旋挖鉆機設備油液智能分析與健康監測*

任 松， 徐雪茹， 歐陽汛， 王小書

(重慶大學煤礦災害動力學與控制國家重點實驗室 重慶，400030)

引 言

機械設備的故障診斷工作是當前設備維修維護環節的重要內容，現有的故障診斷技術已經可以實現在不拆機的情況下通過相關信號的捕捉來間接判斷設備的運轉是否正常，以此來指導設備維護工作的時間和內容，減少非計劃性停機大修次數，延長設備的使用時間。振動監測、油液監測及溫度監測都是目前廣泛應用的設備故障診斷技術[1-4]。對于以磨損為主要失效形式的工程機械而言，潤滑油作為降低摩擦磨損的主要介質，設備一旦產生異常磨損征兆，油液信號總能先于振動信號和溫度信號被探測，且信號的提取受外界環境的干擾小，更適合于監測運行工況復雜、運行環境惡劣的機械設備。

油液磨粒分析技術是油液監測技術的重要內容，以磨粒鐵譜分析技術為研究熱點[5-7]，然而目前鐵譜分析技術存在耗時長、流程復雜的特征，使得該項技術在理論上取得的先進成果難以系統地應用到實際工程中。除此之外，由于鐵譜技術采用磁性原理提取磨粒，導致該技術對油液中非磁性顆粒的檢測靈敏度較低，后續分析環節也只以金屬磨粒為主，對油液信息的提取始終不夠完整。美國超譜公司開發了自動磨損顆粒分析儀(lasernet fines，簡稱LNF)[8-9]，該儀器雖然很大程度上解決了鐵譜技術存在的問題，但由于其采用圖像映射獲取顆粒圖像，在顆粒的類別判斷上僅以尺寸特征為主，并未有效地融合鐵譜磨粒識別的優勢。任松等[10]提出了一種以磨粒分析為核心的油液分析方法，該方法可以同時提取油液中的磨損顆粒和污染物，且顆粒之間有較好的分散度，充分降低了信息提取環節的難度，使得該技術成為一種發展潛力十足的油液磨粒分析技術。

重慶某集團SR280R型旋挖鉆機設備在前期運行過程中發生過不少突發性停機故障事故，多數嚴重故障均系軸承、齒輪等零部件發生小損傷但并未及時檢測出，致使設備長期帶傷運轉，使得小磨損轉化為大故障，最終造成設備的功能性失效。為了及時發現設備內部產生的異常信息，實時監測設備的健康程度，以前期授權專利技術[10]為指導，通過引入計算機圖像處理技術、模式識別技術，筆者提出一種能夠實現分析流程智能化的新型技術——油液全譜分析技術，以期實現定性、定量分析的結合，提高油液檢測工作的效率與準確度。將該技術應用于旋挖鉆機設備進行油液監測，以達到全方位評估旋挖鉆機運行狀態的目的，避免設備在未知的亞健康狀態下長期帶傷運轉，為磨損故障診斷奠定基礎。

1 油液全譜分析技術簡介

1.1 油液全譜技術基本原理

油液全譜技術包括全譜片制備與譜片信息自動提取等基本內容，首先將油液中的懸浮顆粒沉積在玻璃基片上制成全譜片，然后對全譜片進行分析，完成譜片信息的自動提取，以此為基礎來評價設備當前的運行工況。

1.2 全譜技術主要內容

油液全譜分析技術的開展包括全譜片制備、磨損圖像獲取及全譜信息自動提取等環節。以油樣為分析對象，各環節的主要內容如下。

1) 全譜片制備。油液全譜分析由全譜片提供信息，對待分析油樣，通過加熱振蕩、稀釋、過濾、溶解、烘干固定一系列流程制備全譜片。

2) 磨損圖像獲取。全譜片制備完成后，利用雙光源顯微鏡及圖像采集裝置采集磨損圖像。全譜片上沉積有摩擦副相對運動產生的金屬磨粒、油品自身老化變質微粒及外界混入的污染物三類顆粒。根據各類顆粒在光學顯微鏡下呈現出的形態差異，圖像采集工作主要在紅色反射光、白色反射光、綠色透射光及偏振光下進行，以便充分利用光源信息來實現金屬磨粒與非金屬顆粒單獨分析的目的。

