CN109839334B - 面向单线圈磁感应式磨粒探测传感器的信号识别方法 - Google Patents
面向单线圈磁感应式磨粒探测传感器的信号识别方法 Download PDFInfo
- Publication number
- CN109839334B CN109839334B CN201910185035.XA CN201910185035A CN109839334B CN 109839334 B CN109839334 B CN 109839334B CN 201910185035 A CN201910185035 A CN 201910185035A CN 109839334 B CN109839334 B CN 109839334B
- Authority
- CN
- China
- Prior art keywords
- signal
- abrasive particle
- size
- waveform
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
面向单线圈磁感应式磨粒探测传感器的信号识别方法,首先对传感器采集的本底噪声信号进行处理设置探测触发阈值,对已知尺寸磨粒的原始信号进行降噪和滤波处理,将各采样点幅值与触发阈值比较并输出高电平或低电平获得磨粒数量和磨粒信号在原始信号中的位置;其次,对磨粒尺寸进行梯度分级,收集已知尺寸等级磨粒的原始信号并做降噪、滤波、计数、截取等处理得到大量样本磨粒信号,再对这些样本提取特征形成尺寸‑特征库,然后将未知尺寸磨粒信号的特征向量映射到特征空间中,匹配到尺寸‑特征库中与其欧氏距离最近的点,并将其划分至最近点所属的尺寸等级;本发明能够在传感器监测范围内准确地识别出磨粒的数量和尺寸等级。
Description
技术领域
本发明涉及在线磨粒监测技术领域,具体涉及磁感应式磨粒传感器的信号处理技术,特别涉及一种面向单线圈磁感应式磨粒探测传感器的信号识别方法。
背景技术
磨损是引起机械设备失效的主要原因之一。而伴随机件磨损过程产生的磨粒,则携带着设备运转状态的大量信息,如磨粒数量和尺寸反映磨损阶段,磨粒形貌反映磨损机理等。对磨粒进行监测,不但可以了解机器的磨损程度和磨损机制,还可为设备的改进设计、故障预测、视情维护等提供重要依据。因此,磨粒的监测与分析技术已成为状态监测领域中一个不可或缺的部分。
磨粒监测与分析技术使用的传感器按照工作原理不同可分为光学型、声学型、导电型、电磁型等。其中,电磁型传感器中的一种三线圈磁感应式传感器,可根据磨粒的磁化效应和涡流效应引起的线圈电感变化识别磨粒,这类传感器的代表产品是加拿大GasTops公司研制的MetalSCAN。但此类传感器线圈过多,监测区域过长,造成磨粒通过时相互重叠的可能变大,导致了探测灵敏度的不足。由于电感型传感器工作稳定,非接触性的测量方式也十分方便,人们展开了对三线圈传感器的简化设计研究,如范红波等设计了双线圈结构传感器用于装甲车辆油液系统的大磨粒在线监测(公开号:CN108375531A),武通海等设计了基于涡流效应的单线圈结构传感器(公开号:CN102680368A),可连续测量磨损颗粒数量、尺寸分布、颗粒产生速率等,其监测范围下限可达10μm。一般来说,传感器的线圈越短,磨粒发生重叠现象的可能性越小,因此单线圈结构的传感器在监测灵敏度上具有更大的优势。
单线圈磁感应式磨粒探测传感器虽然具备优良的监测功能,在磨粒信号提取方面的研究却十分有限。首先,单线圈传感器的工作原理为涡流效应,而三线圈和双线圈的工作原理除此之外还包括磁化效应,这使得单线圈传感器采集到的信号具有与其它两种传感器信号不同的特征,因此不能套用其它两种传感器的信号处理方法。其次,由于单线圈传感器类型较新,现有技术主要以传感器参数设计和磨粒信号降噪为主要目的进行,缺乏对磨粒信号本身的辨识方法,严重阻碍了传感器在实际中的应用。针对这一问题,张小刚(Conductivity-based sensor for detecting micro-content water in oil[J].Chinese Journal of Mechanical Engineering,2013.)等通过系列实验证明,其自制的单线圈磁感应式磨粒探测传感器对磨粒粒度分布、产生速率的监测结果与激光粒度仪的监测结果一致;王会扬(电涡流式金属磨粒传感器的研究与开发[D].武汉:武汉理工大学,2018)通过实验数据的趋势,证明磨粒信号波形的特征变化体现了磨粒本身属性的变化。然而这些研究仍无法得到磨粒信号包含的准确信息,如数量、尺寸等,不能满足实际应用要求,该类传感器正迫切需要一种可量化的具体方法来实现磨粒计数、尺寸识别等信号识别方法。
