CN115545080B - 滑油屑末在线检测方法及装置 - Google Patents
滑油屑末在线检测方法及装置 Download PDFInfo
- Publication number
- CN115545080B CN115545080B CN202211283961.9A CN202211283961A CN115545080B CN 115545080 B CN115545080 B CN 115545080B CN 202211283961 A CN202211283961 A CN 202211283961A CN 115545080 B CN115545080 B CN 115545080B
- Authority
- CN
- China
- Prior art keywords
- signal
- signals
- metal chip
- noise
- lubricating oil
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明公开了一种滑油屑末在线检测方法,属于航空发动机健康监测技术领域。本发明基于长短期记忆神经网络构建金属屑末检测模型,并结合变长度加窗的屑末在线检测算法,依据多个检测窗口的检测情况对屑末信号的特征进行信息融合,在面对传统信号特征检测算法无法有效应对的信号畸变时,具有更好的检测效果,提高了屑末检测的置信度,降低了虚警率;在此基础上,本发明进一步通过多种去噪技术的有机组合,分步消除高频电磁噪声、低频振动噪声以及背景白噪声和有色噪声,从而可凸显出屑末波形信号,大幅提高信噪比。本发明还公开了一种滑油屑末在线检测装置。本发明能在高噪声背景下实现对发动机滑油系统金属屑末的高精度在线检测。
Description
技术领域
本发明涉及一种滑油屑末在线检测方法,属于航空发动机健康监测技术领域。
背景技术
在航空发动机运行过程中,由于机械部件表面的相对运动和相互接触,摩擦与磨损在所难免。随着航空发动机的长期运行,磨损量便会逐渐增加,引起机械部件疲劳损伤,同时产生大量金属屑末分布在发动机滑油系统中,导致发动机性能下降或功能失效,引发各种故障。因此,对航空发动机滑油系统的金属屑末进行检测,便能评估发动机机械部件的磨损情况与健康状态,在一定程度上避免因机械部件失效带来的发动机故障,保障飞行器的安全飞行。
目前针对发动机滑油系统的金属屑末检测主要有四种技术:电阻式检测、光谱式检测、能谱式检测以及电磁式检测。电阻式检测原理是测量油路中颗粒的电阻值,检测精度不高,并且无法检测非铁磁颗粒(如铜、铝等金属);光谱式与能谱式技术需要对油滤中的颗粒进行提取分析,分辨精度高,但无法进行在线实时检测;电磁式检测技术的基本原理是在滑油通路上绕制激励线圈与感应线圈,当有金属颗粒通过激励线圈时,感应线圈中的磁场会发生变化产生感应电动势,颗粒尺寸越大产生的感应电动势越大,铁磁颗粒与非铁磁颗粒的感应电动势也存在不同,通过检测感应电动势可以得知颗粒的性质和体积。电磁式检测技术的优点在于分辨精度高、能检测所有金属颗粒且实时性好,可以进行在线检测。但在实际的油液循环检测过程中,航空发动机滑油系统振动干扰源与电磁干扰源过多,环境噪声强,经过屏蔽措施、接地措施等抗干扰处理措施后,金属屑末检测信号背景噪声仍然很强,对信号的识别与检测造成了极大的困难。同时由于金属屑末信号检测为微小信号检测,本身的信号特征并不突出,不同尺寸与形状的金属屑末产生的信号也有很大不同,相较于理论上的正余弦波形会产生严重畸变,采用传统的信号波形识别并不能有效的提取出金属屑末信号的特征,常常出现虚警与误检。
发明内容
