CN117371993B - 用于提升润滑脂的使用周期方法及系统 - Google Patents

用于提升润滑脂的使用周期方法及系统 Download PDF

Info

Publication number
CN117371993B
CN117371993B CN202311649086.6A CN202311649086A CN117371993B CN 117371993 B CN117371993 B CN 117371993B CN 202311649086 A CN202311649086 A CN 202311649086A CN 117371993 B CN117371993 B CN 117371993B
Authority
CN
China
Prior art keywords
grease
image
equipment
calculating
scene
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
CN202311649086.6A
Other languages
English (en)
Other versions
CN117371993A (zh
Inventor
戴勇
杭久喜
石春燕
马宝宝
郭娟
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.)
Yan'an Suiyuan Technology Development Co ltd
Yanan University
Original Assignee
Yan'an Suiyuan Technology Development Co ltd
Yanan University
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 Yan'an Suiyuan Technology Development Co ltd, Yanan University filed Critical Yan'an Suiyuan Technology Development Co ltd
Priority to CN202311649086.6A priority Critical patent/CN117371993B/zh
Publication of CN117371993A publication Critical patent/CN117371993A/zh
Application granted granted Critical
Publication of CN117371993B publication Critical patent/CN117371993B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • 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
    • G01N33/30—Oils, i.e. hydrocarbon liquids for lubricating properties
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration by the use of histogram techniques
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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
    • 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
    • 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
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Economics (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及润滑脂维护技术领域，揭露了一种用于提升润滑脂的使用周期方法及系统，包括：对场景图像进行图像分割处理，得到设备场景图像和润滑脂场景图像；识别设备场景图像中的设备磨斑图像，提取设备磨斑图像中的设备纹理表征，计算设备场景图像中的设备磨损系数，计算润滑脂在设备中使用时对应的润滑脂端泄量；提取润滑脂场景图像对应的图像颜色特征，计算润滑脂对应的润滑脂粘稠度，分析润滑脂对应的当前润滑性能；计算稠化剂类别中每个类别对润滑脂的亲和系数，确定稠化剂类别中的目标稠化剂类别，根据润滑脂端泄量和当前润滑性能，计算目标稠化剂类别的添加剂量，执行润滑脂的维护管理，得到维护结果。本发明在于提高润滑脂的使用周期。

