CN114838972A - 基于工业大数据与油液分析的机械故障预警方法及系统 - Google Patents
基于工业大数据与油液分析的机械故障预警方法及系统 Download PDFInfo
- Publication number
- CN114838972A CN114838972A CN202210776515.5A CN202210776515A CN114838972A CN 114838972 A CN114838972 A CN 114838972A CN 202210776515 A CN202210776515 A CN 202210776515A CN 114838972 A CN114838972 A CN 114838972A
- Authority
- CN
- China
- Prior art keywords
- oil
- index
- image
- value
- tyndall
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 25
- 230000003647 oxidation Effects 0.000 claims abstract description 20
- 238000007254 oxidation reaction Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000001678 irradiating effect Effects 0.000 claims abstract description 5
- 239000002245 particle Substances 0.000 claims description 38
- 239000007788 liquid Substances 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 239000003921 oil Substances 0.000 description 148
- 239000010705 motor oil Substances 0.000 description 18
- 238000005299 abrasion Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 238000004945 emulsification Methods 0.000 description 8
- 239000011521 glass Substances 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 230000001174 ascending effect Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000012535 impurity Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002244 precipitate Substances 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
- G01N15/0227—Investigating particle size or size distribution by optical means using imaging; using holography
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- 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
- G01N21/85—Investigating moving fluids or granular solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
- G01N33/2835—Specific substances contained in the oils or fuels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Dispersion Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及计算机视觉技术领域,具体涉及一种基于工业大数据与油液分析的机械故障预警方法及系统,该方法包括:获取油液循环系统中的油液流速或油液黏度,若油液循环系统中油液流速超出预设流速范围,或油液黏度超出预设黏度范围,进行机械故障预警,否则,利用光源照射油液,获取油液图像,对油液图像进行处理,获取油液的含水量指标、纯净度指标和氧化程度指标;基于所述指标判断是否进行机械故障预警;本发明无需高成本的油液分析仪器即可对油液进行准确分析,并进行机械故障的预警。
