-29 2015-11-05 Ge Sensing & Inspection Technologies Gmbh Method for the non-destructive testing of a workpiece by means of ultrasound and device therefor
CN111198227A (zh) * 2020-01-10 2020-05-26 太仓市五洲轧辊有限公司 一种高精度的冷轧辊成品探伤方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3880455B2 (ja) * 2002-05-31 2007-02-14 中国電力株式会社 転がり軸受の余寿命診断方法及びこの余寿命診断装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001174380A (ja) * 1999-12-15 2001-06-29 Toshiba Corp 構造部材の余寿命予測方法およびこの方法に用いる構造部材の余寿命予測装置
CN101308153A (zh) * 2007-05-14 2008-11-19 中国科学院金属研究所 一种数字成像管棒材缺陷无损探伤检测系统
CN104597122A (zh) * 2013-10-30 2015-05-06 上海宝钢工业技术服务有限公司 用于连铸辊缺陷检测的超声相控阵自动检测系统
WO2015166003A1 (en) * 2014-04-29 2015-11-05 Ge Sensing & Inspection Technologies Gmbh Method for the non-destructive testing of a workpiece by means of ultrasound and device therefor
CN111198227A (zh) * 2020-01-10 2020-05-26 太仓市五洲轧辊有限公司 一种高精度的冷轧辊成品探伤方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张文志 等.轧辊疲劳断裂分析专家系统的研制.重型机械.2002,55-59. *

Also Published As

Publication number Publication date
CN114034772A (zh) 2022-02-11

Similar Documents

Publication Publication Date Title
Yun et al. Automated defect inspection system for metal surfaces based on deep learning and data augmentation
CN114034772B (zh) 一种轧辊潜在失效检测与剩余使用寿命预测专家系统
CN111366123B (zh) 一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法
Sugumaran et al. Fault diagnostics of roller bearing using kernel based neighborhood score multi-class support vector machine
Peng et al. Study of tool wear monitoring using machine vision
KR20200096861A (ko) 불량 감지 방법 및 장치
Wang et al. Intelligent prediction of wear location and mechanism using image identification based on improved Faster R-CNN model
CN108711148A (zh) 一种基于深度学习的轮胎缺陷智能检测方法
CN110146019A (zh) 一种基于工业相机的工件尺寸在线检测与自动补偿方法
CN110246134A (zh) 一种钢轨伤损分类装置
CN111611294A (zh) 星敏感器数据异常检测方法
CN111060512A (zh) 智能缺陷识别系统
Schmitt et al. Machine vision system for inspecting flank wear on cutting tools
US8649990B2 (en) Method for detecting variance in semiconductor processes
CN117173461A (zh) 一种多视觉任务的灌装容器缺陷检测方法、系统及介质
CN107977679A (zh) 基于频响函数和运行响应特征诊断复杂装置早期故障的方法
Kounta et al. Deep learning for the detection of machining vibration chatter
JP7322560B2 (ja) プログラム、情報処理方法及び情報処理装置
Molefe et al. Classification of thermite welding defects using local binary patterns and k nearest neighbors
CN114881938A (zh) 基于小波分析和神经网络的晶粒度检测方法及系统
JP2024514762A (ja) コンポーネント摩耗を推定する方法
Zhou et al. A new algorithm for chatter quantification and milling instability classification based on surface analysis
Medak et al. Detection of Defective Bolts from Rotational Ultrasonic Scans Using Convolutional Neural Networks
Colace et al. Unsupervised Learning Techniques for Vibration-Based Structural Health Monitoring Systems Driven by Data: A General Overview
CN117250201B (zh) 一种泳池砖层缺陷检测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant