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

要約

定置用大型内燃機関のシリンダライナの摩耗を定量化する最新の手法では、検査対象のライナを分解・切断する必要があります。その後、実験室で高解像度の顕微鏡による表面深さ測定を行い、軸受荷重曲線（別名：Abbott-Firestone曲線）に基づいて摩耗量を定量的に評価します。このような参照方法は破壊的であり、時間とコストがかかる。ここで紹介する研究の目的は、非破壊でありながら信頼性の高い表面形状を定量化する方法を開発することである。ライナー表面の反射RGB画像から深度プロファイルを表す軸受荷重曲線を予測する、新しい機械学習の枠組みを提案する。これらの画像は、シンプルな携帯型顕微鏡で収集することができる。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の予測品質も最適化します。ネットワークスタックは、大型ガスエンジンのライナー表面の完全に整列した深度プロファイルと反射画像のペア422枚を含む特注のデータベースを使用して学習されます。本手法が成功したことは、稼働中のエンジンの現場での摩耗評価に大きな可能性があることを示唆しています。

要約(オリジナル)

State-of-the-art methods for quantifying wear in cylinder liners of large internal combustion engines for stationary power generation require disassembly and cutting of the examined liner. This is followed by laboratory-based high-resolution microscopic surface depth measurement that quantitatively evaluates wear based on bearing load curves (also known as Abbott-Firestone curves). Such reference methods are destructive, time-consuming and costly. The goal of the research presented here 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 representing the depth profiles from reflection RGB images of the liner surface. These images can be collected with a simple handheld microscope. A joint deep learning approach involving two neural network modules optimizes the prediction quality of surface roughness parameters as well. The network stack is trained using a custom-built database containing 422 perfectly aligned depth profile and reflection image pairs of liner surfaces of large gas engines. The observed success of the method 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, DeepL