Description

用于提升润滑脂的使用周期方法及系统
技术领域
本发明涉及润滑脂维护技术领域，尤其涉及一种用于提升润滑脂的使用周期方法及系统。
背景技术
润滑脂是一种常见的机械润滑剂，广泛应用于各个行业中，它由基础油和添加剂组成，经过特定的工艺混合而成，润滑脂的主要作用是在摩擦面之间形成润滑膜，减少机械零件之间的摩擦和磨损，从而延长机械设备的使用寿命，润滑脂具有黏度高、密封性好、抗冲击和抗水性能强等特点，为了提高机械的使用寿命，因此需要延长润滑脂的使用时间。
现有的提升润滑脂的使用周期方法是通过改变设备的负荷和转速等参数来减少润滑脂损耗的方法，从而达到提高润滑脂的使用周期，但是该方法没有真正的提高润滑脂的使用时间，并且该方法会导致设备对应的工作量降低，从而导致设备的生产效率下降，因此需要一种能够提高润滑脂的使用周期的方法。
发明内容
本发明提供一种用于提升润滑脂的使用周期方法及系统，其主要目的在于提高润滑脂的使用周期。
为实现上述目的，本发明提供的一种用于提升润滑脂的使用周期方法，包括：
获取润滑脂对应的应用设备场景，采集所述应用设备场景的场景图像，对所述场景图像进行图像分割处理，得到设备场景图像和润滑脂场景图像；
识别所述设备场景图像中的设备磨斑图像，提取所述设备磨斑图像中的设备纹理表征，根据所述设备纹理表征，计算所述设备场景图像中的设备磨损系数，根据所述设备磨损系数，计算所述润滑脂在设备中使用时对应的润滑脂端泄量；
提取所述润滑脂场景图像对应的图像颜色特征，结合所述图像颜色特征，计算所述润滑脂对应的润滑脂粘稠度，根据所述润滑脂粘稠度，分析所述润滑脂对应的当前润滑性能；
查询所述润滑脂对应的稠化剂类别，计算所述稠化剂类别中每个类别对所述润滑脂的亲和系数，根据所述亲和系数，确定所述稠化剂类别中的目标稠化剂类别，根据所述润滑脂端泄量和所述当前润滑性能，计算所述目标稠化剂类别的添加剂量，根据所述添加剂量和所述目标稠化剂类别，执行所述润滑脂的维护管理，得到维护结果。
可选地，所述对所述场景图像进行图像分割处理，得到设备场景图像和润滑脂场景图像，包括：
对所述场景图像进行降噪处理，得到降噪场景图像；
对所述降噪场景图像进行像素点均衡处理，得到均衡场景图像；
利用预设的目标检测算法识别所述均衡场景图像中的设备图像和润滑脂图像；
根据所述设备图像和所述润滑脂图像，对所述均衡场景图像进行图像分割处理，得到设备场景图像和润滑脂场景图像。
可选地，所述对所述降噪场景图像进行像素点均衡处理，得到均衡场景图像，包括：
检测所述降噪场景图像中的图像像素点，确定所述图像像素点对应的像素级别；
根据所述像素级别，构建所述图像像素点对应的像素直方图，计算所述像素直方图中每个像素点对应的像素概率；
根据所述像素概率，对所述图像像素点中的每个像素点进行像素均衡处理，得到均衡像素点；
根据所述均衡像素点，生成均衡场景图像。
可选地，所述提取所述设备磨斑图像中的设备纹理表征，包括：
对所述设备磨斑图像进行纹理识别，得到设备磨斑纹理；
对所述设备磨斑纹理进行灰度变换，得到灰度磨斑纹理，对所述灰度磨斑纹理进行纹理分割处理，得到分割灰度纹理；
获取所述分割灰度纹理对应的灰度纹理向量，根据所述灰度纹理向量，构建所述分割灰度纹理对应的纹理灰度矩阵；
计算所述纹理灰度矩阵对应的矩阵特征值，根据所述矩阵特征值，提取所述分割灰度纹理中的纹理表征；
根据所述纹理表征，得到所述设备磨斑图像的设备纹理表征。
可选地，所述根据所述设备纹理表征，计算所述设备场景图像中的设备磨损系数，包括：
查询所述设备纹理表征中每个特征对应的特征项目，根据所述设备纹理表征，构建所述特征项目对应的项目矩阵；
计算所述项目矩阵对应的矩阵参数值，根据所述矩阵参数值，分配所述项目矩阵对应的矩阵权重值；
提取所述设备纹理表征对应的磨痕特征向量，结合所述磨痕特征向量和所述矩阵权重值，计算所述设备场景图像中的设备磨损系数。
可选地，所述提取所述润滑脂场景图像对应的图像颜色特征，包括：
识别所述润滑脂场景图像中的润滑脂颜色，计量所述润滑脂颜色中每个颜色通道的颜色像素；
根据所述颜色像素，构建所述润滑脂颜色对应的颜色直方图，根据所述颜色直方图，计算所述润滑脂颜色对应的颜色频率；
根据所述颜色频率，提取所述润滑脂颜色对应的颜色特征，根据所述颜色特征，得到所述润滑脂场景图像对应的图像颜色特征。
可选地，所述结合所述图像颜色特征，计算所述润滑脂对应的润滑脂粘稠度，包括：
查询计算所述润滑脂的粘稠度的关联指标，计算所述关联指标和所述图像颜色特征之间的关联度；
根据所述关联度，确定所述图像颜色特征中的关联特征，分析所述关联特征和所述关联指标之间的线性关系；
对所述关联特征进行特征量化处理，得到特征量化值；
结合所述特征量化值和所述线性关系，计算所述润滑脂对应的润滑脂粘稠度。
可选地，所述计算所述关联指标和所述图像颜色特征之间的关联度，包括：
通过下述公式计算所述关联指标和所述图像颜色特征之间的关联度：
；
其中，表示关联指标和图像颜色特征之间的关联度，/>表示关联指标和图像颜色特征的维度系数，指关联指标和图像颜色特征对应的空间维度，如二维数据或者三维数据等，b和b+1分别表示关联指标和图像颜色特征的序列号，/>表示关联指标中第b个指标的特征向量，/>表示第b个指标的特征向量的对数值，/>表示第b+1个图像颜色特征的特征向量，/>表示第b+1个图像颜色特征的特征向量的对数值，/>表示第b个指标的特征向量的对数值和第b+1个图像颜色特征的特征向量的对数值的差值的极大值，/>表示第b个指标的特征向量的对数值和第b+1个图像颜色特征的特征向量的对数值的差值的极小值。
可选地，所述根据所述润滑脂端泄量和所述当前润滑性能，计算所述目标稠化剂类别的添加剂量，包括：
调度所述润滑脂的日志数据，根据所述日志数据，确定所述润滑脂对应的初始剂量；
根据所述润滑脂端泄量和所述初始剂量，通过下述公式计算所述润滑脂对应的当前乏脂系数：
；
其中，表示润滑脂对应的当前乏脂系数，/>表示初始剂量对应的数值，/>表示润滑脂在设备中的接触区中心膜厚与接触区的半径的比值，接触区中心膜厚是润滑脂与设备表面接触时，润滑脂在设备表面上形成的圆柱形的厚度，接触区的半径是润滑脂与设备表面接触时，润滑脂在设备表面上形成的圆柱形接触区域的半径大小，D表示润滑脂端泄量；
查询所述应用设备场景中的设备任务量，根据所述设备任务量和所述当前润滑性能，确定所述应用设备场景中的设备对应的润滑脂需求量；
根据所述润滑脂需求量和所述当前乏脂系数，计算所述目标稠化剂类别的添加剂量。
一种用于提升润滑脂的使用周期系统，其特征在于，所述系统包括：