Description
技术领域
本发明涉及计算机视觉领域,具体涉及一种基于工业大数据与油液分析的机械故障预警方法及系统。
背景技术
油液分析技术,又称为设备磨损工况监测技术,是一种新型的设备维护技术,它利用油液所携带的设备工况信息来对设备的当前工作状况以及未来工作状况作出判断,从而为设备的正确维护提供了有效的依据,达到预防性维修的目的。
传统的运用油液分析技术进行设备磨损监测的方法,需要利用成本高昂的油液检测仪器对油液的各项指标进行分析,且时效性较低。因此,探寻一种成本低廉,时效性高,效率高的基于工业大数据的油液分析方法势在必行。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于工业大数据与油液分析的机械故障预警方法及系统,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种基于工业大数据与油液分析的机械故障预警方法,该方法包括以下具体步骤:
若油液循环系统中油液流速超出预设流速范围,或油液黏度超出预设黏度范围,进行机械故障预警,否则,利用光源照射油液,获取油液图像,对油液图像进行处理,获取油液的含水量指标、纯净度指标和氧化程度指标;基于所述指标判断是否进行机械故障预警;
纯净度指标的获取具体为:确定油液图像中出现丁达尔光柱的区域,根据丁达尔光柱区域中像素的亮度均值、磨损颗粒的混乱程度、磨损颗粒的大小和数量,计算所述纯净度指标;其中,丁达尔光柱区域中像素B通道值与R、G两通道值之和的比值的均值表征磨损颗粒的大小;丁达尔光柱区域的面积占比表征磨损颗粒的数量。
进一步地,丁达尔光柱区域中每个像素对应的LBP值的均值表征磨损颗粒的混乱程度。
进一步地,氧化程度指标的获取具体为:
对于每个丁达尔光柱区域,利用该丁达尔光柱区域的亮度均值和非丁达尔光柱区域的亮度均值的差值对该丁达尔光柱区域的灰度均值进行修正;
基于油液图像中非丁达尔光柱区域的灰度均值和丁达尔光柱区域修正后的灰度均值计算氧化程度指标。
进一步地,基于油液图像中像素的R、G、B通道的值计算RGB值的分布均匀程度,基于油液图像中像素的亮度值,计算每相邻两行像素的亮度差值,获取亮度差值的波动程度,基于所述RGB值的分布均匀程度和亮度差值的波动程度计算油液的含水量指标。
进一步地,RGB值的分布均匀程度的获取具体为:
进一步地,每相邻两行像素的亮度差值构成亮度差值序列,利用DTW算法计算亮度差值序列与预设序列之间的距离,所述距离表征亮度差值的波动程度。
进一步地,获取含水量指标、纯净度指标和氧化程度指标的权重,加权求和得到油液性能指标,基于油液性能指标判断是否进行机械故障预警。
第二方面,本发明另一个实施例提供了一种基于工业大数据与油液分析的机械故障预警系统,该系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被处理器执行时实现一种基于工业大数据与油液分析的机械故障预警方法的步骤。
本发明实施例至少具有如下有益效果:本发明对获取的油液图像进行处理,基于像素的灰度、亮度等信息获取油液的含水量指标、纯净度指标和氧化程度指标,基于上述指标判断是否进行机械故障预警;无需高成本的油液分析仪器即可对油液进行准确分析,进而通过油液的污染程度实时监控设备的运行状态和性能,且本发明中获取油液各项指标的方法更灵活、高效、准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明实施例中步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于工业大数据与油液分析的机械故障预警方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例以下面的应用场景为例对本发明进行说明:
本发明的目的为:利用高效、便利、低成本的方法进行机械故障的监督预警。该应用场景为:机械设备维护及故障检测相关场景,具体地,以某品牌标号为15W-40的机油为例进行分析,在待检测的机械设备的油液(机油)循环系统中植入一容积为500ml的无色透明玻璃质容器,在容器正下方布置白色光源,竖直向上照射容器内部,在容器正面布置相机,对容器内的机油进行监控。需要注意,实施例中选择的是透明的机油,且油液经过无色透明玻璃质容器时其流速不发生改变。
