CN116152749B - 基于数字孪生的齿轮磨损智能监测方法 - Google Patents
基于数字孪生的齿轮磨损智能监测方法 Download PDFInfo
- Publication number
- CN116152749B CN116152749B CN202310424155.7A CN202310424155A CN116152749B CN 116152749 B CN116152749 B CN 116152749B CN 202310424155 A CN202310424155 A CN 202310424155A CN 116152749 B CN116152749 B CN 116152749B
- Authority
- CN
- China
- Prior art keywords
- streak
- pixel points
- region
- suspected
- obtaining
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 239000013598 vector Substances 0.000 claims abstract description 105
- 238000005299 abrasion Methods 0.000 claims abstract description 53
- 239000011159 matrix material Substances 0.000 claims abstract description 7
- 230000035515 penetration Effects 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 6
- 230000002159 abnormal effect Effects 0.000 description 15
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及图像数据处理技术领域,提出了基于数字孪生的齿轮磨损智能监测方法,包括:获取图像数据及磨损程度待测图;根据磨损程度待测图得到齿面区域,获得齿面区域的显著图,根据显著图得到条痕疑似区;获取条痕疑似区的边缘像素点记为条痕边缘像素点,根据条痕边缘像素点的海森矩阵得到特征向量,根据特征向量得到差值向量,根据差值向量计算条痕疑似区的方向直度;将条痕疑似区拟合为一条直线,根据拟合直线得到条痕疑似区的区域宽度均值;获得齿面区域对应的磨损显著度;根据磨损显著度确定分块大小对图像增强,实现对齿轮的磨损智能监测。本发明最大限度保留磨损出现的条痕的情况下增强条痕数据的突出性,减少噪声的干扰。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于数字孪生的齿轮磨损智能监测方法。
背景技术
齿轮是指轮缘上有齿,能连续啮合传递运动和动力的机械元件。在机器工作的过程中,齿轮会不断出现磨损,当磨损积累到一定程度,则会导致机器的工作精度下降,甚至使机器受到损害,所以需要及时对齿轮等机械元件的磨损状态进行监测。由于机器在不断工作中,无法多次停工用于检查和监测,所以一般在机器上安装各种传感器,通过分析传感器数据,以实现对齿轮的磨损质量进行监测,如:基于振动信号分析齿轮故障的监测方法。该方法可以有效的识别和诊断齿轮故障,但在早期磨损阶段,受高速啮合振动和强烈环境噪声干扰,齿面的局部磨损仅会导致振动信号的微弱瞬变,特征提取困难,所以该方法对齿轮早期磨损的识别和诊断还存在问题。随着大数据、物联网以及云计算等技术的出现,数字孪生也逐步被提出用促进制造业的监测。数字孪生采用数据驱动的方式对物理实体的属性、特征、行为和性能等进行描述和建模,在制造车间、船舶、车辆等领域逐步得到应用,可利用数字孪生实现对齿轮磨损的智能监测。
在使用数字孪生采集齿轮在工作过程中的相关传感器数据时,齿轮等机械元件在出现磨损后表面的纹理受到的影响较大,在分析各项数据的过程中需额外进行关注,但在获取图像数据的过程中,受到机器设备的震动、环境等等影响,机械元件的图像数据中往往存在噪声,而微小的磨损与噪声均较为微小,所以易将噪声识别为出现磨损的位置或者将出现磨损的位置误判为噪声在去噪阶段去除,使轻微磨损无法及时检出。所以需要一种对数字孪生采集的图像数据进行去噪后准确提取机械元件表面微小磨损的方法。