图像分割模块，用于获取润滑脂对应的应用设备场景，采集所述应用设备场景的场景图像，对所述场景图像进行图像分割处理，得到设备场景图像和润滑脂场景图像；
设备磨损计算模块，用于识别所述设备场景图像中的设备磨斑图像，提取所述设备磨斑图像中的设备纹理表征，根据所述设备纹理表征，计算所述设备场景图像中的设备磨损系数，根据所述设备磨损系数，计算所述润滑脂在设备中使用时对应的润滑脂端泄量；
润滑性能分析模块，用于提取所述润滑脂场景图像对应的图像颜色特征，结合所述图像颜色特征，计算所述润滑脂对应的润滑脂粘稠度，根据所述润滑脂粘稠度，分析所述润滑脂对应的当前润滑性能；
润滑脂维护模块，用于查询所述润滑脂对应的稠化剂类别，计算所述稠化剂类别中每个类别对所述润滑脂的亲和系数，根据所述亲和系数，确定所述稠化剂类别中的目标稠化剂类别，根据所述润滑脂端泄量和所述当前润滑性能，计算所述目标稠化剂类别的添加剂量，根据所述添加剂量和所述目标稠化剂类别，执行所述润滑脂的维护管理，得到维护结果。
本发明通过采集所述应用设备场景的场景图像，可以了解润滑脂的使用场景情况，对所述场景图像进行图像分割处理，可以将所述场景图像中的无用图像去除掉，保留其中具有意义的图像，降低了图像处理的难度，本发明通过识别所述设备场景图像中的设备磨斑图像，可以通过设备磨斑图像了解所述设备场景图像中的设备磨损情况，提取所述设备磨斑图像中的设备纹理表征，可以得到所述设备磨斑图像中的表征，为后续计算设备磨损系数提供了保障，本发明通过提取所述润滑脂场景图像对应的图像颜色特征，可以得到所述润滑脂场景图像中关于所述润滑脂的表征，进而提高了后续润滑脂粘稠度计算的准确性，本发明通过计算所述稠化剂类别中每个类别对所述润滑脂的亲和系数，可以通过所述亲和系数了解所述稠化剂类别与所述润滑脂的相容性能，进而提高所述润滑脂的使用耐久性。因此，本发明实施例提供的一种用于提升润滑脂的使用周期方法及系统，能够提高润滑脂的使用周期。
附图说明
图1为本发明一实施例提供的一种用于提升润滑脂的使用周期方法的流程示意图；
图2为本发明一实施例提供的一种用于提升润滑脂的使用周期系统的功能模块图；
图3为本发明一实施例提供的实现所述一种用于提升润滑脂的使用周期方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
本申请实施例提供一种用于提升润滑脂的使用周期方法。本申请实施例中，所述一种用于提升润滑脂的使用周期方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述一种用于提升润滑脂的使用周期方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的一种用于提升润滑脂的使用周期方法的流程示意图。在本实施例中，所述一种用于提升润滑脂的使用周期方法包括步骤S1—S4。
S1、获取润滑脂对应的应用设备场景，采集所述应用设备场景的场景图像，对所述场景图像进行图像分割处理，得到设备场景图像和润滑脂场景图像。
本发明通过采集所述应用设备场景的场景图像，可以了解润滑脂的使用场景情况，对所述场景图像进行图像分割处理，可以将所述场景图像中的无用图像去除掉，保留其中具有意义的图像，降低了图像处理的难度，其中，所述润滑脂是一种用于减少摩擦、防止磨损和保护机械零件的润滑剂，具有润滑和减摩性能，所述应用设备场景是所述润滑脂的使用场景情况，如齿轮或者轴承等设备场景，所述设备场景图像是所述场景图像中使用润滑脂对应的设备图像，所述润滑脂场景图像是所述场景图像中关于润滑脂的图像，可选地，采集所述应用设备场景的场景图像可以通过图像采集器实现。
作为本发明的一个实施例，所述对所述场景图像进行图像分割处理，得到设备场景图像和润滑脂场景图像，包括：对所述场景图像进行降噪处理，得到降噪场景图像，对所述降噪场景图像进行像素点均衡处理，得到均衡场景图像，利用预设的目标检测算法识别所述均衡场景图像中的设备图像和润滑脂图像，根据所述设备图像和所述润滑脂图像，对所述均衡场景图像进行图像分割处理，得到设备场景图像和润滑脂场景图像。
其中，所述降噪场景图像是所述场景图像中的干扰经过去除后得到的图像，所述均衡场景图像是所述降噪场景图像中像素点经过拉伸或者增强处理后得到的图像，所述预设的目标检测算法是用于识别和定位图像中的设备和润滑脂的算法，所述设备图像是所述均衡场景图像中关于设备相关的图像，所述润滑脂图像是所述均衡场景图像中润滑脂的图像。
可选的，对所述场景图像进行降噪处理可以通过低通滤波器实现，所述目标检测算法包括R-CNN系列算法，对所述均衡场景图像进行图像分割处理可以通过根据所述设备图像和所述润滑脂图像利用阈值分割法实现。
进一步的，作为本发明的一个可选实施例，所述对所述降噪场景图像进行像素点均衡处理，得到均衡场景图像，包括：检测所述降噪场景图像中的图像像素点，确定所述图像像素点对应的像素级别，根据所述像素级别，构建所述图像像素点对应的像素直方图，计算所述像素直方图中每个像素点对应的像素概率，根据所述像素概率，对所述图像像素点中的每个像素点进行像素均衡处理，得到均衡像素点，根据所述均衡像素点，生成均衡场景图像。
其中，所述图像像素点是所述降噪场景图像的基本组成单位，所述像素级别是所述图像像素点的像素灰度值，所述像素直方图是所述图像像素点的统计图，所述像素概率表示所述像素级别中每个级别对应的像素点出现的概率，所述均衡像素点是所述图像像素点中的每个像素点的数值经过均衡映射处理后得到的像素点。
可选的，所述降噪场景图像中的图像像素点可以通过像素点检测工具实现，所述像素点检测工具是由脚本语言编译，所述图像像素点对应的像素级别可以通过像素点对应的灰度值确定，构建所述图像像素点对应的像素直方图可以通过visio制图工具实现，所述像素直方图中每个像素点对应的像素概率可以通过像素点出现的次数除以像素点总数得到，对所述图像像素点中的每个像素点进行像素均衡处理可以通过映射函数实现。
S2、识别所述设备场景图像中的设备磨斑图像，提取所述设备磨斑图像中的设备纹理表征，根据所述设备纹理表征，计算所述设备场景图像中的设备磨损系数，根据所述设备磨损系数，计算所述润滑脂在设备中使用时对应的润滑脂端泄量。
本发明通过识别所述设备场景图像中的设备磨斑图像，可以通过设备磨斑图像了解所述设备场景图像中的设备磨损情况，提取所述设备磨斑图像中的设备纹理表征，可以得到所述设备磨斑图像中的表征，为后续计算设备磨损系数提供了保障，其中，所述设备磨斑图像是所述设备场景图像中设备有磨痕的图像，所述设备纹理表征是所述设备磨斑图像的表征，可选的，所述设备场景图像中的设备磨斑图像可以通过X射线能谱仪扫描识别得到。
