基于人工智能的液压系统油液污染在线检测方法技术方案

本发明专利技术涉及人工智能技术领域，具体涉及一种基于人工智能的液压系统油液污染在线检测方法。该方法采集无污染油污的RGB图像和有污染油污的油液图像；构建损失函数以训练DNN网络，将油液图像输入训练好的DNN网络获得水污染干扰图和颗粒污染干扰图；由水污染干扰图像和颗粒污染干扰图像中像素点的灰度值得到油液的污染程度。利用水和颗粒对油液颜色的影响特征，准确分析油液中污染物的分布情况，降低油污的污染程度检测偏差。油污的污染程度检测偏差。油污的污染程度检测偏差。

【技术实现步骤摘要】
基于人工智能的液压系统油液污染在线检测方法


[0001]本专利技术涉及人工智能
，具体涉及一种基于人工智能的液压系统油液污染在线检测方法。

技术介绍

[0002]油液是液压系统的工作介质，液压系统的控制信息和工作动力的传递都要通过油液来完成，如液压泵和液压马达。各种阀等元件的工作状况和使用寿命都与液压油的性能密切相关。在现代的液压设备和液压系统中，油液的污染控制十分重要，据统计因油液污染而造成的故障占液压设备总故障的75％以上。
[0003]在液压设备工作时由于设备的磨损、设备的密封性能不足等情况，导致油液中引入颗粒杂质、水等物质，进而造成油液污染，这些造成油液污染的物质称为污染物。因此，需要通过检测油液污染以避免液压设备出现故障。
[0004]目前，对于油污污染检测大多数都通过油液污染监测装置，然而其装置设备复杂、成本高、测定方法繁琐，且检测结果存在误差。

技术实现思路

[0005]为了解决上述技术问题，本专利技术的目的在于提供一种基于人工智能的液压系统油液污染在线检测方法，所采用的技术方案具体如下：...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的液压系统油液污染在线检测方法，其特征在于，该方法包括：采集无污染油污的RGB图像和有污染油污的油液图像；构建损失函数以训练DNN网络，所述DNN网络包括两个分支；将所述油液图像输入训练好的所述DNN网络，一个分支输出第一混合高斯模型和第二混合高斯模型，分别用于表征颗粒和水出现的概率；另一个分支输出水污染影响图和颗粒污染影响图，分别用于表征由于颗粒和水导致的油液颜色变化特征；结合所述第一混合高斯模型、所述第二混合高斯模型、所述水污染影响图和所述颗粒污染影响图获得水污染干扰图和颗粒污染干扰图；由所述水污染干扰图像和所述颗粒污染干扰图像中像素点的灰度值得到油液的污染程度；所述损失函数的构建方法包括：分别计算所述第一混合高斯模型和所述第二混合高斯模型的熵；分别获取所述油液图像和所述RGB图像的暗通道图像与亮度图；获取水和颗粒在不同位置的重合程度以得到颗粒运动的约束参数；结合所述熵、所述暗通道图像、所述亮度图和所述约束参数构建所述损失函数。2.如权利要求1所述的方法，其特征在于，所述结合所述第一混合高斯模型、所述第二混合高斯模型、所述水污染影响图和所述颗粒污染影响图获得水污染干扰图和颗粒污染干扰图的方法，包括：由所述第一混合高斯模型和所述颗粒污染影响图得到所述颗粒污染干扰图；由所述第二混合高斯模型和所述水污染影像图得到所述水污染干扰图。3.如权利要求1所述的方法，其特征在于，所述第一混合高斯模型的获取方法，包括：将所述油液图像输入训练好的所述DNN网络得到一个矩阵，所述矩阵的每一行都对应一个高斯模型，根据所述矩阵中每行对应的所述高斯模型得到所述第一混合高斯模型。4.如权利要求2所述的方法，其特征在于，所述高斯模型的获取方法，包括：根据所述矩阵中每行对应的数值获取权重系数、均值和方差，由所述权重系数、所述均值和所述方差构建所述高斯模型。5.如权利要求1所述的方法，其特征在于，所述损失函数的计算公式为：Loss＝exp(H1
i
+H2
i
)+||Imin
i
‑
Imin0‑
I4
i
||2+||Imax
i
‑
Ima...

【专利技术属性】
技术研发人员：陈浩浩，
申请(专利权)人：徐州中旺环保科技有限公司，
类型：发明
国别省市：