CN115393276A - 一种齿轮表面形态智能检测分析系统 - Google Patents

一种齿轮表面形态智能检测分析系统 Download PDF

Info

Publication number
CN115393276A
CN115393276A CN202210861794.5A CN202210861794A CN115393276A CN 115393276 A CN115393276 A CN 115393276A CN 202210861794 A CN202210861794 A CN 202210861794A CN 115393276 A CN115393276 A CN 115393276A
Authority
CN
China
Prior art keywords
gear
surface morphology
value
image
analysis
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
Application number
CN202210861794.5A
Other languages
English (en)
Inventor
姚景占
姚红宾
刘建伟
刘慧�
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.)
Huaneng International Power Co ltd Hebei Clean Energy Branch
Original Assignee
Huaneng International Power Co ltd Hebei Clean Energy Branch
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 Huaneng International Power Co ltd Hebei Clean Energy Branch filed Critical Huaneng International Power Co ltd Hebei Clean Energy Branch
Priority to CN202210861794.5A priority Critical patent/CN115393276A/zh
Publication of CN115393276A publication Critical patent/CN115393276A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本申请公开的一种齿轮表面形态智能检测分析系统，应用有图像采集单元，所述图像采集单元用于采集齿轮箱内部的齿轮表面图像；获取所述图像采集单元采集的齿轮表面图像，并对齿轮表面形态特征值进行提取，以生成齿轮表面形态特征记录数据；获取机组累计运行时间数值、机组累计发电量、齿轮箱使用时间数值和齿轮箱故障运行时间数值，以生成齿轮运行历程数据；结合所述齿轮表面形态特征记录数据和齿轮运行历程数据，通过深度学习算法，建立齿轮箱寿命分析模型，以对所述齿轮箱体寿命进行分析计算，本申请公开的一种齿轮表面形态智能检测分析系统具有检测手段方便简单的优点，并且相比于一般纯人工经验检查，精准度更高。