本发明所要解决的技术问题在于克服现有电磁式滑油屑末检测技术所存在的实时性不高、识别率低、虚警率高的问题,提供一种能在高噪声背景下实现对发动机滑油系统金属屑末的高精度在线检测的滑油屑末在线检测方法。
本发明具体采用以下技术方案解决上述技术问题:
一种滑油屑末在线检测方法,基于设置于滑油通路上的电磁传感器所采集的信号进行滑油屑末在线检测;具体包括以下步骤:
步骤1、对所采集的原始信号进行降噪处理,并将降噪处理后的信号与原始信号重构为双通道数据;
步骤2、用多个不同长度的测试窗口分别对所述双通道数据进行数据提取,并将所提取的多个不同长度的数据序列分别送入金属屑末检测模型进行屑末检测,然后对所得到的多个检测结果进行信息融合,得到滑油中是否存在金属屑末以及金属屑末是否为铁磁性金属屑末的最终检测结果;所述金属屑末检测模型为按照以下方法预先训练得到的长短期记忆神经网络LSTM:
S1、用电磁传感器采集高噪声背景下已知类别的以下三类信号:无金属屑末信号、铁磁性金属屑末信号、非铁磁性金属屑末信号;
S2、对所采集的原始信号进行降噪处理,并将降噪处理后的信号与原始信号重构为双通道数据,对其采样得到一系列样本,然后按照数据长度对所述样本进行排序,并按照LSTM的单次样本输入数量对排序后的样本序列从前到后进行分批,最后将每一批样本中的所有样本按照其中的最大数据长度进行数据填充,完成数据填充的具有不同数据长度的各批样本即构成训练样本集;
S3、用所述训练样本集对LSTM进行训练,得到所述金属屑末检测模型;
步骤3、令所述多个不同长度的测试窗口向前滑动,转步骤2。
进一步地,所述步骤2中还包括:如当前的最终检测结果为存在金属屑末,则根据金属屑末的类型,进一步按照以下公式对金属屑末的半径进行定量检测:
E1max/E1max′=(rc1/rc1′)3
E2max/E2max′=(rc2/rc2′)4
其中,E1max为最终检测结果为铁磁性金属屑末时的信号波形幅值,E1max′为预先标定好的半径为rc1′的铁磁性金属屑末的信号波形幅值,E2max为最终检测结果为非铁磁性金属屑末时的信号波形幅值,E2max′为预先标定好的半径为rc2′的非铁磁性金属屑末的信号波形幅值。
优选地,在步骤3中根据当前的最终检测结果对测试窗口的滑动距离按照以下方法进行动态调整:如当前的最终检测结果为不存在金属屑末,则令所述多个不同长度的测试窗口按照第一滑动距离向前滑动,否则,令所述多个不同长度的测试窗口按照第二滑动距离向前滑动;所述第一滑动距离小于等于所述多个不同长度的测试窗口中的最小测试窗口长度,所述第二滑动距离小于等于所述多个不同长度的测试窗口中的最大测试窗口长度,且第二滑动距离>第一滑动距离。
优选地,所述降噪处理具体如下:通过对原始信号进行小波分解,提取出原始信号中的低频成分,得到消除了高频电磁噪声的信号;用自适应滤波方法对消除了高频电磁噪声的信号进行处理,将其中的类正弦脉冲信号消除,然后将剩余信号作为振动干扰信号,从消除了高频电磁噪声的信号中减去所述振动干扰信号,得到消除了高频电磁噪声和振动干扰的信号;最后用阈值降噪方法对消除了高频电磁噪声和振动干扰的信号进行处理,进一步消除其中背景白噪声与有色噪声的干扰,最终完成所述降噪处理。
优选地,所述LSTM的修正层中的损失函数具体如下:
式中,y1′,y2′,…yC′代表LSTM网络预测该段信号类别为第1~第C个类别的归一化概率,C为信号类别总数,pi为信号类别为第i类的真实概率,如果信号类别为第i类则pi=1,否则pi=0。
基于同一发明构思还可以得到以下技术方案:
一种滑油屑末在线检测装置,基于设置于滑油通路上的电磁传感器所采集的信号进行滑油屑末在线检测;该装置包括:
降噪模块,用于对所采集的原始信号进行降噪处理;
数据重构模块,用于将降噪处理后的信号与原始信号重构为双通道数据;
