基于數字圖像的油液磨粒智能檢測技術

唐昭明

（空軍工程大學航空機務士官學校航空修理工程系，河南信陽 464000）

0 引言

統計表明，機械設備的故障約80%是由于摩擦磨損和潤滑失效造成的。因發動機軸承失效，曾發生大量飛行事故、事故征候和危險性故障，嚴重威脅飛行安全。近年來外場通過光譜分析、自動磨粒和鐵譜分析等油液監控手段，已多次準確預報發動機故障，避免了重大事故的發生，成效顯著[1]。

但是，任一單獨的監控手段由于其自身局限性均無法涵蓋全面的故障征兆信息。光譜分析只能檢測油液中10 μm 以下小磨粒，自動磨粒只能檢測20 μm 以上的磨粒，鐵譜操作復雜，無法定量檢測[2]。而針對（10～20）μm 尺寸段的反映發動機磨損最關鍵和最豐富的磨粒征兆信息，難以通過上述油液監控技術有效檢測，在監控中出現了關鍵的監控信息空白。2009 年3 月7日，某部一飛機發動機5 號支點軸承疲勞失效導致空停事故征候，通過對事故征候發生前3 個飛行日所取滑油進行鐵譜分析發現，油液中20 μm 以上大磨粒數量很少，（10～20）μm 的磨粒數量很大，且有明顯增長趨勢，已表現出強烈的發動機故障征兆，事故征候未能通過油液監控成功預報，教訓極其深刻。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技術對于外場油液監控具有重要意義。

1 油液磨粒智能檢測技術研究

可以快速自動檢測油液顆粒的方法主要有數字圖像法、遮光法等。遮光法一般用于油液固體顆粒污染度的檢測，無法檢測顆粒的類型。數字圖像法通過采集油液中磨粒圖像進行自動計算、分析，得到磨粒尺寸、類型、濃度等信息。基于數字圖像的油液磨粒智能檢測技術，按其處理流程主要分為圖像獲取、圖像分割、圖像預處理、磨粒識別等[3]。

1.1 圖像獲取

圖像獲取主要是通過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為640×480較為合適。綜合考慮像素、圖像分辨率和目標視野等因素，采用10倍長焦鏡頭組件，當圖像分辨率為640×480 時，技術指標要求的10 μm 級別最小可識別目標的像素將達到10 個，完全可滿足圖像分析技術要求。因此，將光學組件優選為10 倍長焦鏡頭組件，并選用適合采集高速運動磨粒目標的高速數字CCD。LNF-C 自動磨粒檢測儀采用單色激光光源，采集的圖像均為黑白圖像（圖1）。對于滑油中的石墨封嚴碎片、橡膠碎片，以及某些牌號滑油中存在大量添加劑析出物容易誤識別為金屬磨粒，嚴重影響故障診斷成功率[4]。因此，為提高磨粒圖像識別效率，研究中采用透反射雙色雙光路系統（圖2），可增加磨粒目標的表面顏色信息，豐富了磨粒圖像的數字化信息，有利于提高磨粒識別效率。

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，將顆粒目標從圖像背景中提取出來，為后續處理提供基礎。閾值分割法因其實現簡單、計算量小、性能較穩定而成為圖像分割中最基本和應用最廣泛的分割技術[5]。采用二維最大熵的動態閾值分割技術，對顆粒目標圖像進行二值化處理，提取目標顆粒圖像。

圖1 單透射光路

圖2 透反射雙光路

1.3 圖像預處理

圖像預處理主要為腐蝕與膨脹，可去除磨粒圖像中的噪聲點，有利于得到更精確的圖像分析結果。腐蝕和膨脹是數學形態學的兩個最基本的形態學算子。利用這些算子及其組合形成的算法可以進行圖像形狀和結構的分析及處理[6]，包括圖像分割、特征抽取、邊界檢測、圖像濾波、圖像增強和恢復等方面的工作。

1.3.1 圖像腐蝕

將結構元素S 的原點移到點（x，y）時，結構元素變為Sxy，若此時Sxy包含于X，則滿足這種情況的點（x，y）的集合為X 被S腐蝕的結果。表達式為：

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

圖3 顆粒目標圖像的二值化處理

1.3.2 圖像膨脹

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

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

1.4 磨粒識別

磨粒識別的最終目的是根據磨粒所含的豐富信息，判別其所屬的類型，直接關系到對磨損故障監控和診斷的準確性。運動磨粒識別技術是核心技術，包括磨粒參數分析和最近鄰案例分析診斷技術，實際運用中采用參數分析和案例分析相結合的算法進行磨粒識別。

1.4.1 磨粒特征參數分析

磨粒特征參數分析是運用計算機技術、數學方法等手段提取磨粒的特征參數，為磨粒識別和統計提供量化信息，其中包括尺寸參數、形狀參數、表面參數和顏色參數等。

尺寸參數是衡量顆粒粒度大小的量值，反映了磨損的嚴重程度。磨粒尺寸一般用等效圓直徑、長軸長度、短軸長度以及綜合尺寸等表示。在顆粒污染度計算中，一般采用等效圓直徑，而在磨粒識別中，一般采用長軸長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有圓度、凹度、尺寸和各種矩特征。圓度Rd體現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別出特定的物體形狀，其中矩不變量是指物體圖像經過平移、旋轉以及比例變換仍然不變的矩特征量，主要針對二維圖像識別。

表面參數包括孔隙率、灰度共生紋理參數和灰度梯度共生紋理參數；顏色參數是通過提取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

由于運動磨粒檢測是實時采集和分析圖像，要求對采集到的磨粒圖像盡可能快的識別出來。采用的圖像分析診斷方法是基于最近鄰規則的機器學習算法，或稱之為最近鄰案例分析，其計算復雜度小，運算速度快，并能很好的識別磨粒圖像。最近鄰規則算法：最近鄰規則的基本思想很簡單，設有一組n 個樣本，X={X1，X2，…，Xn}，每個樣本都已標以類別標志。如果在這n 個樣本中與待分類樣本X 相距最近的一個樣本為X＇n=∈X，則把X 分到X＇n 所在的類別中去。

也可以用判別函數來說明最近鄰規則。設有c 類模式樣本ω1，ω2，…，ωc，每類樣本有樣本ni 個，i=1，2，…，c，則最近鄰法的判別函數為di（X）=-min（k=1，2，...ni），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 磨粒識別流程

首先采用磨粒最顯著的特征參數對磨粒進行逐次分層識別，對長軸直徑（5～10）μm 的顆粒識別成金屬小磨粒和非金屬小磨粒，對長軸直徑≥10 μm 顆粒綜合用運特征參數和最近鄰案例識別，將顆粒自動識別成切削磨粒、滑動磨粒、疲勞磨粒、非金屬磨粒、纖維、氣泡。

1.4.4 顆粒圖像識別的案例

圖4 典型顆粒圖像案例

表1 顆粒案例診斷計算參數及識別結果

選取油液中的8 種典型顆粒圖像進行分析診斷（圖4）。計算出每個顆粒的特征參數，見表1，根據顆粒的識別流程，其識別結果見表2。查發現，后附件傳動機匣軸承（35-305Б）滾珠剝落、軸承保持架嚴重磨損，內鋼套滾道上整圈大面積剝落。對2010 年3 月18 日至8 月12 日期間，滑油光譜監控中所采集的滑油樣，通過多功能油液磨粒智能檢測儀進行磨粒分析，7 月18 日以來發動機工作63 h 后，該發動機滑油中大于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 等元素濃度值增長不太明顯，表明使用多功能油液磨粒智能檢測儀監控該類軸承失效故障可以有效的提前預報，磨粒增長趨勢（圖6）。

2 應用案例

基于該技術研發的多功能油液磨粒智能檢測儀（圖5），是基于現代光電顯微成像、計算機數字圖像處理和分析診斷專家系統等技術途徑，通過自動檢測油液10 μm 以上的特征磨粒圖像的形態、尺寸及數量分布，能夠準確評價發動機磨損故障的嚴重程度和失效類型，可以彌補現有外場油液監控設備難以有效檢測（10～20）μm 磨粒的技術局限，提高了油液顆粒識別效率，具有專家系統功能，同時使油液監控保障符合“智能化、小型化、集成化”的發展建設要求。

2010 年8 月12 日，某部一飛機第4 號發動機滑油光譜分析發現Cu 濃度值達到5.2×10-6，超 過5.0×10-6的濃度警告值，檢查滑油濾、磁塞和金屬屑信號器油濾，發現大量金屬屑（經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），發動機返廠分解檢

圖5 儀器外觀

3 結束語

每一種油液監控技術都不是萬能的，均有其自身局限性。例如光譜分析可以判斷元素成分，僅適合監控漸進性磨損故障，對于軸承疲勞失效等故障監控成功率不高。大磨粒分析可以通過檢測磨粒濃度來監控軸承疲勞失效等故障。只有多種監控技術配合使用，才能提取多維故障征兆信息，為正確預報故障提供保證。目前，油液監控已成為外場保障飛行安全的重要手段?；跀底謭D像的油液磨粒智能檢測技術已在外場推廣應用，必將在油液監控中發揮重大作用。