王 涵，左洪福，劉珍珍，費 航，劉 巖

（1.南京航空航天大學民航學院，南京 211106；2.民航飛機健康監測與智能維護”民航重點實驗室，南京 211106）

滑油系統及其潤滑部件是航空發動機等大型復雜旋轉機械動力系統的重要組成部分。軸承、齒輪等部件承擔著支撐轉軸以及傳遞動力的重要作用；而潤滑系統則承擔著向軸承、齒輪等重要零部件提供潤滑及冷卻的重要作用。據統計，機械零件的失效主要有磨損、斷裂和腐蝕等3 種方式，而磨損失效卻占60%～80%［1］，因此對磨損的監測能直接反映出系統的運行狀態。

發動機滑油監測是一種有效的故障早期預警手段，因為它包含了有關潤滑部件的退化和損傷信息［2］。而油液中監測到的磨粒情況，是對運行設備磨損情況及健康狀態的直接反映。直接運用油液磨粒監測方法通常能比溫度、振動監測更早地反映出機械設備運行故障，且監測效果更加直觀。

從監測原理上來看，當前可用于在線監測的油液磨粒分析技術可以分為以下4 類：基于光學的磨粒監測［3?4］；基于感應的磨粒監測［5］；基于電容、電阻的磨粒監測［6?7］；基于聲學的磨粒監測［8］。然而它們都有各自的局限性，例如電感傳感器靈敏度較低只能監測較大尺寸磨粒，阻容傳感器易受油品干擾且流量低，聲學監測易受油粘度、流速和機械振動的影響。而傳統基于光學原理的油液磨粒監測方法，一般采用遮光性原理［9］，較難區分氣泡與磨粒，油液中產生的氣泡對于磨粒監測產生巨大的干擾，導致其工程應用受到很大的限制。

美國Lockheed Martin 公司利用激光圖像監測方法來進行磨損顆粒計數和識別，研發出了Laser?Net Fines 自動磨損顆粒分析儀［10］，并通過圓度計算實現了對油液中氣泡的識別。德國OILPAS 公司開發的innosiris 磨粒監測傳感器［11］，最大提取流量為2 L/min，所提取的流體的一小部分不斷地引導通過一個流動單元，由圖像傳感器進行拍攝。上述產品流道都較小，導致適用于的工作環境流量較低，且圖片采樣頻率低，氣泡識別方法簡單，僅進行了簡單的圓度計算，因此無法實現油液的全流量在線監測。

西安交通大學的武通海、毛軍紅、謝友柏等在油液磨粒在線監測及分析領域也進行了長期深入的探索。自2005 年始，該團隊開發了一種基于磁沉積和圖像分析，具有直讀和聯機分析功能的在線可視鐵譜儀［12］，并開發了相應的圖像采集與處理應用軟件，給出了相對磨損碎片濃度的指數（In?dex of particle coverage area，IPAC）顆粒覆蓋面積指數作為輸出指標。該傳感器將傳統鐵譜磨粒分析方法進行了擴展，利于電磁鐵將管路中流動的鐵磁性磨粒進行吸附，使其沉積于待測區域底部，再利用光學鏡頭對沉積磨粒進行觀測與分析。在線可視鐵譜儀可實現流動油液的在線監測，能采集一定的磨損顆粒形態圖像信息，但是還存在以下問題：（1）需要電磁鐵，導致結構復雜，體積較大；（2）主要監測指標為磨粒覆蓋面積，對磨粒信息的度量不夠全面；（3）由于采用電磁鐵吸附，導致磨粒重疊，鏈狀排列等問題［13］，不利于后續磨粒圖像分析等。

南京航空航天大學左洪福、李紹成等設計了一套基于顯微圖像分析和微泵進樣的磨粒監測系統，對污染度及磨粒形態進行監測［14］。大連海事大學的郝延龍基于微流體與圖像識別技術，提出了一種新的磨粒監測方法，可實現對油液污染度進行監測［15］。它們均采用微流道設計，且使用微量泵引流，流量適用范圍有限，雖能采集到較為精細的磨粒圖像，但也只適用于離線分析等對流量要求極低的情形，難以應用于實際工況中的大流量運行環境。從上述國內外現狀也可以看出，目前的研究工作中也很少有涉及對油液中氣泡干擾的研究。

針對上述問題，本文設計了一種可用于相對較大管徑、流量和景深的油液光學監測系統，搭建了一套磨粒和氣泡產生及監測的實驗平臺進行分析驗證。針對磨粒監測過程中易受氣泡干擾的問題，提出了一種基于方向梯度直方圖（Histogram of oriented gradients，HOG）和支持向量機（Support vector machine，SVM）的磨粒氣泡圖像識別算法，通過該圖像識別算法，實現了在較高流速下對磨損顆粒的相對大流量在線監測。

1 系統組成

1.1 在線光學圖像監測系統

本文設計的在線光學圖像監測系統包括：觀測芯片、顯微光學鏡筒、光源、高速相機和圖像采集與存儲系統等，如圖1（a）所示。其主要的工作流程為：在循環油路中，包含磨粒的油液流過觀測芯片，再經過光學鏡頭、顯微成像光路和高速工業相機等光學成像和采集系統，最終將采集到的磨粒圖像存儲至計算機存儲介質，以供后續圖像處理分析等操作。高速相機采用大恒MER?131?210U3C，分辨率為1 280 pixel×1 024 pixel，采集幀率最大為200 幀/秒。由于采用高幀率相機及大視場光學系統，該監測系統理論上可對最大流量8 L/min 的油液流體進行監測。

為了取得更好的透光性，更有效地對油液中的磨粒進行觀測，筆者設計了一種方形透明玻璃流道用于循環油路監測中，如圖1（b）所示。該流道采用淺深度、長寬度的設計，適配于顯微光學系統的視場及景深特性。芯片兩端為標準圓形管道，方便與潤滑油路管道進行連接。

圖1 在線光學圖像監測系統及觀測芯片Fig.1 Online optical image monitoring system and observa?tion chip

1.2 油液監測實驗臺

為了驗證此在線圖像監測系統的有效性，同時采集足量的氣泡及磨粒樣本進行圖像分類訓練，設計并搭建了如圖2（a）所示的潤滑系統在線監測實驗平臺。該實驗平臺主要由銷盤摩擦磨損試驗機，在線光學圖像監測系統，過濾器、油箱（兩個）、油泵、閘閥（4 個）、控制器及作為驗證的電感傳感器等組成。實驗平臺實物圖如圖2（b）所示。其中銷盤摩擦磨損試驗機可實時模擬機械設備磨損過程，并在運行過程中產生大量磨損顆粒。

圖2 實驗平臺系統圖及實物圖Fig.2 System diagram and physical diagram of experimen?tal platform

2 磨粒識別算法介紹

2.1 基于HOG 的圖像特征提取

HOG 算法是一種圖像特征提取算法，它的實質是對圖像中的梯度信息的分布統計，而由于梯度信息能很好地描述出對象的形狀、紋理及邊緣特征，使得HOG 在圖像分析領域相較于許多其他的特征表述具有其獨特的優點。例如，通過HOG 方法所提取的特征，能夠對目標圖像的光學和幾何變化也能保持一定的穩定性。即使被檢測目標物體的光照或方向等發生細微的變化，這些變化也基本不會影響到特征參數的提取及最終的檢測效果，使其具有較高的檢測精度及穩定性。正是由于HOG具有上述的一些優點，使得其目前已經廣泛地被應用到物體檢測等領域中［16］。

