CN113218598A - 一种气密性检测系统 - Google Patents

Abstract

本发明公开了一种气密性检测系统，其特征在于：所述系统包括参数采集与控制平台和气密性大数据处理子系统，系统实现对被检测对象的气密性参数检测、处理和气密性等级分类；本发明根据现有气密性检测技术效率不高和不精确等问题，对建筑和机械产品的气密性检测不完善造成对建筑物和机械产品性能的影响，本发明有效解决了现有建筑和机械产品的气密性检测问题。

Description

一种气密性检测系统

技术领域

本发明涉及气密性检测自动化装备的技术领域，具体涉及一种气密性检测系统。

背景技术

随着工业技术的发展,对建筑、机械、航天汽车、空调和燃气具等行业中的气密性要求越来越高,气密性检测是保证建筑和机械产品质量和安全性能的重要手段之一，对气密性的检测也逐渐要求智能化,并要求能适用于在线检测。在气密性检测方法中,传统的“湿式法”、压降法和流量测量法检测精度低,这些方法都不能适应建筑、机械密封件的大批量出厂检测。差压法在建筑、机械密封件气密性检测中由于其速度快、精度高而得到广泛使用。本专利根据差压法检测原理,充分运用嵌入式控制系统在气密性检测中具有的低功耗、体积小、高性能和低成本等特点，基于工控机、人工智能和现场总线技术设计一种气密性检系统，实现气密性检测的智能化、准确性和高效率等新的要求。

发明内容

本发明提供了一种气密性检测系统，本发明根据现有气密性检测技术效率不高和不精确等问题，对建筑和机械产品的气密性检测不完善造成对建筑物和机械产品性能的影响，本发明有效解决了现有建筑和机械产品的气密性检测问题。

本发明通过以下技术方案实现：

一种气密性检测系统包括参数采集与控制平台和气密性大数据处理子系统 2部分组成，该系统实现对被检测对象的气密性参数检测、处理和气密性等级分类，提高识别被检测对象气密性的可靠性。

本发明进一步技术改进方案是：

参数采集与控制平台包括气源、充气阀、2个质量流量控制器、压力检测节点、温度检测节点、控制节点、差压传感器、2个压力变送器、输气管、被测量对象、标准容器和现场监控端；通过输气管把气源的气体输送到充气阀，充气阀通过输气管把气体分别送到2个质量流量控制器，2个质量流量控制器通过输气管把气体分别送到标准容和被测量对象，在2个质量流量控制器与标准容器以及被测量对象的2个输气管道之间和2个输气管道上分别安装差压传感器和2 个压力变送器，温度检测节点检测标准容器以及被测量对象的温度和压力检测节点检测差压传感器以及压力变送器的压力值分别通过温度检测节点的CAN接口、压力检测节点的CAN接口和现场监控端的RS232/CAN接口传输给现场监控端,控制节点调节与控制充气阀和2个质量流量控制器，现场监控端的控制信息通过现场监控端的RS232/CAN接口和控制节点的CAN接口传输给控制节点，控制节点、压力检测节点、温度检测节点和现场监控端通过控制节点的CAN接口、压力检测节点的CAN接口、温度检测节点的CAN接口和现场监控端的 RS232/CAN接口构成CAN总线网络，实现控制节点、压力检测节点、温度检测节点和现场监控端之间信息的相互传递，多个温度传感器分别分布在标准容器和被测量对象中，标准容器和被测量对象中的温度传感器作为对应的温度检测节点的输入，压力检测节点分别检测差压传感器和2个压力变送器的值，控制节点实现对充气阀和2个质量流量控制器的流量调节与开关控制；参数采集与控制平台结构如图1所示。

本发明进一步技术改进方案是：

气密性大数据处理子系统包括NARX神经网络模型、小波分解模型、GM (1,1)灰色预测模型、多个降噪自编码器、CNN卷积神经网络模型、梯形模糊数LSTM神经网络模型、梯形模糊数时延神经网络模型、气密性校正模块和温度补偿模块；差压传感器输出和温度补偿模块输出作为NARX神经网络模型的输入，NARX神经网络模型的输出作为小波分解模型的输入，小波分解模型输出NARX神经网络模型输出值的低频部分和多个高频波动部分，NARX神经网络模型输出值的低频部分和多个高频波动部分分别是GM(1,1)灰色预测模型和多个降噪自编码器的输入，GM(1,1)灰色预测模型和多个降噪自编码器的输出是CNN卷积神经网络模型对应的输入，CNN卷积神经网络模型输出和气密性校正模块输出是梯形模糊数LSTM神经网络模型的输入，梯形模糊数LSTM 神经网络模型输出是梯形模糊数时延神经网络模型的输入，梯形模糊数时延神经网络模型输出作为CNN卷积神经网络模型输出的对应输入，梯形模糊数 LSTM神经网络模型输出的梯形模糊数代表被测量对象的气密性等级值；气密性大数据处理子系统结构如图2所示。

本发明进一步技术改进方案是：

温度补偿模块包括NARX神经网络模型、自联想神经网络模型、小波分解模型、GM(1,1)灰色预测模型、多个降噪自编码器和LSTM神经网络模型；标准容器和被测量对象的2组多个温度传感器输出分别作为对应的2组多个 NARX神经网络模型的输入，2组多个NARX神经网络模型输出分别作为对应的2个自联想神经网络模型的输入，2个自联想神经网络模型输出的2个容器温度差值作为小波分解模型的输入，小波分解模型输出的2个容器温度差值的低频部分和多个高频部分分别是GM(1,1)灰色预测模型和多个降噪自编码器的输入，GM(1,1)灰色预测模型和多个降噪自编码器的输出是LSTM神经网络模型的输入，LSTM神经网络模型输出值作为温度补偿模块的输出；温度补偿模块结构如图2所示。

本发明进一步技术改进方案是：

气密性校正模块包括NARX神经网络模型、小波分解模型、GM(1,1)灰色预测模型、多个降噪自编码器和LSTM神经网络模型；标准容器的压力变送器和被测量对象的压力变送器的输出分别作为对应的2个NARX神经网络模型的输入，2个NARX神经网络模型输出的2个变送器压力差值作为小波分解模型的输入，小波分解模型输出的2个变送器压力差值的低频部分和多个高频部分分别是GM(1,1)灰色预测模型和多个降噪自编码器的输入，GM(1,1)灰色预测模型和多个降噪自编码器的输出是LSTM神经网络模型的输入，LSTM 神经网络模型输出值作为气密性校正模块的输出；气密性校正模块结构参照温度补偿模块结构。

本发明进一步技术改进方案是：

根据被检查对象气密性的工程实践经验，通过梯形模糊数LSTM神经网络模型将被检测对象的气密性能分为5个气密性等级；5个气密性等级分别为正常状态、气密性很差、气密性较差、气密性较好和气密性很好，梯形模糊数LSTM 神经网络模型构建5个梯形模糊是与5种气密性等级的对应关系表。计算LSTM 神经网络模型输出的梯形模糊数与代表5种气密性等级的5个梯形模糊数的相似度，其中相似度最大的梯形模糊数对应的气密性等级确定为被检测对象的气密性等级。5个梯形模糊是与5种气密性等级的对应关系表见表1所示。

本发明与现有技术相比，具有以下明显优点：

一、本发明利用CNN卷积神经网络模型能够实现GM(1,1)灰色预测模型和多个降噪自编码器的输出值的历史数据的特征提取且能缩短特征提取时间和梯形模糊数LSTM神经网络模型能够记忆依赖性很强的GM(1,1)灰色预测模型和多个降噪自编码器的输出值的历史数据之间的关系的优势，解决GM(1,1) 灰色预测模型和多个降噪自编码器的输出值的历史数据活动序列数据的空间特征提取和时间特征的数据依赖问题；首先将GM(1,1)灰色预测模型和多个降噪自编码器的输出值的历史数据预处理过的序列数据输入到CNN卷积神经网络模型中提取对应的空间特征向量；其次将上一步提取GM(1,1)灰色预测模型和多个降噪自编码器的输出值的历史数据的不同活动空间特征向量作为梯形模糊数LSTM神经网络模型的输入，利用梯形模糊数LSTM神经网络模型中输入门、遗忘门和输出门的数据相互作用处理预测GM(1,1)灰色预测模型和多个降噪自编码器的输出值的的活动序列数据之间的时间特征相互影响问题，从而提高预测GM(1,1)灰色预测模型和多个降噪自编码器的输出值的精确度和时间效率。

二、本发明利用CNN卷积神经网络模型提取GM(1,1)灰色预测模型和多个降噪自编码器的输出值的历史数据的高维度的空间特征，实现对GM(1,1) 灰色预测模型和多个降噪自编码器的输出值的历史数据的特征提取；同时，选用梯形模糊数LSTM神经网络模型对CNN卷积神经网络模型输出的空间特征序列进行处理，挖掘GM(1,1)灰色预测模型和多个降噪自编码器的输出值的历史数据中的时序信息，在时间维度上提取GM(1,1)灰色预测模型和多个降噪自编码器的输出值的历史数据时间特征，并实现GM(1,1)灰色预测模型和多个降噪自编码器的输出值的精确预测。

三、本发明CNN卷积神经网络模型的卷积层主要优势在于提取GM(1,1) 灰色预测模型和多个降噪自编码器的输出历史数据中的权值共享和稀疏连接，权值共享是指CNN卷积神经网络模型的卷积核在做卷积运算时自身的权值保持不变，每个卷积核对整个区域的GM(1,1)灰色预测模型和多个降噪自编码器的输出值的历史数据来说其权值是一样的；稀疏连接是指CNN卷积神经网络模型的每个卷积核只使用上一层数据中特定的局部区域数据进行运算，并未使用全局GM(1,1)灰色预测模型和多个降噪自编码器的输出值得历史数据；CNN 卷积神经网络模型的卷积核这种权值共享和稀疏连接的特性，大幅减少了GM (1,1)灰色预测模型和多个降噪自编码器的输出值的历史数据的空间特征参数数量，从而预防CNN卷积神经网络模型的过拟合并加快CNN卷积神经网络模型训练速度和提高鱼饲料配方预测精确度。