发明内容
为了填补电感型单线圈传感器现有磨粒信号分析识别技术的空缺,本发明的目的在于面向该类传感器捕获的磨粒信号,提供一种面向单线圈磁感应式磨粒探测传感器的信号识别方法,通过获取磨粒信号在原始信号中的位置并计数和截取,再利用搜索在已知尺寸磨粒信号特征库中与未知尺寸磨粒信号最相近特征的方法来识别未知磨粒的尺寸。
为实现上述目的,本发明采用如下技术方案:
面向单线圈磁感应式磨粒探测传感器的信号识别方法,包括以下步骤:
步骤一、将无磨粒通过单线圈磁感应式磨粒探测传感器时采集的信号作为本底噪声信号,对本底噪声信号进行降噪和滤波处理,得到残余噪声信号,以残余噪声信号的幅值上限作为探测触发阈值;
步骤二、将单个已知尺寸的磨粒通过该传感器时的信号作为原始信号,将经过与步骤一相同的降噪和滤波处理的原始信号中各采样点的幅值与触发阈值比较,低于触发阈值处输出低电平,否则输出高电平,从而单独形成方波信号,高电平的部分记录了磨粒信号所在位置,方波的个数代表磨粒的个数;
步骤三、再次对步骤二中未处理前的原始信号进行降噪处理,得到降噪信号;根据方波信号记录的磨粒信号的位置,从降噪信号的对应位置将磨粒信号截取出来;
步骤四、对磨粒尺寸进行梯度分级,在每个尺寸等级下以大量已知近似尺寸的磨粒单独进行实验,收集原始信号并做降噪、滤波、计数、截取处理,以此得到的每个磨粒信号都作为样本信号,对样本信号提取若干特征,组成一个特征向量,映射到多维特征空间中则成为一个点,所有这些点组成的集合为磨粒信号的尺寸-特征库;
步骤五、监测油液中未知尺寸的单个或多个磨粒时,参照图5,根据所述步骤一至四首先对原始磨粒信号进行降噪、滤波、定位和计数,再将原始信号所包含的每一个去噪磨粒信号截取出来,分别进行函数拟合和特征提取,并分别形成相应个数的特征向量,这些向量映射到所述步骤四的同一个特征空间则成为该空间内的点;
步骤六、将未知尺寸磨粒信号对应的特征向量依次映射到多维特征空间中成为该空间内的点,在一定空间范围内计算其与同范围内尺寸-特征库中点的欧氏距离,直到找到尺寸-特征库中与其最近的点,并将其划分至最近点所属的尺寸等级,完成未知磨粒的尺寸识别。
所述步骤一至五中的降噪方法均为奇异值分解法(Singular ValueDecomposition,SVD);所述步骤一、二、四和五中的滤波方法均为Savitsky-Golay滤波(S-G滤波)。
本发明应用于在线油液磨粒监测领域中单线圈磁感应式磨粒探测传感器的信号处理技术,具有以下有益效果:
1、本发明基于触发定位的方法,不仅实现了磨粒数量的统计,还提取出了每一个磨粒信号,消除了无关信号对磨粒信号识别结果的影响。
2、本发明利用已知尺寸磨粒信号的多维特征组建特征库,通过特征提取和匹配的方法,达到了识别未知磨粒尺寸等级的目的。
3、本发明以触发定位和特征匹配相结合的方法,实现了对油液中的磨粒的计数和尺寸识别,解决了现有针对电感型单线圈传感器的磨粒信号识别技术空缺的问题,促进了该类型传感器的应用发展。
附图说明
图1为一种面向单线圈磁感应式磨粒探测传感器的信号识别方法的总体流程图。
图2为建立已知磨粒信号的尺寸-特征库流程图。
图3为磨粒信号触发计数流程图。
图4为磨粒信号定位与截取流程图。
图5为基于特征匹配的未知磨粒信号尺寸识别流程图。
具体实施方式
下面结合附图对本方法进行说明。
参照图1,一种面向单线圈磁感应式磨粒探测传感器的信号识别方法,包括以下步骤:
步骤一、将无磨粒通过单线圈磁感应式磨粒探测传感器时采集的信号作为本底噪声信号,对本底噪声信号进行降噪和滤波处理,得到残余噪声信号,以残余噪声信号的幅值上限作为探测触发阈值;具体步骤如下:
S1,利用奇异值分解法分别进行降噪处理,得到残余噪声信号,设一段信号长度为a,其奇异值分解步骤为:
2)按照公式(1)对矩阵O进行奇异值分解,其中U、V分别为左、右奇异矩阵,Σ为对角矩阵;由于此对角矩阵中对角线上的值衰减非常快,因此仅取第一个奇异值重构信号即可;重构信号R,即降噪信号的算法如公式(2)所示;
S2,对残余噪声信号进行S-G滤波,得到滤波后的残余噪声信号;
S3,多次录制本底噪声并重复以上两步,统计经过S-G滤波后的残余噪声信号的幅值上限,作为探测触发阈值。