基于上述分析，本文設計了一種基于HOG 的磨損顆粒圖像特征提取方法，流程圖如圖3 所示。

圖3 HOG 特征提取流程Fig.3 Flow chart of HOG feature extraction

具體來說，HOG 磨粒圖像特征提取算法的步驟如下：（1）圖像預處理?gamma 空間標準化；（2）計算圖像梯度；（3）計算每個單元格梯度直方圖；（4）塊內歸一化及HOG 特征收集。

2.2 基于SVM 的分類技術

通過上述HOG 處理，完成了圖像特征參數的提取，下面將對后續的分類算法進行研究。

支持向量機由Vapnik 于1979 年最早提出，第一篇論文發表于1995 年［17］。它的目標是在N維空間（N維特征向量）中找到一個超平面，該超平面可以明顯地對數據點進行分類。因此，它被廣泛應用于回歸以及分類任務等。

設給定線性可分的樣本集(xi，yi)，SVM 分類器的形式為

式中：x為觀測樣本的特征向量；y∈{+1，-1}為類標簽；xi為第i個訓練樣本的特征向量；N為訓練樣本的數量；K(x，xi)為核函數。分類模型的建立，就是通過訓練學習過程，計算出權值參數α={α1，α2，…，αN}。

3 基于HOG?SVM 算法的磨粒識別

為了正確識別出在線光學圖像監測系統中的磨粒和氣泡，解決在油液磨粒監測過程中易受氣泡干擾的問題，提出了一種基于HOG 和SVM 的磨粒氣泡圖像識別算法。磨粒氣泡圖像識別整體流程圖如圖4 所示，即對于采集到的帶標簽磨粒及氣泡圖像樣本，通過HOG 特征提取和SVM 分類器進行識別。下面對其中具體的步驟進行詳細的介紹。

圖4 磨粒氣泡圖像識別整體流程圖Fig.4 Flow chart of particle and bubble image recognition

3.1 圖像樣本采集

為了驗證本文所提出的磨粒識別方法，需要采集大量圖像樣本。所采集的原始圖像分辨率大小為1 280 pixel×1 024 pixel。原始的磨粒和氣泡圖像及其局部放大圖如圖5 所示，可以看出，僅憑肉眼觀察很難區分出磨粒和氣泡，且觀測芯片上本身的一些污染物也會產生一定干擾。因此需要單獨采集磨粒和氣泡的圖像，方便后續大量訓練圖像樣本集的構建。

圖5 氣泡和磨粒原始采集圖像Fig.5 Original collected images of bubbles and wear particles

3.2 樣本預處理

由于原始圖像像素尺寸較大，且在一幅圖中可能同時存在幾個磨粒或氣泡，單張原始樣本圖像質量良莠不齊，影響后續的特征提取及分類識別。因此，對于采集到的原始圖像，需要進行圖像樣本預處理，并對每一個磨粒和氣泡單獨進行目標提取及存儲。

本文采用背景差分法提取運動物體。背景減法是檢測運動物體的一種廣泛使用的方法。一般圖像中的對象可以分為前景和背景，在本文研究中，圖像前景中的關注區域是磨損顆粒。該方法的基本原理是從當前幀（粒子圖像）和參考幀（背景圖像）之間的差異中檢測運動對象，該幀計算值為

采用大津法計算該閾值T。

最后對于所有提取到的對象，保存為100 pixel×100 pixel 的bmp 格 式 圖 像。

3.3 訓練磨粒檢測的流程

（1）通過上述實驗采集及初步處理等步驟之后，得到充足的正負樣本訓練樣本集。然后使用0?1 標簽對所有樣本進行正負樣本標記。本文中，所有磨粒樣本標簽標記為1，所有氣泡樣本標簽標記為0。

（2）對于原始樣本集圖像，還需要裁剪至統一大小。本文中，所有樣本圖像調整至100 pixel×100 pixel 大小。然后將所有采集處理后的正負樣本數據隨機分為訓練集和測試集兩部分。