Description

一种齿轮表面形态智能检测分析系统
技术领域
本发明涉及风电机组维护技术领域，尤其是涉及一种齿轮表面形态智能检测分析系统。
背景技术
由于风电机组增速齿轮箱故障导致停机和下线维修，给现场造成了很大的经济损失。常规的措施手段，如定期更换指定的润滑油、更换滤芯等，不能解决磨损继续发展的问题。而且从近年来的维修数据表明，增速箱齿轮因为故障而下线维修的次数在增多。据统计，每个风场投产8年时间，每年平均更换1台齿轮箱，有的多达4台。占比从3％-10％。传统维修方式，增速齿轮箱箱需要在停机状态下，由大型吊装起重设备进行齿轮箱的整体或部分拆解、更换维修。为了能够减少对齿轮箱的维修或更换带来的经济损失，应用有各类在线齿轮修复强化技术，如“金属表面在线强化修复技术”，“金属表面在线强化修复技术”是一种先进的表面处理科技，能够在机械设备不解体、不停机的状态下修复机械零件发生的磨损等损伤。近年来获得了国内各大风电运营单位的广泛关注。
为了保证经在线修复后的齿轮箱能够稳定运行，需要对修复后的齿轮箱修复效果进行评估，进而计算出齿轮箱的寿命。维修效果的评估还是依赖传统的检测手段，如振动分析、油液分析、粗糙度测定、油温监测、内窥镜检查、手机拍照等。作为主要判定手段的振动分析，因为分辨率低，不能反映“在线维修技术”的效果，尤其是对点蚀的微修复。内窥镜检查可以对齿轮表面状态进行方便地采集，也能反映齿轮的磨损状态，检测成本低。传统的内窥镜检查，依赖专家意见，缺乏精确、量化计算，人为因素多。导致检查结果只能作为其他手段的参考。
发明内容
本发明的目的是提供一种能够对齿轮箱内齿轮表面损伤情况进行检测分析的系统，进而实现对齿轮箱内齿轮寿命的评估。
所以本发明公开了一种齿轮表面形态智能检测分析系统，应用有图像采集单元，所述图像采集单元用于采集齿轮箱内部的齿轮表面图像；
获取所述图像采集单元采集的齿轮表面图像，并对齿轮表面形态特征值进行提取，以生成齿轮表面形态特征记录数据；
获取机组累计运行时间数值、机组累计发电量、齿轮箱使用时间数值和齿轮箱故障运行时间数值，以生成齿轮运行历程数据；
结合所述齿轮表面形态特征记录数据和齿轮运行历程数据，通过深度学习算法，建立齿轮箱寿命分析模型，以对所述齿轮箱体寿命进行分析计算。
在本申请的一些实施例中，公开了一种提取齿轮表面形态特征值的方法，进而实现对齿轮表面形态特征值的提取，提取齿轮表面形态特征值的方法包括：
预设有齿轮表面形态特征识别库，所述齿轮表面形态特征识别库用于确定所述齿轮表面图像中的齿轮磨损特征；
获取齿轮表面图像，根据所述齿轮表面形态特征识别库，扫描确定所述齿轮表面图像中符合齿轮磨损特征的齿轮表面形态特征值。
在本申请的一些实施例中，公开了一种预设所述齿轮表面形态特征识别库的方法，进而实现对齿轮表面形态特征值的辨别确定，预设所述齿轮表面形态特征识别库的方法包括：
根据齿轮表面的磨损、断裂、点蚀、剥落、塑性流动、擦伤、胶合、腐蚀和烧焦的齿轮表面形态特征值特点，划分齿轮表面形态特征值范围区间。
在本申请中，公开了一种更为具体地获取齿轮表面形态特征值的方法，获取齿轮表面形态特征值的方法包括：
根据图像直线检测算法，对所述齿轮表面图像进行扫描分析，以确定所述齿轮本体边界；
将确定的所述齿轮本体边界连接起来，确定所述齿轮本体检测区；
根据图像边缘检测算法，对所述齿轮本体检测区进行扫描分析，以确定损伤区块轮廓，并确定损伤区块轮廓的面积值；
根据图像灰度检测算法，对所述损伤区块轮廓进行扫描分析，以确定损伤区块的灰度值；
根据所述损伤区块的面积值和灰度值，确定所述损伤区块的损伤类型；
所述齿轮本体检测区内的所述损伤区块的损伤类型、面积值和灰度值为所述齿轮表面形态特征值。
在本申请的一些实施例中，为了能够确定获取的齿轮表面形态特征值所属损伤类型和损伤程度，公开了一种划分齿轮表面形态特征值范围区间的方法，划分齿轮表面形态特征值范围区间的方法包括：
齿轮表面形态特征值范围区间包括损伤区块面积区间和损伤区块灰度区间；
针对不同损伤类型的损伤区块，获取所述损伤区块的若干组面积值和灰度值；
将所述损伤区块的若干组的最大面积值和最小面积值确定为所述损伤区块面积区间的端点值；
将所述损伤区块的若干组的最大灰度值和最小灰度值确定为所述损伤区块灰度区间的端点值。
在本申请的一些实施例中，为了能够判断出所述齿轮箱体的剩余寿命，公开了一种对所述齿轮箱剩余寿命进行分析计算的方法，对所述齿轮箱体剩余寿命进行分析计算的方法还可以包括：
预设有齿轮运行历程分析库，所述齿轮运行历程分析库用于确定不同齿轮运行历程数据所对应的第一齿轮寿命消耗值；
预设有齿轮表面形态特征分析库，所述齿轮表面形态特征分析库用于确定不同的所述齿轮表面形态特征记录数据所对应的第二齿轮寿命消耗值；
根据所述第一齿轮寿命消耗值和第二齿轮寿命消耗值，确定所述齿轮箱体剩余寿命。
在本申请的一些实施例中，公开了一种预设所述齿轮运行历程分析库的方法，进而对所述齿轮箱体的寿命进行计算，预设所述齿轮运行历程分析库的方法包括：
对机组累计运行时间数值、机组累计发电量、齿轮箱使用时间数值和齿轮箱故障运行时间数值均进行区段划分，并针每一区段设置有特定的第一齿轮寿命消耗值。
在本申请的一些实施例中，公开了一种预设所述齿轮表面形态特征分析库的方法，进而能够对所述齿轮箱体的寿命进行分析计算，预设所述齿轮表面形态特征分析库的方法包括：
对不同的齿轮表面形态特征记录数据进行区段划分，并针对每一区段设置有特定的第二齿轮寿命消耗值。
在本申请的一些实施例中，公开了一个能够对所述图像采集单元采集的齿轮表面图像进行分析分析处理单元，所述系统还应用有分析处理单元，所述分析处理单元用于对所述齿轮表面形态特征记录数据和齿轮运行历程数据进行分析处理，以确定分析出所述齿轮箱体寿命。
本申请公开的一种齿轮表面形态智能检测分析系统，通过图像采集单元采集到齿轮箱内部的齿轮表面图像，生成齿轮表面形态特征记录数据，并结合生成的齿轮运行历程数据，通过深度学习算法，建立齿轮箱寿命分析模型进而对齿轮箱体的寿命进行分析计算，具有检测手段方便简单的优点，并且相比于一般纯人工经验检查，精准度更高。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本申请实施例中公开的一种对齿轮表面形态的分析方法步骤。
图2为本申请实施例中公开的一种获取齿轮表面形态特征值的方法步骤。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
实施例：
本发明的目的是提供一种能够对齿轮箱内齿轮表面损伤情况进行检测分析的系统，进而实现对齿轮箱内齿轮寿命的评估。
所以本发明公开了一种齿轮表面形态智能检测分析系统，应用有图像采集单元，所述图像采集单元用于采集齿轮箱内部的齿轮表面图像。
通过所述齿轮表面图像对齿轮箱表面形态的检测分析方法步骤包括：
步骤1，获取所述图像采集单元采集的齿轮表面图像，并对齿轮表面形态特征值进行提取，以生成齿轮表面形态特征记录数据。
步骤2，获取机组累计运行时间数值、机组累计发电量、齿轮箱使用时间数值和齿轮箱故障运行时间数值，以生成齿轮运行历程数据。
步骤3，结合所述齿轮表面形态特征记录数据和齿轮运行历程数据，通过深度学习算法，建立齿轮箱寿命分析模型，以对所述齿轮箱体寿命进行分析计算。
对应所述步骤1，为了实现对齿轮表面形态特征值的提取，在本申请的一些实施例中，公开了一种提取齿轮表面形态特征值的方法，提取齿轮表面形态特征值的方法包括：
