基于數(shù)字圖像的油液磨粒智能檢測(cè)技術(shù)

唐昭明

（空軍工程大學(xué)航空機(jī)務(wù)士官學(xué)校航空修理工程系，河南信陽(yáng) 464000）

0 引言

統(tǒng)計(jì)表明，機(jī)械設(shè)備的故障約80%是由于摩擦磨損和潤(rùn)滑失效造成的。因發(fā)動(dòng)機(jī)軸承失效，曾發(fā)生大量飛行事故、事故征候和危險(xiǎn)性故障，嚴(yán)重威脅飛行安全。近年來(lái)外場(chǎng)通過(guò)光譜分析、自動(dòng)磨粒和鐵譜分析等油液監(jiān)控手段，已多次準(zhǔn)確預(yù)報(bào)發(fā)動(dòng)機(jī)故障，避免了重大事故的發(fā)生，成效顯著[1]。

但是，任一單獨(dú)的監(jiān)控手段由于其自身局限性均無(wú)法涵蓋全面的故障征兆信息。光譜分析只能檢測(cè)油液中10 μm 以下小磨粒，自動(dòng)磨粒只能檢測(cè)20 μm 以上的磨粒，鐵譜操作復(fù)雜，無(wú)法定量檢測(cè)[2]。而針對(duì)（10～20）μm 尺寸段的反映發(fā)動(dòng)機(jī)磨損最關(guān)鍵和最豐富的磨粒征兆信息，難以通過(guò)上述油液監(jiān)控技術(shù)有效檢測(cè)，在監(jiān)控中出現(xiàn)了關(guān)鍵的監(jiān)控信息空白。2009 年3 月7日，某部一飛機(jī)發(fā)動(dòng)機(jī)5 號(hào)支點(diǎn)軸承疲勞失效導(dǎo)致空停事故征候，通過(guò)對(duì)事故征候發(fā)生前3 個(gè)飛行日所取滑油進(jìn)行鐵譜分析發(fā)現(xiàn)，油液中20 μm 以上大磨粒數(shù)量很少，（10～20）μm 的磨粒數(shù)量很大，且有明顯增長(zhǎng)趨勢(shì)，已表現(xiàn)出強(qiáng)烈的發(fā)動(dòng)機(jī)故障征兆，事故征候未能通過(guò)油液監(jiān)控成功預(yù)報(bào)，教訓(xùn)極其深刻。因此，研究一種可以涵蓋油液中（10～20）μm 尺寸段的油液磨粒智能檢測(cè)技術(shù)對(duì)于外場(chǎng)油液監(jiān)控具有重要意義。

1 油液磨粒智能檢測(cè)技術(shù)研究

可以快速自動(dòng)檢測(cè)油液顆粒的方法主要有數(shù)字圖像法、遮光法等。遮光法一般用于油液固體顆粒污染度的檢測(cè)，無(wú)法檢測(cè)顆粒的類型。數(shù)字圖像法通過(guò)采集油液中磨粒圖像進(jìn)行自動(dòng)計(jì)算、分析，得到磨粒尺寸、類型、濃度等信息。基于數(shù)字圖像的油液磨粒智能檢測(cè)技術(shù)，按其處理流程主要分為圖像獲取、圖像分割、圖像預(yù)處理、磨粒識(shí)別等[3]。

