基于异常微磨损检测识别的机械零部件损伤评估方法

Damage assessment of friction and wear is the basis of mechanism analysis, the implementation of effective repair and failure prediction, which is very essential to ensure safety, save energy and emission reduction. The existing methods of micro-wear damage assessment mainly depend on the observation of the experimenter, which have some substantive shortages, for example, subjective dependence and difficult to objective measurement. In this paper, we establish a method of micro abrasion damage assessment based on the topography image and depth data of the friction surface. Firstly, we construct the micro-wear image and its feature vector library and the contour curve model of abnormal micro-wear, which are the foundation for detection and precise segmentation of abnormal micro-wear. Secondly, abnormal micro-wear is detected, segementated and identified here, and focus on precise extraction and identification of typical abnormal micro-wear. Thirdly, the construction of damage evaluation index and damage assessment, including feature extraction and interval representation of damage feature, construction of damage evaluation index and fuzzy measure, damage assessment based on uncertainty reasoning. Finally, the effect of each algorithm is verified by experiments. The application focuses on solving the key scientific problems such as the extraction of multi-feature based on depth machine learning, the precise segmentation and recognition of abnormal micro-wear, the damage assessment of uncertainty reasoning. Project research aims to obtain some innovative research results, and lay a solid theoretical foundation for the practical application.

摩擦磨损的损伤评估是机理分析、实施有效修复和失效预测的基础，对保障安全生产和节能减排至关重要。现有的微磨损损伤评估方法依赖于实验员的观察，存在主观依赖强和难以客观度量等实质性问题。为此以摩擦表面的形貌图像和深度数据为对象，建立一套微磨损损伤评估的方法：首先，构建微磨损图像库及其特征向量库和异常微磨损的轮廓曲线模型，是异常微磨损检测和分割的基础。其次，开展异常微磨损检测、分割和识别研究，尤其关注典型异常微磨损的精确分割和识别。再次，损伤评价指标的构建和损伤评估，包括特征提取与区间表示、损伤评价指标的构建与模糊度量、基于不确定性推理的损伤评估。最后，对各环节的效果进行实验验证分析。重点解决深度机器学习的多特征的提取、基于能量泛函的异常微磨损的分割、不确定性推理的损伤评估等关键科学问题。项目研究旨在取得一些创新性研究成果，为该方法的实际应用打下坚实的理论基础。

损伤评估是损伤修复、失效预测和节能减排的基础。开展磨损损伤的有效估计，有利于探究磨损产生的机理，减缓或阻止磨损的恶化，而且可以对失效进行预测，及时更换零件避免引发机器故障。针对微磨损的形貌无法肉眼观测、难以定量表征的现实问题，本项目开展了基于异常微磨损检测识别的机械零部件损伤评估方法。在借助四球摩擦试验扩充样本的基础上，主要开展的工作和取得的成果如下：. 特征分析及其向量表示。为了利于从磨斑图像中进行抗磨性分析、异常磨损检测识别等处理，提出了考虑角度变换的磨痕方向角自动测定方法。基于四球摩擦试验图样的磨痕方向一致性，建立磨损量的表征指标并判定磨痕方向角。该算法检测精度高、处理速度快。避免了角度变化带来的误差和额外计算量，还提出了双领域的磨痕角自动测定方法，同时考虑小、大两个尺寸邻域内的灰度变化度来推算磨痕的方向角。算法检测的方向角的平均绝对误差小于1.5°，最小和最大的绝对误差分别为0°和4.309°，平均每帧耗时约2.8s。. 特征分析与微磨损分割。鉴于磨斑区域分割是形貌分析的基础，提出了基于双极值滤波和边界细分的磨斑图像分割算法，方法能很好地区分背景和磨斑的边界，并检出磨斑区域，鲁棒性好；且平均每帧耗时约0.722 s，适合开发为四球摩擦试验机的分析处理软件。. 特征变量提取与异常微磨损识别。提出了基于摩痕长径校验的异常磨斑识别方法。利用梯度滤波算子的卷积运算提取摩痕，基于自适应阈值的长径测量方法测量摩痕的长径，对得到的大样本摩痕长径进行数据正态分布校验。仿真验证表明提取的摩痕区域完整、边缘清晰，检测精度高，通过校验大样本长径数据实现异常试验数据的剔除。此外，还提出了基于外形特征的异常磨斑图像的检测方法，在磨痕区域分割和方向角检测的基础上，用行向和列向长度表征磨痕区域的行向和列向外形特征。本方法基于外形特征对磨斑图像的异常状态，更具有普适性，避免主观判定的误差，精度也更高，为试验数据的可用性提供理论依据。. 评价指标表示、度量和评估。为减少试验人员因经验不足或欠缺带来的主观误差，提出了用于润滑剂抗磨性的形貌对比分析方法。注意到微磨损图像表面相似的特性，在磨斑提取的基础上，构建了用于形貌对比分析的特征参数，包括：磨斑区域的面积和等效半径等，并建立评价指标评定润滑剂的抗磨性。