CN117058414A - 一种油液颗粒在线监测预警方法和系统 - Google Patents
一种油液颗粒在线监测预警方法和系统 Download PDFInfo
- Publication number
- CN117058414A CN117058414A CN202311043383.6A CN202311043383A CN117058414A CN 117058414 A CN117058414 A CN 117058414A CN 202311043383 A CN202311043383 A CN 202311043383A CN 117058414 A CN117058414 A CN 117058414A
- Authority
- CN
- China
- Prior art keywords
- particle
- oil
- particles
- early warning
- oil particles
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 199
- 238000012544 monitoring process Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000013598 vector Substances 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000010801 machine learning Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 11
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 7
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000012795 verification Methods 0.000 abstract 1
- 239000003921 oil Substances 0.000 description 55
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 238000009776 industrial production Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000001050 lubricating effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000010687 lubricating oil Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002923 metal particle Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000009257 reactivity Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
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)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种油液颗粒在线监测预警方法和系统，方法包括获取油液中的颗粒数据；对所述颗粒数据进行特征提取，得到颗粒特征向量；根据所述颗粒特征向量，利用机器学习算法，得到颗粒的数量和大小，根据颗粒的数量和大小，对油液颗粒进行监测/预警。本发明通过传感器实时检测油液颗粒，并通过机器学习算法进行校验，具有实时性好、监测精度高、操作简便等优点，可实现对油液颗粒的在线监测和预警，并及时发现油液中颗粒的异常情况。
Description
技术领域
本发明涉及油液颗粒监测技术领域，更具体的说是涉及一种油液颗粒在线监测预警方法和系统。
背景技术
油液是工业生产中广泛使用的润滑和传动介质。在使用过程中，由于润滑油的磨损、杂质和外部环境等原因，油液中往往会出现颗粒物质，如铁屑、砂粒、水分等。这些颗粒会对机械设备造成严重的损害，甚至导致设备故障和生产事故的发生。因此，实现对油液颗粒的在线监测和预警具有重要的意义。
目前，主要采用物理/化学方法对油液颗粒进行监测，包括沉淀法、滤纸法、显微镜法。
但是，上述方法存在以下不足：
(1)需要手动采集样本，并进行复杂的化学分析或显微观察，操作极为不便，且时间和人力成本较高；
(2)难以实现油液颗粒的实时监测或预警，不能及时发现异常情况；
(3)难以准确地判断油液颗粒的来源和危害，存在监测精度低的问题。
因此，如何解决当前存在的技术问题，研发一种新的油液颗粒监测方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种油液颗粒在线监测预警方法和系统，通过采用传感器实时采集油液中的颗粒数据，以及通过云平台对数据进行处理和分析，从而实现油液颗粒度的实时在线监测。