a.预设有齿轮表面形态特征识别库，所述齿轮表面形态特征识别库用于确定所述齿轮表面图像中的齿轮磨损特征。
b.获取齿轮表面图像，根据所述齿轮表面形态特征识别库，扫描确定所述齿轮表面图像中符合齿轮磨损特征的齿轮表面形态特征值。
对应步骤1，在本申请的一些实施例中，公开了一种预设所述齿轮表面形态特征识别库的方法，进而实现对齿轮表面形态特征值的辨别确定，预设所述齿轮表面形态特征识别库的方法包括：根据齿轮表面的磨损、断裂、点蚀、剥落、塑性流动、擦伤、胶合、腐蚀和烧焦的齿轮表面形态特征值特点，划分齿轮表面形态特征值范围区间。
对应步骤1，在本申请中，公开了一种更为具体地获取齿轮表面形态特征值的方法，获取齿轮表面形态特征值的方法包括：
步骤101，根据图像直线检测算法，对所述齿轮表面图像进行扫描分析，以确定所述齿轮本体边界。
步骤102，将确定的所述齿轮本体边界连接起来，确定所述齿轮本体检测区。
步骤103，根据图像边缘检测算法，对所述齿轮本体检测区进行扫描分析，以确定损伤区块轮廓，并确定损伤区块轮廓的面积值。
步骤104，根据图像灰度检测算法，对所述损伤区块轮廓进行扫描分析，以确定损伤区块的灰度值。
步骤105，根据所述损伤区块的面积值和灰度值，确定所述损伤区块的损伤类型。
所述齿轮本体检测区内的所述损伤区块的损伤类型、面积值和灰度值为所述齿轮表面形态特征值。
对应步骤3，在本申请的一些实施例中，为了能够确定获取的齿轮表面形态特征值所属损伤类型和损伤程度，公开了一种划分齿轮表面形态特征值范围区间的方法，划分齿轮表面形态特征值范围区间的方法包括：
齿轮表面形态特征值范围区间包括损伤区块面积区间和损伤区块灰度区间。
步骤301，针对不同损伤类型的损伤区块，获取所述损伤区块的若干组面积值和灰度值。
步骤302，将所述损伤区块的若干组的最大面积值和最小面积值确定为所述损伤区块面积区间的端点值。
步骤303，将所述损伤区块的若干组的最大灰度值和最小灰度值确定为所述损伤区块灰度区间的端点值。
对应所述步骤3，在本申请的一些实施例中，为了能够判断出所述齿轮箱体的剩余寿命，公开了一种对所述齿轮箱剩余寿命进行分析计算的方法，对所述齿轮箱体剩余寿命进行分析计算的方法还可以包括：
预设有齿轮运行历程分析库，所述齿轮运行历程分析库用于确定不同齿轮运行历程数据所对应的第一齿轮寿命消耗值。
步骤3001，预设有齿轮表面形态特征分析库，所述齿轮表面形态特征分析库用于确定不同的所述齿轮表面形态特征记录数据所对应的第二齿轮寿命消耗值。
步骤3002，根据所述第一齿轮寿命消耗值和第二齿轮寿命消耗值，确定所述齿轮箱体剩余寿命。
对应所述步骤3，在本申请的一些实施例中，公开了一种预设所述齿轮运行历程分析库的方法，进而对所述齿轮箱体的寿命进行计算，预设所述齿轮运行历程分析库的方法包括：对机组累计运行时间数值、机组累计发电量、齿轮箱使用时间数值和齿轮箱故障运行时间数值均进行区段划分，并针每一区段设置有特定的第一齿轮寿命消耗值。
对应所述步骤3，在本申请的一些实施例中，公开了一种预设所述齿轮表面形态特征分析库的方法，进而能够对所述齿轮箱体的寿命进行分析计算，预设所述齿轮表面形态特征分析库的方法包括：对不同的齿轮表面形态特征记录数据进行区段划分，并针对每一区段设置有特定的第二齿轮寿命消耗值。
在本申请的一些实施例中，公开了一个能够对所述图像采集单元采集的齿轮表面图像进行分析分析处理单元，所述系统还应用有分析处理单元，所述分析处理单元用于对所述齿轮表面形态特征记录数据和齿轮运行历程数据进行分析处理，以确定分析出所述齿轮箱体寿命。
为了进一步阐述本申请的技术方案，现结合具体应用场景，公开一种对齿轮表面形态的分析方法步骤，进而能够对齿轮箱内的齿轮寿命进行精准有效的评估。