1.1 圖像獲取

圖像獲取主要是通過(guò)CCD 等采集裝置獲取油路中的顆粒圖像。由于圖像處理需要很高速度，采集圖像的分辨率設(shè)為640×480較為合適。綜合考慮像素、圖像分辨率和目標(biāo)視野等因素，采用10倍長(zhǎng)焦鏡頭組件，當(dāng)圖像分辨率為640×480 時(shí)，技術(shù)指標(biāo)要求的10 μm 級(jí)別最小可識(shí)別目標(biāo)的像素將達(dá)到10 個(gè)，完全可滿足圖像分析技術(shù)要求。因此，將光學(xué)組件優(yōu)選為10 倍長(zhǎng)焦鏡頭組件，并選用適合采集高速運(yùn)動(dòng)磨粒目標(biāo)的高速數(shù)字CCD。LNF-C 自動(dòng)磨粒檢測(cè)儀采用單色激光光源，采集的圖像均為黑白圖像（圖1）。對(duì)于滑油中的石墨封嚴(yán)碎片、橡膠碎片，以及某些牌號(hào)滑油中存在大量添加劑析出物容易誤識(shí)別為金屬磨粒，嚴(yán)重影響故障診斷成功率[4]。因此，為提高磨粒圖像識(shí)別效率，研究中采用透反射雙色雙光路系統(tǒng)（圖2），可增加磨粒目標(biāo)的表面顏色信息，豐富了磨粒圖像的數(shù)字化信息，有利于提高磨粒識(shí)別效率。

圖1 單透射光路

圖2 透反射雙光路

1.2 圖像分割

圖像分割的目的就是把圖像中的物體與背景分開(kāi)，將顆粒目標(biāo)從圖像背景中提取出來(lái)，為后續(xù)處理提供基礎(chǔ)。閾值分割法因其實(shí)現(xiàn)簡(jiǎn)單、計(jì)算量小、性能較穩(wěn)定而成為圖像分割中最基本和應(yīng)用最廣泛的分割技術(shù)[5]。采用二維最大熵的動(dòng)態(tài)閾值分割技術(shù)，對(duì)顆粒目標(biāo)圖像進(jìn)行二值化處理，提取目標(biāo)顆粒圖像。

1.3 圖像預(yù)處理

圖像預(yù)處理主要為腐蝕與膨脹，可去除磨粒圖像中的噪聲點(diǎn)，有利于得到更精確的圖像分析結(jié)果。腐蝕和膨脹是數(shù)學(xué)形態(tài)學(xué)的兩個(gè)最基本的形態(tài)學(xué)算子。利用這些算子及其組合形成的算法可以進(jìn)行圖像形狀和結(jié)構(gòu)的分析及處理[6]，包括圖像分割、特征抽取、邊界檢測(cè)、圖像濾波、圖像增強(qiáng)和恢復(fù)等方面的工作。

1.3.1 圖像腐蝕

將結(jié)構(gòu)元素S 的原點(diǎn)移到點(diǎn)（x，y）時(shí)，結(jié)構(gòu)元素變?yōu)镾xy，若此時(shí)Sxy包含于X，則滿足這種情況的點(diǎn)（x，y）的集合為X 被S腐蝕的結(jié)果。表達(dá)式為：

可將算法具體總結(jié)為3 點(diǎn)：①用3×3 的結(jié)構(gòu)元素，掃描圖像的每一個(gè)像素；②用結(jié)構(gòu)元素與其覆蓋的二值圖像做“與”操作；③如果都為1，結(jié)果圖像的改像素為1，否則為0（圖3）。

圖3 顆粒目標(biāo)圖像的二值化處理

1.3.2 圖像膨脹

膨脹可以看作是腐蝕的對(duì)偶運(yùn)算，算法為：若Sxy擊中或包含于X，則滿足上述條件的點(diǎn)（x，y）組成的集稱作X 被S 膨脹的結(jié)果。表達(dá)式為：

同樣將膨脹算法具體總結(jié)為：①用3×3 的結(jié)構(gòu)元素，掃描圖像的每一個(gè)像素；②用結(jié)構(gòu)元素與其覆蓋的二值圖像做“與”操作；③如果都為0，結(jié)果圖像的該像素為0，否則為1。

1.4 磨粒識(shí)別

磨粒識(shí)別的最終目的是根據(jù)磨粒所含的豐富信息，判別其所屬的類型，直接關(guān)系到對(duì)磨損故障監(jiān)控和診斷的準(zhǔn)確性。運(yùn)動(dòng)磨粒識(shí)別技術(shù)是核心技術(shù)，包括磨粒參數(shù)分析和最近鄰案例分析診斷技術(shù)，實(shí)際運(yùn)用中采用參數(shù)分析和案例分析相結(jié)合的算法進(jìn)行磨粒識(shí)別。

1.4.1 磨粒特征參數(shù)分析

磨粒特征參數(shù)分析是運(yùn)用計(jì)算機(jī)技術(shù)、數(shù)學(xué)方法等手段提取磨粒的特征參數(shù)，為磨粒識(shí)別和統(tǒng)計(jì)提供量化信息，其中包括尺寸參數(shù)、形狀參數(shù)、表面參數(shù)和顏色參數(shù)等。

尺寸參數(shù)是衡量顆粒粒度大小的量值，反映了磨損的嚴(yán)重程度。磨粒尺寸一般用等效圓直徑、長(zhǎng)軸長(zhǎng)度、短軸長(zhǎng)度以及綜合尺寸等表示。在顆粒污染度計(jì)算中，一般采用等效圓直徑，而在磨粒識(shí)別中，一般采用長(zhǎng)軸長(zhǎng)度描述磨粒尺寸大小。常用的用于描述磨粒形狀特征的基本參數(shù)有圓度、凹度、尺寸和各種矩特征。圓度Rd體現(xiàn)了磨粒接近圓的程度，反映了磨粒的整體形狀，磨粒越接近圓，Rd越小，反之Rd越大；凹度C 反映顆粒的凹陷程度；尺寸特征包括各類尺寸大小和比值；矩特征可從圖像中識(shí)別出特定的物體形狀，其中矩不變量是指物體圖像經(jīng)過(guò)平移、旋轉(zhuǎn)以及比例變換仍然不變的矩特征量，主要針對(duì)二維圖像識(shí)別。

表面參數(shù)包括孔隙率、灰度共生紋理參數(shù)和灰度梯度共生紋理參數(shù)；顏色參數(shù)是通過(guò)提取RGB 分量，采用G/R 分量比獲得顆粒表面顏色信息。

1.4.2 最近鄰案例分析診斷

由于運(yùn)動(dòng)磨粒檢測(cè)是實(shí)時(shí)采集和分析圖像，要求對(duì)采集到的磨粒圖像盡可能快的識(shí)別出來(lái)。采用的圖像分析診斷方法是基于最近鄰規(guī)則的機(jī)器學(xué)習(xí)算法，或稱之為最近鄰案例分析，其計(jì)算復(fù)雜度小，運(yùn)算速度快，并能很好的識(shí)別磨粒圖像。最近鄰規(guī)則算法：最近鄰規(guī)則的基本思想很簡(jiǎn)單，設(shè)有一組n 個(gè)樣本，X={X1，X2，…，Xn}，每個(gè)樣本都已標(biāo)以類別標(biāo)志。如果在這n 個(gè)樣本中與待分類樣本X 相距最近的一個(gè)樣本為X＇n=∈X，則把X 分到X＇n 所在的類別中去。

也可以用判別函數(shù)來(lái)說(shuō)明最近鄰規(guī)則。設(shè)有c 類模式樣本ω1，ω2，…，ωc，每類樣本有樣本ni 個(gè)，i=1，2，…，c，則最近鄰法的判別函數(shù)為，于是決策法則就是：若有di（X）＞dj（X），i≠j，則把X 分到第i 類中。

1.4.3 磨粒識(shí)別流程

首先采用磨粒最顯著的特征參數(shù)對(duì)磨粒進(jìn)行逐次分層識(shí)別，對(duì)長(zhǎng)軸直徑（5～10）μm 的顆粒識(shí)別成金屬小磨粒和非金屬小磨粒，對(duì)長(zhǎng)軸直徑≥10 μm 顆粒綜合用運(yùn)特征參數(shù)和最近鄰案例識(shí)別，將顆粒自動(dòng)識(shí)別成切削磨粒、滑動(dòng)磨粒、疲勞磨粒、非金屬磨粒、纖維、氣泡。