为了实现上述目的，本发明采用如下技术方案：
一方面，本申请公开了一种油液颗粒在线监测预警方法，包括，
获取油液中的颗粒图像；
对所述颗粒图像进行特征提取，得到颗粒特征向量；所述颗粒特征向量包括形状特征、尺寸特征、颜色特征，和/或纹理特征；
根据所述颗粒特征向量，利用机器学习算法，得到颗粒的数量和大小，根据颗粒的数量和大小，对油液颗粒进行监测/预警。
作为优选，在进行特征提取之前，先对所述颗粒图像进行预处理，包括：去噪、滤波和归一化，以保证数据的准确性和可靠性。
作为优选，同时获取油液温度数据，通过训练好的机器算法模型对所述颗粒特征向量进行校正，根据校正后的颗粒特征向量对油液颗粒进行监测/预警。
作为优选，机器算法模型包括支持向量机和随机森林，
当所述特征向量线性可分，特征较多或训练样本较少，以及对噪声和异常值敏感，但具有较好泛化能力时，选择支持向量机；
当所述特征向量为非线性关系且无明显分界面，特征较多或训练样本较多，需要解释性更强的模型，以及噪声和异常值鲁棒，但容易过拟合时，选择随机森林。
作为优选，提取颗粒数据中的颗粒形状信息，用于通过机器算法模型识别颗粒种类。
作为优选，颗粒形状信息通过如下步骤提取，包括：
获取油液颗粒图像，分割提取颗粒图像，根据所述颗粒的轮廓得到颗粒轮廓特征。
另一方面，本发明公开了一种油液颗粒在线监测预警系统，包括，
颗粒传感器和云平台，其中，颗粒传感器和云平台无线连接；
所述颗粒传感器，用于实时采集油液中的颗粒图像；
所述云平台，包括特征提取模块，用于接收所述颗粒图像，进行特征提取，得到颗粒特征向量，以及根据所述颗粒特征向量对油液颗粒进行监测/预警。
作为优选，还包括温度传感器，用于采集油液温度，以及
所述云平台中包括机器学习模块，用于接收特征向量和油液温度，并根据油液温度对特征向量进行校正，根据校正后的特征向量对油液颗粒进行监测/预警。
作为优选，所述特征提取模块还用于提取颗粒形状信息，通过机器模型识别颗粒种类，并确定颗粒的来源和危害。
经由上述技术方案可知，本发明公开提供了一种油液颗粒在线监测预警方法和系统，与现有技术相比，本发明通过传感器实时检测油液颗粒，并通过机器学习算法进行校验，具有实时性好、监测精度高、操作简便等优点。
同时，本发明采用机器学习算法对采集到的数据进行分析，能够准确识别颗粒种类，判断油液颗粒来源和危害，提高了监测的精度和可靠性。
本发明通过机器学习算法和云平台的结合，实现了对油液颗粒的在线监测和预警，能够及时发现油液中颗粒的异常情况，避免因颗粒污染而造成的设备损坏和生产事故的发生，提高监测的精度和可靠性，解决传统方法存在的问题。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
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
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，还可以根据提供的附图获得其他的附图。
图1附图为本发明油液颗粒在线监测预警方法流程图；
图2附图为本发明油液颗粒在线监测预警系统结构示意图。
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。
为至少部分解决现有技术中的问题，实现对油液颗粒高精度的实时监测预警，本发明实施例公开了一种油液颗粒在线监测预警方法和系统。
实施例一
本发明实施例公开的一种油液颗粒在线监测预警方法，如图1，包括如下步骤，
获取油液中的颗粒图像；
对所述颗粒图像进行特征提取，得到颗粒特征向量；用于提高数据的表达能力，使得模型更容易学习到数据的模式和规律，从而提高预测的准确性和可靠性；
所述特征向量包括颗粒的形状特征、尺寸特征、颜色特征，和/或纹理特征；其中，
1.颗粒形状特征提取：从颗粒图像中提取颗粒的形状信息。可以使用图像处理技术，如边缘检测、轮廓提取等方法来获取颗粒的轮廓特征；
2.颗粒尺寸特征提取：通过测量颗粒的尺寸，如直径、面积等来获取颗粒的尺寸特征；
3.颗粒颜色特征提取：通过颜色分析技术，如颜色直方图、颜色矩等方法来获取颗粒的颜色特征；
4.颗粒纹理特征提取：通过纹理分析技术，如灰度共生矩阵、小波变换等方法来获取颗粒的纹理特征；
5.其他特征提取：根据具体需求，可以提取其他与颗粒相关的特征，如形状因子、圆度等。
获取了上述特征后，可以将它们组合成一个特征向量，作为输入数据用于机器学习算法的训练和预测。特征向量的维度取决于所选择的特征数量和类型。
即根据所述颗粒特征向量，利用机器学习算法，得到颗粒的数量和大小，根据颗粒的数量和大小，对油液颗粒进行监测/预警。
特征提取的步骤是将原始监测数据转换为更具有表达能力和适用性的特征向量的过程。虽然颗粒传感器可以在一定程度上提供颗粒的数量、大小和分布信息，但这些信息不具有显著的表达能力，且不足以直接用于模型训练和预测。
特征提取的目的是将原始监测数据转换为能够反映数据特征和变化的数值或向量表示，以捕捉数据中隐含的信息，例如模式、关联和差异等。