发明内容
本发明提供基于数字孪生的齿轮磨损智能监测方法,以解决现有的易将噪声识别为出现磨损的位置或者将出现磨损的位置误判为噪声在去噪阶段去除的问题,所采用的技术方案具体如下:
本发明一个实施例提供了基于数字孪生的齿轮磨损智能监测方法,该方法包括以下步骤:
获取图像数据及磨损程度待测图;
将磨损程度待测图中灰度值大于第一类间方差阈值的像素点组成的区域记为齿面区域,获得齿面区域的显著图,将显著图中灰度值小于第二类间方差阈值的像素点组成的连通域记为条痕疑似区;
获取条痕疑似区的边缘像素点记为条痕边缘像素点,获得条痕边缘像素点的海森矩阵,将条痕边缘像素点的海森矩阵较小特征值对应的特征向量作为条痕边缘像素点的特征向量,将相邻条痕边缘像素点的特征向量作差得到差值向量,对差值向量聚类得到标准差值向量,标准差值向量按照方向角度从小到大排序得到标准差值向量序列,根据相邻标准差值向量的角度的累加和、标准差值向量的数量与所有差值向量的数量的比值得到条痕疑似区的方向直度;
将条痕疑似区内所有像素点拟合为一条直线得到拟合优度和拟合直线的方程,获取拟合直线上的直线像素点,根据直线像素点得到每个直线像素点对应的条痕疑似区的区域宽度,获得条痕疑似区的区域宽度均值;
在每个齿面区域内,将所有条痕疑似区倾斜角的标准差和方向直度的标准差的乘积记为第一乘积,将所有条痕疑似区拟合优度的均值与第一乘积的比值记为第一比值,将所有拟合曲线上直线像素点占所有像素点数量的比值的均值与所有条痕疑似区的区域宽度均值的标准差的比值作为第二比值,根据第一比值与第二比值的乘积得到每个齿面区域对应的磨损显著度;
根据齿面区域的磨损显著度确定图像分块的大小,并以此完成图像数据的增强,实现对齿轮的磨损智能监测。
优选的,所述第一类间方差阈值、第二类间方差阈值的获取方法为:
将磨损程度待测图输入到OTSU最大类间方差算法进行划分,得到第一类间方差阈值,将显著图输入到OTSU最大类间方差算法中进行划分,得到第二类间方差阈值。
优选的,所述将显著图中灰度值小于第二类间方差阈值的像素点组成的连通域记为条痕疑似区的方法为:
将灰度值小于第二类间方差阈值的像素点作为磨损像素点,磨损像素点构成的区域为磨损区域,对磨损区域进行连通域分析,得到条痕疑似区。
优选的,所述将相邻条痕边缘像素点的特征向量作差得到差值向量,对差值向量聚类得到标准差值向量的方法为:
将所有相邻条痕边缘像素点的特征向量两两作差得到差值向量,使用K-means聚类对所有差值向量进行聚类,聚类距离为差值向量的角度之差,聚类之后分为两个簇,其中将差值向量最多的簇内的差值向量记为标准差值向量。
优选的,所述根据相邻标准差值向量的角度的累加和、标准差值向量的数量与所有差值向量的数量的比值得到条痕疑似区的方向直度的方法为:
式中,表示标准差值向量序列中第i个标准差值向量,表示标准差值向量序
列中第i+1个标准差值向量;为差值向量最多的簇内的差值向量的数量,即标准差值向量
的数量;为所有差值向量的总数量,为求两个差值向量之间的夹角,为以自然常
数为底的指数函数,d为条痕疑似区对应的方向直度。
优选的,所述获取拟合直线上的直线像素点,根据直线像素点得到每个直线像素点对应的条痕疑似区的区域宽度的方法为:
每个条痕疑似区的所有像素点中在拟合直线上的像素点记为直线像素点,过直线像素点作垂直于拟合直线的垂线,每个直线像素点的垂线上的所有像素点中,在直线像素点对应的条痕疑似区内的像素点数量记为直线像素点对应的条痕疑似区的区域宽度。
优选的,所述根据第一比值与第二比值的乘积得到每个齿面区域对应的磨损显著度的方法为:
式中,为齿面区域包含的所有条痕疑似区对应的倾斜角的标准差,为齿面区域
包含的所有条痕疑似区对应的方向直度的标准差,为齿面区域包含的所有条痕疑似区的
区域宽度均值的标准差,为齿面区域包含的每条痕疑似区对应的拟合曲线在每条痕疑似
区内的像素点的数量,齿面区域包含的每条痕疑似区对应的拟合曲线在齿面区域内的像
素点数量即贯穿程度,为齿面区域包含的所有条痕疑似区对应的拟合优度的均值,为求均值的函数,为齿面区域的磨损显著度,为第一比值,为第二比值。