下面结合附图具体的说明本发明所提供的一种基于工业大数据与油液分析的机械故障预警方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于工业大数据与油液分析的机械故障预警方法的步骤流程图,该方法包括以下步骤:
步骤S1,获取油液循环系统中的油液流速或油液黏度,判断油液循环系统中油液流速是否超出预设流速范围,或判断油液黏度是否超出预设黏度范围。
黏度是油液分析过程中一项重要的指标,实施例中机油型号中的40代表100摄氏度时运动黏度标准为到之间。流体的黏度越大,流动时的内摩擦力也越大,因而,流动起来也就越困难,也就是说,低分子液体流动时,流速越大,受到的阻力也越大,因此运动黏度标准可以视为油液在指定温度下的流动速度。
一种实施方式中,实施者可以获取油液循环系统中的油液黏度,判断油液循环系统中油液的黏度是否在预设黏度范围内,预设黏度范围可基于相关人员的经验人为设置,也可基于统计得到。
另一种实施方式中,为了快速、直观、精确的得到油液流速,实施者可利用流速传感器获取油液流速,优选地,将流速传感器放置于透明玻璃质容器内,所获得的油液流速表征油液循环系统中的油液流速,判断获取的油液流速是否在预设流速范围内。预设流速范围可基于相关人员的经验人为设置,也可基于统计得到。
其中,基于统计得到预设流速范围具体为:将全新的机油注入性能良好的试车设备的油液循环系统,启动机械并保持空载运行(空载的目的是确保机油能够迅速升温的同时,减小可能出现的机械磨损对机油质量的影响),静待机油升温至100摄氏度,此时开始对循环系统中透明玻璃质容器内的油液进行流速检测,为了得到合理的流速范围,本发明获取不同情况下油液的流速,例如,在不同的室内温度下、运行不同时间后、采用不同型号的流速传感器等情况下,采集若干次,实施例中采集10000次油液流速;进一步利用拉丁超立方采样法,对采集到的流速数据进行统计,最终获取无缺陷机油的流速范围。
步骤S2,若油液循环系统中油液流速超出预设流速范围,或油液黏度超出预设黏度范围,进行机械故障预警,否则,利用光源照射油液,获取油液图像,对油液图像进行处理,获取油液的含水量指标、纯净度指标和氧化程度指标。需要注意,本发明需要对每帧油液图像进行处理,获取每帧油液图像对应的油液的含水量指标、纯净度指标和氧化程度指标。
下面以一帧油液图像为例,说明油液的含水量指标、纯净度指标和氧化程度指标的具体获取方法。
(a)油液中的含水量是反应油液性能的重要指标,因此,本发明中获取含水量指标,含水量指标的获取具体为:基于油液图像中像素的R、G、B通道的值计算RGB值的分布均匀程度,基于油液图像中像素的亮度值,计算每相邻两行像素的亮度差值,获取亮度差值的波动程度,基于所述RGB值的分布均匀程度和亮度差值的波动程度计算油液的含水量指标。
油液的含水量高,容易造成油液的乳化,使得其润滑性能变差;此外过高的水分还会加速设备金属部件的腐蚀。油液乳化后,油液整体透视率下降且易呈现乳白色,乳化特征越明显,含水量越高,机油性能更差。对于乳化特征的分析可从颜色和透视率两方面进行分析。即乳化油液偏白色,RGB值分布均匀,乳化油液透射率低,亮度下降快。
(1)乳化越强,油液越偏白,则RGB值分布越均匀,具体地,基于油液图像中像素的R、G、B通道的值计算RGB值的分布均匀程度,具体地:
表示一帧油液图像中RGB值的分布均匀程度,值越小,RGB值的分布越均匀,油液越偏白色,乳化越严重,含水量越高;()表示油液图像中第行第列的像素,油液图像的大小为行列,、、分别为油液图像中第行第列像素的三个颜色通道的值。
(2)乳化现象越强,油液的透视率越低,则光源强度不变的情况下,油液由下至上的亮度下降速率较快;反之,油液的亮度由下至上无明显变化或轻微下降;因此,本发明基于油液图像中像素的亮度值,计算每相邻两行像素的亮度差值,获取亮度差值的波动程度;具体地,将油液图像转换至Lab颜色空间,对于油液图像中的每行像素,由上至下进行编号,每行像素的L通道值的均值为当前行的亮度指标,基于每一行像素的亮度指标,计算每相邻两行像素亮度指标的差值,优选地,实施例中计算相邻两行像素亮度指标差值时,是编号在后的一行像素的亮度指标减去编号在前的一行像素的亮度指标;每相邻两行像素的亮度差值即亮度指标差值构成亮度差值序列,利用DTW算法计算亮度差值序列与预设序列之间的距离,所述距离表征亮度差值的波动程度,亮度差值的波动程度的值越大,油液图像中亮度的梯度波动越剧烈,乳化特征越强,含水量越高;优选地,实施例中预设序列为全零序列,全零序列对应的是亮度毫无波动的图像,即完全无乳化现象的油液的图像。