通过特征提取，可以使用更多的数学和统计方法来计算和提取与颗粒特征相关的更丰富的信息。例如，可以计算颗粒的平均大小、颗粒大小的分布特征(如方差或偏度)、颗粒数量的统计指标等。这些特征可以提供更全面和详细的信息，有助于模型更准确地学习和预测。
此外，特征提取还可以帮助解决数据维度的问题。原始数据可能包含大量的维度和冗余信息，从而导致模型计算量大或产生过拟合等问题。通过特征提取，可以选择更重要和相关的特征，从而降低数据的维度并提高模型的效率和泛化能力。
本实施例中，在进行特征提取之前，先对所述颗粒数据进行预处理，以保证数据的准确性和可靠性，具体包括：去噪、滤波、归一化和离群值剔除等操作。
同时为提高数据的可靠性和准确性，本实施例获取油液温度数据，并通过训练好的机器模型对所述特征向量进行校正，以及根据校正后的特征向量对油液颗粒进行监测/预警。即如果预测结果超过预设阈值，则自动发送预警信息，提醒用户及时进行维护/更换。
在颗粒监测过程中，温度为评估颗粒监测结果的关键因素之一，可以对颗粒的性质、行为和状态产生影响，具体包括：
影响颗粒形态和特性：温度可以影响颗粒的形态、大小、分布以及聚集态势。例如，在不同的温度条件下，颗粒可能发生热胀冷缩，导致尺寸变化；或者在高温下，颗粒可能呈现聚集状态，而低温下则不同。因此，温度信息对于准确描述和分析颗粒的特性和形态至关重要；
表征颗粒环境和条件：颗粒的运动和行为受环境条件的影响，而温度是环境条件之一。温度可以影响颗粒的粘附性、扩散速率、化学反应性等，从而直接或间接地影响颗粒的监测结果。例如，某些颗粒在高温下可能更容易聚集，而低温下则不同；
调节传感器性能：在颗粒监测中，常使用传感器来获取数据。传感器的性能和准确性会受到温度的影响。温度变化可能引起传感器的响应速度变化、噪声增加等问题，从而影响到颗粒监测结果的准确性和可靠性。
在模型训练中，若不使用温度数据，可能会丧失一部分有用的信息，导致监测结果的不完整或缺乏准确性。如无法准确判断颗粒在不同温度条件下的行为和变化，无法区分因温度变化导致的颗粒聚集与其他因素导致的聚集等。
进一步本实施例中，使用已有的数据集对机器模型进行训练，从而得到一个能够准确预测油液中颗粒的模型。在模型评估和优化中，使用另外一部分数据集对训练好的模型进行评估，计算预测准确率、召回率、F1值等指标，如果模型表现不佳，通过调整模型参数或者增加更多的训练数据进行优化。
本申请中，机器学习算法包括支持向量机和随机森林，
当所述特征向量线性可分，特征较多或训练样本较少，以及对噪声和异常值敏感，但具有较好泛化能力时，选择支持向量机；
当所述特征向量非线性关系且无明显分界面，特征较多或训练样本较多，需要解释性更强的模型，以及噪声和异常值鲁棒，但容易过拟合时，选择随机森林。
此外，本实施例还包括提取颗粒数据中的颗粒形状信息，用于通过机器学习算法识别颗粒种类，确定颗粒的来源和危害。提取步骤包括：
获取油液颗粒图像，并使用图像处理技术对颗粒图像进行预处理，例如去噪、增强对比度等；
分割提取颗粒图像，使用图像分割算法将颗粒与背景分离。常用的分割算法包括阈值分割、边缘检测、区域生长等；
根据所述颗粒的轮廓得到颗粒轮廓特征，即通过边缘检测算法或轮廓提取算法，提取颗粒的轮廓；
对于种类识别部分，可根据提取的形状特征，使用机器学习算法或图像分类算法对颗粒的形状进行分类或建模。
实施例二
本发明公开了一种油液颗粒在线监测预警系统，如图2，包括，
颗粒传感器和云平台，其中，颗粒传感器和云平台无线连接；用于将采集的数据通过无线传输到云平台进行处理和分析；
所述颗粒传感器，用于实时采集油液中的颗粒图像；
本实施例中，颗粒传感器带有红外线激光器的散射仪，采用激光散射原理，对光学信号的处理得到颗粒的数量和大小，通过对这些数据进行处理后，得到颗粒图像；以实时监测油液中颗粒的数量、大小和分布等信息；
所述云平台，包括特征提取模块，用于接收所述颗粒图像，进行特征提取，得到颗粒特征向量，以及根据所述颗粒特征向量对油液颗粒进行监测/预警。
其中，本发明监测预警系统还包括温度传感器，本实施例中，温度传感器采用PT100型热电阻，用于采集油液温度，为数据分析提供环境参数。
以及
所述云平台中包括机器学习模块，用于接收特征向量和油液温度，并根据油液温度对特征向量进行校正，根据校正后的特征向量对油液颗粒进行监测/预警。
所述特征提取模块还用于提取颗粒形状信息，通过机器学习算法识别颗粒种类，并确定颗粒的来源和危害。如金属颗粒可能来自于设备的磨损，而油泥颗粒可能来自于油液中的污染物等。根据这些信息，可以推断颗粒的来源和可能的危害。
为了进一步优化上述技术方案，并机器模型输出的结果与预设的标准或阈值进行比较。当颗粒的数量、大小或分布异常，监测预警系统可以发出警报，以通知相关人员采取相应的措施，例如清理污染源或调整生产设备。
此外，可结合历史数据，对模型进行优化，使其可以分析颗粒的数量和分布趋势，预测未来的颗粒状况，为相关决策提供实时的预测数据。
在另一种方案中，将监测预警系统的监测信息进行可视化，生成清晰明了的报告，以帮助决策者和相关人员更好地理解和分析颗粒数据，对操作过程或运行环境进行改进和优化。