（3）計算并提取出所有訓練樣本的HOG 特征參數值。

（4）將所有訓練樣本的HOG 特征及0?1 輸出結果代入SVM 模型進行訓練。訓練過程完成之后，保存得到的最終分類模型。

（5）計算所有測試樣本HOG 特征，將提取的測試樣本HOG 特征輸入上一步驟中保存的SVM最終分類模型，得到預測類別標簽，與真實類別標簽進行比較，得到分類準確度結果，分析該模型的實際分類效果。

4 實驗及結果分析

4.1 實驗步驟

4.1.1 樣本采集

為了采集大量實驗樣本，設計并搭建了實驗平臺，采集足夠的圖像樣本用于后續實驗分析。實驗開始前，先對干凈的油液圖像進行采集并保存為背景圖，用于后續顆粒和氣泡檢測。

當采集氣泡圖像時，實驗使用全新的潔凈潤滑油，關閉銷盤試驗機，打開閘閥1、4，關閉閘閥2、3（參見圖2（a）），打開油泵，進行整個回路的循環運行。油液在循環過程中，由于其在油箱里的擾動，會不斷產生氣泡，而由于是新油，且通過過濾器過濾后，油液中沒有磨粒，只存在擾動過程中產生的氣泡。

當采集到足夠的氣泡圖像樣本之后，可進行磨粒圖像的采集。每次實驗前，先將油箱1 中潤滑油靜置2 h，使油中所有氣泡消失耗散。此時打開油泵運行油液系統，發現采集圖像全部為油液背景圖像且其中無氣泡，證明該系統可用于采集純磨粒樣本。然后打開閥1、2，關閉閥3、4，打開銷盤試驗機并運行。此時油路不循環，只能單向平穩流動，油液在經過圖像監測系統時沒有氣泡，只有銷盤試驗機運行過程中產生的磨損顆粒。將如圖2 所示的油箱1 中所有存油單向轉移至油箱2 中后，一次實驗結束。

為了證明本實驗方案的有效性，在油路中串聯加入電感傳感器進行驗證。電感傳感器是一種成熟的油液顆粒傳感器，能對油液中的磨粒進行識別，而對氣泡不產生信號反應。在分別進行上述氣泡圖像采集以及磨粒圖像采集的過程中，采集電感傳感器信號如圖6 所示。其中圖6（a）為采集氣泡圖像時的電感傳感器信號，可以看到信號平穩無明顯脈沖，可認為信號均為背景噪聲，無磨粒信號，所采集的圖像均為氣泡圖像無磨粒圖像。圖6（b）為采集磨粒圖像時的電感傳感器信號，可以看到存在明顯脈沖，此脈沖為磨粒信號，即此過程中產生了大量磨損顆粒。

圖6 電感傳感器信號Fig.6 Inductive sensor signal

4.1.2 樣本預處理

應用背景差分及大津算法提取運動磨粒和氣泡圖像，實驗共提取了4 500 張磨粒圖像和4 500張氣泡圖像。圖7（a）為其中16 張氣泡圖像示例，圖7（b）為16 張磨粒圖像示例。

圖7 氣泡和磨粒樣本圖Fig.7 Bubbles and wear particles sample diagram

在這些圖像樣本中，會存在一張圖片里有多個對象的情況。但由于分割的樣本單元非常小，僅為100 pixel×100 pixel 的大小，因此存在多對象的單樣本也極少。在對樣本圖像進行標簽的過程中，人為地剔除掉這些少數存在的多對象圖像樣本，以便后續獲取更準確的分類模型。

4.1.3 HOG 特征參數提取

對于每一個樣本提取HOG 特征，圖8（a，b）和（c，d）分別為一磨粒與氣泡樣本的灰度圖（100 pixel×100 pixel）及其HOG 特征矢量圖。此圖選取單元格cell 大小為10×10，直方圖bin 個數為9。作出HOG 特征值的三維圖如9 所示，圖9（a）為磨粒HOG 特征，圖9（b）為氣泡HOG 特征，可以明顯看出只有中間block 位置具有較高梯度值，其他背景位置梯度值較小。從磨粒與氣泡的HOG 特征圖中也可以看出它們所存在的區別。