步骤二、将单个已知尺寸的磨粒通过该传感器时的信号作为原始信号,将经过与步骤一相同的降噪和滤波处理的原始信号中各采样点的幅值与触发阈值比较,低于触发阈值处输出低电平,否则输出高电平,从而单独形成方波信号,高电平的部分记录了磨粒信号所在位置,方波的个数代表磨粒的个数,参照图3,具体步骤如下:
S1,输入经过SVD降噪和S-G滤波的、长度为a的信号,设置当前采样点的序号i=1,当前信号集合的序号j=1;
S2,从第i个采样点开始,依次判断该点处信号幅值是否高于触发阈值,是则输出高电平,否则输出低电平;
S3,判断至第n个点,输出为高电平时,将该点的序号in加入当前信号集合Ij中,令Ij={i1,i2,…,in};输出为低电平时,先判断在第n-1个点处输出是否为高电平,若是则停止向Ij中添加对象并保存Ij,同时创建Ij+1使之成为当前集合,令i=1,回到步骤S2;若否则进行步骤S4;
S4,完成S3步骤后,判断当前采样点序号i是否大于等于信号长度a,是则进行步骤S5,否则令i=i+1,回到步骤S2;
S5,当i≥a时,判断当前信号集合是否为空集,若是则输出波形数量为0;若否则输出波形数量为当前信号集合的序号j。
步骤三、再次对步骤二中未处理前的原始信号进行降噪处理,得到降噪信号;根据方波信号记录的磨粒信号的位置,从降噪信号的对应位置将磨粒信号截取出来,参照图4,具体步骤如下:
S1,读入步骤二中保存的所有非空集合I1~In,集合的总个数为n,令循环次数k的初始值为1。
S2,建立两个新的集合,其中Firstpt为I1~In的所有集合中第一个元素的集合;Lastpt为I1~In的所有集合中最后一个元素的集合。
S3,在仅经过SVD降噪的信号中截取自Firstpt(k)点处开始、至Lastpt(k)点处结束的部分,并作为截取出的一个磨粒信号Ck保存。
S4,完成S3所述步骤后,令k=k+1,并判断此时的k是否大于非空集合总数n,是则结束本部分流程,否则返回至步骤S3。
步骤四、对磨粒尺寸进行梯度分级,在每个尺寸等级下以大量已知近似尺寸的磨粒单独进行实验,收集原始信号并做降噪、滤波、计数、截取处理,以此得到的每个磨粒信号都作为样本信号。对样本信号提取若干特征,组成一个特征向量,映射到多维特征空间中则成为一个点,所有这些点组成的集合为磨粒信号的尺寸-特征库,参照图2,具体步骤如下:
S1,确定磨粒尺寸等级划分规则,对每个等级的磨粒进行大量实验取得原始信号,经过前述的定位、截取方法得到大量已知尺寸磨粒的去噪磨粒信号C1,C2,…,Ck。
S2,由于磨粒信号的采样点电压幅值波形是离散的,为方便提取特征,对S1所述去噪磨粒信号C1,C2,…,Ck分别进行基于最小二乘法的高阶多项式拟合,将离散点的波形转换为连续波形F1,F2,…,Fk。拟合函数由公式(3)计算,其中x为采样点数,λ为多项式阶数,b1,b2,…bλ为常数:
公式(3):Fk=b1xλ+b2xλ-1+…+b1x+bλ
S3,对S2所述的连续波形F1,F2,…,Fk进行提取特征,包括但不限于波形峰值、波形宽度、上升时间、下降时间等,并分别组成k个特征向量,这些向量映射到特征空间则成为该空间内的点。具体步骤如下:
1)波形峰值Vp通过比较两两相邻的采样点所对应的电压值大小求出,直到比较完波形中所有的点为止。
S4,按照预先划分的尺寸等级,将S3计算所得的特征向量按照尺寸等级进行标记,保证每一尺寸等级都包含足够大量的样本特征向量,完成尺寸-特征库的建立。
步骤五、监测油液中未知尺寸的单个或多个磨粒时,参照图5,根据所述步骤一至四首先对原始磨粒信号进行降噪、滤波、定位和计数,再将原始信号所包含的每一个去噪磨粒信号截取出来,分别进行函数拟合和特征提取,并分别形成相应个数的特征向量,这些向量映射到所述步骤四的同一个特征空间则成为该空间内的点。
步骤六、将未知尺寸磨粒信号对应的特征向量依次映射到多维特征空间中成为该空间内的点,在一定空间范围内计算其与同范围内尺寸-特征库中点的欧氏距离,直到找到尺寸-特征库中与其最近的点,并将其划分至最近点所属的尺寸等级,完成未知磨粒的尺寸识别,参照图5,具体步骤如下:
S1,设所述步骤五中一个未知尺寸去噪磨粒信号的特征向量,映射至特征空间为点D0={d1,d2,…dm}。以点D0为中心,在特征空间中的查找范围半径为r,设r的初始值为r0。
S2,在半径为r的查找范围内,判断该范围是否包含除D0以外的其他点,若是则计算D0与其他点之间的欧氏距离,找到与D0最近的点D,将D0归入D所述的类并输出归类信息;若否则令r=r0+pr0,p为常数,扩大查找范围,重新开始本步骤S2。