实施例三
本实施例中，颗粒传感器采用带有红外线激光器的散射仪，通过对光学信号的处理得到颗粒的数量和大小；温度传感器采用PT100型热电阻，可以测量油液的温度范围。在数据预处理中，采用中值滤波和离群值剔除等方法对数据进行处理。在特征提取中，选择了颗粒的数量、大小和温度三个特征。在模型选择和训练中，选择了支持向量机模型，并使用了已有的数据集进行训练。在模型评估和优化中，计算了模型的预测准确率、召回率和F1值，调整了模型参数，进一步提高了预测精度。在预测和预警中，设置了颗粒数量和大小的阈值，当超过设定值时，系统会自动发送预警信息。
通过本实施例的应用，可以及时发现油液中颗粒的异常情况，预防设备损坏和生产事故的发生。
本发明的技术应用前景非常广泛，主要应用于工业生产中使用的润滑和传动介质的油液颗粒在线监测和预警。在工业生产中，油液是必不可少的润滑和传动介质，因此该技术方案可以应用于各种机械设备、生产线等的油液颗粒监测和预警，如汽车、飞机、船舶、工程机械、重型机械、电力设备、化工设备等领域。同时，该技术方案还可以应用于工业润滑油的生产和质量控制等领域。
随着工业生产的发展，对设备的安全和可靠性要求越来越高，因此对油液颗粒的在线监测和预警需求也越来越迫切。本发明的技术方案能够满足这一需求，提高了监测的精度和可靠性，减少了设备故障和生产事故的发生。因此，该技术方案具有非常广阔的市场需求。
总的来说，本发明的技术方案具有较高的应用价值和市场前景，能够为工业生产带来更高的安全性和效益。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种油液颗粒在线监测预警方法，其特征在于，包括，
获取油液中的颗粒图像；
对所述颗粒图像进行特征提取，得到颗粒特征向量；所述颗粒特征向量包括颗粒的形状特征、尺寸特征、颜色特征，和/或纹理特征；
根据所述颗粒特征向量，利用机器学习算法，得到颗粒的数量和大小，根据颗粒的数量和大小，对油液颗粒进行监测/预警。
2.根据权利要求1所述的一种油液颗粒在线监测预警方法，其特征在于，在进行特征提取之前，先对所述颗粒图像进行预处理，包括：去噪、滤波和归一化。
3.根据权利要求1所述的一种油液颗粒在线监测预警方法，其特征在于，同时获取油液温度数据，通过训练好的机器算法模型对所述颗粒特征向量进行校正，根据校正后的颗粒特征向量对油液颗粒进行监测/预警。
4.根据权利要求3所述的一种油液颗粒在线监测预警方法，其特征在于，机器算法模型包括支持向量机和随机森林，
当颗粒特征向量线性可分，特征较多或训练样本较少，以及对噪声和异常值敏感，但具有较好泛化能力时，选择支持向量机；
当颗粒特征向量为非线性关系且无明显分界面，特征较多或训练样本较多，需要解释性更强的模型，以及噪声和异常值鲁棒，但容易过拟合时，选择随机森林。
5.根据权利要求1所述的一种油液颗粒在线监测预警方法，其特征在于，提取颗粒数据中的颗粒形状信息，用于通过机器算法识别颗粒种类。
6.根据权利要求5所述的一种油液颗粒在线监测预警方法，其特征在于，颗粒形状信息通过如下步骤提取，包括：
获取油液颗粒图像，分割提取颗粒图像，根据所述颗粒的轮廓得到颗粒轮廓特征。
7.一种油液颗粒在线监测预警系统，其特征在于，包括，
颗粒传感器和云平台，其中，颗粒传感器和云平台无线连接；
所述颗粒传感器，用于实时采集油液中的颗粒图像；
所述云平台，包括特征提取模块，用于接收所述颗粒图像并进行特征提取，得到颗粒特征向量，以及根据所述颗粒特征向量对油液颗粒进行监测/预警。
8.根据权利要求7所述的一种油液颗粒在线监测预警系统，其特征在于，还包括温度传感器，用于采集油液温度，以及
所述云平台中还包括机器学习模块，用于接收特征向量和油液温度，并根据油液温度对特征向量进行校正，根据校正后的特征向量对油液颗粒进行监测/预警。
9.根据权利要求7所述的一种油液颗粒在线监测预警系统，其特征在于，
所述特征提取模块还用于提取颗粒形状信息，通过机器学习算法识别颗粒种类，并确定颗粒的来源和危害。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311043383.6A CN117058414A (zh) | 2023-08-18 | 2023-08-18 | 一种油液颗粒在线监测预警方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311043383.6A CN117058414A (zh) | 2023-08-18 | 2023-08-18 | 一种油液颗粒在线监测预警方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117058414A true CN117058414A (zh) | 2023-11-14 |
Family
ID=88656813