本发明的有益效果是:本发明从齿轮表面异常磨损较为细小易在数据处理过程中损失部分细节的问题出发,提取图像数据,将齿面与平滑部分差异较大的区域划分出来,对每个划分出的区域呈现出的异常磨损的条痕细小而均匀、呈直线分布的方向特征进行分析,判断各条纹为条痕的显著性。在判断的过程中,分别以宏观和围观的视角进行评价,使条痕显著性的分析更为贴合磨损特征,也使后续分析更为精确。接着,根据对齿面区域内各可能为条痕的区域均为沿齿面径向出现的特征分析各区域的方向特征和不同区域间的方向一致性,结合条痕逐渐加深后贯穿性和条痕宽度逐渐变宽的特征得到磨损的程度评价。该评价在结合条痕的方向特征和不同磨损痕迹一致性特征的基础下,分析磨损的严重程度,增强磨损结果评价的可信度。最后,根据磨损度程度确定数据处理过程需要保留细节的程度,在最大限度保留磨损出现的条痕的情况下增强条痕数据的突出性,减少噪声的干扰,使该齿轮磨损监测系统对磨损的智能监测更为准确。
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,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地介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的涉及基于数字孪生的齿轮磨损智能监测方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在机器中的齿轮部分设置图像传感器,利用图像传感器采集齿轮的图像,根据传感器获得的数据和数字孪生技术建立一套基于虚拟现实的齿轮磨损监测系统,系统架构主要由物理空间、孪生数据和虚拟空间三部分组成,物理空间为正在工作的齿轮的实时状态,将采集到的图像数据实时传输至孪生数据库中,虚拟空间通过处理孪生数据库中的数据建立预测模型进行动态仿真。物理空间中的数据经过处理输入到数据模型中,对齿轮的磨损状态进行实时仿真,同时,基于孪生数据,数字孪生系统实时监测齿轮的磨损状态变化面试时预测磨损参数,以能耗和时间为目标,进行工艺参数优化。齿轮磨损监测系统的构建过程为公知技术,不再赘述。
请参阅图1,其示出了本发明一个实施例提供的涉及基于数字孪生的齿轮磨损智能监测方法流程图,该方法包括以下步骤:
步骤S001,通过图像传感器获得初始图像。
本实施例对图像增强的部分在物理空间中。
通过图像传感器获取图像数据,将每个图像数据记为初始图像,为了更准确的构建预测模型,需要对图像数据进行增强,减少图像噪声,增强磨损数据,便于孪生数据库处理。
至此,通过图像传感器获得初始图像。
步骤S002,根据磨损程度待测图得到条痕疑似区,获得条痕疑似区边缘上的像素点的特征向量,根据特征向量得到差值向量,根据差值向量得到条痕疑似区的方向直度。
对于每张初始图像单独进行分析,将初始图像进行灰度化得到磨损程度待测图,对磨损程度待测图使用OTSU最大类间方差法进行划分,得到第一类间方差阈值,将灰度值大于第一类间方差阈值的像素点划分出来得到一个区域,该区域即对应磨损程度待测图中的齿轮表面的齿面对应的区域,将该区域记为齿面区域。
当齿轮表面出现磨损时,一般为齿轮在啮合过程中轮齿接触表面上出现材料摩擦损伤的现象,为正常磨损,齿面光亮平滑,没有宏观擦伤,各项公差在允许范围内,不在异常磨损的监测范围内。当出现异常磨损时,轮齿表面会出现微小颗粒的脱落,这些脱落的微小颗粒在齿轮啮合的过程中会对齿面造成伤害,齿面沿着齿轮径向将出现细小而均匀的条痕。
未出现异常磨损的齿面较为光滑,各像素点对应的灰度值一致性高,当齿面出现异常磨损时,异常磨损位置较少,相对于无异常磨损的位置较为显著。对齿面区域使用残差谱算法SR进行显著性监测,得到齿面区域对应的显著图,显著图为灰度图像。对显著图使用OTSU最大类间方差进行划分,得到第二类间方差阈值,由于齿面磨损的位置相对较暗,因此选择灰度值小于第二类间方差阈值的像素点作为磨损像素点,将磨损像素点构成的区域为磨损区域,对磨损区域进行连通域分析,得到多个子区域,将子区域记为条痕疑似区,每个条痕疑似区均对应一个可能为条痕的区域,对于每个条痕疑似区获得对应的边缘。
将每个条痕疑似区边缘上的像素点记为条痕边缘像素点,根据条痕边缘像素点的位置和在显著图中的灰度值得到每个条痕边缘像素点的海森矩阵,对于每个条痕边缘像素点,取该像素点的海森矩阵最小的特征值对应的特征向量作为每个条痕边缘像素点的特征向量。所得到的特征向量的方向即为每个条痕边缘像素点所在边缘位置的切线方向,因异常磨损出现的条痕细小而均匀,呈直线分布,所以各相邻的条痕边缘像素点对应的两个特征向量方向较为一致,仅有位于区域两端位置的少量条痕边缘像素点对应的两个特征向量的方向差异较大。
将所有相邻条痕边缘像素点对应的特征向量两两作差得到差值向量,使用K-
means聚类对所有差值向量进行聚类,聚类距离为差值向量的角度之差,其中K-means聚类
算法中的K值设置为2,聚类之后分为两个簇,将差值向量最多的簇内的差值向量记为标准
差值向量,将标准差值向量按照方向角度从小到大进行排序,得到标准差值向量序列,根据相邻标准差值向量的夹角和簇内差值向量的数量得到每个条痕疑
似区对应的方向直度:
式中,表示标准差值向量序列中第i个标准差值向量,表示标准差值向量序
列中第i+1个标准差值向量;为差值向量最多的簇内的差值向量的数量,即标准差值向量
的数量;为所有差值向量的总数量,为求两个差值向量之间的夹角,为以自然常
数为底的指数函数,d为条痕疑似区对应的方向直度。
式中为聚类得到的两个簇内包含差值向量最多的簇内差值向量的数量占差值向
量的总数量的比值。异常磨损的条痕具有细小而均匀的条状特征,所以出现差值向量一致
特征的相邻像素点的数量占边缘上所有相邻像素点的总数较多,接近于1。
方向直度反映了每个条痕疑似区呈现出的沿某一方向的直度,当该区域的该特征越为明显时,该条痕疑似区对应的方向直度越大,越可能对应异常磨损出现的条痕。
步骤S003,将条痕疑似区拟合为一条直线,得到条痕疑似区的区域宽度,根据区域宽度、拟合优度、拟合曲线上的像素点得到每个齿面区域的磨损显著度。
异常磨损的齿面的条痕由齿面表面脱落的微小颗粒在齿轮啮合的过程中形成,所以当条痕出现时,往往为多条。这些条痕均为沿齿轮径向出现,方向一致。且当异常磨损越为严重时,这些条痕在齿面的贯穿程度越大,条痕越粗。
获取每个条痕疑似区的所有像素点,使用最小二乘法将这些像素点拟合为一条直线,获得拟合时的拟合优度和拟合直线的方程。当拟合程度越好时,则条痕疑似区呈直线分布的特征越为明显。将在条痕疑似区且在拟合直线上的像素点记为直线像素点,获得直线像素点的数量,过直线像素点作垂直于拟合直线的垂线,该垂线在条痕疑似区的像素点数量为直线像素点对应的条痕疑似区的区域宽度,拟合直线上的每个直线像素点在条痕疑似区内都对应一个区域宽度,获得所有直线像素点对应的条痕疑似区的区域宽度的均值。同一条痕疑似区内各区域宽度较为相近,且当该区域宽度均较大时,则该条痕疑似区对应的条痕越深,齿面磨损程度越大。根据各条痕疑似区对应的拟合直线的方程获得该直线对应的倾斜角,异常磨损导致的条痕方向一致,所以各条痕疑似区对应的倾斜角差异较小。
根据所有条痕疑似区的方向直度、条痕疑似区的倾斜角、条痕疑似区对应的拟合直线的像素点获得齿面区域对应的磨损显著度,公式如下:
式中,为齿面区域包含的所有条痕疑似区对应的倾斜角的标准差,为齿面区域
包含的所有条痕疑似区对应的方向直度的标准差,为齿面区域包含的所有条痕疑似区的
区域宽度均值的标准差,为齿面区域包含的每条痕疑似区对应的拟合曲线在每条痕疑似
区内的像素点的数量,齿面区域包含的每条痕疑似区对应的拟合曲线在齿面区域内的像
素点数量即贯穿程度,为齿面区域包含的所有条痕疑似区对应的拟合优度的均值,为求均值的函数,为齿面区域的磨损显著度。
式中为每个条痕疑似区对应的延伸方向的常速占该齿面区域长度的比值,作用为求所有条痕疑似区对应的比值的均值。当该均值越大时,则每个条痕疑似区
沿齿轮径向的贯穿程度越大,每个条痕疑似区对应的条痕的磨损程度越大。衡量了每
个条痕疑似区的方向和形态之间的一致性,该一致性从每个条痕疑似区的方向直度、分布
与直线的拟合度和与方向一致性三个方面考量,分别对应齿面区域的形态和方向特征。衡量了齿面区域的每个条痕疑似区对应的条痕处磨损的程度,当每个条痕疑似区的
区域宽度越大、贯穿程度越大时,则该齿面区域内因为被异常磨损的程度越大。
步骤S004,根据磨损显著度得到图像分块的大小,并基于分块对磨损程度待测图进行增强,根据增强后的图像数据实现对齿轮的磨损智能监测。
对获取的每个齿面区域对应的磨损显著度使用线性归一化,将归一化的值记为磨
损度。当齿面区域内磨损显著度越大时,则磨损度越大,齿面区域内受到磨损的程度越大,
需要在去噪过程中保留更多细节。根据磨损度计算使用CLAHE算法时对图像分块时字块的
大小,公式如下:
至此完成对图像数据的增强。
将增强后的图像数据和其他数据作为静态数据输入孪生数据库,实现对齿轮的磨损智能监测,其中其他数据包括数控机床型号,刀具参数,设置参数等,将传感器数据和其他数据作为静态数据输入到孪生网络预测得到刀具磨损值是公知技术,其在《基于数字孪生的数控铣削刀具磨损在线预测及节能工艺优化方法》中公开了该技术,本实施例不再具体赘述。