数据提取模块,用于用多个不同长度的测试窗口分别对所述双通道数据进行数据提取;
金属屑末检测模型,用于对数据提取模块所提取的多个不同长度的数据序列分别进行屑末检测,得到滑油中是否存在金属屑末以及金属屑末是否为铁磁性金属屑末的多个检测结果;所述金属屑末检测模型为按照以下方法预先训练得到的长短期记忆神经网络LSTM:
S1、用电磁传感器采集高噪声背景下已知类别的以下三类信号:无金属屑末信号、铁磁性金属屑末信号、非铁磁性金属屑末信号;
S2、对所采集的原始信号进行降噪处理,并将降噪处理后的信号与原始信号重构为双通道数据,对其采样得到一系列样本,然后按照数据长度对所述样本进行排序,并按照LSTM的单次样本输入数量对排序后的样本序列从前到后进行分批,最后将每一批样本中的所有样本按照其中的最大数据长度进行数据填充,完成数据填充的具有不同数据长度的各批样本即构成训练样本集;
S3、用所述训练样本集对LSTM进行训练,得到所述金属屑末检测模型;
信息融合模块,用于对所述多个检测结果进行信息融合,得到滑油中是否存在金属屑末以及金属屑末是否为铁磁性金属屑末的最终检测结果;
测试窗口滑动模块,用于令所述多个不同长度的测试窗口向前滑动。
进一步地,该装置还包括:
定量检测模块,用于在当前的最终检测结果为存在金属屑末时,根据金属屑末的类型,进一步按照以下公式对金属屑末的半径进行定量检测:
E1max/E1max′=(rc1/rc1′)3
E2max/E2max′=(rc2/rc2′)4
其中,E1max为最终检测结果为铁磁性金属屑末时的信号波形幅值,E1max′为预先标定好的半径为rc1′的铁磁性金属屑末的信号波形幅值,E2max为最终检测结果为非铁磁性金属屑末时的信号波形幅值,E2max′为预先标定好的半径为rc2′的非铁磁性金属屑末的信号波形幅值。
优选地,测试窗口滑动模块根据当前的最终检测结果对测试窗口的滑动距离按照以下方法进行动态调整:如当前的最终检测结果为不存在金属屑末,则令所述多个不同长度的测试窗口按照第一滑动距离向前滑动,否则,令所述多个不同长度的测试窗口按照第二滑动距离向前滑动;所述第一滑动距离小于等于所述多个不同长度的测试窗口中的最小测试窗口长度,所述第二滑动距离小于等于所述多个不同长度的测试窗口中的最大测试窗口长度,且第二滑动距离>第一滑动距离。
优选地,所述降噪处理具体如下:通过对原始信号进行小波分解,提取出原始信号中的低频成分,得到消除了高频电磁噪声的信号;用自适应滤波方法对消除了高频电磁噪声的信号进行处理,将其中的类正弦脉冲信号消除,然后将剩余信号作为振动干扰信号,从消除了高频电磁噪声的信号中减去所述振动干扰信号,得到消除了高频电磁噪声和振动干扰的信号;最后用阈值降噪方法对消除了高频电磁噪声和振动干扰的信号进行处理,进一步消除其中背景白噪声与有色噪声的干扰,最终完成所述降噪处理。
优选地,所述LSTM的修正层中的损失函数具体如下:
式中,y1′,y2′,…yC′代表LSTM网络预测该段信号类别为第1~第C个类别的归一化概率,C为信号类别总数,pi为信号类别为第i类的真实概率,如果信号类别为第i类则pi=1,否则pi=0。
相比现有技术,本发明技术方案及其进一步改进及优选方案具有以下有益效果:
(1)针对发动机滑油系统测试的复杂环境,本发明采用多种去噪技术的有机组合,分步消除高频电磁噪声、低频振动噪声以及背景白噪声和有色噪声,可凸显出屑末波形信号,大幅提高了信噪比。
(2)本发明通过长短期记忆神经网络构建金属屑末检测模型,对电磁传感器的信号特征进行自动提取和学习,在面对传统信号特征检测算法无法有效应对的信号畸变时,具有更好的检测效果。
