Zastosowanie termowizji do detekcji nieszczelności w sektorze motoryzacyjnym

pol Artykuł w języku polskim DOI: 10.14313/PAR_241/79

Wojciech Macherzyński *, Marcin Ochman **, Zbigniew Kulas ***, Krzysztof Dudek ***, Mateusz Didyk ***, Dawid Sroczyński *** * Politechnika Wrocławska, Wydział Elektroniki Mikrosystemów i Fotoniki ** Politechnika Wrocławska, Wydział Elektroniki *** Unitem sp. z o.o., Wrocław

Pobierz Artykuł

Streszczenie

Coraz bardziej rygorystyczne wymagania w zakresie ochrony środowiska, bezpieczeństwa czy niezawodności wymuszają na firmach z sektora motoryzacyjnego stosowanie efektywniejszych testów potwierdzających wymaganą szczelności komponentów (chłodnic, zbiorników, sprężyn powietrznych itp.). Obecnie stosowane metody niosą ze sobą ograniczenia, które generują otwartość przemysłu motoryzacyjnego na zupełnie nowe sposoby realizacji pomiaru nieszczelności. Zastosowanie kamer termowizyjnych do pomiaru energii cieplnej jest obecnie powszechną praktyką w wielu dziedzinach, a zastosowanie ich do pomiaru nieszczelności zamkniętych ustrojów pozwoliłoby na znaczne skrócenie czasu pomiarów w przypadku zbiorników odkształcalnych, wymagających długich czasów stabilizacji w metodach konkurencyjnych. W artykule opisano zastosowanie termowizji do wykrywania nieszczelności sprężyn gazowych.

Słowa kluczowe

algorytm klasyfikacji nieszczelności, detekcja nieszczelności, lokalizacja nieszczelności, termowizja

The Use of Thermovision for Leak Detection in the Automotive Sector

Abstract

Increasing requirements for environmental protection, safety or reliability force automotive industries to use more efficient tests to measure tightness of the components. Currently adapted methods brings limitations which makes automotive industry open for new techniques for leakage tests. Infrared cameras are widely used in various fields. Using them to test leakage of closed-volume systems allows to significantly reduce test time, especially for objects which requires long stabilization times in competitive methods. In the article thermovision usage for leakage detection of gas springs were described.

Keywords

leak detection, leakage classification algorithm, thermovision

Bibliografia

  1. Brodetsky E., Savic M., Leak monitoring system for gas pipelines, [In:] Proceedings of IEEE International Conference Acoustics, Speech, and Signal Processing, Vol. 3, 1993, 17–20, DOI: 10.1109/ICASSP.1993.319424.
  2. Weil G.J., Non contact, remote sensing of buried water pipeline leaks using infrared thermography, [In:] Proceedings of Water Resources Planning and Management and Urban, Water Resources, Vol. 1993, 404–407, 1993.
  3. Kroll A., Baetz W., Peretzki D., On autonomous detection of pressured air and gas leaks using passive IR-thermography for mobile robot application, [In:] Proceedings of IEEE International Conference on Robotics and Automation, 291–296, 2009, DOI: 10.1109/ROBOT.2009.5152337.
  4. Lewis A.W., Yuen S.T.S., Smith A.J.R., Detection of gas leakage from landfills using infrared thermography – applicability and limitations, “Waste Management & Research”, Vol. 21, No. 5, 2003, 436–447, DOI: 10.1177/0734242X0302100506.
  5. Qin H., Wang T., Fan W., Air Leak Localization Method Based on Infrared Thermography Using Local Gray-Entropy Difference Algorithm. “Applied Mechanics and Materials”, Vol. 233, 2012, 200–203, DOI: 10.4028/www.scientific.net/amm.233.200.
  6. Zgłoszenie patentowe nr P434369.
  7. Schapire R.E., Explaining adaboost. Empirical inference. 37–52, 2013.
  8. Cortes C., Vapnik V., Support-vector networks. “Machine learning”, Vol. 20(3), 1995, 273–297, DOI: 10.1007/BF00994018.
  9. Pedregosa F. et al., Scikit-learn: Machine Learning in Python, “Journal of Machine Learning Research”, Vol. 12, 2825–2830, 2011.
  10. Powers D., Evaluation: From Precision, Recall and F-Factor to ROC, Informedness, Markedness & Correlation., 2008.