S3,按照上述步骤S1和S2处理所述步骤五中所有未知尺寸去噪磨粒信号的特征向量,完成未知磨粒的尺寸识别。
Claims (6)
1.面向单线圈磁感应式磨粒探测传感器的信号识别方法,其特征在于,包括以下步骤:
步骤一、将无磨粒通过单线圈磁感应式磨粒探测传感器时采集的信号作为本底噪声信号,对本底噪声信号进行降噪和滤波处理,得到残余噪声信号,以残余噪声信号的幅值上限作为探测触发阈值;
所述的步骤一,具体步骤如下:
S1,利用奇异值分解法分别进行降噪处理,得到残余噪声信号,设一段信号长度为a,其奇异值分解步骤为:
2)按照公式(1)对矩阵O进行奇异值分解,其中U、V分别为左、右奇异矩阵,Σ为对角矩阵;由于此对角矩阵中对角线上的值衰减非常快,因此仅取第一个奇异值重构信号即可;重构信号R,即降噪信号的算法如公式(2)所示;
S2,对残余噪声信号进行S-G滤波,得到滤波后的残余噪声信号;
S3,多次录制本底噪声并重复以上两步,统计经过S-G滤波后的残余噪声信号的幅值上限,作为探测触发阈值;
步骤二、将单个已知尺寸的磨粒通过该传感器时的信号作为原始信号,将经过与步骤一相同的降噪和滤波处理的原始信号中各采样点的幅值与触发阈值比较,低于触发阈值处输出低电平,否则输出高电平,从而单独形成方波信号,高电平的部分记录了磨粒信号所在位置,方波的个数代表磨粒的个数;
步骤三、再次对步骤二中未处理前的原始信号进行降噪处理,得到降噪信号;根据方波信号记录的磨粒信号的位置,从降噪信号的对应位置将磨粒信号截取出来;
步骤四、对磨粒尺寸进行梯度分级,在每个尺寸等级下以大量已知近似尺寸的磨粒单独进行实验,收集原始信号并做降噪、滤波、计数、截取处理,以此得到的每个磨粒信号都作为样本信号,对样本信号提取若干特征,组成一个特征向量,映射到多维特征空间中则成为一个点,所有这些点组成的集合为磨粒信号的尺寸-特征库;
步骤五、监测油液中未知尺寸的单个或多个磨粒时,根据所述步骤一至四首先对原始磨粒信号进行降噪、滤波、定位和计数,再将原始信号所包含的每一个去噪磨粒信号截取出来,分别进行函数拟合和特征提取,并分别形成相应个数的特征向量,这些向量映射到所述步骤四的同一个特征空间则成为该空间内的点;
步骤六、将未知尺寸磨粒信号对应的特征向量依次映射到多维特征空间中成为该空间内的点,在一定空间范围内计算其与同范围内尺寸-特征库中点的欧氏距离,直到找到尺寸-特征库中与其最近的点,并将其划分至最近点所属的尺寸等级,完成未知磨粒的尺寸识别。
2.根据权利要求1所述的一种面向单线圈磁感应式磨粒探测传感器的信号识别方法,其特征在于,所述步骤一至五中的降噪方法均为奇异值分解法;所述步骤一、二、四和五中的滤波方法均为Savitsky-Golay滤波。
3.根据权利要求1所述的一种面向单线圈磁感应式磨粒探测传感器的信号识别方法,其特征在于,所述的步骤二,具体步骤如下:
S1,输入经过SVD降噪和S-G滤波的、长度为a的信号,设置当前采样点的序号i=1,当前信号集合的序号j=1;
S2,从第i个采样点开始,依次判断该点处信号幅值是否高于触发阈值,是则输出高电平,否则输出低电平;
S3,判断至第n个点,输出为高电平时,将该点的序号in加入当前信号集合Ij中,令Ij={i1,i2,…,in};输出为低电平时,先判断在第n-1个点处输出是否为高电平,若是则停止向Ij中添加对象并保存Ij,同时创建Ij+1使之成为当前集合,令i=1,回到步骤S2;若否则进行步骤S4;
S4,完成S3步骤后,判断当前采样点序号i是否大于等于信号长度a,是则进行步骤S5,否则令i=i+1,回到步骤S2;
S5,当i≥a时,判断当前信号集合是否为空集,若是则输出波形数量为0;若否则输出波形数量为当前信号集合的序号j。
4.根据权利要求1所述的一种面向单线圈磁感应式磨粒探测传感器的信号识别方法,其特征在于,所述的步骤三,具体步骤如下:
S1,读入步骤二中保存的所有非空集合I1~In,集合的总个数为n,令循环次数k的初始值为1;
S2,建立两个新的集合,其中Firstpt为I1~In的所有集合中第一个元素的集合;Lastpt为I1~In的所有集合中最后一个元素的集合;
S3,在仅经过SVD降噪的信号中截取自Firstpt(k)点处开始、至Lastpt(k)点处结束的部分,并作为截取出的一个磨粒信号Ck保存;
S4,完成S3所述步骤后,令k=k+1,并判断此时的k是否大于非空集合总数n,是则结束本部分流程,否则返回至步骤S3。
5.根据权利要求1所述的一种面向单线圈磁感应式磨粒探测传感器的信号识别方法,其特征在于,所述的步骤四,具体步骤如下:
S1,确定磨粒尺寸等级划分规则,对每个等级的磨粒进行大量实验取得原始信号,经过前述的定位、截取方法得到大量已知尺寸磨粒的去噪磨粒信号C1,C2,…,Ck;
S2,由于磨粒信号的采样点电压幅值波形是离散的,为方便提取特征,对S1所述去噪磨粒信号C1,C2,…,Ck分别进行基于最小二乘法的高阶多项式拟合,将离散点的波形转换为连续波形F1,F2,…,Fk;拟合函数由公式(3)计算,其中x为采样点数,λ为多项式阶数,b1,b2,…bλ为常数:
公式(3):Fk=b1xλ+b2xλ-1+…+b1x+bλ
S3,对S2所述的连续波形F1,F2,…,Fk进行提取特征,包括但不限于波形峰值、波形宽度、上升时间、下降时间等,并分别组成k个特征向量,这些向量映射到特征空间则成为该空间内的点;具体步骤如下:
1)波形峰值Vp通过比较两两相邻的采样点所对应的电压值大小求出,直到比较完波形中所有的点为止;
S4,按照预先划分的尺寸等级,将S3计算所得的特征向量按照尺寸等级进行标记,保证每一尺寸等级都包含足够大量的样本特征向量,完成尺寸-特征库的建立。
6.根据权利要求1所述的一种面向单线圈磁感应式磨粒探测传感器的信号识别方法,其特征在于,所述的步骤六,具体步骤如下:
S1,设所述步骤五中一个未知尺寸去噪磨粒信号的特征向量,映射至特征空间为点D0={d1,d2,…dm};以点D0为中心,在特征空间中的查找范围半径为r,设r的初始值为r0;
S2,在半径为r的查找范围内,判断该范围是否包含除D0以外的其他点,若是则计算D0与其他点之间的欧氏距离,找到与D0最近的点D,将D0归入D所述的类并输出归类信息;若否则令r=r0+pr0,p为常数,扩大查找范围,重新开始本步骤S2;
S3,按照上述步骤S1和S2处理所述步骤五中所有未知尺寸去噪磨粒信号的特征向量,完成未知磨粒的尺寸识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910185035.XA CN109839334B (zh) | 2019-03-12 | 2019-03-12 | 面向单线圈磁感应式磨粒探测传感器的信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910185035.XA CN109839334B (zh) | 2019-03-12 | 2019-03-12 | 面向单线圈磁感应式磨粒探测传感器的信号识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109839334A CN109839334A (zh) | 2019-06-04 |
CN109839334B true CN109839334B (zh) | 2020-08-14 |
Family
ID=66885673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910185035.XA Active CN109839334B (zh) | 2019-03-12 | 2019-03-12 | 面向单线圈磁感应式磨粒探测传感器的信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109839334B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101393108A (zh) * | 2008-10-10 | 2009-03-25 | 南京航空航天大学 | 油液磨粒在线监测方法及系统 |
CN101963570A (zh) * | 2010-05-17 | 2011-02-02 | 深圳市亚泰光电技术有限公司 | 快速检测润滑油中铁磁磨粒的装置和检测方法以及信号处理电路 |
CN102305755A (zh) * | 2011-07-26 | 2012-01-04 | 北京航空航天大学 | 一种基于径向磁场的在线磨粒监测传感器及其监测方法 |
CN103163050A (zh) * | 2012-12-26 | 2013-06-19 | 大连理工大学 | 一种基于电磁感应信号的润滑油系统金属磨粒检测方法 |
CN103217366A (zh) * | 2013-04-07 | 2013-07-24 | 电子科技大学 | 一种在线油路磨粒信号的处理方法 |
CN103926276A (zh) * | 2014-03-25 | 2014-07-16 | 天津大学 | 一种在线油液磨粒监测装置及检测方法 |