(3)本发明采用变长度加窗的屑末在线检测算法,依据多个检测窗口的检测情况对屑末信号的特征进行信息融合,避免了单个窗口检测时产生的信号波形特征不完整,提高了屑末检测的置信度,降低了虚警率。
附图说明
图1为本发明滑油屑末在线检测装置一个优选实施例的结构原理示意图;
图2为优选实例中的信号降噪处理流程示意图;
图3为训练数据集划分方法示意图;
图4为训练数据填充与排序原理示意图;
图5为长短期记忆循环神经网络的基本结构示意图;
图6为长短期记忆循环神经网络训练的整体架构示意图;
图7为长短期记忆神经网络参数配置与部署过程示意图;
图8为信号预处理方法示意图;
图9为时间序列变长度加窗原理示意图;
图10为滑油屑末信号在线检测容错方法的原理示意图。
具体实施方式
针对现有电磁式滑油屑末检测技术所存在的不足,本发明的解决思路是基于长短期记忆神经网络构建金属屑末检测模型,对电磁传感器的信号特征进行自动提取和学习,并结合变长度加窗的屑末在线检测算法,依据多个检测窗口的检测情况对屑末信号的特征进行信息融合,在面对传统信号特征检测算法无法有效应对的信号畸变时,具有更好的检测效果,提高了屑末检测的置信度,降低了虚警率;在此基础上,本发明还进一步针对高噪声环境下的滑油屑末电磁检测波形特点提出一种多特征融合降噪算法,通过多种去噪技术的有机组合,分步消除高频电磁噪声、低频振动噪声以及背景白噪声和有色噪声,从而可凸显出屑末波形信号,大幅提高信噪比。
本发明所提出的滑油屑末在线检测方法,基于设置于滑油通路上的电磁传感器所采集的信号进行滑油屑末在线检测;具体包括以下步骤:
步骤1、对所采集的原始信号进行降噪处理,并将降噪处理后的信号与原始信号重构为双通道数据;
步骤2、用多个不同长度的测试窗口分别对所述双通道数据进行数据提取,并将所提取的多个不同长度的数据序列分别送入金属屑末检测模型进行屑末检测,然后对所得到的多个检测结果进行信息融合,得到滑油中是否存在金属屑末以及金属屑末是否为铁磁性金属屑末的最终检测结果;所述金属屑末检测模型为按照以下方法预先训练得到的长短期记忆神经网络LSTM:
S1、用电磁传感器采集高噪声背景下已知类别的以下三类信号:无金属屑末信号、铁磁性金属屑末信号、非铁磁性金属屑末信号;
S2、对所采集的原始信号进行降噪处理,并将降噪处理后的信号与原始信号重构为双通道数据,对其采样得到一系列样本,然后按照数据长度对所述样本进行排序,并按照LSTM的单次样本输入数量对排序后的样本序列从前到后进行分批,最后将每一批样本中的所有样本按照其中的最大数据长度进行数据填充,完成数据填充的具有不同数据长度的各批样本即构成训练样本集;
S3、用所述训练样本集对LSTM进行训练,得到所述金属屑末检测模型;
步骤3、令所述多个不同长度的测试窗口向前滑动,转步骤2。
本发明所提出的滑油屑末在线检测装置,基于设置于滑油通路上的电磁传感器所采集的信号进行滑油屑末在线检测;该装置包括:
降噪模块,用于对所采集的原始信号进行降噪处理;
数据重构模块,用于将降噪处理后的信号与原始信号重构为双通道数据;
数据提取模块,用于用多个不同长度的测试窗口分别对所述双通道数据进行数据提取;
金属屑末检测模型,用于对数据提取模块所提取的多个不同长度的数据序列分别进行屑末检测,得到滑油中是否存在金属屑末以及金属屑末是否为铁磁性金属屑末的多个检测结果;所述金属屑末检测模型为按照以下方法预先训练得到的长短期记忆神经网络LSTM:
S1、用电磁传感器采集高噪声背景下已知类别的以下三类信号:无金属屑末信号、铁磁性金属屑末信号、非铁磁性金属屑末信号;
S2、对所采集的原始信号进行降噪处理,并将降噪处理后的信号与原始信号重构为双通道数据,对其采样得到一系列样本,然后按照数据长度对所述样本进行排序,并按照LSTM的单次样本输入数量对排序后的样本序列从前到后进行分批,最后将每一批样本中的所有样本按照其中的最大数据长度进行数据填充,完成数据填充的具有不同数据长度的各批样本即构成训练样本集;
S3、用所述训练样本集对LSTM进行训练,得到所述金属屑末检测模型;
信息融合模块,用于对所述多个检测结果进行信息融合,得到滑油中是否存在金属屑末以及金属屑末是否为铁磁性金属屑末的最终检测结果;
测试窗口滑动模块,用于令所述多个不同长度的测试窗口向前滑动。
为了便于公众理解,下面通过一个优选实施例并结合附图来对本发明的技术方案进行详细说明:
图1显示了本发明滑油屑末在线检测装置一个优选实施例的整体结构框架及原理,如图1所示,其包括以下四个部分:1.航空发动机滑油屑末信号采集;2.信号预处理降噪算法;3.基于长短期记忆神经网络的波形信号特征提取;4.金属屑末信号在线检测容错算法。下面对各部分分别进行详细说明:
1.航空发动机滑油屑末信号采集,具体实施过程如下述:
(1)发动机滑油系统进行油液循环实验,油液通过电磁式滑油屑末传感器内部,滑油屑末传感器输出波形信号;
(2)若采集的信号用于深度学习的训练数据集,采集信号的过程中需要保留振动干扰、电磁干扰等不可避免的噪声,为复杂背景下的信号处理提供数据支撑;
(3)若进行屑末信号在线检测,将滑油屑末传感器采集到的波形信号实时输入到环形缓冲区,等待后续处理,如图8所示。
2.信号预处理降噪方法:
本发明针对高噪声环境下的滑油屑末电磁检测波形特点提出一种多特征融合降噪算法,具体如下:通过对原始信号进行小波分解,提取出原始信号中的低频成分,得到消除了高频电磁噪声的信号;用自适应滤波方法对消除了高频电磁噪声的信号进行处理,将其中的类正弦脉冲信号消除,然后将剩余信号作为振动干扰信号,从消除了高频电磁噪声的信号中减去所述振动干扰信号,得到消除了高频电磁噪声和振动干扰的信号;最后用阈值降噪方法对消除了高频电磁噪声和振动干扰的信号进行处理,进一步消除其中背景白噪声与有色噪声的干扰,最终完成所述降噪处理。
如图2所示,其具体实施过程如下:
(1)本实施例首先选用典型的Symlet小波基函数算法进行小波分析。Symlet小波函数是一种近似对称的小波函数,具备较好的正则性。Symlet小波系通常表示为symN(N=2,3,…,8),symN的支撑范围为2N-1,消失矩为N,同时symN小波具有较好的对称性,即一定程度上能够减少对信号分析和重构时相位失真。本发明选取sym6小波变换对信号进行降噪处理,记含噪声的信号为y=x+n,其中:x为原始信号,n为方差为的高斯白噪声。基于小波变换的信号降噪方法包括以下流程:
1.将含噪声的信号作小波变换,得Y=X+N,式中:Y、X和N分别为y、x、n的小波变换系数。
2.修改小波系数,获得不含噪声信号的小波变换系数的估计;
3.将修改后的小波域系数作小波逆变换,重新构建降噪后的信号。
最小化估计平均平方误差,可以得出理想的修正系数为
在正交变换的情况下,称上式为理想滤波器,但由于小波系数X是未知的,理想滤波器是不可能实现的,需要根据滑油屑末信号特征与降噪需求完成滤波器的设计。经小波变换过后可将信号中的低频成分和高频电磁噪声进行分离,提取出屑末信号中的低频成分。
(2)采用自适应滤波算法处理经小波分解后的低频信号。自适应滤波中非线性自适应滤波器信号处理能力更强,但计算复杂度较高。所以实践中,线性自适应滤波器使用较多。本实施例选用其中收敛速度较快的递推最小二乘法(RLS,Recursive Least Squares)进行测试研究。x(n)为输入信号,y(n)为自适应滤波器的输出信号,d(n)为参考信号,e(n)为误差信号,W为滤波器的权值系数向量.对于N阶滤波器,设它的权值系数向量为W={w1,w2…wk},滤波器某一时刻的输入向量为X(n)={x(n-1),x(n-2),…x(n-N)}则误差信号e(n)可以表示为:
RLS算法定义了目标函数:
目标函数Jn(ω)对ω求导,令梯度等于0,得到ω的公式为:
R(n)与r(n)的时间递推公式如下:
R(n)=λR(n-1)+x(n)xT(n)
r(n)=λr(n-1)+x(n)d(n)
RLS算法的执行流程如下:
1.初始化:ω(n)=0,p(0)=δ-1I,δ是一个很小的正数,I是单位矩阵。
2.对每一个时刻n,重复如下计算:
a.先验误差:计算e(n)=d(n)-y(n);
d.滤波器更新:w(n)=w(n-1)+k(n)e(n)
采用自适应滤波算法处理经小波分解后的低频信号,将滑油屑末类正弦脉冲信号消除,将振动干扰信号提取出来,而后将自适应滤波前的原始信号(即小波分解得到的低频信号)减去振动干扰信号,得到不含振动干扰的金属屑末信号。(3)将自适应滤波后的不含振动干扰的金属屑末信号进行阈值降噪处理,进一步降低背景白噪声与有色噪声的干扰,凸显出屑末信号波形特征。阈值降噪通常用于小波分解后对信号进行进一步处理。通过计算得出一个阈值,当信号幅值大于此阈值时,输出原信号与阈值的差,当信号幅值小于此阈值时,输出0,这样即可达到进一步降噪的目的。在本研究中,采用的阈值函数为:
其中,表示阈值降噪后的输出,sign()符号函数,/>表示阈值,σ表示信号的标准差,N是信号长度。经阈值降噪后,信号可用于下一步的处理。3.构建基于长短期记忆神经网络(LSTM)的金属屑末检测模型,具体实施过程如图3~图7所示,如下述:
(1)在发动机滑油屑末信号采集过程中,采集到用于深度学习的数据集,应包含高噪声背景下不同类型金属屑末与不含屑末的传感信号。此后依据传感信号的类别对通道1进行数据标定,本发明所标定的波形类别分为三种,包括:1.无金属屑末信号、2.铁磁性金属屑末信号、3.非铁磁性金属屑末信号。最后记录各信号对应的起点与终点时间,然后将双通道数据按时间起始点同时截取,即可获得一段样本序列Xi:
Xi=(x1,x2,…,xj,…xS)
其中xj代表时间点j对应的双通道数据,下标S为时间序列的长度。
(2)将采集到的原始信号作为通道2,经信号预处理降噪算法进行处理,得到降噪后的信号,然后将降噪后的信号作为通道1与原始信号(通道2)进行重构,获得双通道数据,如图3所示。双通道数据重构的目的在于使波形识别网络充分感知金属屑末的信号特征,这是因为金属屑末通过传感器时除了产生类正弦信号还会产生某些特定噪声,这些噪声同样预示着金属屑末的存在,但是经降噪处理后该类噪声被消除无法体现,因此将降噪后的数据与原始数据进行重构,得到的双通道数据便可充分展示滑油屑末通过传感器时的信号特征。所述数据重构可采用现有的各类数据特征增强方法,例如向量拼接方法、加权平均处理、引入随机噪音等方式,本实施例中采用向量拼接方法。最后,随机划分n个样本序列构成训练集,划分m个样本序列构成测试集,本发明中取n:m=7:3
(3)将得到的训练集按时间长度进行排序,然后进行空白数据填充,如图4所示,数据填充的目标是在步长合适的情况下尽量减少填充数据量,在此目标下,将训练机的数据按长度进行排序会取得更好的效果。本发明按照数据长度对采集到的样本进行排序,并按照LSTM的单次样本输入数量对排序后的样本序列从前到后进行分批,最后将每一批样本中的所有样本按照其中的最大数据长度进行数据填充,完成数据填充的具有不同数据长度的各批样本即构成训练样本集。如图4所示,本实施例在信号的头尾两端同时进行数据填充,在保持原始信号特征的同时使每个计算批次的数据长度相同,从而构成用于神经网络模型训练的训练样本集和测试样本集。
(4)长短期记忆神经网络(LSTM)的输入数据由上一时间序列传递过来的单元状态Ct-1、输出信息ht-1和当前时刻的输入xt共同构成,输出数据为当前时刻的单元状态Ct和输出信息ht,其中C又称为长期记忆,h又称为短期记忆。LSTM通过门控单元来学习长期记忆,并通过不断循环的学习过程将长期记忆和短期单元相结合,可以从大量的训练数据中获得分类信号特征的先验知识,提高波形识别的准确度。门控单元包括输入门ft、遗忘门it和输出门ot,其定义如下:
ft=σ(wf·[ht-1,xt]+bf)
it=σ(wi·[ht-1,xt]+bi)
ot=σ(wo·[ht-1,xt]+bo)
式中,w为重置门权重,b为偏置项,激活函数如下:
长期记忆Ct和短期记忆ht的输出结果为:
(5)考虑到滑油屑末信号的双通道时间序列特征,本发明构建了如图6所示的LSTM循环神经网络整体架构:首先将训练集中的一段样本序列Xi=(x1,x2,…,xj,…xS)置于输入层,然后按照时间序列将数据输入到隐藏层中的LSTM模块,驱动单元状态C与输出h的更新。经过神经网络隐藏层的特征提取及传递后,通过最后一个LSTM模块将信号输出至输出层。输出层内,信号依次通过全连接层、SoftMax层和分类输出层,得到LSTM网络预测该段信号类别的归一化概率Yi′=(y1′,y2′,…yC′),并将结果输入到修正层中进行下一步处理。本发明定义了以下的损失函数:
式中,y1′,y2′,…yC′代表LSTM网络预测该段信号类别为第1~第C个类别的归一化概率,C为信号类别总数(本实施例中C=3),pi为信号类别为第i类的真实概率,如果信号类别为第i类则pi=1,否则pi=0;在修正层中根据损失函数L,使用基于梯度的优化算法更新连重置门重矩阵w,完成LSTM的算法优化。(6)LSTM神经网络的初始参数主要包括样本的时间序列长度S、训练步长Batch、前馈网络层隐藏神经元数量Sstate、学习率η以及最大训练周期Epoch。本发明的参数寻优过程如图7所示:首先基于LSTM循环神经网络对训练样本集进行特征学习,训练完成后对测试集的信号数据进行波形识别测试,若测试结果满足要求,则可直接进行模型部署,否则需要修改训练参数进行重新训练。经过不断迭代寻优,选择最为合适的训练参数,使识别模型的自检准确度达到99%以上后终止训练,将得到的深度学习模型进行最终部署。在实际的参数调整过程中,前馈网络层隐藏神经元数量Sstate以及最大训练周期Epoch通常根据经验选取,经多次参数调整测试,本发明选取Sstate=128,Epoch=10000,Batch=6,时间序列长度Length在空白数据填充时自动确定。
4.金属屑末传感器信号在线识别容错算法,如图8~图10所示,具体实施过程如下:
(1)基于LSTM深度学习网络得到的金属屑末检测模型可以对一段特定长度的时间序列信号进行检测,然而滑油屑末传感器的输出信号是一段连续且实时更新的序列,要对该序列进行检测,首先需要将信号进行降噪滤波与数据重构得到检测模型所需的双通道波形信号,然后将双通道信号实时分割为多段特定长度的序列,使基于深度学习的金属屑末检测模型在线运行。本发明采用如图8的方法进行信号预处理,首先将发动机滑油系统与滑油屑末传感器连接进行油液循环,通过滑油屑末传感器采集数据,然后将采集到的传感器信号发送给环形缓冲区,并逐一拼接在环形缓冲区内环形队列的头部,使环形队列向前更新。滑油传感器信号采集频率为15000HZ,本发明采用的环形缓冲区总容量可储存10s即1.5×105组数据,当降噪模块处于空闲状态且环形缓冲区内队列长度大于15000时,从队尾分割并取出15000组数据进行下一步的信号降噪处理。
(2)如图8所示,分割后的信号队列依次经过降噪模块的小波分解、自适应滤波与阈值降噪,经该模块后去除了噪声干扰,然后再将降噪后的信号与原始信号分别作为两个数据通道进行重构,得到双通道信号。