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311043383.6A Pending CN117058414A (zh) | 2023-08-18 | 2023-08-18 | 一种油液颗粒在线监测预警方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117058414A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117723739A (zh) * | 2023-12-13 | 2024-03-19 | 广东哈弗石油能源股份有限公司 | 一种低碳润滑油的质量分析方法及系统 |
-
2023
- 2023-08-18 CN CN202311043383.6A patent/CN117058414A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117723739A (zh) * | 2023-12-13 | 2024-03-19 | 广东哈弗石油能源股份有限公司 | 一种低碳润滑油的质量分析方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yun et al. | Automated defect inspection system for metal surfaces based on deep learning and data augmentation | |
| CN116625438B (zh) | 燃气管网安全在线监测系统及其方法 | |
| CN117058414A (zh) | 一种油液颗粒在线监测预警方法和系统 | |
| Chen et al. | Grey target theory based equipment condition monitoring and wear mode recognition | |
| KR102427205B1 (ko) | 인공지능 모델을 위한 학습 데이터 생성 장치 및 방법 | |
| 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 | |
| CN111062093B (zh) | 一种基于图像处理和机器学习的汽车轮胎寿命预测方法 | |
| CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
| CN116704733B (zh) | 铝合金电缆的老化预警方法及系统 | |
| CN111402236A (zh) | 一种基于图像灰度值的热轧带钢表面缺陷分级方法 | |
| CN112116023A (zh) | 基于机器学习的轮胎漏气的实时检测方法及存储介质 | |
| CN117422935B (zh) | 摩托车故障非接触式诊断方法及系统 | |
| CN112836967B (zh) | 新能源汽车电池安全风险评估系统 | |
| CN117630797A (zh) | 基于工作电流的电表健康状态检测方法、系统及存储介质 | |
| CN117258932A (zh) | 智能砂磨机的温度监测系统及方法 | |
| Griffin et al. | Application of machine learning for acoustic emissions waveform to classify galling wear on sheet metal stamping tools | |
| CN112287586A (zh) | 基于中小桥损伤识别结果的快速可靠度评估方法 | |
| CN114001887B (zh) | 一种基于挠度监测的桥梁损伤评定方法 | |
| CN115356133A (zh) | 一种转向架运行工况在线监测、实时分类与识别算法 | |
| CN116415128A (zh) | 用于润滑评估的方法、系统及介质 | |
| Beljadid et al. | Application of deep learning for the detection of default in fabric texture | |
| CN111523591B (zh) | 基于eim平台的多源刀闸状态判断方法 | |
| Sun et al. | Research on Both the Classification and Quality Control Methods of the Car Seat Backrest Based on Machine Vision | |
| Weiss et al. | Product quality monitoring in hydraulic presses using a minimal sample of sensor and actuator data | |
| Yagoob | Analysis of generated wear debris of brass during dry sliding |
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 |