以上所述仅为本发明的较佳实施例而已,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 (7)
1.基于数字孪生的齿轮磨损智能监测方法,其特征在于,该方法包括以下步骤:
获取图像数据及磨损程度待测图;
将磨损程度待测图中灰度值大于第一类间方差阈值的像素点组成的区域记为齿面区域,获得齿面区域的显著图,将显著图中灰度值小于第二类间方差阈值的像素点组成的连通域记为条痕疑似区;
获取条痕疑似区的边缘像素点记为条痕边缘像素点,获得条痕边缘像素点的海森矩阵,将条痕边缘像素点的海森矩阵较小特征值对应的特征向量作为条痕边缘像素点的特征向量,将相邻条痕边缘像素点的特征向量作差得到差值向量,对差值向量聚类得到标准差值向量,标准差值向量按照方向角度从小到大排序得到标准差值向量序列,根据相邻标准差值向量的角度的累加和、标准差值向量的数量与所有差值向量的数量的比值得到条痕疑似区的方向直度;
将条痕疑似区内所有像素点拟合为一条直线得到拟合优度和拟合直线的方程,获取拟合直线上的直线像素点,根据直线像素点得到每个直线像素点对应的条痕疑似区的区域宽度,获得条痕疑似区的区域宽度均值;
在每个齿面区域内,将所有条痕疑似区倾斜角的标准差和方向直度的标准差的乘积记为第一乘积,将所有条痕疑似区拟合优度的均值与第一乘积的比值记为第一比值,将所有拟合曲线上直线像素点占所有像素点数量的比值的均值与所有条痕疑似区的区域宽度均值的标准差的比值作为第二比值,根据第一比值与第二比值的乘积得到每个齿面区域对应的磨损显著度;
根据齿面区域的磨损显著度确定图像分块的大小,并以此完成图像数据的增强,实现对齿轮的磨损智能监测。
2.根据权利要求1所述的基于数字孪生的齿轮磨损智能监测方法,其特征在于,所述第一类间方差阈值、第二类间方差阈值的获取方法为:
将磨损程度待测图输入到OTSU最大类间方差算法进行划分,得到第一类间方差阈值,将显著图输入到OTSU最大类间方差算法中进行划分,得到第二类间方差阈值。
3.根据权利要求1所述的基于数字孪生的齿轮磨损智能监测方法,其特征在于,所述将显著图中灰度值小于第二类间方差阈值的像素点组成的连通域记为条痕疑似区的方法为:
将灰度值小于第二类间方差阈值的像素点作为磨损像素点,磨损像素点构成的区域为磨损区域,对磨损区域进行连通域分析,得到条痕疑似区。
4.根据权利要求1所述的基于数字孪生的齿轮磨损智能监测方法,其特征在于,所述将相邻条痕边缘像素点的特征向量作差得到差值向量,对差值向量聚类得到标准差值向量的方法为:
将所有相邻条痕边缘像素点的特征向量两两作差得到差值向量,使用K-means聚类对所有差值向量进行聚类,聚类距离为差值向量的角度之差,聚类之后分为两个簇,其中将差值向量最多的簇内的差值向量记为标准差值向量。
6.根据权利要求1所述的基于数字孪生的齿轮磨损智能监测方法,其特征在于,所述获取拟合直线上的直线像素点,根据直线像素点得到每个直线像素点对应的条痕疑似区的区域宽度的方法为:
每个条痕疑似区的所有像素点中在拟合直线上的像素点记为直线像素点,过直线像素点作垂直于拟合直线的垂线,每个直线像素点的垂线上的所有像素点中,在直线像素点对应的条痕疑似区内的像素点数量记为直线像素点对应的条痕疑似区的区域宽度。
7.根据权利要求1所述的基于数字孪生的齿轮磨损智能监测方法,其特征在于,所述根据第一比值与第二比值的乘积得到每个齿面区域对应的磨损显著度的方法为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310424155.7A CN116152749B (zh) | 2023-04-20 | 2023-04-20 | 基于数字孪生的齿轮磨损智能监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310424155.7A CN116152749B (zh) | 2023-04-20 | 2023-04-20 | 基于数字孪生的齿轮磨损智能监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116152749A CN116152749A (zh) | 2023-05-23 |
CN116152749B true CN116152749B (zh) | 2023-06-23 |