(3)基于所述RGB值的分布均匀程度和亮度差值的波动程度计算油液的含水量指标。
由于上述RGB值的分布均匀程度和亮度差值的波动程度两个特征都与含水量相关,而两个特征对于含水量的影响程度未知,因此实施例获取两个特征的权重,对两个特征进行加权求和油液的含水量指标,优选地,利用DNN与自注意力机制计算两个特征的权重,具体的获取过程本发明不再赘述,最终得到的两个权重为和。
优选地,本发明实施例给出一种计算含水量指标的实施方式:
其中,为含水量指标,值越大,乳化现象越严重,油液性能越差,设备越容易发生故障;、分别为RGB值的分布均匀程度、亮度差值的波动程度的权重;为调和系数,实施例中的值为255;为归一化常数,实施例中的值为510。
(b)一般由于不良的空气隔滤,机油中的添加剂在高温下的化合反应,或油液循环系统的封闭性可能存在缺陷,导致机油中可能出现各种沉淀物,如砂土、磨粒等,这一特征能够反映油品的纯净度,当外部颗粒杂质的含量较高时会加速机械的磨损。杂质颗粒越多,机油性能越差,越有可能导致机械故障,即油液的纯净度可以表征油液性能的好坏,因此,本发明获取纯净度指标,实施例中纯净度指标的获取具体为:确定油液图像中出现丁达尔光柱的区域,根据丁达尔光柱区域中像素的亮度均值、磨损颗粒的混乱程度、磨损颗粒的大小和数量,计算所述纯净度指标。
(1)本发明中光源位于玻璃容器底部,且光源照射方向为竖直向上照射,基于此光源布置,若油液中存在杂质颗粒,油液可能出现丁达尔效应,则油液图像中出现丁达尔光柱的区域的确定方法为:
出现丁达尔效应的区域表现为整体亮度明显比其他区域高,且由散射光线交汇造成的噪点多即高频信息多。由于不清楚丁达尔效应发生部位的数量,即不清楚出现丁达尔光柱的数量,因此,实施中基于像素亮度对像素进行聚类,具体地,获取油液图像中每个像素的特征向量,特征向量,()表示像素在油液图像中的位置,即行列索引,表示像素的亮度,实施例中根据油液图像转换至Lab颜色空间后L通道的值获取像素的亮度值;实施例中基于每个像素的特征向量,利用聚类算法对油液图像中的像素进行聚类,以侦测丁达尔效应产生部位,优选地,实施例采用DBSCAN聚类算法,实施例中设定DBSCAN的最小密度阈值为5,扫描半径为4。
聚类后得到K个簇,即像素经过聚类之后被分割为K个部分,即油液图像被分割成K个区域。计算每个部分的亮度均值,记为,其中,代表K个部分(K个簇)亮度均值的集合,上标1至K代表每个簇的索引;,表示第个簇的亮度均值,的取值范围为[1,K],亮度均值越大,反射和散射现象越严重,则颗粒数量越多,纯净度越低;代表亮度均值归一化常数,实施例中;表示第个簇中像素点的数量;表示第个簇中第个像素点的亮度值,为第个簇中像素点的索引。为了找到亮度明显较高的簇,将集合中的元素重新按照升序进行排列,簇的索引保持不变,排列后重新进行编号,再按照编号在后元素的值减去编号在前元素的值的计算方法,计算相邻两个元素的亮度均值差值,确定亮度均值差值最大值对应的两个元素的编号,两个编号中的较大值即为,则编号至编号K对应的簇中像素所在区域为丁达尔效应产生部位(所有出现丁达尔光柱的区域),相应的,编号1至编号对应的簇中像素所在区域为无丁达尔光柱的区域。
(2)对于丁达尔光柱区域,颗粒的浓度越高,反射光与散射光的分布情况越复杂,则该光柱区域高频信息越多,本发明利用LBP值来表征每个像素的邻域中,高频信息的复杂程度;具体地,丁达尔光柱区域中磨损颗粒的混乱程度的获取具体为:丁达尔光柱区域中每个像素对应的LBP值的均值表征磨损颗粒的混乱程度;其中,每个像素对应的LBP值的计算方法为,分别以丁达尔光柱区域中每个像素为LBP算子的中心点,计算每个像素对应的LBP值,优选地,实施例中基于每个像素的8邻域像素计算LBP值。
需要注意,若有多个丁达尔光柱区域,则对于每个丁达尔光柱区域,基于该丁达尔光柱区域中像素的LBP值,计算该丁达尔光柱区域对应的磨损颗粒的混乱程度;LBP值的均值越大,油液中磨损颗粒的混乱程度越高,油液纯净度越低。
(3)丁达尔光柱偏蓝,磨损粒子越小,越偏白,磨损粒子越大,则磨损颗粒的大小和数量的获取具体为:丁达尔光柱区域中像素B通道值与R、G两通道值之和的比值的均值表征磨损颗粒的大小;丁达尔光柱区域的面积占比表征磨损颗粒的数量,具体地,若有多个丁达尔光柱区域,则对于每个丁达尔光柱区域:
其中,表征该丁达尔光柱区域内磨损颗粒的大小,值越大,磨损颗粒直径越小,油液纯净度越高;代表调和常数,实施例中;表示该丁达尔光柱区域中像素点的数量,也即相对应的簇中像素点的数量;、、表示该丁达尔光柱区域中第个像素点的三个颜色通道的值。