作为本发明的一个实施例，所述提取所述设备磨斑图像中的设备纹理表征，包括：对所述设备磨斑图像进行纹理识别，得到设备磨斑纹理，对所述设备磨斑纹理进行灰度变换，得到灰度磨斑纹理，对所述灰度磨斑纹理进行纹理分割处理，得到分割灰度纹理，获取所述分割灰度纹理对应的灰度纹理向量，根据所述灰度纹理向量，构建所述分割灰度纹理对应的纹理灰度矩阵，计算所述纹理灰度矩阵对应的矩阵特征值，根据所述矩阵特征值，提取所述分割灰度纹理中的纹理表征，根据所述纹理表征，得到所述设备磨斑图像的设备纹理表征。
其中，所述设备磨斑纹理是所述设备磨斑图像对应的图像纹路，所述灰度磨斑纹理是所述设备磨斑纹理对应的灰度表达形式，所述分割灰度纹理是所述灰度磨斑纹理经过分割后得到的纹理，所述灰度纹理向量是所述分割灰度纹理的向量表达形式，所述纹理灰度矩阵是根据所述灰度纹理向量的数值构建所述分割灰度纹理对应的方阵，所述矩阵特征值表示所述纹理灰度矩阵的特殊性，所述纹理表征是所述分割灰度纹理中具有代表性的纹理。
可选的，对所述设备磨斑图像进行纹理识别可以通过LBP算法实现，对所述设备磨斑纹理进行灰度变换可以通过线性灰度变化法实现，线性灰度变化法的具体步骤为：将设备磨斑纹理的每个像素值乘以一个常数并加上另一个常数，从而实现对图像亮度和对比度的调整，以此达到灰度变换的目的，对所述灰度磨斑纹理进行纹理分割处理可以通过Gabor滤波器实现，通过Gabor滤波器可以提取灰度磨斑纹理中不同方向和尺度上的纹理信息，通过对滤波器响应进行处理和分析，以达到纹理分割的目的，获取所述分割灰度纹理对应的灰度纹理向量可以通过Word2vec算法实现，构建所述分割灰度纹理对应的纹理灰度矩阵可以通过矩阵函数实现，如zero矩阵函数，所述纹理灰度矩阵对应的矩阵特征值可以通过奇异值分解法计算得到，所述分割灰度纹理中的纹理表征可以根据所述矩阵特征值大小进行提取。
本发明通过根据所述设备纹理表征，计算所述设备场景图像中的设备磨损系数，进而了解设备的磨损程度，以便于后续准确的计算出润滑脂端泄量，其中，所述设备磨损系数表示所述设备场景图像中的设备磨损程度。
作为本发明的一个实施例，所述根据所述设备纹理表征，计算所述设备场景图像中的设备磨损系数，包括：查询所述设备纹理表征中每个特征对应的特征项目，根据所述设备纹理表征，构建所述特征项目对应的项目矩阵，计算所述项目矩阵对应的矩阵参数值，根据所述矩阵参数值，分配所述项目矩阵对应的矩阵权重值，提取所述设备纹理表征对应的磨痕特征向量，结合所述磨痕特征向量和所述矩阵权重值，计算所述设备场景图像中的设备磨损系数。
其中，所述特征项目是所述设备纹理表征对应的种类，如磨痕深度、磨痕长度、磨痕宽度以及磨痕形状等，所述矩阵参数值是所述项目矩阵的不同参数数值，如矩阵方差和矩阵平均值等，所述矩阵权重值表示所述项目矩阵的重要程度。
可选的，可以通过计算所述设备纹理表征对应的特征值，根据特征值，利用矩阵函数构建所述特征项目对应的项目矩阵，如上述的zero矩阵函数，计算所述项目矩阵对应的矩阵参数值可以通过方差计算器等工具实现，分配所述项目矩阵对应的矩阵权重值可以通过根据所述矩阵参数值的数值大小，提取所述设备纹理表征对应的磨痕特征向量可以通过上述的word2vec算法实现，所述设备场景图像中的设备磨损系数可以通过计算所述磨痕特征向量和所述矩阵权重值的乘积，并将乘积相加得到。
本发明通过根据所述设备磨损系数，计算所述润滑脂在设备中使用时对应的润滑脂端泄量，可以得到所述润滑脂使用过程中的流失情况，进而提高了所述润滑脂份量的分析准确性，提高了后续提升所述润滑脂的使用周期的准确性，其中，所述润滑脂端泄量是润滑脂在使用过程中从润滑部位或密封处流失的量。
作为本发明的一个实施例，所述根据所述设备磨损系数，计算所述润滑脂在设备中使用时对应的润滑脂端泄量，包括：
通过下述公式计算所述润滑脂在设备中使用时对应的润滑脂端泄量：
；
其中，D表示润滑脂在设备中使用时对应的润滑脂端泄量，和/>分别表示润滑脂在设备中的接触区的边界，/>表示润滑脂对应的密度值，/>表示设备磨损系数，/>表示润滑脂的膜厚值，μ表示偏微分符号，A表示润滑脂在设备中的接触区任意一点对应的压力值，B表示润滑脂在接触区方向对应的函数值，指润滑脂在接触区方向上对应的润滑脂膜的平均厚度。
S3、提取所述润滑脂场景图像对应的图像颜色特征，结合所述图像颜色特征，计算所述润滑脂对应的润滑脂粘稠度，根据所述润滑脂粘稠度，分析所述润滑脂对应的当前润滑性能。
本发明通过提取所述润滑脂场景图像对应的图像颜色特征，可以得到所述润滑脂场景图像中关于所述润滑脂的表征，进而提高了后续润滑脂粘稠度计算的准确性，其中，所述图像颜色特征是所述润滑脂场景图像中有关润滑脂的表征。
作为本发明的一个实施例，所述提取所述润滑脂场景图像对应的图像颜色特征，包括：识别所述润滑脂场景图像中的润滑脂颜色，计量所述润滑脂颜色中每个颜色通道的颜色像素，根据所述颜色像素，构建所述润滑脂颜色对应的颜色直方图，根据所述颜色直方图，计算所述润滑脂颜色对应的颜色频率，根据所述颜色频率，提取所述润滑脂颜色对应的颜色特征，根据所述颜色特征，得到所述润滑脂场景图像对应的图像颜色特征。
其中，所述润滑脂颜色是所述润滑脂场景图像中润滑脂的当前颜色，所述颜色像素是所述润滑脂颜色中每个颜色通道中对应的像素数量，所述颜色直方图是所述润滑脂颜色根据所述颜色像素的数量构建的统计图，所述颜色频率是所述润滑脂颜色中每个颜色出现的次数占总像素数量的比值，所述颜色特征是所述润滑脂颜色对应的颜色表征。
可选的，识别所述润滑脂场景图像中的润滑脂颜色可以通过颜色识别器实现，所述颜色识别器是由Java语言编译，所述润滑脂颜色中每个颜色通道的颜色像素可以通过计量法实现，构建所述润滑脂颜色对应的颜色直方图可以通过制图工具实现，如Paint工具，所述润滑脂颜色对应的颜色频率可以通过计算所述颜色直方图中每个颜色的像素占像素总数的比值得到，提取所述润滑脂颜色对应的颜色特征可以通过HSV算法实现。
本发明通过结合所述图像颜色特征，计算所述润滑脂对应的润滑脂粘稠度，可以了解所述润滑脂的浓度，提高了后续当前润滑性能分析的准确性，其中，所述润滑脂粘稠度表示所述润滑脂在设备中当前对应的浓度情况。
作为本发明的一个实施例，所述结合所述图像颜色特征，计算所述润滑脂对应的润滑脂粘稠度，包括：查询计算所述润滑脂的粘稠度的关联指标，计算所述关联指标和所述图像颜色特征之间的关联度，根据所述关联度，确定所述图像颜色特征中的关联特征，分析所述关联特征和所述关联指标之间的线性关系，对所述关联特征进行特征量化处理，得到特征量化值，结合所述特征量化值和所述线性关系，计算所述润滑脂对应的润滑脂粘稠度。