圖8 磨粒、氣泡原圖及HOG 特征矢量圖Fig.8 Wear particle, bubble original image and HOG fea?ture vector diagram

圖9 磨粒及氣泡HOG 特征Fig.9 HOG characteristics of abrasive particles and bubbles

4.1.4 SVM 分類模型構建

提取所有9 000 個樣本的HOG 特征值，將其分為8 000 個訓練樣本（4 000 個氣泡，4 000 個磨粒）和1 000 個測試樣本（500 個氣泡，500 個磨粒），將訓練樣本中提取的HOG 特征作為輸入，訓練SVM 分類器并保存得到的分類模型。

4.2 模型參數優化

HOG 的主要參數為單元格cell 大小以及直方圖bin 個數的選取。現枚舉不同的cell 及bin 值大小得到一系列HOG 特征值并代入SVM 進行訓練，最后通過測試樣本測試出分類精度，得到了如圖10 所示的分類精度圖。

圖10 各參數測試準確度Fig.10 Test accuracy under different parameters

從圖10 中可以看出，當cell 取值為9，bin 取值為20 時，測試樣本的分類準確度達最高。具體為，500 個氣泡圖像有440 個正確識別，500 個磨粒圖像有398 個正確識別，準確率為83.8%。

4.3 與其他識別方法對比

對于磨粒的特征提取，傳統方法一般采用基于形態學的磨粒特征參數提取，本文參考以往經典磨粒形態學分析方法，提取了磨粒分類中常用的13 個形態學和顏色特征參數［18?19］（面積、等效圓直徑、長軸長度、短軸長度、長短軸比、圓度、周長、RGB 顏色均值和標準差等），與HOG 特征參數進行對比。

另外，為驗證SVM 算法有效性，實驗采用了K最近鄰（K?nearest neighbor，KNN）分類方法進行對比。KNN 是一種較為成熟且使用廣泛的分類算法，它是通過測量不同特征值之間的距離來進行分類。最終經過實驗測試并分析計算相應實驗結果得到4 種方法的測試樣本數據分類精確率如表1所示。

表1 分類準確度Table 1 Classification accuracy

由表1 可以看出，4 種特征提取及分類方法中，HOG 特征和SVM 分類算法具有最高的測試樣本分類準確率，相較于形態學特征參數+SVM、形態學特征參數+KNN、HOG+KNN 等方法識別精度提升明顯，可達83.8%。

5 結 論

本文設計并構建了一套大管徑、大流量和高景深的光學監測系統，可實現磨粒圖像在線監測。設計并搭建了一套油液監測試驗臺，可實現磨粒與氣泡的圖像分時采集。通過背景差分和大津算法提取磨粒及氣泡圖像，應用HOG 特征提取和SVM分類算法，實現磨粒和氣泡的分類，排除磨粒圖像監測過程中的氣泡干擾。實驗結果表明，所提出的基于HOG 和SVM 的磨粒圖像在線監測方法，相比于傳統的基于形態學的特征參數提取，以及基于KNN 的分類算法，該算法具有更高的識別準確率，可達83.8%。

雖然本文設計搭建的光學監測系統、油液監測試驗臺和特征提取及分類圖像處理算法在油液監測中取得了一定的實用效果，能實現對磨粒數量和大小的監測，但由于缺乏精細的圖像紋理信息，導致較難精細區分出具體的磨粒類型。后續工作將進一步提高圖像采集的精度，獲取更多圖像紋理信息以及更多圖像樣本，基于高質量圖像以及大樣本數據，探索基于深度學習的磨粒識別方法，聚焦于獲得更準確更全面的磨損顆粒信息及設備磨損狀態。