传统的检测手段，如振动分析、油液分析、粗糙度测定、油温监测、内窥镜检查、手机拍照等。作为主要判定手段的振动分析，因为分辨率低，不能反映“在线维修技术”的效果，尤其是对点蚀的微修复。内窥镜检查可以对齿轮表面状态进行方便地采集，也能反映齿轮的磨损状态，检测成本低。传统的内窥镜检查，依赖专家意见，缺乏精确、量化计算，人为因素多。导致检查结果只能作为其他手段的参考。
为了解决上述检测手段的缺陷，如图1，所述方法步骤包括：
S1，获取所述图像采集单元采集的齿轮表面图像，并对齿轮表面形态特征值进行提取，以生成齿轮表面形态特征记录数据。
S2，获取机组累计运行时间数值、机组累计发电量、齿轮箱使用时间数值和齿轮箱故障运行时间数值，以生成齿轮运行历程数据。
S3，结合所述齿轮表面形态特征记录数据和齿轮运行历程数据，通过深度学习算法，建立齿轮箱寿命分析模型，以对所述齿轮箱体寿命进行分析计算。
齿轮箱寿命模型对项目风场的机组齿轮箱齿轮表面形态进行采集和处理、分析、判断、诊断，评估齿轮箱运行状态和剩余使用寿命。
其中，步骤S1中，提取齿轮表面形态特征值的方法包括：预设有齿轮表面形态特征识别库，所述齿轮表面形态特征识别库用于确定所述齿轮表面图像中的齿轮磨损特征；获取齿轮表面图像，根据所述齿轮表面形态特征识别库，扫描确定所述齿轮表面图像中符合齿轮磨损特征的齿轮表面形态特征值。
其中，预设所述齿轮表面形态特征识别库的方法包括：根据齿轮表面的磨损、断裂、点蚀、剥落、塑性流动、擦伤、胶合、腐蚀和烧焦的齿轮表面形态特征值特点，划分齿轮表面形态特征值范围区间。
相对应步骤S1，获取齿轮表面形态特征值的方法步骤包括：
S4,根据图像直线检测算法，对所述齿轮表面图像进行扫描分析，以确定所述齿轮本体边界。
S5,将确定的所述齿轮本体边界连接起来，确定所述齿轮本体检测区。
S6，根据图像边缘检测算法，对所述齿轮本体检测区进行扫描分析，以确定损伤区块轮廓，并确定损伤区块轮廓的面积值。
S7,根据图像灰度检测算法，对所述损伤区块轮廓进行扫描分析，以确定损伤区块的灰度值。
S8，根据所述损伤区块的面积值和灰度值，确定所述损伤区块的损伤类型。
所述齿轮本体检测区内的所述损伤区块的损伤类型、面积值和灰度值为所述齿轮表面形态特征值。
步骤S6中提到的图像边缘检测算法的主要原理在于识别出数字图像中那些颜色变化或者亮度变化明显的像素点，这些像素点的显著性变化往往代表图像的这部分属性发生了重要变化，其中包括了深度上的不连续、方向上的不连续及亮度上的不连续等。
图像边缘检测算法在对图像的边缘进行检测时，先大概检测出图像轮廓的一些像素电，然后通过一些连接规则将那些像素点连接起来，最后再检测并连接一些之前未被识别的边界点、去除检测到的虚假的像素点和边界点并形成一个整体的边缘。然而在实际的图像中，边缘往往是各种类型的东西或模糊的风景的边缘，同时实际图像中可能存在着噪声，噪声和边缘同属于高频率的信号信息，因此传统中使用的频带过滤方法去检测图像的边缘效果并不好。
目前常用的边缘检测模型有很多：一阶的有Roberts算子，Prewitt算子，Sobel算子，Canny算子等；二阶的有Laplacian算子等。图像的边缘检测是基于图像的梯度来实现的，而获得图像的梯度就转化成使用各种算子对图像进行卷积运算来获得的。
本申请公开的一种齿轮表面形态智能检测分析系统，通过图像采集单元采集到齿轮箱内部的齿轮表面图像，生成齿轮表面形态特征记录数据，并结合生成的齿轮运行历程数据，通过深度学习算法，建立齿轮箱寿命分析模型进而对齿轮箱体的寿命进行分析计算，具有检测手段方便简单的优点，并且相比于一般纯人工经验检查，精准度更高。
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。