其中，所述关联指标是与计算所述润滑脂的粘稠度有相关关系的因素类型，如润滑脂锥入度，所述关联度表示所述图像颜色特征与计算所述润滑脂粘稠度的关联程度，所述关联特征是所述图像颜色特征中与计算所述润滑脂的粘稠度有关的特征，所述线性关系表示所述关联特征和所述关联指标之间对应关系，如正向和反向关系，所述特征量化值是所述关联特征对应的数值表达形式。
可选的，所述关联指标可以通过人机交互的方式从相关文献资料查询得到，所述图像颜色特征中的关联特征可以通过根据所述关联度和预设关联度的数值进行比较确定，预设关联度可以是0.8，也可以根据具体的业务场景进行设置，分析所述关联特征和所述关联指标之间的线性关系可以通过线性回归方法实现，对所述关联特征进行特征量化处理可以通过对所述关联特征进行向量化操作，计算对应的向量值得到，所述润滑脂对应的润滑脂粘稠度可以通过根据所述特征量化值和所述线性关系进行计算得到，如正向关系的具体计算步骤为：，其中/>表示润滑脂粘稠度，/>表示特征量化值，/>表示线性关系的比值，min表示特征量化值中的最小值，max表示特征量化值中的最大值，反向关系的具体计算步骤为：/>，其中，/>表示润滑脂粘稠度，/>表示特征量化值，2表示线性关系的比值，min表示特征量化值中的最小值，max表示特征量化值中的最大值。
可选的，作为本发明的一个可选实施例，所述计算所述关联指标和所述图像颜色特征之间的关联度，包括：
通过下述公式计算所述关联指标和所述图像颜色特征之间的关联度：
；
其中，表示关联指标和图像颜色特征之间的关联度，/>表示关联指标和图像颜色特征的维度系数，指关联指标和图像颜色特征对应的空间维度，如二维数据或者三维数据等，b和b+1分别表示关联指标和图像颜色特征的序列号，/>表示关联指标中第b个指标的特征向量，/>表示第b个指标的特征向量的对数值，/>表示第b+1个图像颜色特征的特征向量，/>表示第b+1个图像颜色特征的特征向量的对数值，/>表示第b个指标的特征向量的对数值和第b+1个图像颜色特征的特征向量的对数值的差值的极大值，/>表示第b个指标的特征向量的对数值和第b+1个图像颜色特征的特征向量的对数值的差值的极小值。
本发明通过根据所述润滑脂粘稠度，分析所述润滑脂对应的当前润滑性能，可以得到所述润滑脂在工作条件下的黏附能力和吸附能力，为后续目标稠化剂类别的添加剂量的确定提供了保障，其中，所述润滑脂粘稠度表示所述润滑脂在工作条件下的黏附程度，可选的，分析所述润滑脂对应的当前润滑性能可以通过根据所述润滑脂粘稠度对应的粘度等级进行确定，常见的润滑脂粘度等级包括NLGI0、1、2、3等级。
S4、查询所述润滑脂对应的稠化剂类别，计算所述稠化剂类别中每个类别对所述润滑脂的亲和系数，根据所述亲和系数，确定所述稠化剂类别中的目标稠化剂类别，根据所述润滑脂端泄量和所述当前润滑性能，计算所述目标稠化剂类别的添加剂量，根据所述添加剂量和所述目标稠化剂类别，执行所述润滑脂的维护管理，得到维护结果。
本发明通过计算所述稠化剂类别中每个类别对所述润滑脂的亲和系数，可以通过所述亲和系数了解所述稠化剂类别与所述润滑脂的相容性能，进而提高所述润滑脂的使用耐久性，其中，所述稠化剂类别是增加所述润滑脂的稠度的物质，所述目标稠化剂类别是所述稠化剂类别中对应的所述亲和系数最高的稠化剂类别，可选的，计算所述稠化剂类别中每个类别对所述润滑脂的亲和系数可以通过测量所述稠化剂类别中每个类别中的稠化剂在所述润滑脂中溶解的程度来确定，可以使用光谱分析、沉降速率测定等技术来完成，根据实验结果，可以得出稠化剂与所述润滑脂的亲和系数。
本发明通过根据所述润滑脂端泄量和所述当前润滑性能，计算所述目标稠化剂类别的添加剂量，可以得到所述目标稠化剂类别的准确添加份量，进而可以提高所述润滑脂的使用时间，其中，所述添加剂量表示所述目标稠化剂类别为了提高所述润滑脂的使用周期对应的添加份量。
作为本发明的一个实施例，所述根据所述润滑脂端泄量和所述当前润滑性能，计算所述目标稠化剂类别的添加剂量，包括：调度所述润滑脂的日志数据，根据所述日志数据，确定所述润滑脂对应的初始剂量，根据所述润滑脂端泄量和所述初始剂量，计算所述润滑脂对应的当前乏脂系数，查询所述应用设备场景中的设备任务量，根据所述设备任务量和所述当前润滑性能，确定所述应用设备场景中的设备对应的润滑脂需求量，根据所述润滑脂需求量和所述当前乏脂系数，计算所述目标稠化剂类别的添加剂量。
其中，所述日志数据是所述润滑脂的日常使用记录数据，包括润滑脂的添加剂量和添加周期等，所述当前乏脂系数表示所述润滑脂的当前缺乏程度，所述设备任务量是所述应用设备场景中的设备工作量，所述润滑脂需求量是所述应用设备场景中的设备完成所述设备任务量对应的润滑脂用量。
可选的，所述润滑脂的日志数据可以通过从设备维护记录中调度得到，所述应用设备场景中的设备任务量可以通过设备控制面板查询得到，所述应用设备场景中的设备对应的润滑脂需求量可以通过根据所述设备任务量需要的总润滑性能和所述当前润滑性能之间的差异值确定，根据所述当前乏脂系数确定所述润滑脂在运行过程中失去的润滑剂量，根据所述润滑脂需求量加上润滑剂量计算出所述目标稠化剂类别的添加剂量。
可选的，作为本发明的一个可选实施例，所述根据所述润滑脂端泄量和所述初始剂量，计算所述润滑脂对应的当前乏脂系数，包括：
通过下述公式计算所述润滑脂对应的当前乏脂系数：
；
其中，表示润滑脂对应的当前乏脂系数，/>表示初始剂量对应的数值，/>表示润滑脂在设备中的接触区中心膜厚与接触区的半径的比值，接触区中心膜厚是润滑脂与设备表面接触时，润滑脂在设备表面上形成的圆柱形的厚度，接触区的半径是润滑脂与设备表面接触时，润滑脂在设备表面上形成的圆柱形接触区域的半径大小，/>表示润滑脂端泄量。
本发明通过根据所述添加剂量和目标稠化剂类别，执行所述润滑脂的维护管理，进而可以更好的提高所述润滑脂的使用周期，其中，所述维护结果是根据所述添加剂量向所述润滑脂中添加所述目标稠化剂类别后，在使用过程中关于所述润滑脂的相关数据。
本发明通过采集所述应用设备场景的场景图像，可以了解润滑脂的使用场景情况，对所述场景图像进行图像分割处理，可以将所述场景图像中的无用图像去除掉，保留其中具有意义的图像，降低了图像处理的难度，本发明通过识别所述设备场景图像中的设备磨斑图像，可以通过设备磨斑图像了解所述设备场景图像中的设备磨损情况，提取所述设备磨斑图像中的设备纹理表征，可以得到所述设备磨斑图像中的表征，为后续计算设备磨损系数提供了保障，本发明通过提取所述润滑脂场景图像对应的图像颜色特征，可以得到所述润滑脂场景图像中关于所述润滑脂的表征，进而提高了后续润滑脂粘稠度计算的准确性，本发明通过计算所述稠化剂类别中每个类别对所述润滑脂的亲和系数，可以通过所述亲和系数了解所述稠化剂类别与所述润滑脂的相容性能，进而提高所述润滑脂的使用耐久性。因此，本发明实施例提供的一种用于提升润滑脂的使用周期方法，能够提高润滑脂的使用周期。
