Surface Topography Characterization Using a Simple Optical Device and Artificial Neural Networks

要約

大型内燃エンジンのシリンダーライナーの摩耗を定量化するための最先端の方法では、ライナーの分解と切断が必要です。
続いて、ベアリング荷重曲線（アボット-ファイアストーン曲線）に基づいて摩耗を定量的に評価する、実験室ベースの高解像度の微視的表面深さ測定が行われます。
このような方法は、破壊的で、時間と費用がかかります。
提示された研究の目標は、表面トポグラフィーを定量化するための非破壊でありながら信頼性の高い方法を開発することです。
ハンドヘルド顕微鏡で収集できるライナー表面のRGB画像からベアリング荷重曲線を予測できる新しい機械学習フレームワークが提案されています。
2つのニューラルネットワークモジュールを含む共同ディープラーニングアプローチは、表面粗さパラメーターの予測品質も最適化し、422の位置合わせされた深度プロファイルとライナー表面の反射画像ペアを含むカスタムビルドのデータベースを使用してトレーニングされます。
観察された成功は、サービス中のエンジンの現場での摩耗評価の大きな可能性を示唆しています。

要約(オリジナル)

State-of-the-art methods for quantifying wear in cylinder liners of large internal combustion engines require disassembly and cutting of the liner. This is followed by laboratory-based high-resolution microscopic surface depth measurement that quantitatively evaluates wear based on bearing load curves (Abbott-Firestone curves). Such methods are destructive, time-consuming and costly. The goal of the research presented is to develop nondestructive yet reliable methods for quantifying the surface topography. A novel machine learning framework is proposed that allows prediction of the bearing load curves from RGB images of the liner surface that can be collected with a handheld microscope. A joint deep learning approach involving two neural network modules optimizes the prediction quality of surface roughness parameters as well and is trained using a custom-built database containing 422 aligned depth profile and reflection image pairs of liner surfaces. The observed success suggests its great potential for on-site wear assessment of engines during service.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google