四、本发明LSTM神经网络模型是一种用于差压检测中压力和温度的时序数据的神经网络。在该网络中，循环结构会保留当前时刻隐藏神经元的状态值，并将其作为下一次循环输入的一部分输入信号输入到下一时刻的隐藏层神经元中。LSTM神经网络模型的输入信号采取的压力和温度时序输入，每输入一步，每一层都共享网络权重和偏置，大大减少了网络中需要学习的参数，降低了网络的复杂度。

五、本发明LSTM神经网络模型充分利用基于时间序列数据之间的相关性，是一种在隐含层内部加入了定向循环结构的神经网络，其特殊的结构能够较好地处理基于时间序列压力和温度数据的问题，通过表征输入压力和温度的分布式表示，展现出较强的学习压力和温度数据集的本质特征的能力，实现复杂函数的逼近，更好地刻画出压力和温度数据的丰富内在信息，具有较强的泛化能力，提高计算压力和温度大小的准确性和可靠性。

六、本发明LSTM神经网络模型是一种引入了“时序”概念的处理压力和温度神经网络，其具有反馈机制，广泛应用于压力和温度时间序列数据建模。LSTM可以使学习到的信息在网络内储存，使模型能够学习到当前时刻压力和温度与过去信息的依赖关系。给定压力和温度输入序列，LSTM神经网络模型在任意时刻t，的隐藏层状态ht均是基于当前时刻的压力和温度输入xt以及过去时刻的隐藏层状态ht－1映射得到的，且LSTM神经网络模型可以将每个时刻的隐藏层状态输出传入下一时刻；最终LSTM神经网络模型通过输出层将一段时间压力和温度移映射得到被检测对象的压力和温度的输出量。

七、本发明小波分解模型可以将压力和温度的时间数据序列信号分解到不同的分辨率空间中分别采用GM(1,1)灰色预测模型和多个降噪自编码器来预测，根据分解信号的特点分别采用不同的预测模型来提高压力和温度预测与处理的精确性和可靠性。

八、本发明利用NARX神经网络模型预测差压传感器输出值，由于NARX 神经网络模型通过引入延时模块及输出反馈建立模型的动态递归网络，它将输入和输出向量延时反馈引入网络训练中，形成新的输入向量，具有良好的非线性映射能力，NARX神经网络模型的输入不仅包括原始差压传感器的输入数据，还包含经过训练后的压力预测值输出数据，网络的泛化能力得到提高，使其在差压传感器输出值的预测中较传统的静态神经网络具有更好的预测精度和自适应能力。

九、本发明梯形模糊数LSTM神经网络模型提高被检测对象气密性等级分类的科学性和可靠性，本专利的梯形模糊数LSTM神经网络模型，根据被检查对象气密性的工程实践经验，通过区梯形模糊数LSTM神经网络模型将被检测对象的气密性能分为5个气密性等级；5个气密性等级分别为正常状态、气密性很差、气密性较差、气密性较好和气密性很好，梯形模糊数LSTM神经网络模型构建5个梯形模糊是与5种气密性等级的对应关系表。计算LSTM神经网络模型输出的梯形模糊数与代表5种气密性等级的5个梯形模糊数的相似度，其中相似度最大的梯形模糊数对应的气密性等级确定为被检测对象的气密性等级，实现对被检测对象的气密性等级分类的动态性能和科学分类。

附图说明

图1为本发明的参数采集与控制平台结构；

图2为本发明的气密性大数据处理子系统；

图3为本发明的温度检测节点功能图；

图4为本发明的压力检测节点功能图；

图5为本发明控制节点功能图；

图6为本发明现场监控端软件功能图。

具体实施方式

结合附图1-6，对本申请技术方案作进一步描述：

一、系统总体功能的设计

本发明由参数采集与控制平台和气密性大数据处理子系统组成，参数采集与控制平台包括气源、充气阀、2个质量流量控制器、压力检测节点、温度检测节点、控制节点、2个压力变送器、差压传感器、输气管、被测量对象、标准容器和现场监控端；压力检测节点、温度检测节点、控制节点和现场监控端之间通过构建CAN总线网络来实现压力检测节点、温度检测节点、控制节点和现场监控端之间的通信；温度检测节点和压力检测节点将检测的温度和压力参数通过CAN总线发送给现场监控端，现场监控端对压力和温度传感器数据进行理和预测；控制节点接受现场监控端的指令实现对充气阀和2个质量流量控制器的控制来调节被检测对象和标准容器的气体压力和流量；参数采集与控制平台结构的结构见图1所示。

二、温度检测节点设计

温度检测节点由温度传感器、调理电路和STM32单片机和CAN总线接口组成，主要用于采集被检测对象和标准容器环境中温度传感器参数，该环境温度数据信息将通过温度检测节点的CAN总线接口和现场监控端的RS232/CAN 接口实现温度检测节点与现场监控端之间信息的实时交互。温度检测节点结构功能见图3所示。

三、压力检测节点设计

压力检测节点由调理电路和STM32单片机和CAN总线接口组成，主要用于采集被检测对象和标准容器进口输气管道的压力和2个进口输气管道之间的压力差，该压力数据信息将通过压力检测节点的CAN总线接口和现场监控端的 RS232/CAN接口实现压力检测节点与现场监控端之间信息的实时交互。压力检测节点结构功能见图4所示。

四、控制节点设计

控制节点由CAN总线接口、3个继电器、STM32单片机和3个D/A调理电路组成，通过调节充气阀、2个质量流量控制器的开度和通断来调控标准容器和被检测对象的气压和输气管道中气体流量。控制节点的微处理器收到来现场监控端所发出的调节指令后，将通过继电器控制和调理电路的输出量来控制充气阀和2个质量流量控制器的工作，完成对标准容器和被检测对象气压的调控，控制节点与现场监控端之间通过CAN总线接口为双向数据通信，控制节点的结构图见图5所示。

五、现场监控端软件设计

现场监控端包括一台工业控制计算机和RS232/CAN接口，现场监控端主要实现对参数采集与控制平台采集的温度和压力进行检测与处理，实现与温度检测节点、压力检测节点和控制节点之间信息交互，现场监控端主要功能为通信参数设置、数据分析与数据管理和气密性大数据处理子系统。气密性大数据处理子系统结构见图2。该管理软件选择了Microsoft Visual++6.0作为开发工具，调用系统的Mscomm通信控件来设计通讯程序，现场监控端软件功能见图6。气密性大数据处理子系统包括NARX神经网络模型、小波分解模型、GM(1,1) 灰色预测模型、多个降噪自编码器、CNN卷积神经网络模型、梯形模糊数LSTM 神经网络模型、梯形模糊数时延神经网络模型、气密性校正模块和温度补偿模块；各个模型设计过程如下：

1、NARX神经网络模型设计

差压传感器输出和温度补偿模块输出作为NARX神经网络模型的输入， NARX神经网络模型的输出作为小波分解模型的输入；NARX神经网络模型是一种带输出反馈连接的动态递归神经网络，在拓扑连接关系上可等效为有输入时延的BP神经网络加上输出到输入的时延反馈连接，其结构由输入层、时延层、隐层和输出层构成，其中输入层节点用于信号输入，时延层节点用于输入信号和输出反馈信号的时间延迟，隐层节点利用激活函数对时延后的信号做非线性运算，输出层节点则用于将隐层输出做线性加权获得最终网络输出。NARX神经网络模型第i个隐层节点的输出h_i为：

NARX神经网络模型第j个输出层节点输出o_j为：

其中j为1代表输出为1个数。

2、小波分解模型设计

NARX神经网络模型的输出作为小波分解模型的输入，小波分解模型输出 NARX神经网络模型输出值的低频部分和多个高频波动部分；本发明专利用小波分解模型方法对NARX神经网络模型输出值进行分解，小波分解对NARX神经网络模型输出值各层信息进行自相关和互相关分析，小波分解过程中对 NARX神经网络模型输出值信号做了平滑处理，因此，NARX神经网络模型输出值经过小波处理后的数据要平滑很多。小波分解过程一般采用Mallat算法，该算法的分解关系表示如下:

式(6)中h₀、h₁分别为低通分解滤波器和高通分解滤波器。m_p n_p分别是分辨率为2^-p下的低频系数和高频系数。该算法重构关系如下:

式(4)中g₀、g₁分别为低通重构滤波器和高通重构滤波器。A_p、D_p分别是分辨率2^-p下的低频分量和高频分量。Mallat算法将每一层分解后的低频信号部分再次分解成高频和低频，这样进行层层分解。原始NARX神经网络模型输出值信号的历史数据X进行p层分解后得到的结果为:

X＝D₁+D₂+…D_p+A_p (5)

式(5)中A_p为第p层分解后的低频信号部分，D_p为第p层分解后的高频部分。小波分解模型可以将NARX神经网络模型输出值的历史数据序列信号分解到不同频率分辨率空间中，提高了差压值预测的精确度和可靠性。

3、GM(1,1)灰色预测模型和多个降噪自编码器的设计

小波分解模型输出NARX神经网络模型输出值的低频部分和多个高频波动部分，NARX神经网络模型输出值的低频部分和多个高频波动部分分别是GM (1,1)灰色预测模型和多个降噪自编码器的输入，GM(1,1)灰色预测模型和多个降噪自编码器的输出是CNN卷积神经网络模型对应的输入；GM(1,1)灰色预测模型是将无规律的NARX神经网络模型输出值的低频部分的历史数据的趋势部分值进行累加，得到规律性比较强的生成数据序列后预测NARX神经网络模型输出值的低频部分的历史趋势值的预测建模过程，由生成GM(1,1)灰色预测模型得到的数据再进行累减得到原始数据的预测值。假设要预测NARX 神经网络模型输出值的低频部分的历史数据的趋势部分值的输出数据数列为：

x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…x⁽⁰⁾(n)) (6)

一阶累加后生成新的序列为：x⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),…x⁽¹⁾(n))

其中：

则x⁽¹⁾序列具有指数增长的规律，即满足一阶线性微分方程：

公式中a成为发展灰数，它反映x⁽¹⁾和x⁽⁰⁾的发展趋势；u为内生控制灰数，反映了数据之间的变化关系。解上式的微分方程得到x⁽¹⁾的整个NARX神经网络模型输出值的低频部分的趋势值预测值为：

通过下面公式的累减还原，得到原始序列x⁽⁰⁾的NARX神经网络模型输出值的低频部分的趋势值灰色预测模型为：

通过构建GM(1,1)灰色预测NARX神经网络模型输出值的低频部分趋势值的预测模型，可以实现对本专利的NARX神经网络模型输出值的低频部分的趋势值预测。

降噪自编码器(DAE)是一种降维方法，通过训练具有小中心层的多层神经网络，将高维数据转换为低维数据。DAE是一种典型的三层神经网络，在隐藏层和输入层之间有一个编码过程，在输出层和隐藏层之间有一个解码过程。自动编码器通过对NARX神经网络模型输出值的多个高频波动部分作为输入数据的编码操作得到编码表示(编码器)，通过对隐含层的输出解码操作得到重构的输入数据(解码器)，隐含层的数据就是降维数据。然后定义重构误差函数来测量自动编码器的学习效果。基于误差函数，可以添加约束条件，生成各种类型的自动编码器。编码器和解码器以及损失函数如下所示:编码器：h＝δ(Wx+b) (10)

解码器

损失函数：

AE的训练过程与BP神经网络类似，W和W'为权值矩阵，b和b'为偏置量，h为隐含层的输出值，x为输入向量，

为输出向量，δ为激励函数，一般使用Sigmoid函数或tanh函数。降噪自编码器网络是通过在输入数据中加入噪声数据来训练稀疏自编码网络，由于噪声数据的作用使自编码网络学习的数据特征更具有鲁棒性，降噪自编码器网络分为编码过程和解码过程，输入层到隐藏层为编码过程，隐藏层到输出层为解码过程。自编码网络的目标是利用误差函数使输入和输出尽量相近，通过反向传播最小化误差函数，得到自编码网络最优的权值和偏置，为建立深度自编码网络模型做准备。降噪自编码网络过程中使用随机概率将原始数据中某些值置为0得到含有噪声数据，根据自编码网络编码解码原理，利用含有噪声数据得到编码数据和解码数据，最后通过解码数据和原始数据构造误差函数，通过反向传播最小化误差函数，得到最优的网络权值和偏置。通过加入噪声来破坏原始数据，然后将损坏的数据作为输入层输入到神经网络中。降噪自编码器神经网络的重构结果应与原始数据近似，通过这种方法，可以消除扰动，并获得稳定的结构。原始输入数据通过加入噪声得到干扰输入，然后输入到编码器中得到特征表达，再通过解码器映射到输出层。

4、CNN卷积神经网络模型设计

GM(1,1)灰色预测模型和多个降噪自编码器的输出是CNN卷积神经网络模型对应的输入；CNN卷积神经网络模型输出和气密性校正模块输出是梯形模糊数LSTM神经网络模型的输入；CNN卷积神经网络模型能够直接从大量的 GM(1,1)灰色预测模型和多个降噪自编码器的输出历史数据中自动挖掘提取出表征系统状态的敏感空间特征，CNN卷积神经网络模型结构主要包括4个部分：①输入层(Input)。输入层即为CNN卷积神经网络模型的输入，一般将GM(1,1) 灰色预测模型和多个降噪自编码器的输出历史数据或预处理后的信号进行归一化后直接输入。②卷积层(Conv)。由于输入层数据维度较大，CNN卷积神经网络模型难以直接全面感知所有GM(1,1)灰色预测模型和多个降噪自编码器的输出历史数据输入信息，需要将输入数据分为若干部分进行局部感知，再通过权值共享得到全局信息，同时降低CNN卷积神经网络模型结构的复杂度，这一过程即卷积层的主要功能，具体流程是利用特定尺寸的卷积核以固定步长对输入信号进行遍历和卷积运算，从而实现对GM(1,1)灰色预测模型和多个降噪自编码器的输出值的历史数据输入信号敏感特征的挖掘与提取。③池化层 (Pool，又称降采样层)。由于卷积操作之后所得的数据样本维度依旧很大，需要压缩数据量并提取关键信息来避免模型训练时间过长及出现过拟合，因此，在卷积层后接一个池化层来降低维度。考虑到缺陷特征的峰值特性，采用最大值池化法进行降采样。④、全连接层。经过所有的卷积运算和池化操作后，特征提取数据进入到全连接层，该层中的每个神经层与其前一层的所有神经元进行全连接，将卷积层和池化层提取到的局部特征信息进行整合。同时，为避免过拟合现象，在该层中加入丢失数据(dropout)技术，经过最后一层全连接层的输出值会传递到输出层，将最后一层的池化结果按照首尾相连的方式连接在一起形成输出层。

5、梯形模糊数LSTM神经网络模型设计

CNN卷积神经网络模型输出和气密性校正模块输出是梯形模糊数LSTM神经网络模型的输入；梯形模糊数LSTM神经网络模型输出是梯形模糊数时延神经网络模型的输入，梯形模糊数LSTM神经网络模型输出的梯形模糊数代表被测量对象的气密性等级值；梯形模糊数LSTM神经网络模型输出是一个梯形模糊数，因此，梯形模糊数LSTM神经网络模型输出是4个节点并且输出的4个数字构成梯形模糊数；LSTM神经网络模型由长短期记忆(LSTM)单元组成的时间递归神经网络(RNN)称为LSTM神经网络模型时间递归神经网络，通常也被称为LSTM神经网络模型网络。LSTM神经网络模型引入了记忆单元 (Memory Cell)和隐藏层状态(Cell State)的机制来控制隐藏层之间的信息传递。一个LSTM神经网络模型神经网络的记忆单元内有3个门(Gates)计算结构分别是输入门(Input Gate)、遗忘门(Forget Gate)和输出门(Output Gate)。其中，输入门能控制新信息的加入或滤出；遗忘门能忘记需要丢掉的信息以及保留过去有用的信息；输出门能使记忆单元只输出与当前时间步相关的信息。这3个门结构在记忆单元中进行矩阵乘法和非线性求和等运算，使得记忆在不断的迭代中仍然不会衰减。长短期记忆单元(LSTM)结构单元由单元 (Cell)，输入门(Input Gate)，输出门(Output Gate)和忘记门(Forget Gate) 组成。LSTM神经网络模型是可以持续较长时间短期记忆的模型适合用预测时间序列的输入值的动态变化，LSTM神经网络模型有效防止了RNN训练时的梯度消失，长短期记忆(LSTM)网络是一种特殊的RNN。LSTM神经网络模型可以学习长期的依赖信息，同时避免梯度消失问题。LSTM神经网络模型在神经元内部结构RNN的隐藏层的神经节点中增加了一种被称为记忆单元(Memory Cell)的结构用来记忆过去的输入值的动态变化信息，并增加了三种门 (Input、Forget、Output)结构来控制输入历史信息的使用。设输入信号数据为 (x₁,x₂,…,x_T)，隐含层状态为(h₁,h₂,…,h_T)，则t时刻有：

i_t＝sigmoid(W_hih_t-1+W_xiX_t) (13)

f_t＝sigmoid(W_hfh_t-1+W_hfX_t) (14)

c_t＝f_t⊙c_t-1+i_t⊙tanh(W_hch_t-1+W_xcX_t) (15)

o_t＝sigmoid(W_hoh_t-1+W_hxX_t+W_coc_t) (16)

h_t＝o_t⊙tanh(c_t) (17)

其中i_t、f_t、o_t代表input门、forget门和output门，c_t代表cell单元， W_h代表递归连接的权重，W_x代表输入层到隐含层的权重，sigmoid与tanh为两种激活函数。使用长短期记忆的4个LSTM神经网络模型来对进行预测被检测对象气密性等级值，该方法首先建立LSTM神经网络模型，利用预处理的多个被检测对象气密性等级数据建立训练集并对模型进行训练，LSTM神经网络模型考虑了被检测对象气密性等级数据变化的时序性和非线性，具有较高被检测对象气密性等级数据动态的预测精度。根据被检查对象气密性的工程实践经验，通过区梯形模糊数LSTM神经网络模型将被检测对象的气密性能分为5个气密性等级；5个气密性等级分别为正常状态、气密性很差、气密性较差、气密性较好和气密性很好，梯形模糊数LSTM神经网络模型构建5个梯形模糊是与5种气密性等级的对应关系表。计算LSTM神经网络模型输出的梯形模糊数与代表5 种气密性等级的5个梯形模糊数的相似度，其中相似度最大的梯形模糊数对应的气密性等级确定为被检测对象的气密性等级，5个梯形模糊是与5种气密性等级的对应关系表1如下所示：

表1 5个梯形模糊是与5种气密性等级的对应关系表

序号	气密性等级	梯形模糊数
			1	气密性很好	(0.0，0.05，0.15，0.3)
2	气密性较好	(0.1，0.15，0.3,0.4)
			3	正常状态	(0.3，0.35，0.45，0.7)
4	气密性较差	(0.6，0.75，0.8,0.9)
			5	气密性很差	(0.8，0.85,0.9,1.0)

6、梯形模糊数时延神经网络模型设计

梯形模糊数LSTM神经网络模型输出是梯形模糊数时延神经网络模型的输入，梯形模糊数时延神经网络模型输出作为CNN卷积神经网络模型输出的对应输入；梯形模糊数时延神经网络模型是输入为梯形模糊数，输出为梯形模糊数的时延神经网络模型；时间延迟神经网络模型(Time Delay Neural Networks， TDNN神经网络)是一个自适应线性网络，它的输入从网络左边进入,通过单步延时线D的作用,经过d步延时后成为d+1维向量的输入,该向量是由当前K个时刻梯形模糊数LSTM神经网络模型输出的信号和K以前的d-1个梯形模糊数 LSTM神经网络模型输出的信号组合而成，神经元采用线性激活函数，时延神经网络属于传统人工神经网络的变种。时延神经网络结构由输入层、输出层和一个或若干个隐含层组成，由神经网络建立起“输入-输出”之间的映射关系。不同于传统的神经网络，时延神经网络通过在输入层对输入进行延迟实现对前序输入的记忆，通过在输入层对输入进行延迟，使网络可以利用之前的d步的输入与当前的输入共同预测当前时间点的输出，对于一个输入层延迟步数为d的时延神经网络，R为时延神经网络的前向传播算子，可以简单地把输入序列X 与输出序列Y之间的关系表示成如下形式：

Y(t)＝R(X(t),X(t-1),…,X(t-d)) (18)

7、温度补偿模块设计

温度补偿模块包括NARX神经网络模型、自联想神经网络模型、小波分解模型、GM(1,1)灰色预测模型、多个降噪自编码器和LSTM神经网络模型；标准容器和被测量对象的2组多个温度传感器输出分别作为对应的2组多个 NARX神经网络模型的输入，2组多个NARX神经网络模型输出分别作为对应的2个自联想神经网络模型的输入，2个自联想神经网络模型输出的2个容器温度差值作为小波分解模型的输入，小波分解模型输出的2个容器温度差值的低频部分和多个高频部分分别是GM(1,1)灰色预测模型和多个降噪自编码器的输入，GM(1,1)灰色预测模型和多个降噪自编码器的输出是LSTM神经网络模型的输入，LSTM神经网络模型输出值作为温度补偿模块的输出；其中NARX 神经网络模型、小波分解模型、GM(1,1)灰色预测模型、多个降噪自编码器和 LSTM神经网络模型的设计过程参照本专利的相关部分设计方法；自联想神经网络模型的设计过程如下：自联想神经网络模型设计过程如下：自联想神经网络模型(Auto-associative neural network，AANN)，一种特殊结构的前馈神经网络，自联想神经网络模型结构包括一个输入层，一定数量的隐含层和一个输出层。首先通过对的输入层、映射层以及瓶颈层实现了多个NARX神经网络模型输出的数据信息的压缩，从多个NARX神经网络模型输出的高维参数空间中提取了反映被检测系统的温度系统结构的最具代表性的低维子空间，同时有效地滤去了温度输入数据中的噪声和测量误差，再通过瓶颈层、解映射层和输出层实现温度数据的解压缩，将前面压缩的信息还原到各个参数值，从而实现温度输入数据的重构。为了达到温度信息压缩的目的，自联想神经网络模型络瓶颈层节点数目明显小于输入层，又为了防止形成温度的输入输出层之间的简单单一映射，除了输出层激励函数采用线形函数外，其它各层均采用非线形的激励函数。从本质来讲，自联想神经网络模型的隐含层第一层叫作映射层，映射层的节点传递函数可能是S型函数也可能是其他类似的非线性函数；隐含层第二层叫做瓶颈层，瓶颈层的维数是网络中最小的，它的传递函数可能是线性的或者是非线性，瓶颈层避免了那种很容易实现的一对一的输出和输入相等的映射关系，它使自联想神经网络模型对温度信号进行编码和压缩得到的被检测对象温度融合值得相关模型，并在瓶颈层后进行温度融合值得解码和解压缩以产生温度输入信号的估计值；隐含层第三层或最后一层叫做解映射层，解映射层的节点传递函数是通常是非线性的S型函数，自联想神经网用误差反向传播算法来训练。

8、气密性校正模块设计

气密性校正模块包括NARX神经网络模型、小波分解模型、GM(1,1)灰色预测模型、多个降噪自编码器和LSTM神经网络模型；标准容器的压力变送器和被测量对象的压力变送器的输出分别作为对应的2个NARX神经网络模型的输入，2个NARX神经网络模型输出的2个变送器压力差值作为小波分解模型的输入，小波分解模型输出的2个变送器压力差值的低频部分和多个高频部分分别是GM(1,1)灰色预测模型和多个降噪自编码器的输入，GM(1,1)灰色预测模型和多个降噪自编码器的输出是LSTM神经网络模型的输入，LSTM 神经网络模型输出值作为气密性校正模块的输出；气密性校正模块的设计过程参照本专利的温度补偿模块设计方法。

9、一种气密性检测系统的设计举例

根据被检测对象的状况，系统设计了温度检测节点、压力检测节点、控制节点和现场监控端的平面布置安装图，其中温度检测节点的温度传感器均衡布置在被检测对象和标准容器的环境中，通过该系统实现对象温度和压力参数采集和处理，实现对被检测对象的气密性进行分类。

本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (6)

