珩磨汔缸孔径的评价说明书

珩磨汔缸孔径的评价摘要内燃机汽缸孔的珩磨组织在润滑油的消耗量，有害气体排放，以及运转特性方面发挥了重要作用.为了客观评价珩磨表面，描述表面织构的特征被量化成二维数据.文章着重于两个关键步骤的数据分析：预处理，其目的是去除不相干的成分和提取感兴趣的信息，和提取特征以保证感兴趣的表面特征能够得到可靠的数值估计，如珩磨角，沟槽参数，表面缺陷等，评估结果可以很容易的应用于用户的评价。关键词：珩磨，表面纹理，自动视觉检测1、简介：内燃机气缸孔是用珩磨的方法加工的，经过该加工的表面主要由两个随机在气缸对称轴不同角度出现的螺旋槽带组成。纹理质量对于气缸的干燥作业性能，石油消费量，有害气体排放，和运行性能是非常重要的。直到目前，专家们仍然依靠基于微观图像的视觉观察来评价珩磨组织。这种方法枯燥，具有很大的主观性，并且耗时。为了得到客观和可重复性的结果，一个自动化的方法检查是必要的。2 、检查方法2.1 表面数据有一些不同的方法来衡量的珩磨表面。从表 1 中可以看出，传统的方法，机械笔只执行表面轮廓的一维测量。与此相反，灰度图和光学简图提供二维数据在合理的时间。由于珩磨纹理的横向几何特征只能进行分析二维数据，在后面的讨论中，我们将集中分析这样的数据。考察的与不同的测量原理相关的特征也被列入本表。描述珩磨纹理重要特征的信号模型是本文所讨论的评价方法的基础。基于这个模型，可以展示明确的和数学上完整定义的特性，使得组织评估具有重现性和客观性。这种方法不同于许多广泛应用的方法如依靠神经网络，它往往被视为一个“暗箱”1 。 特征的选择是基于珩磨图 2 ，和许多专家的意见，并且也在分析轮廓数据的实例中通过增加新的体积参数来拓展该方法。这得出了一系列的可以满足个人用户需求的特征。2.2 珩磨组织性能图 1 显示一些珩磨组织的性能，在这个基础上来定义特征。最常用的是粗糙度参数，例如那些基于承载比曲线（雅培曲线）的参数 3 ，以及 Ra，Rz 和 Rmax。 4 。然而，处理珩磨表面，重要的是要确定一些将横向几何形状量化的特征。通过这种方式，最相关的纹理特性可以被描述，如珩磨角度，材料涂片，断沟， 杂散沟槽 ，洞，外构和薄片，如图 1 所示。此外，描述沟槽平衡，稳态的存在，凹槽形状，裂缝，转折沟槽，零散标记的特征也需要。机械铁笔 灰度图像 光学轮廓测量区域 1-D 2-D 2-D深度信息 是 不 是横向几何信息 不 是 是覆盖整个表面 非常耗时 尽可能合理努力 非常耗时计算处理费用 低 高 高非接触测量 不 是 是标准化参数 是 不 是图表 1：表 1 ：比较机械手写设备，灰度图像和光学简图灰铸铁气缸套2.3 自动检测图 2 显示自动检测应用的概述和其在珩磨加工中对质量控制的目的。一个二维或三维传感器提供珩磨表面的数据 g（x） ，其中 x = （x，y ） T R 2 指横向空间坐标系。灰色块图是传感器数据处理系统的一部分，该系统的输出数据可以用来简单地说明表面质量，还可以在加工工艺发生中断时发出警报，或可以通过反馈控制器调节珩磨过程，因为珩磨组织包含有关功能和加工过程的信息，不论珩磨后珩磨刷执行或不执行。 以下各节中，我们将集中于自动化检测的两个关键步骤：对传感器数据的预处理和特征提取，我们将针对这些步骤举出一些例子。图 2 ：自动检测的磨练表面。3、预处理预处理的目的是要抑制无关部分，即不均匀性 i（x）和外界干扰 b（x） ，同时增强感兴图 1 ：珩磨纹理显示横向特点和缺陷： （ a）材料涂片 ，沟中断; （b）杂散沟槽; （c）孔或外构的合作; （d）薄片。趣的信息，比如组织 t（x） 。在图像数据的获取过程中，不均匀性 i（x）可能是由于表面光洁度的空间差异。其他的产生外界干扰的原因包括偏离理想情况下的沟槽和缺陷，比如说材料涂片和薄片等。我们用一个信号模型 g（x）来描述传感器数据，包含组织 t（x）和无关成分 i（x）和b（x）：为了能够替代感兴趣的信息 t（x） ，首先要进行以下的假设：不同的成分必须在数学上是可以进行区分的。如图 3 所示，经过严格的分离程序，我们可以得到原始数据的成分。然后，分离出不需要的成分，经过逆变换可以得到预处理的结果。