如图2所示，是本发明一实施例提供的一种用于提升润滑脂的使用周期系统的功能模块图。
本发明所述一种用于提升润滑脂的使用周期系统100可以安装于电子设备中。根据实现的功能，所述一种用于提升润滑脂的使用周期系统100可以包括图像分割模块101、设备磨损计算模块102、润滑性能分析模块103及润滑脂维护模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述图像分割模块101，用于获取润滑脂对应的应用设备场景，采集所述应用设备场景的场景图像，对所述场景图像进行图像分割处理，得到设备场景图像和润滑脂场景图像；
所述设备磨损计算模块102，用于识别所述设备场景图像中的设备磨斑图像，提取所述设备磨斑图像中的设备纹理表征，根据所述设备纹理表征，计算所述设备场景图像中的设备磨损系数，根据所述设备磨损系数，计算所述润滑脂在设备中使用时对应的润滑脂端泄量；
所述润滑性能分析模块103，用于提取所述润滑脂场景图像对应的图像颜色特征，结合所述图像颜色特征，计算所述润滑脂对应的润滑脂粘稠度，根据所述润滑脂粘稠度，分析所述润滑脂对应的当前润滑性能；
所述润滑脂维护模块104，用于查询所述润滑脂对应的稠化剂类别，计算所述稠化剂类别中每个类别对所述润滑脂的亲和系数，根据所述亲和系数，确定所述稠化剂类别中的目标稠化剂类别，根据所述润滑脂端泄量和所述当前润滑性能，计算所述目标稠化剂类别的添加剂量，根据所述添加剂量和所述目标稠化剂类别，执行所述润滑脂的维护管理，得到维护结果。
详细地，本申请实施例中所述一种用于提升润滑脂的使用周期系统100中所述的各模块在使用时采用与上述图1中所述的一种用于提升润滑脂的使用周期方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图3所示，是本发明一实施例提供的实现一种用于提升润滑脂的使用周期方法的电子设备1的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如一种用于提升润滑脂的使用周期方法程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing Unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心（ControlUnit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如执行一种用于提升润滑脂的使用周期方法程序等），以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡（Smart Media Card，SMC）、安全数字（Secure Digital，SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如一种用于提升润滑脂的使用周期方法程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准（Peripheral ComponentInterconnect，简称PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备1与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理系统与所述至少一个处理器10逻辑相连，从而通过电源管理系统实现充电管理、放电管理以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
所述电子设备1中的所述存储器11存储的一种用于提升润滑脂的使用周期方法程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取润滑脂对应的应用设备场景，采集所述应用设备场景的场景图像，对所述场景图像进行图像分割处理，得到设备场景图像和润滑脂场景图像；
识别所述设备场景图像中的设备磨斑图像，提取所述设备磨斑图像中的设备纹理表征，根据所述设备纹理表征，计算所述设备场景图像中的设备磨损系数，根据所述设备磨损系数，计算所述润滑脂在设备中使用时对应的润滑脂端泄量；
提取所述润滑脂场景图像对应的图像颜色特征，结合所述图像颜色特征，计算所述润滑脂对应的润滑脂粘稠度，根据所述润滑脂粘稠度，分析所述润滑脂对应的当前润滑性能；
查询所述润滑脂对应的稠化剂类别，计算所述稠化剂类别中每个类别对所述润滑脂的亲和系数，根据所述亲和系数，确定所述稠化剂类别中的目标稠化剂类别，根据所述润滑脂端泄量和所述当前润滑性能，计算所述目标稠化剂类别的添加剂量，根据所述添加剂量和所述目标稠化剂类别，执行所述润滑脂的维护管理，得到维护结果。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取润滑脂对应的应用设备场景，采集所述应用设备场景的场景图像，对所述场景图像进行图像分割处理，得到设备场景图像和润滑脂场景图像；
识别所述设备场景图像中的设备磨斑图像，提取所述设备磨斑图像中的设备纹理表征，根据所述设备纹理表征，计算所述设备场景图像中的设备磨损系数，根据所述设备磨损系数，计算所述润滑脂在设备中使用时对应的润滑脂端泄量；
提取所述润滑脂场景图像对应的图像颜色特征，结合所述图像颜色特征，计算所述润滑脂对应的润滑脂粘稠度，根据所述润滑脂粘稠度，分析所述润滑脂对应的当前润滑性能；
查询所述润滑脂对应的稠化剂类别，计算所述稠化剂类别中每个类别对所述润滑脂的亲和系数，根据所述亲和系数，确定所述稠化剂类别中的目标稠化剂类别，根据所述润滑脂端泄量和所述当前润滑性能，计算所述目标稠化剂类别的添加剂量，根据所述添加剂量和所述目标稠化剂类别，执行所述润滑脂的维护管理，得到维护结果。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
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限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (7)

1.一种用于提升润滑脂的使用周期方法，其特征在于，所述方法包括：
获取润滑脂对应的应用设备场景，采集所述应用设备场景的场景图像，对所述场景图像进行图像分割处理，得到设备场景图像和润滑脂场景图像；
识别所述设备场景图像中的设备磨斑图像，提取所述设备磨斑图像中的设备纹理表征，根据所述设备纹理表征，计算所述设备场景图像中的设备磨损系数，根据所述设备磨损系数，计算所述润滑脂在设备中使用时对应的润滑脂端泄量；
提取所述润滑脂场景图像对应的图像颜色特征，结合所述图像颜色特征，计算所述润滑脂对应的润滑脂粘稠度，根据所述润滑脂粘稠度，分析所述润滑脂对应的当前润滑性能，其中，所述结合所述图像颜色特征，计算所述润滑脂对应的润滑脂粘稠度，包括：
查询计算所述润滑脂的粘稠度的关联指标，通过下述公式计算所述关联指标和所述图像颜色特征之间的关联度；
；
其中，表示关联指标和图像颜色特征之间的关联度，/>表示关联指标和图像颜色特征的维度，b和b+1分别表示关联指标和图像颜色特征的序列号，/>表示关联指标中第b个指标的特征向量，/>表示第b个指标的特征向量的对数值，/>表示第b+1个图像颜色特征的特征向量，/>表示第b+1个图像颜色特征的特征向量的对数值，/>表示第b个指标的特征向量的对数值和第b+1个图像颜色特征的特征向量的对数值的差值的极大值，/>表示第b个指标的特征向量的对数值和第b+1个图像颜色特征的特征向量的对数值的差值的极小值；
根据所述关联度，确定所述图像颜色特征中的关联特征，分析所述关联特征和所述关联指标之间的线性关系；
对所述关联特征进行特征量化处理，得到特征量化值；
结合所述特征量化值和所述线性关系，计算所述润滑脂对应的润滑脂粘稠度；
查询所述润滑脂对应的稠化剂类别，计算所述稠化剂类别中每个类别对所述润滑脂的亲和系数，根据所述亲和系数，确定所述稠化剂类别中的目标稠化剂类别，根据所述润滑脂端泄量和所述当前润滑性能，计算所述目标稠化剂类别的添加剂量，根据所述添加剂量和所述目标稠化剂类别，执行所述润滑脂的维护管理，得到维护结果，其中，所述根据所述润滑脂端泄量和所述当前润滑性能，计算所述目标稠化剂类别的添加剂量，包括：
调度所述润滑脂的日志数据，根据所述日志数据，确定所述润滑脂对应的初始剂量；
根据所述润滑脂端泄量和所述初始剂量，通过下述公式计算所述润滑脂对应的当前乏脂系数：
；
其中，表示润滑脂对应的当前乏脂系数，/>表示初始剂量对应的数值，/>表示润滑脂在设备中的接触区中心膜厚与接触区的半径的比值，接触区中心膜厚是润滑脂与设备表面接触时，润滑脂在设备表面上形成的圆柱形的厚度，接触区的半径是润滑脂与设备表面接触时，润滑脂在设备表面上形成的圆柱形接触区域的半径大小，D表示润滑脂端泄量；
查询所述应用设备场景中的设备任务量，根据所述设备任务量和所述当前润滑性能，确定所述应用设备场景中的设备对应的润滑脂需求量；
根据所述润滑脂需求量和所述当前乏脂系数，计算所述目标稠化剂类别的添加剂量。
2.如权利要求1所述的一种用于提升润滑脂的使用周期方法，其特征在于，所述对所述场景图像进行图像分割处理，得到设备场景图像和润滑脂场景图像，包括：
对所述场景图像进行降噪处理，得到降噪场景图像；
对所述降噪场景图像进行像素点均衡处理，得到均衡场景图像；
利用预设的目标检测算法识别所述均衡场景图像中的设备图像和润滑脂图像；
根据所述设备图像和所述润滑脂图像，对所述均衡场景图像进行图像分割处理，得到设备场景图像和润滑脂场景图像。
3.如权利要求2所述的一种用于提升润滑脂的使用周期方法，其特征在于，所述对所述降噪场景图像进行像素点均衡处理，得到均衡场景图像，包括：
检测所述降噪场景图像中的图像像素点，确定所述图像像素点对应的像素级别；
根据所述像素级别，构建所述图像像素点对应的像素直方图，计算所述像素直方图中每个像素点对应的像素概率；
根据所述像素概率，对所述图像像素点中的每个像素点进行像素均衡处理，得到均衡像素点；
根据所述均衡像素点，生成均衡场景图像。
4.如权利要求1所述的一种用于提升润滑脂的使用周期方法，其特征在于，所述提取所述设备磨斑图像中的设备纹理表征，包括：
对所述设备磨斑图像进行纹理识别，得到设备磨斑纹理；
对所述设备磨斑纹理进行灰度变换，得到灰度磨斑纹理，对所述灰度磨斑纹理进行纹理分割处理，得到分割灰度纹理；
获取所述分割灰度纹理对应的灰度纹理向量，根据所述灰度纹理向量，构建所述分割灰度纹理对应的纹理灰度矩阵；
计算所述纹理灰度矩阵对应的矩阵特征值，根据所述矩阵特征值，提取所述分割灰度纹理中的纹理表征；
根据所述纹理表征，得到所述设备磨斑图像的设备纹理表征。
5.如权利要求1所述的一种用于提升润滑脂的使用周期方法，其特征在于，所述根据所述设备纹理表征，计算所述设备场景图像中的设备磨损系数，包括：
查询所述设备纹理表征中每个特征对应的特征项目，根据所述设备纹理表征，构建所述特征项目对应的项目矩阵；
计算所述项目矩阵对应的矩阵参数值，根据所述矩阵参数值，分配所述项目矩阵对应的矩阵权重值；
提取所述设备纹理表征对应的磨痕特征向量，结合所述磨痕特征向量和所述矩阵权重值，计算所述设备场景图像中的设备磨损系数。
6.如权利要求1所述的一种用于提升润滑脂的使用周期方法，其特征在于，所述提取所述润滑脂场景图像对应的图像颜色特征，包括：
识别所述润滑脂场景图像中的润滑脂颜色，计量所述润滑脂颜色中每个颜色通道的颜色像素；
根据所述颜色像素，构建所述润滑脂颜色对应的颜色直方图，根据所述颜色直方图，计算所述润滑脂颜色对应的颜色频率；
根据所述颜色频率，提取所述润滑脂颜色对应的颜色特征，根据所述颜色特征，得到所述润滑脂场景图像对应的图像颜色特征。
7.一种用于提升润滑脂的使用周期系统，其特征在于，所述系统包括：
图像分割模块，用于获取润滑脂对应的应用设备场景，采集所述应用设备场景的场景图像，对所述场景图像进行图像分割处理，得到设备场景图像和润滑脂场景图像；
设备磨损计算模块，用于识别所述设备场景图像中的设备磨斑图像，提取所述设备磨斑图像中的设备纹理表征，根据所述设备纹理表征，计算所述设备场景图像中的设备磨损系数，根据所述设备磨损系数，计算所述润滑脂在设备中使用时对应的润滑脂端泄量；
润滑性能分析模块，用于提取所述润滑脂场景图像对应的图像颜色特征，结合所述图像颜色特征，计算所述润滑脂对应的润滑脂粘稠度，根据所述润滑脂粘稠度，分析所述润滑脂对应的当前润滑性能，其中，所述结合所述图像颜色特征，计算所述润滑脂对应的润滑脂粘稠度，包括：
查询计算所述润滑脂的粘稠度的关联指标，通过下述公式计算所述关联指标和所述图像颜色特征之间的关联度；
；
其中，表示关联指标和图像颜色特征之间的关联度，/>表示关联指标和图像颜色特征的维度，b和b+1分别表示关联指标和图像颜色特征的序列号，/>表示关联指标中第b个指标的特征向量，/>表示第b个指标的特征向量的对数值，/>表示第b+1个图像颜色特征的特征向量，/>表示第b+1个图像颜色特征的特征向量的对数值，/>表示第b个指标的特征向量的对数值和第b+1个图像颜色特征的特征向量的对数值的差值的极大值，/>表示第b个指标的特征向量的对数值和第b+1个图像颜色特征的特征向量的对数值的差值的极小值；
根据所述关联度，确定所述图像颜色特征中的关联特征，分析所述关联特征和所述关联指标之间的线性关系；
对所述关联特征进行特征量化处理，得到特征量化值；
结合所述特征量化值和所述线性关系，计算所述润滑脂对应的润滑脂粘稠度；
润滑脂维护模块，用于查询所述润滑脂对应的稠化剂类别，计算所述稠化剂类别中每个类别对所述润滑脂的亲和系数，根据所述亲和系数，确定所述稠化剂类别中的目标稠化剂类别，根据所述润滑脂端泄量和所述当前润滑性能，计算所述目标稠化剂类别的添加剂量，根据所述添加剂量和所述目标稠化剂类别，执行所述润滑脂的维护管理，得到维护结果，其中，所述根据所述润滑脂端泄量和所述当前润滑性能，计算所述目标稠化剂类别的添加剂量，包括：
调度所述润滑脂的日志数据，根据所述日志数据，确定所述润滑脂对应的初始剂量；
根据所述润滑脂端泄量和所述初始剂量，通过下述公式计算所述润滑脂对应的当前乏脂系数：
；
其中，表示润滑脂对应的当前乏脂系数，/>表示初始剂量对应的数值，/>表示润滑脂在设备中的接触区中心膜厚与接触区的半径的比值，接触区中心膜厚是润滑脂与设备表面接触时，润滑脂在设备表面上形成的圆柱形的厚度，接触区的半径是润滑脂与设备表面接触时，润滑脂在设备表面上形成的圆柱形接触区域的半径大小，D表示润滑脂端泄量；
查询所述应用设备场景中的设备任务量，根据所述设备任务量和所述当前润滑性能，确定所述应用设备场景中的设备对应的润滑脂需求量；
根据所述润滑脂需求量和所述当前乏脂系数，计算所述目标稠化剂类别的添加剂量。
CN202311649086.6A 2023-12-05 2023-12-05 用于提升润滑脂的使用周期方法及系统 Active CN117371993B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311649086.6A CN117371993B (zh) 2023-12-05 2023-12-05 用于提升润滑脂的使用周期方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311649086.6A CN117371993B (zh) 2023-12-05 2023-12-05 用于提升润滑脂的使用周期方法及系统

