一种齿轮表面形态智能检测分析系统的制作方法

1.本发明涉及风电机组维护技术领域，尤其是涉及一种齿轮表面形态智能检测分析系统。


背景技术：

2.由于风电机组增速齿轮箱故障导致停机和下线维修，给现场造成了很大的经济损失。常规的措施手段，如定期更换指定的润滑油、更换滤芯等，不能解决磨损继续发展的问题。而且从近年来的维修数据表明，增速箱齿轮因为故障而下线维修的次数在增多。据统计，每个风场投产8年时间，每年平均更换1台齿轮箱，有的多达4台。占比从3％-10％。传统维修方式，增速齿轮箱箱需要在停机状态下，由大型吊装起重设备进行齿轮箱的整体或部分拆解、更换维修。为了能够减少对齿轮箱的维修或更换带来的经济损失，应用有各类在线齿轮修复强化技术，如“金属表面在线强化修复技术”，“金属表面在线强化修复技术”是一种先进的表面处理科技，能够在机械设备不解体、不停机的状态下修复机械零件发生的磨损等损伤。近年来获得了国内各大风电运营单位的广泛关注。
3.为了保证经在线修复后的齿轮箱能够稳定运行，需要对修复后的齿轮箱修复效果进行评估，进而计算出齿轮箱的寿命。维修效果的评估还是依赖传统的检测手段，如振动分析、油液分析、粗糙度测定、油温监测、内窥镜检查、手机拍照等。作为主要判定手段的振动分析，因为分辨率低，不能反映“在线维修技术”的效果，尤其是对点蚀的微修复。内窥镜检查可以对齿轮表面状态进行方便地采集，也能反映齿轮的磨损状态，检测成本低。传统的内窥镜检查，依赖专家意见，缺乏精确、量化计算，人为因素多。导致检查结果只能作为其他手段的参考。


技术实现要素：

4.本发明的目的是提供一种能够对齿轮箱内齿轮表面损伤情况进行检测分析的系统，进而实现对齿轮箱内齿轮寿命的评估。
5.所以本发明公开了一种齿轮表面形态智能检测分析系统，应用有图像采集单元，所述图像采集单元用于采集齿轮箱内部的齿轮表面图像；
6.获取所述图像采集单元采集的齿轮表面图像，并对齿轮表面形态特征值进行提取，以生成齿轮表面形态特征记录数据；
7.获取机组累计运行时间数值、机组累计发电量、齿轮箱使用时间数值和齿轮箱故障运行时间数值，以生成齿轮运行历程数据；
8.结合所述齿轮表面形态特征记录数据和齿轮运行历程数据，通过深度学习算法，建立齿轮箱寿命分析模型，以对所述齿轮箱体寿命进行分析计算。
9.在本技术的一些实施例中，公开了一种提取齿轮表面形态特征值的方法，进而实现对齿轮表面形态特征值的提取，提取齿轮表面形态特征值的方法包括：
10.预设有齿轮表面形态特征识别库，所述齿轮表面形态特征识别库用于确定所述齿
轮表面图像中的齿轮磨损特征；
11.获取齿轮表面图像，根据所述齿轮表面形态特征识别库，扫描确定所述齿轮表面图像中符合齿轮磨损特征的齿轮表面形态特征值。
12.在本技术的一些实施例中，公开了一种预设所述齿轮表面形态特征识别库的方法，进而实现对齿轮表面形态特征值的辨别确定，预设所述齿轮表面形态特征识别库的方法包括：
13.根据齿轮表面的磨损、断裂、点蚀、剥落、塑性流动、擦伤、胶合、腐蚀和烧焦的齿轮表面形态特征值特点，划分齿轮表面形态特征值范围区间。
14.在本技术中，公开了一种更为具体地获取齿轮表面形态特征值的方法，获取齿轮表面形态特征值的方法包括：
15.根据图像直线检测算法，对所述齿轮表面图像进行扫描分析，以确定所述齿轮本体边界；
16.将确定的所述齿轮本体边界连接起来，确定所述齿轮本体检测区；
17.根据图像边缘检测算法，对所述齿轮本体检测区进行扫描分析，以确定损伤区块轮廓，并确定损伤区块轮廓的面积值；
18.根据图像灰度检测算法，对所述损伤区块轮廓进行扫描分析，以确定损伤区块的灰度值；
19.根据所述损伤区块的面积值和灰度值，确定所述损伤区块的损伤类型；
20.所述齿轮本体检测区内的所述损伤区块的损伤类型、面积值和灰度值为所述齿轮表面形态特征值。