1.一种气密性检测系统，其特征在于：所述系统包括参数采集与控制平台和气密性大数据处理子系统，系统实现对被检测对象的气密性参数检测、处理和气密性等级分类；

所述气密性大数据处理子系统包括NARX神经网络模型、小波分解模型、GM（1,1）灰色预测模型、降噪自编码器、CNN卷积神经网络模型、梯形模糊数LSTM神经网络模型、梯形模糊数时延神经网络模型、气密性校正模块和温度补偿模块；差压传感器输出和温度补偿模块输出作为NARX神经网络模型的输入，NARX神经网络模型的输出作为小波分解模型的输入，小波分解模型输出NARX神经网络模型输出值的低频部分和多个高频波动部分，NARX神经网络模型输出值的低频部分和多个高频波动部分分别是GM（1,1）灰色预测模型和多个降噪自编码器的输入，GM（1,1）灰色预测模型和多个降噪自编码器的输出是CNN卷积神经网络模型对应的输入，CNN卷积神经网络模型输出和气密性校正模块输出是梯形模糊数LSTM神经网络模型的输入，梯形模糊数LSTM神经网络模型输出是梯形模糊数时延神经网络模型的输入，梯形模糊数时延神经网络模型输出作为CNN卷积神经网络模型输出的对应输入，梯形模糊数LSTM神经网络模型输出的梯形模糊数代表被测量对象的气密性等级值。

2.根据权利要求1所述的一种气密性检测系统，其特征在于：所述温度补偿模块包括NARX神经网络模型、自联想神经网络模型、小波分解模型、GM（1,1）灰色预测模型、多个降噪自编码器和LSTM神经网络模型；标准容器和被测量对象的2组多个温度传感器输出分别作为对应的2组多个NARX神经网络模型的输入，2组多个NARX神经网络模型输出分别作为对应的2个自联想神经网络模型的输入，2个自联想神经网络模型输出的2个容器温度差值作为小波分解模型的输入，小波分解模型输出的2个容器温度差值的低频部分和多个高频部分分别是GM（1,1）灰色预测模型和多个降噪自编码器的输入，GM（1,1）灰色预测模型和多个降噪自编码器的输出是LSTM神经网络模型的输入，LSTM神经网络模型输出值作为温度补偿模块的输出。

3.根据权利要求1所述的一种气密性检测系统，其特征在于：所述气密性校正模块包括NARX神经网络模型、小波分解模型、GM（1,1）灰色预测模型、降噪自编码器和LSTM神经网络模型；标准容器的压力变送器和被测量对象的压力变送器的输出分别作为对应的2个NARX神经网络模型的输入，2个NARX神经网络模型输出的2个变送器压力差值作为小波分解模型的输入，小波分解模型输出的2个变送器压力差值的低频部分和多个高频部分分别是GM（1,1）灰色预测模型和多个降噪自编码器的输入，GM（1,1）灰色预测模型和多个降噪自编码器的输出是LSTM神经网络模型的输入，LSTM神经网络模型输出值作为气密性校正模块的输出。

4.根据权利要求3所述的一种气密性检测系统，其特征在于：所述梯形模糊数LSTM神经网络模型将被检测对象的气密性能分为5个气密性等级；5个气密性等级分别为正常状态、气密性很差、气密性较差、气密性较好和气密性很好，梯形模糊数LSTM神经网络模型构建5个梯形模糊是与5种气密性等级的对应关系表；计算LSTM神经网络模型输出的梯形模糊数与代表5种气密性等级的5个梯形模糊数的相似度，其中相似度最大的梯形模糊数对应的气密性等级确定为被检测对象的气密性等级。

5.根据权利要求1所述的一种气密性检测系统，其特征在于：所述参数采集与控制平台包括气源、充气阀、质量流量控制器、压力检测节点、温度检测节点、控制节点、差压传感器、压力变送器、输气管、被测量对象、标准容器和现场监控端。

6.根据权利要求5所述的一种气密性检测系统，其特征在于：通过输气管把气源的气体输送到充气阀，充气阀通过输气管把气体分别送到质量流量控制器，质量流量控制器通过输气管把气体分别送到标准容和被测量对象，在质量流量控制器与标准容器以及被测量对象的输气管道之间和输气管道上分别安装差压传感器和压力变送器，温度检测节点检测标准容器以及被测量对象的温度和压力检测节点检测差压传感器以及压力变送器的压力值分别通过温度检测节点的CAN接口、压力检测节点的CAN接口和现场监控端的RS232/CAN接口传输给现场监控端,控制节点调节与控制充气阀和质量流量控制器，现场监控端的控制信息通过现场监控端的RS232/CAN接口和控制节点的CAN接口传输给控制节点，控制节点、压力检测节点、温度检测节点和现场监控端通过控制节点的CAN接口、压力检测节点的CAN接口、温度检测节点的CAN接口和现场监控端的RS232/CAN接口构成CAN总线网络，实现控制节点、压力检测节点、温度检测节点和现场监控端之间信息的相互传递，多个温度传感器分别分布在标准容器和被测量对象中，标准容器和被测量对象中的温度传感器作为对应的温度检测节点的输入，压力检测节点分别检测差压传感器和压力变送器的值，控制节点实现对充气阀和质量流量控制器的流量调节与开关控制。

Images