Claims (9)

1.一种齿轮表面形态智能检测分析系统，其特征在于，应用有图像采集单元，所述图像采集单元用于采集齿轮箱内部的齿轮表面图像；
获取所述图像采集单元采集的齿轮表面图像，并对齿轮表面形态特征值进行提取，以生成齿轮表面形态特征记录数据；
获取机组累计运行时间数值、机组累计发电量、齿轮箱使用时间数值和齿轮箱故障运行时间数值，以生成齿轮运行历程数据；
结合所述齿轮表面形态特征记录数据和齿轮运行历程数据，通过深度学习算法，建立齿轮箱寿命分析模型，以对所述齿轮箱体寿命进行分析计算。
2.根据权利要求1所述的一种齿轮表面形态智能检测分析系统，其特征在于，提取齿轮表面形态特征值的方法包括：
预设有齿轮表面形态特征识别库，所述齿轮表面形态特征识别库用于确定所述齿轮表面图像中的齿轮磨损特征；
获取齿轮表面图像，根据所述齿轮表面形态特征识别库，扫描确定所述齿轮表面图像中符合齿轮磨损特征的齿轮表面形态特征值。
3.根据权利要求2所述的一种齿轮表面形态智能检测分析系统，其特征在于，预设所述齿轮表面形态特征识别库的方法包括：
根据齿轮表面的磨损、断裂、点蚀、剥落、塑性流动、擦伤、胶合、腐蚀和烧焦的齿轮表面形态特征值特点，划分齿轮表面形态特征值范围区间。
4.根据权利要求3所述的一种齿轮表面形态智能检测分析系统，其特征在于，获取齿轮表面形态特征值的方法包括：
根据图像直线检测算法，对所述齿轮表面图像进行扫描分析，以确定所述齿轮本体边界；
将确定的所述齿轮本体边界连接起来，确定所述齿轮本体检测区；
根据图像边缘检测算法，对所述齿轮本体检测区进行扫描分析，以确定损伤区块轮廓，并确定损伤区块轮廓的面积值；
根据图像灰度检测算法，对所述损伤区块轮廓进行扫描分析，以确定损伤区块的灰度值；
根据所述损伤区块的面积值和灰度值，确定所述损伤区块的损伤类型；
所述齿轮本体检测区内的所述损伤区块的损伤类型、面积值和灰度值为所述齿轮表面形态特征值。
5.根据权利要求4所述的一种齿轮表面形态智能检测分析系统，其特征在于，划分齿轮表面形态特征值范围区间的方法包括：
齿轮表面形态特征值范围区间包括损伤区块面积区间和损伤区块灰度区间；
针对不同损伤类型的损伤区块，获取所述损伤区块的若干组面积值和灰度值；
将所述损伤区块的若干组的最大面积值和最小面积值确定为所述损伤区块面积区间的端点值；
将所述损伤区块的若干组的最大灰度值和最小灰度值确定为所述损伤区块灰度区间的端点值。
6.根据权利要求1所述的一种齿轮表面形态智能检测分析系统，其特征在于，对所述齿轮箱体剩余寿命进行分析计算的方法还可以包括：
预设有齿轮运行历程分析库，所述齿轮运行历程分析库用于确定不同齿轮运行历程数据所对应的第一齿轮寿命消耗值；
预设有齿轮表面形态特征分析库，所述齿轮表面形态特征分析库用于确定不同的所述齿轮表面形态特征记录数据所对应的第二齿轮寿命消耗值；
根据所述第一齿轮寿命消耗值和第二齿轮寿命消耗值，确定所述齿轮箱体剩余寿命。
7.根据权利要求6所述的一种齿轮表面形态智能检测分析系统，其特征在于，预设所述齿轮运行历程分析库的方法包括：
对机组累计运行时间数值、机组累计发电量、齿轮箱使用时间数值和齿轮箱故障运行时间数值均进行区段划分，并针每一区段设置有特定的第一齿轮寿命消耗值。
8.根据权利要求6所述的一种齿轮表面形态智能检测分析系统，其特征在于，预设所述齿轮表面形态特征分析库的方法包括：
对不同的齿轮表面形态特征记录数据进行区段划分，并针对每一区段设置有特定的第二齿轮寿命消耗值。
9.根据权利要求1所述的一种齿轮表面形态智能检测分析系统，其特征在于，所述系统还应用有分析处理单元，所述分析处理单元用于对所述齿轮表面形态特征记录数据和齿轮运行历程数据进行分析处理，以确定分析出所述齿轮箱体寿命。
CN202210861794.5A 2022-07-20 2022-07-20 一种齿轮表面形态智能检测分析系统 Pending CN115393276A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210861794.5A CN115393276A (zh) 2022-07-20 2022-07-20 一种齿轮表面形态智能检测分析系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210861794.5A CN115393276A (zh) 2022-07-20 2022-07-20 一种齿轮表面形态智能检测分析系统

