在机械设备监测中因气泡与明暗场的干扰,传统的在线磨粒图像分析方法无法实现磨粒的准确分割。为有效排除在线磨粒图像中气泡和明暗场的干扰,提出一种基于U-Net网络的磨粒图像前景分割算法;在磨粒图像前景分割的基础上,计算了磨粒覆盖率...在机械设备监测中因气泡与明暗场的干扰,传统的在线磨粒图像分析方法无法实现磨粒的准确分割。为有效排除在线磨粒图像中气泡和明暗场的干扰,提出一种基于U-Net网络的磨粒图像前景分割算法;在磨粒图像前景分割的基础上,计算了磨粒覆盖率,并基于长短期记忆神经网络(Long Short Term Memory,LSTM)对磨粒图像的磨粒覆盖率进行时序预测。开展长周期摩擦磨损试验,采集大量磨粒图像,对提出的磨粒图像前景分割算法和磨粒覆盖率预测方法进行了验证。结果表明:训练后的U-Net网络能够实现磨粒图像的精确分割,基于LSTM预测的磨粒覆盖率和真实磨粒覆盖率趋势基本吻合,可为机械设备故障诊断提供参考。展开更多
文摘在机械设备监测中因气泡与明暗场的干扰,传统的在线磨粒图像分析方法无法实现磨粒的准确分割。为有效排除在线磨粒图像中气泡和明暗场的干扰,提出一种基于U-Net网络的磨粒图像前景分割算法;在磨粒图像前景分割的基础上,计算了磨粒覆盖率,并基于长短期记忆神经网络(Long Short Term Memory,LSTM)对磨粒图像的磨粒覆盖率进行时序预测。开展长周期摩擦磨损试验,采集大量磨粒图像,对提出的磨粒图像前景分割算法和磨粒覆盖率预测方法进行了验证。结果表明:训练后的U-Net网络能够实现磨粒图像的精确分割,基于LSTM预测的磨粒覆盖率和真实磨粒覆盖率趋势基本吻合,可为机械设备故障诊断提供参考。