其中,表征该丁达尔光柱区域内磨损颗粒的数量,值越大,说明磨损颗粒数量越多,油液纯净度越低;和分别表示油液图像的行数和列数;该式表征的意义为,该丁达尔光柱区域在油液图像中所占面积越大,表明这一区域中磨损颗粒的数量越多。
(4)根据丁达尔光柱区域中像素的亮度均值、磨损颗粒的混乱程度、磨损颗粒的大小和数量,计算所述纯净度指标,具体地:
为纯净度指标,值越大,油液越纯净;表示编号为的丁达尔光柱区域的亮度均值,也即上述升序排列再重新编号后编号为的簇的亮度均值;表示编号为的丁达尔光柱区域内磨损颗粒的混乱程度;表示编号为的丁达尔光柱区域内磨损颗粒的大小;表示编号为的丁达尔光柱区域内磨损颗粒的数量;的取值范围为[]。
(c)机油的纯净度下降一般是由于油液循环系统的密闭性出现缺陷,而当密闭性出现问题的时候,油品开始被氧化,机油颜色整体出现暗沉,因此,根据机油整体颜色的深浅(灰度)可以判断油液被氧化的程度,灰度值越小,油液越暗沉,氧化程度越高。而由于丁达尔光柱区域亮度较高,对于油液颜色深浅的统计会造成一定影响,因此在计算丁达尔区域的颜色深浅时,亮度越高的丁达尔部分,其灰度值应相对降低,此时需要对丁达尔光柱区域的灰度进行修正,具体地,氧化程度指标的获取具体为:对于每个丁达尔光柱区域,利用该丁达尔光柱区域的亮度均值和非丁达尔光柱区域的亮度均值的差值对该丁达尔光柱区域的灰度均值进行修正,即该丁达尔光柱区域的亮度均值和非丁达尔光柱区域的亮度均值的差值的倒数作为该丁达尔光柱区域的灰度均值的修正系数,该丁达尔光柱区域的亮度均值和非丁达尔光柱区域的亮度均值的差值越大,修正系数越小,修正后该丁达尔光柱区域的灰度均值越小;基于油液图像中非丁达尔光柱区域的灰度均值和丁达尔光柱区域修正后的灰度均值计算氧化程度指标,具体地:
表示氧化程度指标,值越小,油液的氧化程度越高,油液循环系统的封闭性越差;为调和系数,实施例中=255;表示亮度归一化常数,实施例中=100;表示编号为的簇对应的丁达尔光柱区域的灰度均值,即编号为的丁达尔光柱区域的灰度均值;表示编号为的丁达尔光柱区域的亮度均值;表示非丁达尔光柱区域的亮度均值,,表示非丁达尔光柱区域的个数,即对集合进行升序排列后前对应区域为非丁达尔光柱区域的簇的个数;的计算公式中,表示编号为的簇对应的非丁达尔光柱区域的亮度均值,即编号为的非丁达尔光柱区域的亮度均值。需要说明,非丁达尔光柱区域的灰度值不受丁达尔效应的影响。
步骤S3,基于上述各项指标判断是否进行机械故障预警。
获取含水量指标、纯净度指标和氧化程度指标的权重,加权求和得到油液性能指标,基于油液性能指标判断是否进行机械故障预警。
为了明确每项指标对于油液性能的影响大小,即每项指标的权重,实施例对具备不同程度缺陷的10000份机油样本的图像作为训练数据集,按照前述方法提取图像中的含水量指标、纯净度指标与氧化程度指标,结合协方差矩阵和PCA算法,获取上述三个指标的权重、、,具体地,油液性能指标的获取具体为:
优选地,为了进行量化参照,人工选取的性能最差的油液样本,进行油液性能指标提取,记为,对于基于一帧油液图像得到的油液性能指标,当与油液性能指标的比值大于预设阈值时,提醒设备维护人员进行设备的停机维护或机油的更换,优选地,实施例中预设阈值为0.5。
基于与上述方法实施例相同的发明构思,本发明一个实施例提供了一种基于工业大数据与油液分析的机械故障预警系统,该系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被处理器执行时实现一种基于工业大数据与油液分析的机械故障预警方法的步骤。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于工业大数据与油液分析的机械故障预警方法,其特征在于,该方法包括:
若油液循环系统中油液流速超出预设流速范围,或油液黏度超出预设黏度范围,进行机械故障预警,否则,利用光源照射油液,获取油液图像,对油液图像进行处理,获取油液的含水量指标、纯净度指标和氧化程度指标;基于所述指标判断是否进行机械故障预警;
纯净度指标的获取具体为:确定油液图像中出现丁达尔光柱的区域,根据丁达尔光柱区域中像素的亮度均值、磨损颗粒的混乱程度、磨损颗粒的大小和数量,计算所述纯净度指标;其中,丁达尔光柱区域中像素B通道值与R、G两通道值之和的比值的均值表征磨损颗粒的大小;丁达尔光柱区域的面积占比表征磨损颗粒的数量。
2.如权利要求1所述的方法,其特征在于,丁达尔光柱区域中每个像素对应的LBP值的均值表征磨损颗粒的混乱程度。
3.如权利要求2所述的方法,其特征在于,氧化程度指标的获取具体为:
对于每个丁达尔光柱区域,利用该丁达尔光柱区域的亮度均值和非丁达尔光柱区域的亮度均值的差值对该丁达尔光柱区域的灰度均值进行修正;