Publications (1)

Publication Number Publication Date
CN115393276A true CN115393276A (zh) 2022-11-25

Family

ID=84116775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210861794.5A Pending CN115393276A (zh) 2022-07-20 2022-07-20 一种齿轮表面形态智能检测分析系统

Country Status (1)

Country Link
CN (1) CN115393276A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116758078A (zh) * 2023-08-18 2023-09-15 中科航迈数控软件(深圳)有限公司 变速齿轮箱观测方法、系统、终端设备以及存储介质
CN117197876A (zh) * 2023-11-07 2023-12-08 深圳凯升联合科技有限公司 一种基于深度学习的人脸识别安防系统及其方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116758078A (zh) * 2023-08-18 2023-09-15 中科航迈数控软件(深圳)有限公司 变速齿轮箱观测方法、系统、终端设备以及存储介质
CN116758078B (zh) * 2023-08-18 2023-11-17 中科航迈数控软件(深圳)有限公司 变速齿轮箱观测方法、系统、终端设备以及存储介质
CN117197876A (zh) * 2023-11-07 2023-12-08 深圳凯升联合科技有限公司 一种基于深度学习的人脸识别安防系统及其方法
CN117197876B (zh) * 2023-11-07 2024-04-09 深圳凯升联合科技有限公司 一种基于深度学习的人脸识别安防系统及其方法

Similar Documents

Publication Publication Date Title
CN115393276A (zh) 一种齿轮表面形态智能检测分析系统
Schmugge et al. Crack segmentation by leveraging multiple frames of varying illumination
CN107220469B (zh) 一种风机状态估计的方法及系统
CN102628854A (zh) 汽车仪表板检测系统及方法
CN108685158B (zh) 基于自动光学检测技术的切丝机智能维护方法和系统
CN110836696A (zh) 适于调相机系统的远程故障预测方法和系统
CN103471841A (zh) 一种旋转机械振动故障诊断方法
CN112669305B (zh) 一种金属表面抗锈性能测试台及抗锈性能测评方法
CN116308300B (zh) 一种电力设备状态监测评价与指挥方法及系统
CN107782551B (zh) 一种机械部件损伤程度的评估方法
CN115060491A (zh) 一种基于多源数据的风机轴承运行健康度评估方法及系统
CN117115169A (zh) 一种汽车配件压铸模具表面形变异常智能识别方法
Kebabsa et al. Experimental vibratory analysis of a fan motor in industrial environment
CN114663672A (zh) 一种输电线路塔钢构件腐蚀检测方法及系统
CN113781513B (zh) 一种电厂供水管道泄漏检测方法及系统
CN116071692A (zh) 一种基于形态学图像处理的水尺水位识别方法及系统
CN107909677A (zh) 一种船舶机电设备运行数据稳定性提取及判别方法
CN115526196A (zh) 基于实时数据及模型的潜油电泵工况在线动态诊断方法
CN113432709B (zh) 一种基于图形学的可视化机械故障诊断方法
CN112213104B (zh) 轴承检测方法、装置和系统
CN219870251U (zh) 一种基于物联网的转动机械预测性维护系统
CN117710364B (zh) 一种基于机器视觉的抗磨液压油除杂全流程分析管理系统
CN117450413B (zh) 一种铜板带冷轧机的机油渗漏检测方法
CN115079654B (zh) 火电厂控制过程分析方法、装置、设备及介质
Chen et al. Real-time detection of the broken thread of textile products

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