WO2014177476A1 (en) * | 2013-04-30 | 2014-11-06 | Element Six Limited | Friability testing method for super-abrasive grains |
CN105352862A (zh) * | 2015-12-24 | 2016-02-24 | 大连海事大学 | 一种基于微通道在直流电场下检测油液中金属磨粒的方法 |
JP2016055381A (ja) * | 2014-09-09 | 2016-04-21 | 信越半導体株式会社 | ラッピング方法 |
CN106198765A (zh) * | 2015-04-29 | 2016-12-07 | 中国科学院声学研究所 | 一种用于金属裂纹监测的声学信号识别方法 |
CN106940281A (zh) * | 2016-12-09 | 2017-07-11 | 中国航空工业集团公司上海航空测控技术研究所 | 一种基于信息融合技术智能模型的航空油液分析方法 |
-
2019
- 2019-03-12 CN CN201910185035.XA patent/CN109839334B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101393108A (zh) * | 2008-10-10 | 2009-03-25 | 南京航空航天大学 | 油液磨粒在线监测方法及系统 |
CN101963570A (zh) * | 2010-05-17 | 2011-02-02 | 深圳市亚泰光电技术有限公司 | 快速检测润滑油中铁磁磨粒的装置和检测方法以及信号处理电路 |
CN102305755A (zh) * | 2011-07-26 | 2012-01-04 | 北京航空航天大学 | 一种基于径向磁场的在线磨粒监测传感器及其监测方法 |
CN103163050A (zh) * | 2012-12-26 | 2013-06-19 | 大连理工大学 | 一种基于电磁感应信号的润滑油系统金属磨粒检测方法 |
CN103217366A (zh) * | 2013-04-07 | 2013-07-24 | 电子科技大学 | 一种在线油路磨粒信号的处理方法 |
WO2014177476A1 (en) * | 2013-04-30 | 2014-11-06 | Element Six Limited | Friability testing method for super-abrasive grains |
CN103926276A (zh) * | 2014-03-25 | 2014-07-16 | 天津大学 | 一种在线油液磨粒监测装置及检测方法 |
JP2016055381A (ja) * | 2014-09-09 | 2016-04-21 | 信越半導体株式会社 | ラッピング方法 |
CN106198765A (zh) * | 2015-04-29 | 2016-12-07 | 中国科学院声学研究所 | 一种用于金属裂纹监测的声学信号识别方法 |
CN105352862A (zh) * | 2015-12-24 | 2016-02-24 | 大连海事大学 | 一种基于微通道在直流电场下检测油液中金属磨粒的方法 |
CN106940281A (zh) * | 2016-12-09 | 2017-07-11 | 中国航空工业集团公司上海航空测控技术研究所 | 一种基于信息融合技术智能模型的航空油液分析方法 |
Non-Patent Citations (2)
Title |
---|
A Conductivity-Based Sensor for Detecting Micro-Water in On-Line Oil Analysis;Wu Tonghai等;《Advanced materials research》;20141231;全文 * |
电感式磨粒传感器中铁磁质磨粒的磁特性研究;范红波 等;《摩擦学学报》;20090930;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109839334A (zh) | 2019-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chan et al. | Time-frequency sparsity map on automatic partial discharge sources separation for power transformer condition assessment | |