3) 全譜信息智能提取技術。油液中懸浮顆粒的整體信息和個體信息都能反映設備的運行狀態，因此全譜信息包括顆粒宏觀沉積特征及單個磨粒信息兩部分。宏觀沉積特征主要表現為顆粒的數量分布情況及顆粒分布在譜片上的覆蓋率。如果宏觀特征提取結果顯示油液中分布有粒徑較大的金屬磨屑，則有必要對其進一步分析來確定摩擦副可能存在的磨損形式，從定性的角度來補充量化分析下的信息缺失。

1.3 全譜技術開展流程

針對擬監測設備，基于油液全譜分析技術進行設備狀態評估的流程如圖1所示。

2 基于全譜技術的旋挖鉆機油液信息提取

2.1 旋挖鉆機油液監測方案確定及現場油樣采集

旋挖鉆機設備自投產以來長期從事基礎施工作業，施工環境復雜，目前已使用5 000 h左右。綜合考慮維修成本及故障發生率，對設備的液壓系統和傳動裝置分別設立取樣點，選擇行走減速機(左)、行走減速機(右)、主卷揚減速機、主卷揚馬達、動力頭馬達及加壓卷揚馬達6個部位開展取樣工作，油樣使用時間與換油間隔的比率依次為0.072，0.072，1.176，0.22，0.22，0.22。為確保油樣代表性，取樣操作嚴格遵守《石油液體手工取樣法》[11]，取得的油樣依次編號為Ⅰ～Ⅵ。

2.2 油液全譜片制備及全譜圖像獲取

以1 mL油樣為分析量，根據制譜流程制備全譜片。圖2(a,b)分別為主卷揚減速機、動力頭馬達油樣譜片在白色反射光/綠色透射光,100X放大倍數下的典型視場示例。利用紅色反射光/綠色透射光、偏振光依次對磨粒沉積區域進行全域掃描，獲取全譜圖像。

圖2 旋挖鉆機油樣的全譜圖像示例Fig.2 Filtergraphy image of rotating drilling rig oil sample

2.3 油樣宏觀沉積特征提取技術

磨粒的宏觀沉積特征基于全域掃描獲取的全譜圖像進行。在紅色反射光/綠色透射光下，游離金屬磨粒及氧化物在綠色背景下呈現出紅色至暗紅色，而非金屬顆粒主要以透明狀為主，利用顏色差異可以在該圖像上只提取金屬磨粒的分布信息。非金屬顆粒可以在偏振光圖像下進行提取，此時非金屬結晶體、纖維、砂粒等顆粒都會顯示出組織結構及固有色彩。筆者提出基于圖像分割技術完成目標區域自動計數的方法，實現顆粒數量分布及譜片覆蓋率的統計工作，該過程主要在Matlab平臺上完成。

2.3.1 金屬磨粒圖像的分割技術

對于金屬磨粒的提取，提出磨粒圖像的3次分割法，基于顏色模型(hue,saturation,value,簡稱HSV)空間的彩色圖像一次分割、基于標記分水嶺算法的圖像二次分割及基于蟻群聚類算法的圖像3次融合，具體分割步驟如下。

1) 將紅色反射光/綠色透射光圖像(圖3(a))從三基色(red,green,blue,簡稱RGB)顏色空間轉化到HSV顏色空間[12]，提取紅色(包括暗紅色)目標物。在HSV空間中，紅色區域在h值上分布在固定的區間。通過獲取H分量與V分量的顏色分布直方圖(如圖3(b，c)所示)，確定紅色區域的閾值在[0,1)區間內分布在2個端點值附近。檢測待分割圖像的H分量直方圖在[0,0.2)及[0.8,1.0)區間內的波谷點，根據一階差分及概率的最小值點即可確定亮紅色區域的閾值點。為了讓暗紅色區域也獲得分割，利用V分量信息進行補充，V分量的分割閾值在顏色直方圖上分布在[0.1,0.2]區間內，依次檢測該區間內二階差分的最小值點和最大值點，由此確定v值分布的合理區間。圖3(a)的閾值確定為(0≤h≤0.167)|(h≥0.947)|(0.102≤v≤0.150)，最終獲得只包含金屬顆粒的一次分割圖像，如圖3(d)所示。

2) 標記一次分割圖像中的所有目標顆粒，提取目標顆粒的長軸ax。為保證后續信息提取環節的準確性，需要對一次分割后的連接顆粒進行二次分割。考慮到油液中典型磨損機理下產生的異常磨粒尺寸大多超過20 μm,連接顆粒的尺寸最小分布在50 μm附近，這類磨粒是后續分析工作的目標體,因此以50 μm為尺寸分界點，將一次分割圖像劃分為ax≥50 μm及ax<50 μm，只針對ax≥50 μm的圖像進行二次分割。首先結合原磨粒圖像獲取ax≥50 μm的彩色圖像，對該圖像進行標記分水嶺分割[13]，獲取目標顆粒的二次分割圖像，如圖3(e)所示。

3) 為了解決標記分水嶺算法存在的過分割問題，對二次分割圖像采用蟻群聚類算法[14]實現區域的合并。將合并后的圖像與步驟2中ax<50 μm的圖像進行疊加，得到3次分割圖像，即為最終分割圖像(圖3(f))，圖像的前景均為金屬磨粒。

圖3 金屬磨粒圖像分割示例Fig.3 Image segmentation of metal wear debris

2.3.2 非金屬顆粒圖像的分割技術

偏振光圖像背景相對簡單，基于HSV空間中的V分量即可將暗色背景下的亮系顆粒區分出來。具體分割步驟如下。

1) 將偏振光圖像(圖4(a))從RGB顏色空間轉換到HSV顏色空間，利用V分量對原始圖像進行分割，提取圖像中的目標前景，分割圖像如圖4(b)所示。

圖4 非金屬顆粒圖像分割示例Fig.4 Image segmentation of nonmetal wear debris

2.3.3 宏觀分布特征提取技術

宏觀沉積特征的提取工作基于分割后的二值圖像進行，將前景標記為1，背景標記為0，數量分布信息Nd與譜片覆蓋率Ad的提取公式如下

其中：s={s(d)|d1

2.4 油樣中典型金屬磨粒的分析

對于宏觀特征提取中尺寸>20 μm的金屬磨粒需要進一步分析。為了獲取磨粒的表面形貌及金屬原色，分析工作在白色反射光/綠色透射光源下進行，按如下規則開展：統計金屬磨粒在>100 μm,50～100 μm,20～50 μm三個范圍內的分布數量，首先識別>100μm區間的磨粒，如果數量小于50個，則需要進行下一尺寸范圍的識別工作，否則停止識別。

受磨損機理指導，摩擦副產生的金屬磨粒可以劃分為金屬氧化物、切削磨粒、嚴重滑動磨粒、滾動疲勞磨粒、滾滑復合磨粒5類，記5類磨粒依次為類別1～類別5。為了提高磨粒識別工作的效率及準確程度，提出基于模糊支持向量機(fuzzy support vector machine，簡稱FSVM)[15-16]的磨粒自動識別模型，在Matlab平臺上完成分類器的構造與訓練。

2.4.1 磨粒分類器的設計與測試

選取200個訓練樣本，各類磨粒40個，提取磨粒的顏色特征、形狀尺寸特征、邊緣細節特征及表面紋理特征，形成21維特征參數體系。參考文獻[17]將訓練樣本集轉化為模糊樣本集作為輸入向量，分類結果作為輸出向量，訓練FSVM分類器，模型的參數基于粒子群算法[18]實現自適應調整。為了提高模型訓練速度與分類精度，對于類別1僅選擇顏色特征作為輸入向量；類別2選擇形狀尺寸、邊緣細節特征參數作為輸入向量；類別3、類別4和類別5選擇除顏色特征以外的特征參數作為輸入向量，完成模型的訓練。訓練完成后，隨機選擇100個已知類別的磨粒進行測試。結果表明，該模型對訓練樣本的識別率為94%，對測試樣本的識別率為92%，模型的性能滿足工程需求。對于未知類別的磨粒，利用該模型進行自動識別的流程如圖5所示。

圖5 典型金屬磨粒識別流程Fig.5 Recognition process of typical metal wear debris

2.4.2 識別界面開發

為了方便磨粒識別工作的開展，基于訓練好的分類模型，利用Qt與Matlab混合編程的方法開發了磨粒自動識別界面，如圖6所示。

圖6 金屬磨粒識別界面Fig.6 Metal wear debris recognition GUI

3 油樣分析結果

3.1 油液理化指標檢測結果

為了對油品狀態進行初步評估，首先對分析油樣進行理化指標檢測，考慮到取樣體積及指標代表性，僅對分析油樣進行黏度檢測。油樣Ⅰ～Ⅲ為GL-5重負荷車輛齒輪油，油樣Ⅳ～Ⅵ為L-HM46抗磨液壓油，其黏度變化率依次為-8.50%，-5.44%，-56.88%，-3.31%，-3.42%和-2.98%。結果表明，除主卷揚減速機齒輪油的黏度出現明顯下降以外，其他油液黏度變化率均未達到換油指標的警戒值。

3.2 油樣宏觀沉積特征提取結果

油樣Ⅰ～Ⅵ宏觀沉積特征的提取結果如圖7所示，黑色線對應于數量分布情況Nd，紅色線對應于譜片覆蓋率Ad。圖7(a)為金屬磨粒的分布統計圖，以10 μm為梯度，6個油樣的Nd顯示出相同的趨勢，磨粒尺寸越大，分布數量越少。齒輪油中以油樣Ⅲ的顆粒分布最為密集；其次為油樣Ⅱ中金屬磨粒數量分布；油樣Ⅰ分布最為稀疏，只有極個別尺寸異常的磨粒存在。液壓油中,油樣Ⅵ的金屬磨粒分布最多，但明顯少于齒輪油，油樣Ⅴ與油樣Ⅳ的數量依次減少，以油樣Ⅳ最為清潔。

圖7(b)為非金屬顆粒的提取結果，Nd與Ad的分布表現出相同的趨勢，均隨著梯度區間端點值的增大逐漸減少。 油樣Ⅱ、油樣Ⅴ與油樣Ⅵ中出現大量非金屬晶體顆粒，均分布在較小的尺寸范圍內，油樣Ⅲ雖然金屬磨屑分布致密，但非金屬顆粒分布較少，油樣Ⅰ和Ⅳ受污染情況最輕。

圖7 旋挖鉆機油樣宏觀沉積特征提取結果Fig.7 Extraction results of macro deposition characteristics of oil samples from rotary drilling rig

宏觀沉積特征提取結果表明，旋挖鉆機當前處于亞健康狀態。齒輪油和液壓油中均出現較多的固體顆粒污染物，且每個油樣的分布情況各不相同，定時維修策略無法同時滿足各個部位的維護需求。旋挖鉆機設備各個單元的健康狀態會隨著設備的運轉逐漸差異化，只有開展模塊化式的監測，才能保證最恰當的維護活動，提高設備利用率。

3.3 油樣異常金屬磨粒的分布結果

宏觀沉積特征的提取結果表明6個油樣中均存在異常大的金屬磨粒，對這類磨粒進一步分析。表1為油樣中各類金屬磨粒的具體分布情況。識別結果表明：就齒輪油而言，滾動疲勞磨粒的數量最多，出現片狀、卷曲狀及塊狀等形態，表面出現孔洞、麻點，滾滑復合磨粒、嚴重滑動磨粒的分布次之，只有少量的切削磨粒存在，且尺寸均在50 μm以內。