Family
ID=86354644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310424155.7A Active CN116152749B (zh) | 2023-04-20 | 2023-04-20 | 基于数字孪生的齿轮磨损智能监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116152749B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115196B (zh) * | 2023-10-25 | 2024-02-06 | 东莞雕宝自动化设备有限公司 | 一种切割机刀具磨损视觉检测方法及系统 |
CN117437233B (zh) * | 2023-12-21 | 2024-03-26 | 山东润通齿轮集团有限公司 | 一种基于图像处理的齿轮缺陷检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107003207A (zh) * | 2015-03-13 | 2017-08-01 | 宝马股份公司 | 用于测试齿轮的方法和设备 |
CN113658133A (zh) * | 2021-08-16 | 2021-11-16 | 江苏鑫丰源机电有限公司 | 一种基于图像处理的齿轮表面缺陷检测方法及系统 |
CN114723701A (zh) * | 2022-03-31 | 2022-07-08 | 南通博莹机械铸造有限公司 | 基于计算机视觉的齿轮缺陷检测方法和系统 |
CN115082419A (zh) * | 2022-07-14 | 2022-09-20 | 江苏诺阳家居科技有限公司 | 一种吹塑箱包生产缺陷检测方法 |
CN115359237A (zh) * | 2022-10-19 | 2022-11-18 | 镭戈斯智能装备江苏有限公司 | 一种基于图形识别的齿轮断齿识别方法 |
CN115496918A (zh) * | 2022-11-16 | 2022-12-20 | 山东高速股份有限公司 | 基于计算机视觉的高速公路路况异常检测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060029257A1 (en) * | 2004-08-03 | 2006-02-09 | Honda Motor Co., Ltd. | Apparatus for determining a surface condition of an object |
-
2023
- 2023-04-20 CN CN202310424155.7A patent/CN116152749B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107003207A (zh) * | 2015-03-13 | 2017-08-01 | 宝马股份公司 | 用于测试齿轮的方法和设备 |
CN113658133A (zh) * | 2021-08-16 | 2021-11-16 | 江苏鑫丰源机电有限公司 | 一种基于图像处理的齿轮表面缺陷检测方法及系统 |
CN114723701A (zh) * | 2022-03-31 | 2022-07-08 | 南通博莹机械铸造有限公司 | 基于计算机视觉的齿轮缺陷检测方法和系统 |
CN115082419A (zh) * | 2022-07-14 | 2022-09-20 | 江苏诺阳家居科技有限公司 | 一种吹塑箱包生产缺陷检测方法 |
CN115359237A (zh) * | 2022-10-19 | 2022-11-18 | 镭戈斯智能装备江苏有限公司 | 一种基于图形识别的齿轮断齿识别方法 |
CN115496918A (zh) * | 2022-11-16 | 2022-12-20 | 山东高速股份有限公司 | 基于计算机视觉的高速公路路况异常检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
Jiaxu Duan ; Lin Luo ; Jinlong Li.Measuring of train wheel surface defect based on linear CCD imaging.《2016 18th International Wheelset Congress (IWC)》.2017,第65-70页. * |