CN106096242B (zh) | 一种基于改进emd分解的尾水管压力脉动综合评价方法 | |
CN103343885B (zh) | 管道漏磁检测在线数据压缩方法 | |
CN114346761B (zh) | 一种基于改进条件生成对抗网络的刀具磨损状况检测方法 | |
CN108535354B (zh) | 一种钢丝绳漏磁检测和磁发射检测的损伤判定及定位方法 | |
US11703477B2 (en) | Nondestructive testing method and device for detecting and distinguishing internal defect and external defect of wire rope | |
CN112380992B (zh) | 一种加工过程监控数据准确性评估与优化方法及装置 | |
CN108508297B (zh) | 一种基于突变系数和svm的故障电弧检测方法 | |
Zheng et al. | Application of variational mode decomposition and k-nearest neighbor algorithm in the quantitative nondestructive testing of wire ropes | |
CN109839334B (zh) | 面向单线圈磁感应式磨粒探测传感器的信号识别方法 | |
CN114167237A (zh) | 一种gis局部放电故障识别方法、系统、计算机设备、存储介质 | |
Qiu et al. | Quantitative identification of microcracks through magnetic flux leakage testing based on improved back-propagation neural network | |
CN105083916A (zh) | 输送带纵向撕裂故障在线检测方法 | |
Jin et al. | Classification of partial discharge events in gas-insulated substations using wavelet packet transform and neural network approaches | |
CN115563500A (zh) | 基于数据增强技术的配电设备局部放电模式识别方法、装置及系统 | |
Yao et al. | Research on wavelet denoising method based on soft threshold in wire rope damage detection | |
Zhang et al. | A new method of defects identification for wire rope based on three-dimensional magnetic flux leakage | |
Huang et al. | Magnetic Flux Leakage: Theories and Imaging Technologies | |
Verma et al. | Improved signal preprocessing techniques for machine fault diagnosis | |
CN116626454B (zh) | 基于修正时频聚类的油纸绝缘uhf局放信号抗干扰识别及定位方法、装置 | |
CN110459197A (zh) | 用于微弱盲信号去噪与提取的信号增强器及方法 | |
CN115545080B (zh) | 滑油屑末在线检测方法及装置 | |
CN117574782B (zh) | 基于变压器参数判断绕组材质的方法、装置、系统及介质 | |
CN117406193B (zh) | 一种雷达数据提取方法、系统、设备及存储介质 | |
CN117786521B (zh) | 基于智能频谱感知的信号分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |