基于铁谱分析的工程机械装备磨损状态评估方法研究

基于铁谱分析的工程机械装备磨损状态评估方法研究

王祥

65739部队

摘 要: 工程机械装备在长期运行中，其关键摩擦副一直处于极度恶劣的工作环境中，对工程机械整装的运行稳定性和可靠性造成了不可预测的故障风险隐患。随着装备制造领域中油液分析技术的不断发展，通过机械装备所用油液中磨粒分析对装备健康状态进行监控的方法逐渐成熟。本文提出将工程机械装备中油液磨粒宏观特征与微观特征进行融合分析，基于 Mask-RCNN 网络对磨粒进行智能分割，实现装备磨损宏观特征提取；基于BP 神经网络与深度学习构建磨粒微观特征识别模型，实现相似磨粒精准识别。从而建立了面向工程机械装备磨损状态评估方法，为工程机械装备平稳可靠运行提供技术支撑。

关键词:铁谱分析；神经网络；深度学习；磨损状态评估

工程机械装备在长期运行中，其关键摩擦副一直处于极度恶劣的工作环境中，对工程机械整装的运行稳定性和可靠性造成了不可预测的故障风险隐患。随着装备制造领域中油液分析技术的不断发展，通过机械装备所用油液中磨粒分析对装备健康状态进行监控的方法逐渐成熟，并结合多种数据算法，提升铁谱分析的准确性合理性，从而提升装备故障的可预测性。铁谱分析方法和技术是从上世纪70年代出现，并应用在机械装置中油液检测，进而发展起来的技术。铁谱分析的主要原理是通过磁力、重力场，把机械部件中油液所含的金属磨粒和杂质分离出来，制作成谱片，并获得油液中磨粒的种类、形状、浓度、尺寸等技术信息，再采用定性与定量相结合的方法对工程机械装备部件的状态进行可视化分析，实现对机械装备的健康状态的综合监控和评估。

1 工程机械装备磨损状态评估体系构建

早期磨粒分割的主要方法是基于灰度阈值分割，其原理是设定适当阀值将在灰度范围内图像中前景和背景的差异进行分离。近几年，随着人工智能算法技术的发展，在铁谱分析领域，引入了大量先进算法和模型，如结合 D-S证据理论、支持向量机等算法判断磨粒类型、利用BP 神经网络的自学习能力以及基于收敛速度和准确度BP 神经网络优化对磨粒进行分类、通过卷积神经网络使磨粒图像辨识逐渐趋向于无参数化等等。不难看出，铁谱分析技术在工程机械保障领域具有重要作用，是工程机械装备维护的有效途径。但综合国内外铁谱分析技术运用，尤其是在工程机械装备中的应用可以发现，还没有针对工程机械装备磨损状态的完整评估方法，尤其在磨粒类型识别和磨粒链分割等技术上，导致了工程机械装备磨损状态评估的效果不佳。因此本文基于深度学习理论，提出一种基于 Mask-RCNN 网络对磨粒进行智能分割和基于BP 神经网络与深度学习构建磨粒微观特征识别模型的融合识别方法，构建工程机械装备磨损评估体系，为装备磨损状态评价和故障预测提供参考。

铁谱分析技术与其他磨损状态分析技术相比，优势主要有两个方面，一是通过铁谱分析图像，可以从磨粒链图像中获取反应装备磨损情况的宏观特征量，如磨粒数量；二是还可以通过单磨粒的微观特征量，对摩擦副的磨损机理进行精准分析识别。为此，利用铁谱分析技术的图像特征，以图像中宏观和微观特征量为对象，面向工程机械装备进行磨损评估体系构建。

2. 基于Mask-RCNN网络的磨粒链智能分割算法提取磨损宏观特征量

目前的磨粒链分割技术由于油液中磨粒形状的复杂性、沉积的随机性等问题，影响了工程机械装备磨损宏观特征量提取质量。因此，本文提出利用深度学习理论中的Mask-RCNN网络，对磨粒链进行智能分割，可以更好的解决上述问题。

Mask-RCNN是RCNN系列算法中用于语义分割、目标识别等能力表现最为优秀的算法计算之一，此种分割算法首先对目标区域所有像素所处位置进行分析，区分出前景属性和背景属性，再对每个像素点进行类别划分。该算法框架由特征提取、区域候选、分类以及掩码分割等网络组成。经过特征提取后的特征图将输入区域候选网络，再经分类网络的兴趣区域匹配层，最后添加mask掩膜，最终完成目标实例分割。

考虑到磨粒链图像的复杂性，用残差网络构建Mask-RCNN 网络的特征提取层，提炼磨粒深层次图像特征，依据磨粒与特征图尺度求解特征区域尺度和比例基数，实现 Mask-RCNN 网络设计。该网络采用自上而下原则，输入图像经特征提取层获得特征图后进行特征融合，得到网络训练所需的特征图像。以特征图为基础，区域候选网络生成含有目标特征的一系列特征区域，通过特征区域筛选保留有效的目标识别区域（即兴趣区域匹配层）。兴趣区域匹配层经过池化层统一尺度后，用全连接层目标定位识别，计算置信度和标记掩码，最终实现在线铁谱磨粒链的分割，完成磨损宏观特征体系构建。

3. 基于BP 神经网络和深度学习的磨粒类型识别模型构建

工程机械装备在运行过程中工况复杂、载荷多变，这些因素都将导致工程机械装备机械结构内部产生形状复杂、材质多样的磨粒，对磨粒类型识别算法提出了很高要求。随着算法技术发展，基于BP 神经网络和深度学习理论，以磨粒全信息表征为基础，构建工程机械装备典型磨粒多层识别模型，对单磨粒微观特征量进行提取和分析，以便更好的掌握和分析工程机械装备故障诱因。

机械相对运动中定义的典型失效磨粒主要包括正常磨粒、切削磨粒、球状磨粒、严重滑动磨粒及疲劳磨粒等，每种磨粒均具有特定的尺寸、形状、形貌特征。因此，典型磨粒识别主要从两个方面实施策略，一是通过磨粒的二维尺寸特征，如面积、长度、圆度、直径等，构建BP 神经网络优先判别出正常、球形和切削等差异显著的磨粒类型。二是通过二维铁谱图象，构建深度学习模型辨别层状和疲劳，以及严重滑动等形态相似的磨粒类型，主要针对严重滑动磨粒及疲劳磨粒。

3.1 基于BP神经网络的磨粒识别模型

对磨粒进行识别模型构建，首先需要对不同类型磨粒的表征信息有效界定和全面收集，这是磨粒自动识别中的基础性工作，磨粒表征数据收集整理的全面与否、界定准确与否直接影响着磨粒识别算法的精准度，以及整个工程机械磨损状态评估的质效。因此，通过磨粒典型特征分析，如面积、长度、圆度、直径等对磨粒进行表面特征描述，可以发现正常、切削和球状3种类型的磨粒具有显著差异，疲劳、严重滑动等类型的磨粒具有较高相似性，想要得到较好识别效果，需要通过灰度共生矩阵计算出纹理特征，再加以区分。

将磨粒表征信息作为BP神经网络模型数据基础，建立磨粒识别模型，可以识别出典型特征差异较为显著的磨粒类型，如正常、切削、球状磨粒，将其余相似度较高的磨粒统一作为第4种磨粒进行标记，在后续模型中再进行精确辨识。BP神经网络模型算法通过学习不同标签属性的样本数据，对比期望值与模型输出值差异，并利用反向传播算法调整模型网络中层间连接权值与节点间阀值，实现期望值与模型输出值差最小化，以达到训练效果。其中，对于工程机械装备磨损状态的BP 神经网络模型，其输入层数据为磨粒表征数据，输出层则为上述4中磨粒类型。

3.2 基于深度学习的相似磨粒识别模型

基于 BP 神经网络的磨粒识别模型对输出层中的“其他”类，即疲劳、严重滑动等磨粒辨识准确率较低，本文提出一种采用基于深度学习卷积神经网络方法，通过自动提取磨粒分类构建识别网络，来有效解决此类问题。