21.在本技术的一些实施例中，为了能够确定获取的齿轮表面形态特征值所属损伤类型和损伤程度，公开了一种划分齿轮表面形态特征值范围区间的方法，划分齿轮表面形态特征值范围区间的方法包括：
22.齿轮表面形态特征值范围区间包括损伤区块面积区间和损伤区块灰度区间；
23.针对不同损伤类型的损伤区块，获取所述损伤区块的若干组面积值和灰度值；
24.将所述损伤区块的若干组的最大面积值和最小面积值确定为所述损伤区块面积区间的端点值；
25.将所述损伤区块的若干组的最大灰度值和最小灰度值确定为所述损伤区块灰度区间的端点值。
26.在本技术的一些实施例中，为了能够判断出所述齿轮箱体的剩余寿命，公开了一种对所述齿轮箱剩余寿命进行分析计算的方法，对所述齿轮箱体剩余寿命进行分析计算的方法还可以包括：
27.预设有齿轮运行历程分析库，所述齿轮运行历程分析库用于确定不同齿轮运行历程数据所对应的第一齿轮寿命消耗值；
28.预设有齿轮表面形态特征分析库，所述齿轮表面形态特征分析库用于确定不同的所述齿轮表面形态特征记录数据所对应的第二齿轮寿命消耗值；
29.根据所述第一齿轮寿命消耗值和第二齿轮寿命消耗值，确定所述齿轮箱体剩余寿命。
30.在本技术的一些实施例中，公开了一种预设所述齿轮运行历程分析库的方法，进
而对所述齿轮箱体的寿命进行计算，预设所述齿轮运行历程分析库的方法包括：
31.对机组累计运行时间数值、机组累计发电量、齿轮箱使用时间数值和齿轮箱故障运行时间数值均进行区段划分，并针每一区段设置有特定的第一齿轮寿命消耗值。
32.在本技术的一些实施例中，公开了一种预设所述齿轮表面形态特征分析库的方法，进而能够对所述齿轮箱体的寿命进行分析计算，预设所述齿轮表面形态特征分析库的方法包括：
33.对不同的齿轮表面形态特征记录数据进行区段划分，并针对每一区段设置有特定的第二齿轮寿命消耗值。
34.在本技术的一些实施例中，公开了一个能够对所述图像采集单元采集的齿轮表面图像进行分析分析处理单元，所述系统还应用有分析处理单元，所述分析处理单元用于对所述齿轮表面形态特征记录数据和齿轮运行历程数据进行分析处理，以确定分析出所述齿轮箱体寿命。
35.本技术公开的一种齿轮表面形态智能检测分析系统，通过图像采集单元采集到齿轮箱内部的齿轮表面图像，生成齿轮表面形态特征记录数据，并结合生成的齿轮运行历程数据，通过深度学习算法，建立齿轮箱寿命分析模型进而对齿轮箱体的寿命进行分析计算，具有检测手段方便简单的优点，并且相比于一般纯人工经验检查，精准度更高。
36.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
37.图1为本技术实施例中公开的一种对齿轮表面形态的分析方法步骤。
38.图2为本技术实施例中公开的一种获取齿轮表面形态特征值的方法步骤。
具体实施方式
39.以下通过附图和实施例对本发明的技术方案作进一步说明。
40.除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
41.实施例：
42.本发明的目的是提供一种能够对齿轮箱内齿轮表面损伤情况进行检测分析的系统，进而实现对齿轮箱内齿轮寿命的评估。
43.所以本发明公开了一种齿轮表面形态智能检测分析系统，应用有图像采集单元，所述图像采集单元用于采集齿轮箱内部的齿轮表面图像。
44.通过所述齿轮表面图像对齿轮箱表面形态的检测分析方法步骤包括：
45.步骤1，获取所述图像采集单元采集的齿轮表面图像，并对齿轮表面形态特征值进
行提取，以生成齿轮表面形态特征记录数据。
46.步骤2，获取机组累计运行时间数值、机组累计发电量、齿轮箱使用时间数值和齿轮箱故障运行时间数值，以生成齿轮运行历程数据。
47.步骤3，结合所述齿轮表面形态特征记录数据和齿轮运行历程数据，通过深度学习算法，建立齿轮箱寿命分析模型，以对所述齿轮箱体寿命进行分析计算。
48.对应所述步骤1，为了实现对齿轮表面形态特征值的提取，在本技术的一些实施例中，公开了一种提取齿轮表面形态特征值的方法，提取齿轮表面形态特征值的方法包括：
