1.1 磨粒图像监测技术概述

高端装备智能运维是“中国制造2025”国家战略中的新命题，也是传统机械状态监测与故障诊断学科发展的新布局［1］。健康监测（Health Monitoring, HM）已经成为高端装备高性能的必要属性特征，这就要求传统的故障诊断技术向健康状态端延伸，形成全寿命性能退化信息的数字化表征与评价。在此背景下，机器智能运维的健康监测需涵盖全寿命、全信息、全方位的组成要素，而关键部件早期摩擦学性能退化的监测盲区无疑已经成为发展的瓶颈。

以轴承、齿轮副为代表的关键摩擦学基础部件是机器性能退化的敏感点，其失效过程往往经历摩擦学和动力学两个阶段的性能劣化。经典动力学分析与信号处理的融合方法为动力学类故障诊断建立了坚固的技术保障，而对早期润滑失效导致的摩擦磨损行为并不敏感。从润滑失效到表界面的磨损状态演变长期处于机器状态监测的“盲区”。自从20世纪50年代英国Foxbro公司研制出第一台铁谱仪，基于磨粒分析的油液分析技术以“机器验血”方式为磨损失效诊断提供了有效途径。磨粒分析（Wear Debris Analysis, WDA）技术相较于振动、声发射等状态监测技术不仅可以从宏观上表征设备的磨损状态，也从机理层面上反映了全寿命尺度的磨损性能衰变规律。从摩擦学公理［2］亦可以推得，只有从系统观点角度分析其时变机理才能真正揭示摩擦副性能衰变规律，因此磨粒分析在诸多状态监测与故障诊断技术中占据了独特的一席之地。

磨粒作为摩擦副磨损的直接产物，以复杂的形貌特征保留了其产生的机理信息，因此是磨损机理分析，尤其是磨损失效形式的重要依据［3］。近年来，无论是科学研究还是技术应用都表明［4,5］；磨粒分析技术已经成为油液监测领域的研究热点和技术高地。鉴于磨粒监测技术及产品呈百花齐放状态，表1-1仅选择性地列出了各类主要磨粒分析方法的物理原理及技术优势［6,7］，主要涉及磁感应、电感、图像等原理与方法。从对磨粒特征参数的可辨识性角度观察，基于磁感应、电感等原理的方法大多以一维波形信号方式提供磨粒参数，包括浓度、尺寸、材料等，很大程度上关注数量的变化规律；光谱分析则以元素作为输出，精确给出颗粒元素浓度，从而推断零部件磨损程度；基于图像的方法除了提供数量指标，还可以获取形状、形貌和颜色等形态学特征。近50年的铁谱分析技术应用表明：基于磨粒形态的图像分析是磨损机理判断的重要依据。

随着面向视情维护的健康监测需求逐渐迫切，磨粒图像分析方法开始从人工依赖方式逐步向智能分析方式转变，尤其是随着新一代人工智能技术发展，深度学习等算法恰恰在磨粒图像分析中直击要害，突破人工辨识瓶颈的同时可以提供更高层次的辨识信息与精确结论，当然这也对传统的磨粒分析提出了大样本、快响应的新挑战。