基于深度学习的ECT滑油检测技术研究

发布时间：2022-01-07 19:20

　　航空发动机作为飞机的核心动力装置,其安全、可靠运行对于保障飞机安全飞行具有非常重要的意义。航空发动机零部件处于整个润滑系统中,滑油管道介质中含有丰富的磨粒信息,能够比较准确地反映发动机的磨损状态。电容层析成像（Electrical Capacitance Tomography,简称ECT）技术作为一种新型的无损检测技术,被广泛应用于低速两相流和多相流过程参数的检测。滑油管道内的滑油和磨粒构成了典型的“液固”两相流模型,ECT传感器阵列检测的电容值与滑油中的磨粒状态息息相关。本文借助于卷积神经网络（Convolutional Neural Network,简称CNN）这一工具,利用ECT技术实现航空发动机磨损状态的智能检测,并针对其不足之处,提出了改进算法。首先,本文利用ECT数据采集系统,采集不同磨损状态下的滑油检测数据,并构造标准样本集,然后搭建一维CNN模型,直接作用于滑油检测数据。实验表明,CNN模型诊断准确率为81.2%,综合分类率最高可达到85.55%,验证了神经网络模型直接作用于ECT检测数据的可行性与有效性。其次,针对传统CNN模型泛化能力和抗噪性能较弱的缺陷,将多尺度学... 

【文章来源】：中国民航大学天津市

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

ECT检测系统

中国民航大学硕士学位论文13Step6：对模型测试诊断滑油状态的分类结果进行评估分析。图2-3基于深度学习的ECT滑油状态诊断流程2.4滑油检测数据集采集2.4.1数据采集实验方案航空发动机滑油管道内磨粒粒度较小，大于100μm的金属磨粒通常是由于发动机轴承疲劳剥落产生的，最能反应发动机磨损状态。根据资料显示，直径为250~900μm的金属磨粒最能表征航空发动机的磨损状态[56]，也是本实验中最想检测的磨粒尺寸。本节利用ECT系统采集不同磨损状态下的滑油检测数据，选用直径为50mm的亚克力管代替滑油管道，为兼顾传感器安装技术水平及测量的实时性，选择12电极的ECT系统进行电容数据的测量采集。数据采集过程中，将滑油倒入管道内，加入磨粒后使其自然沉降，模拟磨粒在飞机滑油管道内的运动状态。利用电子天平对磨粒称重计算，控制添加磨粒的速率和质量，尽可能地模拟真实工况下，不同磨损状态所对应的磨粒浓度。滑油中的磨粒运动速度缓慢，为保证传感器阵列敏感区域内滑油状态的连续性和数据质量，待敏感场区域内充满磨粒时开始数据的测量采集。将数据采集时间设置为7s，采样频率设置为300幅/s，故每种滑油状态对应2100组电容数据，每组电容数据均包含66个电容值。数据采集系统实验装置如图2-4所示，基本实验参数如表2.3所示。

中国民航大学硕士学位论文14图2-4ECT数据采集系统实验装置表2.3基本实验参数参数参数值磨粒材料铁屑磨粒尺寸250-900μm油液密度1004kg/m3电极个数12电极材料铜膜管道介质航空润滑油激励方式正弦波激励激励频率500kHZ2.4.2标准样本集构造滑油检测样本集构造方式如图2-5所示。将归一化的ECT数据按时间轴和空间轴依次排列，组成二维矩阵的形式，每种滑油状态标签对应的数据集维度为66×2100，CE1~E2表示E1与E2电极之间的电容值，由于激励ECT电极时数据测量速度非常快，且磨粒运动速度较慢，故可将同一滑油状态下同一测量周期内测得的单组66个电容值近似认为同一时刻的电容数据，为便于卷积神经网络操作，在时间轴上选取66个时刻的数据组成一个样本，每个样本的维度为66×66。设每类数据在时间轴上的长度为n，一个样本在时间轴上的截取长度为m，下一个样本的移动步长为1，则可构造n-m+1个样本，故每类滑油检测数据共产生2035个样本。

【参考文献】：
期刊论文
[1]基于多尺度卷积神经网络的玻璃表面缺陷检测方法[J]. 熊红林,樊重俊,赵珊,余莹.  计算机集成制造系统. 2020(04)
[2]基于神经网络的航空发动机滑油金属含量预测[J]. 陈庆贵,于光辉,谢静,于海滨,蔡娜,谢镇波.  兵器装备工程学报. 2019(12)
[3]基于极限学习机的铁谱磨粒模式识别[J]. 李加伟,刘晓卫,王崴,杨鑫.  润滑与密封. 2019(06)
[4]基于ECT/EST双模信息融合的磨粒图像重建算法[J]. 薛倩,孙钦升,刘婧,商敬安.  润滑与密封. 2019(05)
[5]基于分割Bregman迭代的内-外置电极电容层析成像[J]. 马敏,王涛,范广永.  科学技术与工程. 2018(32)
[6]基于CNN-LSTM的QAR数据特征提取与预测[J]. 张鹏,杨涛,刘亚楠,樊志勇,段照斌.  计算机应用研究. 2019(10)
[7]基于ABC-BP神经网络的航空发动机故障诊断方法[J]. 鲜倪军.  装备制造技术. 2018(05)
[8]油液监测多源信息融合模型构建方法研究[J]. 石新发,刘东风,孙云岭.  武汉理工大学学报(交通科学与工程版). 2018(02)
[9]滑油磨粒信号的变分模态分解和概率密度估计[J]. 杨昊,孙衍山,李健,曾周末.  仪器仪表学报. 2018(04)
[10]基于WRF数值模式的DBN风速预测模型研究[J]. 马婉贞,钱育蓉,范迎迎.  计算机仿真. 2018(03)

硕士论文
[1]基于深度学习的短时交通流预测研究[D]. 翟冬梅.北京交通大学 2019
[2]基于深度学习的ECT图像重建算法研究[D]. 何小芳.中国民航大学 2019
[3]基于深度卷积神经网络的数据驱动故障诊断方法研究[D]. 李强.山东大学 2018
[4]神经网络技术在短期电力负荷预测中的应用研究[D]. 杨蕊.重庆大学 2018
[5]基于ECT的航空发动机滑油磨粒在线监测方法研究[D]. 杨昊.天津大学 2018
[6]基于卷积神经网络的轴承故障诊断算法研究[D]. 张伟.哈尔滨工业大学 2017
[7]基于复合式EST传感器的滑油磨粒检测研究[D]. 赵士娜.中国民航大学 2017
[8]基于深度学习的手写汉字识别技术研究[D]. 孙巍巍.哈尔滨理工大学 2017
[9]电容式滑油磨粒在线监测数据采集系统研究[D]. 徐斌.中国民航大学 2016
[10]三维ECT电容传感器研究与设计[D]. 吉洪驻.哈尔滨理工大学 2016



本文编号：3575116