图 3：预处理的原理这种处理过程的好处是简化了特征提取的步骤，并且使图像处理过程更稳定，这可以通过以下的例子来说明。3.1 均质当凹槽组织被数据采集过程中的非均匀性强度所降级，如非均匀照明，均质化就可以制止这种有害的组成部分 6 。图 4 用这种方法做某一特定组织的例子。图的左边，是原始的形态。中间是用标准的同质化方法同质滤波，假设非均质和组织结合得出的结果。特别是在左上角的部分，这张图像的对比度很差。右边的图像是采用了图3 中的模型得出的结果。在这种情况下，对比度和临界值都是均匀的，它基于一种综合考虑了感兴趣的信号和非均匀干扰信号的模型6。这的结果显然比前者更均匀，并且使组织分析更具有说服力。图 4 ：均质： （左）规划纹理; （中）同态滤波; （右）基于模型的同质化3.2 纹理分解下一个例子是对磨纹理进行，以简化特征提取。由于珩磨组织很复杂，如果根据方程 （1）能够得出部分组织信号 g（x） ，那么检测任务所需要的特征的提取就变得很容易了。这样，开发出一种从组织信号 g（x）中分离出包含直接结构（比如沟槽）的成分函数t（x）和表现各向同性的组成（比如背景，包括缺陷和物体）的函数 b（x） 。在这种情况下，我们将利用均质假设。幸运的是，一个非常有效的执行此分离的算法已经存在7.图 5 的左边显示的是原始珩磨纹理，其他两个图像的结果代表的是应用该算法计算出的自适应纹理结果。在沟槽的组织中，只有理想的凹槽才能被观察到，而背景图像包含所有偏离理想槽和缺陷以及其他物质。至于更全面分离算法的讨论，有兴趣的读者可参照 7 。图 5 ：纹理分解：（左）珩磨纹理;（中心）凹槽纹理; （右）背景纹理。 3.3、参考表面最后为了消除形状组成，我们将定义参考表面。图 6 展示了珩磨表面轮廓的轨迹，光滑的曲线描述了将要消除的形状组成。但是，对流低通滤波的方法导致沟槽区域的畸变，如用点划线表示的。我们针对该问题已经开发出了一种二维迭代的滤波器来取代高斯滤波，这种方法在处理深的沟槽时优势尤为明显。图 7 中所描绘的三维图形展示了珩磨表面的一个部分和应用此方法算出的参考表面。图 6：参考表面：对流低通滤波的问题图 7 ：原件磨练表面和参考面。4、特征提取4.1 珩磨角第一个特征提取的例子是估计珩磨角度。为此，首先计算出周期（PG） ，它与傅里叶变换出的纹理函数成正比。周期是一个估算的功率谱密度（ PSD ）函数的量，它指出了产生纹理的随机过程的谱线的性质 9 。然后，径向估算周期，如图 8 所示。由于珩磨纹理包括两个系列的凹槽，估算功能也显示出两个极大值。珩磨角度估算两个极大值之间的差异有关：由于平均计算使周期值尽管存在差异，径向投影却是一个非常光滑曲线。因此，这一方法可以快速和可靠的估计珩磨角。4.2、沟槽参数下面的例子是关于沟槽参数的提取的。这是基于 Radon 转换来完成的，这种转换是将二维图像的每一行画作转换区域的一个点，如图 9 所示10 。接着，每一个 Radon 转换的和沟槽相对应的明显的峰都通过形态滤波被检测到。最后，对于每一个被检测到的沟槽，其相应的参数（振幅，宽度，位置和角度）都可以通过滤波器的输出来估测9。图 9 ：图示 Radon 变换4.3、缺陷的检测在 3.2 节中，我们介绍了一种分解珩磨组织的算法。本节将重点讨论所得到的背景组织，它包含了关于缺陷和物质的主要信息，并且将研究一种可以通过图像来检测缺陷的有效方法。它是上一小节沟槽检测的改进，如图 1111。在这种情况下，通过分解得到的沟槽图像 10 的 Radon 转换主要是收集有关沟槽的信息，如图 10（b） 。此外，分布在沟槽的缺陷也通过背景图片的 Radon 变换集中于 Radon 域的峰上，见图10 （d ）和（ e） 。通过在 Radon 域内结合凹槽纹理和背景纹理，只有代表缺陷沟槽的峰仍然存在，见图 10 （c ）项。此图片最明显的高峰对应于图 10（f ）中的三个沟槽，它们确实是原始图像中最突出的凹槽缺陷如图 5(a)。图 10：缺陷检测：（a）沟槽图像；（b）图像 a 的 Radon 转变；（c）b 和 e 的乘积；（d）背景图片；（e）图像 d 的 Radon 转变；（f）检测到的沟槽5、总结和结论本文展示了如何利用信号处理方法从不同的方面来自动评估灰铸铁中珩磨组织的相关性能。为了进