49.a.预设有齿轮表面形态特征识别库，所述齿轮表面形态特征识别库用于确定所述齿轮表面图像中的齿轮磨损特征。
50.b.获取齿轮表面图像，根据所述齿轮表面形态特征识别库，扫描确定所述齿轮表面图像中符合齿轮磨损特征的齿轮表面形态特征值。
51.对应步骤1，在本技术的一些实施例中，公开了一种预设所述齿轮表面形态特征识别库的方法，进而实现对齿轮表面形态特征值的辨别确定，预设所述齿轮表面形态特征识别库的方法包括：根据齿轮表面的磨损、断裂、点蚀、剥落、塑性流动、擦伤、胶合、腐蚀和烧焦的齿轮表面形态特征值特点，划分齿轮表面形态特征值范围区间。
52.对应步骤1，在本技术中，公开了一种更为具体地获取齿轮表面形态特征值的方法，获取齿轮表面形态特征值的方法包括：
53.步骤101，根据图像直线检测算法，对所述齿轮表面图像进行扫描分析，以确定所述齿轮本体边界。
54.步骤102，将确定的所述齿轮本体边界连接起来，确定所述齿轮本体检测区。
55.步骤103，根据图像边缘检测算法，对所述齿轮本体检测区进行扫描分析，以确定损伤区块轮廓，并确定损伤区块轮廓的面积值。
56.步骤104，根据图像灰度检测算法，对所述损伤区块轮廓进行扫描分析，以确定损伤区块的灰度值。
57.步骤105，根据所述损伤区块的面积值和灰度值，确定所述损伤区块的损伤类型。
58.所述齿轮本体检测区内的所述损伤区块的损伤类型、面积值和灰度值为所述齿轮表面形态特征值。
59.对应步骤3，在本技术的一些实施例中，为了能够确定获取的齿轮表面形态特征值所属损伤类型和损伤程度，公开了一种划分齿轮表面形态特征值范围区间的方法，划分齿轮表面形态特征值范围区间的方法包括：
60.齿轮表面形态特征值范围区间包括损伤区块面积区间和损伤区块灰度区间。
61.步骤301，针对不同损伤类型的损伤区块，获取所述损伤区块的若干组面积值和灰度值。
62.步骤302，将所述损伤区块的若干组的最大面积值和最小面积值确定为所述损伤区块面积区间的端点值。
63.步骤303，将所述损伤区块的若干组的最大灰度值和最小灰度值确定为所述损伤区块灰度区间的端点值。
64.对应所述步骤3，在本技术的一些实施例中，为了能够判断出所述齿轮箱体的剩余寿命，公开了一种对所述齿轮箱剩余寿命进行分析计算的方法，对所述齿轮箱体剩余寿命
进行分析计算的方法还可以包括：
65.预设有齿轮运行历程分析库，所述齿轮运行历程分析库用于确定不同齿轮运行历程数据所对应的第一齿轮寿命消耗值。
66.步骤3001，预设有齿轮表面形态特征分析库，所述齿轮表面形态特征分析库用于确定不同的所述齿轮表面形态特征记录数据所对应的第二齿轮寿命消耗值。
67.步骤3002，根据所述第一齿轮寿命消耗值和第二齿轮寿命消耗值，确定所述齿轮箱体剩余寿命。
68.对应所述步骤3，在本技术的一些实施例中，公开了一种预设所述齿轮运行历程分析库的方法，进而对所述齿轮箱体的寿命进行计算，预设所述齿轮运行历程分析库的方法包括：对机组累计运行时间数值、机组累计发电量、齿轮箱使用时间数值和齿轮箱故障运行时间数值均进行区段划分，并针每一区段设置有特定的第一齿轮寿命消耗值。
69.对应所述步骤3，在本技术的一些实施例中，公开了一种预设所述齿轮表面形态特征分析库的方法，进而能够对所述齿轮箱体的寿命进行分析计算，预设所述齿轮表面形态特征分析库的方法包括：对不同的齿轮表面形态特征记录数据进行区段划分，并针对每一区段设置有特定的第二齿轮寿命消耗值。
70.在本技术的一些实施例中，公开了一个能够对所述图像采集单元采集的齿轮表面图像进行分析分析处理单元，所述系统还应用有分析处理单元，所述分析处理单元用于对所述齿轮表面形态特征记录数据和齿轮运行历程数据进行分析处理，以确定分析出所述齿轮箱体寿命。
71.为了进一步阐述本技术的技术方案，现结合具体应用场景，公开一种对齿轮表面形态的分析方法步骤，进而能够对齿轮箱内的齿轮寿命进行精准有效的评估。
