Open Journal of Transportation Technologies
Vol.04 No.04(2015), Article ID:15760,5 pages
10.12677/OJTT.2015.44009

Study on the Intelligent Identification Wear Particles Based on the K Value

Yunyong Qi

Huayang Maritime Center, Beijing

Email: 251286588@qq.com

Received: Jul. 3rd, 2015; accepted: Jul. 24th, 2015; published: Jul. 27th, 2015

Copyright © 2015 by author and Hans Publishers Inc.

This work is licensed under the Creative Commons Attribution International License (CC BY).

http://creativecommons.org/licenses/by/4.0/

ABSTRACT

A new method named K value method is adopted to classify the wear particles as the criterion of the wear particles. Through analyzing the K value obtained from wear particle image samples, the range of the three kinds of wear particle images’ K value are obtained. Although the K value ranges, the three different particles are still a little overlapped. It is better than the variable metric method, so it can be used as a good method to classify the three different kinds of wear particles. As a criterion to distinguish the above three kinds of wear particles, the K value method can effectively make up for ineffective results from fractal dimension. The K value method can improve the precision of the identification. The K value method provides a new method for ferrographic wear particles intelligent identification and has certain theoretical significance and practical value.

Keywords:Ferrographic Technology, Image Engineering, Fractal Theory, Fractal Dimension, K Value

基于K值的铁谱磨粒智能识别研究

齐运永

华洋海事中心,北京

Email: 251286588@qq.com

收稿日期:2015年7月3日;录用日期:2015年7月24日;发布日期:2015年7月27日

摘 要

本文采用了K值法作为磨损颗粒分类的判据。通过对样本磨损颗粒图像的K值计算,得出了三种磨损颗粒图像K值的区间。虽然区间中有个别样本的K值存在重叠,但是能作为区分这三种磨损颗粒的依据,对这三种磨粒进行分类。将K值法作为区分上述三种磨损颗粒的判据,可以有效弥补用分形维数区分磨损颗粒时,识别不精确的情况,从而提高了识别的精确度。K值法为铁谱磨损颗粒智能识别提供了一种新的方法,具有一定理论意义和实用价值。

关键词 :铁谱技术,图像工程,分形理论,分形维数,K值

1. 序言

机械设备的摩擦过程异常复杂,再加上环境和界面介质的作用,使得在表面摩擦过程中产生形貌不同的磨粒 [1] 。磨粒往往携带有不量关于摩擦的信息,其颜色、尺寸和形貌等信息又和磨损方式密切相关 [2] 。表1给出了各种摩擦颗粒分类以及每种颗粒的大致特征的表格 [3] 。

表1中可以看出,这五种磨粒中正常的滑动磨粒和切削磨粒比较容易区分,因为正常的滑动磨粒的尺寸在五种磨粒中最小,一般可以通过尺寸的大小来判断。而另外四种磨粒尺寸大小均匀重叠的部分,故不好用尺寸来区分。对于切削磨粒和其他三种磨粒(疲劳剥落、层状磨粒、严重滑动)最大的区别在于其边界形状一般呈细长、卷曲状。可以通过计算磨粒长轴和短轴之比,来和其他的磨粒进行区分。对于剩下的三种磨粒,尺寸均有重叠部分,边界形状也相似,故用上述的方法不能有效的进行区分。

2. 铁谱磨粒图像轮廓K值计算法

2.1. K值计算法原理

根据观测对空间或者时间的随机变量的统计性质进行调查时,往往可以得到与波数变动相对应的频谱。这些变动是否为分形可以通过频谱的研究就能阐明。从频谱的观点来看,所谓改变观察尺度就是改变截止频率。这里的截止频率是指把较此更细小的振动成分舍去的界限频率。因此,如果某变动是分形的,那么即使改变截止频率也不会改变频谱的形状 [4] 。

Table 1. Classification and preliminary characteristic of various kinds of wear particles

表1. 各种磨损颗粒的分类和初步特征

图像中选取不同的截止频率,得到的图像的灰度值的差异也不同。而K值法就是改变图像中的截止频率,从而得到图像中不同的灰度差值,将这些截止频率为横坐标,图像中灰度的差值之和取对数为纵坐标。然后对图上的折线段进行线性拟合,拟合的斜率就是K [5] 。

具有分形特征的图形,在某一个尺度范围内满足。判断图形是否为分形只需判断图像是否存在无标度区间。一般判断有无标度区间的方法有三种[6] :

1) 观察法:在双对数坐标中绘出的关系,通过观察找到线性关系较好的区间作为无标度区间,若没有线性较好的区间,那么该图形不具备分形特性。这种方法总体而言是正确的,且方便有效。但存在一定的主观因素。

2) 分段直线回归法:假设测量点分布在3条线段构成的折线附近。通过分段线性回归,以总的回归线差平方和最小作为目标,求出中间一段斜率。这种方法只能保证测量点在无标度区间内按一定斜率分布。

3) 逐渐逼近法:选定一个起始点,逐点进行直线的线性拟合并求出线性拟合系数,以拟合系数最好的作为直线的斜率,该长度区域即为无标度区。若拟合不满意,可调整截取长度重新进行拟合。

2.2. 基于逐渐逼近法的K值计算

本文通过逐渐逼近法对图像进行线性拟合得出截止频率在3.0~4.0区间线性中直线的线性拟合效果最好。所以图形符合分形特性,其无标度区间为3.0~4.0。

K值计算法的步骤:首先将铁谱磨粒图像灰度化处理,然后在图像表面随机选取64 × 64像素的正方形区域,对区域中的灰度值进行逐个比较,将相邻的两个灰度值之差相加,设区域中所有相加值和为S。选择不同的截止频率,从而得到不同的S值,从而形成以截止频率为横轴,lgS值为纵轴的折线图,然后对图上的折线段进行线性拟合,并求出线性拟合后直线的斜率,设其斜率值为K。图1(a)为严重滑动磨粒64 × 64像素的正方形区域,当严重滑动磨粒进一步放大成一个个具有一定像素值的小方格,如图1(b)所示,图中方格中的数字表示该方格的灰度值。

根据上述过程,K值计算法的步骤分为三步:

图像获取;本试验图像的获取选用分析式铁谱仪,放大倍数为500倍;

灰度处理;分析式铁谱仪所获取的图像是彩色的,将图像灰度化处理,为后续的步骤做准备;

阈值分割;采用阈值分割法将图像的背景色变成黑色,方便K值的计算;

选取目标区域;随机选取64 × 64像素区域,在计算机图像中,白色的灰度值为255,黑色的灰度值为0,不同的灰度对应不同的灰度值;

计算不同S值;S值是指在64 × 64像素区域中所有灰度值的和值。改变不同的截止频率,得到不同的S值;

生成InS-图像并进行线性拟合;线性拟合的斜率就是所求的K值。

(a) (b)

Figure 1. Severe sliding grinding grains enlarge figure

图1. 严重滑动磨粒放大图

3. 三种铁谱磨粒图像的K值计算

对70种层状磨损颗粒、疲劳磨粒及严重滑动磨粒样本进行K值进行计算。首先选取截止频率在3.0~4.0的区域,然后计算图像的S值,最后对图像进行线性拟合。图2、图3及图4分别表示层状磨粒、疲劳磨粒及严重滑动磨粒在不同截止频率下,其和值S变化,图中的斜率就是所求的K值。

对70个样本的层状磨粒进行K值统计,层状颗粒的K值在0.110~0.350之间,疲劳后期颗粒的K值在0.375~1.30之间,严重滑动磨粒的K值在1.160~1.955之间。

4. 结果分析

以磨粒的分形维数值为纵坐标,K值为横坐标作二维坐标图,如图5所示。

通过对严重滑动磨粒、层状磨粒、疲劳(后期)磨粒的分形维数和K值形成的坐标图可知:

1) 根据纵坐标(分形维数)可以看出疲劳(后期)磨粒和层状磨粒、严重滑动磨粒和层状磨粒分布均有不同程度的重叠,所以不能很好的区分这三种磨粒。

Figure 2. The K value calculation of layer wear particles

图2. 层状磨粒的K值计算

Figure 3. The K value calculation of fatigue wear particles

图3. 疲劳磨损颗粒K值计算

Figure 4. The K value calculation of severe sliding wear particles

图4. 严重滑动K值计算

Figure 5. K value-fractal dimension coordinate

图5. K值–分形维数坐标图

2) 根据横坐标(K值)可以看出严重滑动磨粒、层状磨粒和疲劳(后期)磨粒的分布基本没有重叠,所以可以用来对着三种磨粒进行区分。

3) K值从物理意义上表示磨粒图像表面灰度值的不同差异度。严重滑动磨粒的K值最大,表明其表面明暗程度差距明显。层状磨粒K值最小,说明其表面色差比较小。K值计算法为铁谱磨粒识别提供了一种新方法,具有一定的理论意义和实用价值。

5. 结论

通过计算严重滑动磨粒、层状磨粒和疲劳(后期)磨粒的K值表明,疲劳(后期)磨粒和层状磨粒、严重滑动磨粒和层状磨粒的分形维数有不同程度的重叠,不能很好的区分磨粒的种类。而三种磨粒的K值分布基本没有重叠,故对磨粒分类有良好的效果。

文章引用

齐运永, (2015) 基于K值的铁谱磨粒智能识别研究
Study on the Intelligent Identification Wear Particles Based on the K Value. 交通技术,04,58-63. doi: 10.12677/OJTT.2015.44009

参考文献 (References)

  1. 1. 王弢 (2001) 磨粒在线监测方法研究及试验装置的设计. 硕士论文, 武汉理工大学, 武汉.

  2. 2. Xu, K., Luxmoore, A.R., Jones, L.M. and Deravi, F. (1998) Integration of neural networks and expert systems for microscopic wear partiele analysis. Knowledge-Based Systems, 11, 213-227.

  3. 3. Podsiadio, P. and Stachowiak, G.W. (1999) Applications of Hurst orientation transform to the characterization of surface anisotropy. Tribology International, 32, 387-392.

  4. 4. Peng, Z. and Kirk, T.B. (1998) Computer image analysis of wear partieles in three-dimensions for ma-chine condition monitoring. Wear, 223, 157-166. http://dx.doi.org/10.1016/S0043-1648(98)00280-4

  5. 5. Peng, Z. and Rink, T.B. (1997) The development of three dimensional imaging techniques of wear particle analysis. Wear, 203-204, 418-424. http://dx.doi.org/10.1016/S0043-1648(96)07371-1

  6. 6. Stachowiak, G.P., Stachowiak, G.W. and Podsiadlo, P. (2008) Automated classification of wear particles based on their surface texture and shape features. Tribology International, 41, 34-43. http://dx.doi.org/10.1016/j.triboint.2007.04.004

期刊菜单