基于油液图像中非丁达尔光柱区域的灰度均值和丁达尔光柱区域修正后的灰度均值计算氧化程度指标。
4.如权利要求3所述的方法,其特征在于,基于油液图像中像素的R、G、B通道的值计算RGB值的分布均匀程度,基于油液图像中像素的亮度值,计算每相邻两行像素的亮度差值,获取亮度差值的波动程度,基于所述RGB值的分布均匀程度和亮度差值的波动程度计算油液的含水量指标。
6.如权利要求5所述的方法,其特征在于,每相邻两行像素的亮度差值构成亮度差值序列,利用DTW算法计算亮度差值序列与预设序列之间的距离,所述距离表征亮度差值的波动程度。
7.如权利要求6所述的方法,其特征在于,获取含水量指标、纯净度指标和氧化程度指标的权重,加权求和得到油液性能指标,基于油液性能指标判断是否进行机械故障预警。
8.一种基于工业大数据与油液分析的机械故障预警系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210776515.5A CN114838972A (zh) | 2022-07-04 | 2022-07-04 | 基于工业大数据与油液分析的机械故障预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210776515.5A CN114838972A (zh) | 2022-07-04 | 2022-07-04 | 基于工业大数据与油液分析的机械故障预警方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114838972A true CN114838972A (zh) | 2022-08-02 |
Family
ID=82575180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210776515.5A Pending CN114838972A (zh) | 2022-07-04 | 2022-07-04 | 基于工业大数据与油液分析的机械故障预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114838972A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116092170A (zh) * | 2023-04-06 | 2023-05-09 | 广东聚智诚科技有限公司 | 一种基于大数据技术的专利价值分析系统 |
CN118096849A (zh) * | 2024-04-26 | 2024-05-28 | 卡松科技股份有限公司 | 一种视觉辅助的绿色环保润滑油质量检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202372439U (zh) * | 2011-12-07 | 2012-08-08 | 尚世哲 | 一种采用红外图像光度法的原油含水率在线检测仪 |
US20180106712A1 (en) * | 2016-10-14 | 2018-04-19 | Kaiser Optical Systems Inc. | Particle size determination using raman spectroscopy |
CN108603838A (zh) * | 2016-01-19 | 2018-09-28 | 沙特阿拉伯石油公司 | 利用荧光上升时间确定油的劣化 |
CN113063553A (zh) * | 2021-03-26 | 2021-07-02 | 云南电网有限责任公司电力科学研究院 | 一种变压器漏油监测系统及监测方法 |
CN114487361A (zh) * | 2022-02-22 | 2022-05-13 | 白进东 | 一种油液在线监测系统 |
CN114594021A (zh) * | 2022-03-07 | 2022-06-07 | 西安交通大学 | 一种黏密度传感器、润滑油寿命在线监测系统与方法 |
-
2022
- 2022-07-04 CN CN202210776515.5A patent/CN114838972A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202372439U (zh) * | 2011-12-07 | 2012-08-08 | 尚世哲 | 一种采用红外图像光度法的原油含水率在线检测仪 |