72.传统的检测手段，如振动分析、油液分析、粗糙度测定、油温监测、内窥镜检查、手机拍照等。作为主要判定手段的振动分析，因为分辨率低，不能反映“在线维修技术”的效果，尤其是对点蚀的微修复。内窥镜检查可以对齿轮表面状态进行方便地采集，也能反映齿轮的磨损状态，检测成本低。传统的内窥镜检查，依赖专家意见，缺乏精确、量化计算，人为因素多。导致检查结果只能作为其他手段的参考。
73.为了解决上述检测手段的缺陷，如图1，所述方法步骤包括：
74.s1，获取所述图像采集单元采集的齿轮表面图像，并对齿轮表面形态特征值进行提取，以生成齿轮表面形态特征记录数据。
75.s2，获取机组累计运行时间数值、机组累计发电量、齿轮箱使用时间数值和齿轮箱故障运行时间数值，以生成齿轮运行历程数据。
76.s3，结合所述齿轮表面形态特征记录数据和齿轮运行历程数据，通过深度学习算法，建立齿轮箱寿命分析模型，以对所述齿轮箱体寿命进行分析计算。
77.齿轮箱寿命模型对项目风场的机组齿轮箱齿轮表面形态进行采集和处理、分析、判断、诊断，评估齿轮箱运行状态和剩余使用寿命。
78.其中，步骤s1中，提取齿轮表面形态特征值的方法包括：预设有齿轮表面形态特征识别库，所述齿轮表面形态特征识别库用于确定所述齿轮表面图像中的齿轮磨损特征；获取齿轮表面图像，根据所述齿轮表面形态特征识别库，扫描确定所述齿轮表面图像中符合齿轮磨损特征的齿轮表面形态特征值。
79.其中，预设所述齿轮表面形态特征识别库的方法包括：根据齿轮表面的磨损、断裂、点蚀、剥落、塑性流动、擦伤、胶合、腐蚀和烧焦的齿轮表面形态特征值特点，划分齿轮表面形态特征值范围区间。
80.相对应步骤s1，获取齿轮表面形态特征值的方法步骤包括：
81.s4,根据图像直线检测算法，对所述齿轮表面图像进行扫描分析，以确定所述齿轮本体边界。
82.s5,将确定的所述齿轮本体边界连接起来，确定所述齿轮本体检测区。
83.s6，根据图像边缘检测算法，对所述齿轮本体检测区进行扫描分析，以确定损伤区块轮廓，并确定损伤区块轮廓的面积值。
84.s7,根据图像灰度检测算法，对所述损伤区块轮廓进行扫描分析，以确定损伤区块的灰度值。
85.s8，根据所述损伤区块的面积值和灰度值，确定所述损伤区块的损伤类型。
86.所述齿轮本体检测区内的所述损伤区块的损伤类型、面积值和灰度值为所述齿轮表面形态特征值。
87.步骤s6中提到的图像边缘检测算法的主要原理在于识别出数字图像中那些颜色变化或者亮度变化明显的像素点，这些像素点的显著性变化往往代表图像的这部分属性发生了重要变化，其中包括了深度上的不连续、方向上的不连续及亮度上的不连续等。
88.图像边缘检测算法在对图像的边缘进行检测时，先大概检测出图像轮廓的一些像素电，然后通过一些连接规则将那些像素点连接起来，最后再检测并连接一些之前未被识别的边界点、去除检测到的虚假的像素点和边界点并形成一个整体的边缘。然而在实际的图像中，边缘往往是各种类型的东西或模糊的风景的边缘，同时实际图像中可能存在着噪声，噪声和边缘同属于高频率的信号信息，因此传统中使用的频带过滤方法去检测图像的边缘效果并不好。
89.目前常用的边缘检测模型有很多：一阶的有roberts算子，prewitt算子，sobel算子，canny算子等；二阶的有laplacian算子等。图像的边缘检测是基于图像的梯度来实现的，而获得图像的梯度就转化成使用各种算子对图像进行卷积运算来获得的。
90.本技术公开的一种齿轮表面形态智能检测分析系统，通过图像采集单元采集到齿轮箱内部的齿轮表面图像，生成齿轮表面形态特征记录数据，并结合生成的齿轮运行历程数据，通过深度学习算法，建立齿轮箱寿命分析模型进而对齿轮箱体的寿命进行分析计算，具有检测手段方便简单的优点，并且相比于一般纯人工经验检查，精准度更高。
91.最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。