卷积神经网络作为深度学习领域最重要的监督学习算法，其特征学习能力具有分层特性，可直接分析二维图像。本文采用映射与泛化能力优于人工设计模型的CNN学习模型，模型中主要包含卷积层、池化层和全连接层等特征操作层，分别完成卷积提取图像特征、降低特征图像尺寸、降低特征图像维度、识别判断等任务。

3.3基于CNN的磨粒识别网络训练

从前期磨粒数据库中随机选择200个磨粒样本作为训练对象，主要针对严重滑动磨粒和疲劳磨粒较为相似、难以辨别的两种磨粒类型进行训练，训练样本中选取两种类型磨粒各100个。然后，对样本数据进行扩充，通过移动、翻转等方式将一个样本的数据量增至4个，再讲样本图样进行归一化处理，得到最终样本数据库，即400个疲劳磨粒和400个严重滑动磨粒。在样本数据中，抽取一定数量的测试样本，剩余则作为训练样本。按照模型所构建的卷积神经网络，设置学习率、batch值、模型迭代数等训练指标，并通过模型输出数据观察学习速率和收敛速度，完成磨粒识别网络训练。

4 工程机械装备磨损等级判定

工程机械装备运行实际情况十分复杂，其摩擦副的磨损情况更是难以预测。通过上述单一方法对油液进行铁谱分析存在一定局限性和偶然性。因此，为解决此问题，本文将上述几种铁谱分析方法进行融合，综合利用多种模型算法，从宏观维度和微观维度对工程机械装备磨损状况进行判断。

4.1 磨损等级划分

通常查阅国内外研究学者对机械装备磨损相关文献，从摩擦副运行状态和油液中磨粒形态两个指标考量，将工程机械装备磨损等级划分为正常、轻微和重度三个等级。其中，正常磨损为油液磨粒浓度和形态尺寸在正常范围内，机械部件润滑点无异常；轻微磨损为油液磨粒浓度和形态尺寸略微超范围，机械部件润滑点出现轻微磨损；重度磨损为油液磨粒浓度和形态尺寸严重超范围，机械部件润滑点出现严重磨损。

4.2 宏观判定方法

磨损宏观特征中重点考量油液中金属磨粒的浓度、大小等指标。通常利用磨粒平均长轴尺寸和磨粒浓度这两个指标构建综合评估指标，并与以往铁谱分析数据进行对比，最后查阅铁谱量表，判断工程机械装备磨损等级。

4.3微观判定方法

上述分析可以，在针对个别异常磨粒来分析工程机械装备整体磨损状态时，理论上存在局限性，实践操作时也存在很多不确定性。利用铁谱分析数据库经验数据，对不同种类磨粒表征和类型所代表的机械磨损程度进行权重赋值，并将油液中各类磨粒数值进行加权计算，从而判定工程机械装备磨损等级。

参考文献：

[1]杨其明. 磨粒分析:磨粒图谱与铁谱技术[M].  中国铁道出版社, 2002.

[2]毕举. 铁谱图像磨粒分割评价方法的研究[D].  南京航空航天大学, 2016.

[3]邵涛. 基于BP神经网络与深度学习融合的磨粒类型辨识研究［D］. 西安：西安交通大学，2018．

[4]王昆鹏. 在线铁谱磨粒图像增强方法与磨粒链分割算法研究［D］. 西安：西安交通大学，2021.

[5]陈果, 左洪福. 图像分割的二维最大熵遗传算法[J].  计算机辅助设计与图形学学报,  2002, 14(6): 530-534.

[6]严新平．摩擦学系统状态辨识及船机磨损诊断[M]．北京：科学出版社，2017．

[7]高孝清，左洪福，陈果，吴振锋．复杂背景下磨粒显微图像分割[J]．南京航空航天大学学报，2016，6：565-568．

[8]傅建平．基于铁谱分析技术的自行火炮发动机磨损故障诊断研究[D]．南京：南京理工大学，2015：42-45．