1.4.4 顆粒圖像識(shí)別的案例

選取油液中的8 種典型顆粒圖像進(jìn)行分析診斷（圖4）。計(jì)算出每個(gè)顆粒的特征參數(shù)，見(jiàn)表1，根據(jù)顆粒的識(shí)別流程，其識(shí)別結(jié)果見(jiàn)表2。

圖4 典型顆粒圖像案例

表1 顆粒案例診斷計(jì)算參數(shù)及識(shí)別結(jié)果

表2 顆粒識(shí)別結(jié)果

2 應(yīng)用案例

基于該技術(shù)研發(fā)的多功能油液磨粒智能檢測(cè)儀（圖5），是基于現(xiàn)代光電顯微成像、計(jì)算機(jī)數(shù)字圖像處理和分析診斷專家系統(tǒng)等技術(shù)途徑，通過(guò)自動(dòng)檢測(cè)油液10 μm 以上的特征磨粒圖像的形態(tài)、尺寸及數(shù)量分布，能夠準(zhǔn)確評(píng)價(jià)發(fā)動(dòng)機(jī)磨損故障的嚴(yán)重程度和失效類型，可以彌補(bǔ)現(xiàn)有外場(chǎng)油液監(jiān)控設(shè)備難以有效檢測(cè)（10～20）μm 磨粒的技術(shù)局限，提高了油液顆粒識(shí)別效率，具有專家系統(tǒng)功能，同時(shí)使油液監(jiān)控保障符合“智能化、小型化、集成化”的發(fā)展建設(shè)要求。

圖5 儀器外觀

2010 年8 月12 日，某部一飛機(jī)第4 號(hào)發(fā)動(dòng)機(jī)滑油光譜分析發(fā)現(xiàn)Cu 濃度值達(dá)到5.2×10-6，超 過(guò)5.0×10-6的濃度警告值，檢查滑油濾、磁塞和金屬屑信號(hào)器油濾，發(fā)現(xiàn)大量金屬屑（經(jīng)鑒定主要成分為鋁青銅，該材料與軸承保持架和油泵襯套材料相吻合），發(fā)動(dòng)機(jī)返廠分解檢查發(fā)現(xiàn)，后附件傳動(dòng)機(jī)匣軸承（35-305Б）滾珠剝落、軸承保持架?chē)?yán)重磨損，內(nèi)鋼套滾道上整圈大面積剝落。對(duì)2010 年3 月18 日至8 月12 日期間，滑油光譜監(jiān)控中所采集的滑油樣，通過(guò)多功能油液磨粒智能檢測(cè)儀進(jìn)行磨粒分析，7 月18 日以來(lái)發(fā)動(dòng)機(jī)工作63 h 后，該發(fā)動(dòng)機(jī)滑油中大于10 μm 和大于20 μm 的特征磨粒濃度值再次突增近10 倍，光譜分析Fe，Cu 等元素濃度值增長(zhǎng)不太明顯，表明使用多功能油液磨粒智能檢測(cè)儀監(jiān)控該類軸承失效故障可以有效的提前預(yù)報(bào)，磨粒增長(zhǎng)趨勢(shì)（圖6）。

圖6 磨粒增長(zhǎng)趨勢(shì)

3 結(jié)束語(yǔ)

每一種油液監(jiān)控技術(shù)都不是萬(wàn)能的，均有其自身局限性。例如光譜分析可以判斷元素成分，僅適合監(jiān)控漸進(jìn)性磨損故障，對(duì)于軸承疲勞失效等故障監(jiān)控成功率不高。大磨粒分析可以通過(guò)檢測(cè)磨粒濃度來(lái)監(jiān)控軸承疲勞失效等故障。只有多種監(jiān)控技術(shù)配合使用，才能提取多維故障征兆信息，為正確預(yù)報(bào)故障提供保證。目前，油液監(jiān)控已成為外場(chǎng)保障飛行安全的重要手段?；跀?shù)字圖像的油液磨粒智能檢測(cè)技術(shù)已在外場(chǎng)推廣應(yīng)用，必將在油液監(jiān)控中發(fā)揮重大作用。