表1 異常金屬磨粒的類別統計

油樣Ⅰ中的切削磨粒相對較多，呈針狀、月牙狀；油樣Ⅱ中出現較多的滾滑復合磨粒;油樣Ⅲ中大量磨粒表面出現高溫黏著磨損下的典型形態，同時也分布有較多氧化物，多為黑色氧化物。液壓油中金屬磨粒的分布狀態明顯不同于齒輪油，以金屬氧化物分布最為密集，出現紅色銹蝕顆粒，紅色、黑色氧化物呈團狀堆積的形態，游離金屬磨粒以疲勞磨粒為主，多呈較薄塊狀與片狀，表面較為光滑。油樣中的典型磨粒如圖8所示。

圖8 油樣典型磨損顆粒圖示Fig.8 Typical wear debris image of oil samples

3.4 設備運行狀態評估及維護指導

針對各個油樣的全譜信息提取結果，結合理化指標檢測情況，對各個取樣點的潤滑磨損狀態進行評價，基于實際狀態提供相應的維護措施。

1) 行走減速機(左)：該油樣黏度正常，潤滑性能良好，磨損情況基本正常。左側減速機目前運行狀況正常，齒輪油可繼續使用。

2) 行走減速機(右)：該油樣黏度正常，但氧化變質嚴重。從全譜分析結果來看，該油樣金屬磨屑來源廣、數量多、尺寸大，大量磨粒表面嚴重擦傷、拉毛，說明該部位當前磨損狀況異常，建議更換齒輪油，檢查箱體的密封性并查明異常磨損產生的部位，后期運行期間注意工況。

3) 主卷揚減速機：該油樣黏度嚴重降低，油液已經失去潤滑效果，同時，油中出現大量尺寸極大的金屬磨屑，表面伴有高溫氧化跡象，推斷摩擦副帶傷運轉較長時間，磨損程度嚴重。針對該部位應立即進行檢修，更換嚴重磨損的零部件，同時清洗箱體內部的各種沉淀物，注入新的齒輪油。

4) 主卷揚馬達、動力頭馬達及加壓卷揚馬達：液壓油的黏度正常，但油液中出現大量非金屬污染物，長期存留會影響液壓油性能。全譜分析結果表明：主卷揚馬達磨損情況基本正常；動力頭馬達油液中出現個別大尺寸的疲勞磨粒，磨損狀態異常；加壓卷揚馬達油液中存在大量大尺寸的疲勞磨粒及嚴重滑動磨粒，金屬氧化物分布也較為密集，推斷摩擦副曾在高速重載的條件下運行。對于該液壓系統，液壓油可以繼續使用，但應采取措施對其進行脫水及過濾處理，去除油液中的固體顆粒污染物，同時檢查液壓油路中的各處過濾器，確保其功能正常。鑒于全譜分析結果，有必要對動力頭馬達及加壓卷揚馬達進行拆機檢修，更換已磨損的零部件。后期運行中須持續關注整個液壓系統，短期內安排二次取樣。

4 結束語

提出以油液中懸浮顆粒為分析對象的油液全譜技術，利用圖像分割算法、自動計數算法、模糊支持向量機實現了油液信息的自動提取，提高了油液分析工作的效率與準確度。在磨損圖像采集環節，利用各類顆粒在不同光源下的形貌特征實現了金屬磨粒與非金屬顆粒的單獨分析。在信息提取環節，通過從油液顆粒整體分析到典型磨粒個體分析，完整了油液信息的提取內容，實現了定性定量分析的結合。信息提取結果可以有效地指示設備當前的潤滑狀態和摩擦副的磨損進程，為維修維護工作的開展提供指導。旋挖鉆機油液檢測結果表明，油液全譜分析技術在大型工程機械模塊化監測工作的開展方面有一定的可行性。該項技術迎合安全經濟、高效節能的發展理念，長期監測下效益明顯。