CN108603838A (zh) * | 2016-01-19 | 2018-09-28 | 沙特阿拉伯石油公司 | 利用荧光上升时间确定油的劣化 |
US20180106712A1 (en) * | 2016-10-14 | 2018-04-19 | Kaiser Optical Systems Inc. | Particle size determination using raman spectroscopy |
CN113063553A (zh) * | 2021-03-26 | 2021-07-02 | 云南电网有限责任公司电力科学研究院 | 一种变压器漏油监测系统及监测方法 |
CN114487361A (zh) * | 2022-02-22 | 2022-05-13 | 白进东 | 一种油液在线监测系统 |
CN114594021A (zh) * | 2022-03-07 | 2022-06-07 | 西安交通大学 | 一种黏密度传感器、润滑油寿命在线监测系统与方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116092170A (zh) * | 2023-04-06 | 2023-05-09 | 广东聚智诚科技有限公司 | 一种基于大数据技术的专利价值分析系统 |
CN118096849A (zh) * | 2024-04-26 | 2024-05-28 | 卡松科技股份有限公司 | 一种视觉辅助的绿色环保润滑油质量检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114838972A (zh) | 基于工业大数据与油液分析的机械故障预警方法及系统 | |
CN109978822B (zh) | 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法 | |
CN108445011B (zh) | 一种基于深度学习的瑕疵检测系统及方法 | |
Omid et al. | An expert egg grading system based on machine vision and artificial intelligence techniques | |
CN114549522A (zh) | 基于目标检测的纺织品质量检测方法 | |
CN110044405B (zh) | 一种基于机器视觉的汽车仪表自动化检测装置及方法 | |
CN115018844B (zh) | 一种基于人工智能的塑料薄膜质量评估方法 | |
CN111784633A (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN112308832A (zh) | 一种基于机器视觉的轴承质量检测方法 | |
CN108872085B (zh) | 基于蓝色波段透射图像检测的脐橙烂心无损检测方法 | |
CN112862744B (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
CN110057820B (zh) | 在线检测氯化氢合成炉氯氢配比的方法、系统及存储介质 | |
CN110473194A (zh) | 基于多图像块阈值分割算法的水果表面缺陷检测方法 | |
CN114119526A (zh) | 一种基于机器视觉的钢板表面缺陷检测与识别系统及方法 | |
CN114119591A (zh) | 一种显示屏画面质量检测方法 | |
CN115526889A (zh) | 基于图像处理的锅炉压力管道的无损检测方法 | |
CN116721066A (zh) | 一种金属表面缺陷检测方法、装置和存储介质 | |
CN116087036A (zh) | 一种深海采矿沉积物羽流图像识别的装置及图像分析方法 | |
CN109115775A (zh) | 一种基于机器视觉的槟榔等级检测方法 | |
CN110533626B (zh) | 一种全天候水质识别方法 | |
CN117455843A (zh) | 一种电缆头缺陷智能化检测系统 | |
CN111368756A (zh) | 一种基于可见光的明火烟雾快速识别方法和系统 | |
CN117876971A (zh) | 基于机器视觉的建筑施工安全监测及预警方法 | |
CN116758074B (zh) | 一种多光谱食品图像智能增强方法 | |
CN116934752B (zh) | 一种基于人工智能的玻璃检测方法及系统 |
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 |