Publications (2)

Publication Number Publication Date
CN117371993A CN117371993A (zh) 2024-01-09
CN117371993B true CN117371993B (zh) 2024-03-08

Family

ID=89398793

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311649086.6A Active CN117371993B (zh) 2023-12-05 2023-12-05 用于提升润滑脂的使用周期方法及系统

Country Status (1)

Country Link
CN (1) CN117371993B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004279734A (ja) * 2003-03-14 2004-10-07 Ricoh Co Ltd 電子写真画像形成装置および画像形成方法
CN101528899A (zh) * 2005-07-29 2009-09-09 埃克森美孚研究工程公司 确定预测性测试的方法以及将所述方法应用到润滑剂配方中的设备
CN110428064A (zh) * 2019-07-18 2019-11-08 中国石油大学(北京) 确定设备磨损程度的方法、装置及存储介质
WO2021185035A1 (zh) * 2020-03-20 2021-09-23 长安大学 一种基于外形特征的异常磨斑图像的检测方法
CN115575126A (zh) * 2022-09-29 2023-01-06 华电电力科学研究院有限公司 一种基于信息融合的滚动轴承润滑脂加注管理方法
CN116188422A (zh) * 2023-02-21 2023-05-30 西安理工大学 一种轴承润滑状态监测方法、系统、设备及介质
CN117121027A (zh) * 2021-04-08 2023-11-24 3M创新有限公司 粘合剂预测系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190266721A1 (en) * 2017-08-04 2019-08-29 Skf Canada Limited Maintenance tool with optical image capture and network

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004279734A (ja) * 2003-03-14 2004-10-07 Ricoh Co Ltd 電子写真画像形成装置および画像形成方法
CN101528899A (zh) * 2005-07-29 2009-09-09 埃克森美孚研究工程公司 确定预测性测试的方法以及将所述方法应用到润滑剂配方中的设备
CN110428064A (zh) * 2019-07-18 2019-11-08 中国石油大学(北京) 确定设备磨损程度的方法、装置及存储介质
WO2021185035A1 (zh) * 2020-03-20 2021-09-23 长安大学 一种基于外形特征的异常磨斑图像的检测方法
CN117121027A (zh) * 2021-04-08 2023-11-24 3M创新有限公司 粘合剂预测系统
CN115575126A (zh) * 2022-09-29 2023-01-06 华电电力科学研究院有限公司 一种基于信息融合的滚动轴承润滑脂加注管理方法
CN116188422A (zh) * 2023-02-21 2023-05-30 西安理工大学 一种轴承润滑状态监测方法、系统、设备及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
离子液体添加剂对润滑剂摩擦和润滑性能的影响;张东;庞晴晴;杨淑燕;郭峰;;表面技术(第01期);全文 *
超细添加剂润滑脂超声制备与润滑减磨分析;崔建英;王旭辉;杨卯生;;北京交通大学学报(第06期);全文 *

Also Published As

Publication number Publication date
CN117371993A (zh) 2024-01-09

Similar Documents

Publication Publication Date Title
CN108052980B (zh) 基于图像的空气质量等级检测方法
CN113705462A (zh) 人脸识别方法、装置、电子设备及计算机可读存储介质
CN115984662B (zh) 一种多模态数据预训练及识别方法、装置、设备及介质
CN116152749B (zh) 基于数字孪生的齿轮磨损智能监测方法
Wu et al. Morphological feature extraction based on multiview images for wear debris analysis in on-line fluid monitoring
CN109543686A (zh) 基于自适应多阈值的字符识别预处理二值化方法
CN114374760A (zh) 图像测试方法、装置、计算机设备及计算机可读存储介质
CN112132812A (zh) 证件校验方法、装置、电子设备及介质
Feng et al. Wear debris segmentation of reflection ferrograms using lightweight residual U-Net
CN117371993B (zh) 用于提升润滑脂的使用周期方法及系统
CN114693678A (zh) 工件质量智能检测方法、装置
CN117036732B (zh) 一种基于融合模型的机电设备检测系统、方法及设备
CN111738984A (zh) 基于分水岭和种子填充的皮肤图像斑点评估方法及系统
CN110930393A (zh) 一种基于机器视觉的芯片料管计数方法、装置及系统
CN113610934B (zh) 图像亮度调整方法、装置、设备及存储介质
Chen et al. Identification of the scraping quality for the machine tool using the smartphone
CN115345859A (zh) 隧道渗漏水图像的智能检测方法、装置、设备及存储介质
CN114267064A (zh) 一种人脸识别方法、装置、电子设备及存储介质
CN117523503B (zh) 基于厚膜电路板的制备设备安全监控方法及系统
CN114638851B (zh) 一种基于生成对抗网络的图像分割方法、系统及存储介质
CN116665143A (zh) 一种铁路货车图像分析方法、装置、电子设备及存储介质
Li et al. Feature Extraction with Multi-fractal Spectrum for Coal and Gangue Recognition Based on Texture Energy Field
CN116452587B (zh) 一种环保建筑结构钢板缺陷识别方法
CN116109627B (zh) 基于迁移学习和小样本学习缺陷检测方法、装置及介质
CN117422484A (zh) 一种数字化营销协同数据处理系统、方法、设备及介质

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