齿轮轴表面裂纹缺陷分析;范王展;《金属加工(热加工)》;第66-67页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116152749A (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116152749B (zh) | 基于数字孪生的齿轮磨损智能监测方法 | |
CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
CN110263192B (zh) | 一种基于条件生成对抗网络的磨粒形貌数据库创建方法 | |
CN116168026B (zh) | 基于计算机视觉的水质检测方法及系统 | |
CN115222741A (zh) | 一种电缆表面缺陷检测方法 | |
Peng et al. | Study of tool wear monitoring using machine vision | |
CN116823826B (zh) | 一种数控机床刀具崩刃异常检测方法 | |
CN115496692B (zh) | 一种润滑油磨粒图像增强方法 | |
CN114140669B (zh) | 焊接缺陷识别模型训练方法、装置和计算机终端 | |
CN115359053B (zh) | 一种金属板材缺陷智能检测方法及系统 | |
CN115049664A (zh) | 基于视觉的船舶发动机配件缺陷检测方法 | |
CN115018790A (zh) | 一种基于异常检测的工件表面缺陷检测方法 | |
CN111160451A (zh) | 一种柔性材料检测方法及其储存介质 | |
CN115330799B (zh) | 一种仪表自动化故障诊断方法 | |
CN113435460A (zh) | 一种亮晶颗粒灰岩图像的识别方法 | |
CN106528938B (zh) | 一种基于按类统计的滚动轴承可靠性可视化动态评估方法 | |
CN115240146B (zh) | 基于计算机视觉的机床装配智能验收方法 | |
CN114881960A (zh) | 基于特征增强的布匹直线型缺陷检测方法和系统 | |
CN105184792A (zh) | 一种圆锯片磨损量在线测量方法 | |
CN114581805A (zh) | 一种采用3d线激光轮廓技术的涂敷辊面缺陷检测方法 | |
CN115346126A (zh) | 一种边坡裂纹识别方法 | |
CN118015002A (zh) | 一种交通工程路况视觉检测方法及系统 | |
CN102313740B (zh) | 太阳能电池板裂痕检测方法 | |
CN116912235B (zh) | 基于计算机视觉的脱水蒜状态智能检测方法 | |
CN116664584B (zh) | 一种薄壁类锌合金压铸模具生产智能反馈调节系统 |
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 | ||
CP03 | Change of name, title or address |
Address after: 266107 Shaoshan Community, Xiazhuang Street, Chengyang District, Qingdao City, Shandong Province Patentee after: Qingdao Yilong Equipment Manufacturing Co.,Ltd. Country or region after: China Address before: No. 37 Jingping Road, Xiazhuang Street, Chengyang District, Qingdao City, Shandong Province, 266107 Patentee before: QINGDAO YILONG PACKAGING MACHINERY Co.,Ltd. Country or region before: China |
|
CP03 | Change of name, title or address |