(3)将该段信号分割为特定长度的数据片段作为数据识别窗口,然后沿着时间方向,向前滑动更新窗口,并逐一发送给部署后的金属屑末检测模型,即可进行长时间序列下的信号特征识别。对双通道信号队列进行窗口识别时,如果采用固定长度的数据长度作为识别窗口,较长的屑末信号的波形特征可能会因为被窗口分割而无法完全体现,而较短的信号波形可能又会产生大量无效干扰,甚至多段波形,使波形信号检测模型难以对信号类型进行分类,出现漏检与虚警的状况。为了提高屑末信号在线检测的置信度,需要进行容错算法设计。本发明首先采用图9所示的方法,进行变长度数据加窗,即采用三个不同长度的测试窗口进行对波形信号进行提取,其中,测试窗口1~3的分别包含有为200、300和400组数据,将三个测试窗口提取的信号序列分别发送给金属屑末检测模型进行检测后,根据识别结果进行动态窗口滑动:如当前的最终检测结果为不存在金属屑末,则令所述多个不同长度的测试窗口按照第一滑动距离向前滑动,否则,令所述多个不同长度的测试窗口按照第二滑动距离向前滑动;所述第一滑动距离小于等于所述多个不同长度的测试窗口中的最小测试窗口长度,所述第二滑动距离小于等于所述多个不同长度的测试窗口中的最大测试窗口长度,且第二滑动距离>第一滑动距离。若采取小间距窗口滑动,则需将时间三个测试窗口同时向前移动间隔1,截取新的信号数据,若采取大间距窗口滑动,则需将时间三个测试窗口同时向前移动间隔2后截取数据,本实施例中的间隔1长度为50组,间隔2长度为400。
(4)滑油屑末在线检测的整体流程如图10所示,首先对发动机滑油系统进行信号采集,将采集到的传感器信号进行降噪处理,并与原始信号重构获得双通道波形信息;然后对得到的双通道波形信号进行变长度加窗处理,得到三个测试窗口。下一步采用金属屑末检测模型对三个测试窗口提取的数据分别进行波形特征分类,并结合置信度阈值输出三个窗口的识别结果,若识别到铁磁性/非铁磁性屑末信号的置信度大于阈值时,则输出结果为铁磁性/非铁磁性屑末,其余情况则输出结果为无屑末,本发明设置的阈值为0.9。接下来对三个窗口的识别结果进行信息融合,本实施例中采用逻辑判断与最终结果表决,若三个结果中,有两个以上的铁磁性屑末(或非铁磁性屑末)识别结果,则记为存在金属屑末,同时记录下窗口位置,进行下一步的屑末属性与尺寸分析,其余情况则记为无屑末存在。最后,根据识别结果,进行窗口滑动,若结果为无屑末,将窗口以小间距向前移动间隔1,继续对信号进行识别;若结果存在金属屑末,则将窗口向前移动间隔2,跳过存在金属屑末的该段信号,提高检测速度。
(5)金属屑末的直径大小会影响线圈内磁通量变化的大小,当同类的铁磁性金属屑末以相同的速度出现在传感器内部时,金属屑末信号的波形幅值Emax仅与屑末体积Vc相关,并可近似简化为与半径rc的3次方成正比;当同类的非铁磁性金属屑末的以相同的速度出现在传感器内部时,金属屑末信号的波形幅值仅与半径rc的4次方成正比;因此,可进一步根据以下公式对金属屑末尺寸进行快速量化测量:
E1max/E1max′=(rc1/rc1′)3
E2max/E2max′=(rc2/rc2′)4
其中,E1max为最终检测结果为铁磁性金属屑末时的信号波形幅值,E1max′为预先标定好的半径为rc1′的铁磁性金属屑末的信号波形幅值,E2max为最终检测结果为非铁磁性金属屑末时的信号波形幅值,E2max′为预先标定好的半径为rc2′的非铁磁性金属屑末的信号波形幅值。
Claims (8)
1.一种滑油屑末在线检测方法,基于设置于滑油通路上的电磁传感器所采集的信号进行滑油屑末在线检测;其特征在于;具体包括以下步骤:
步骤1、对所采集的原始信号进行降噪处理,并将降噪处理后的信号与原始信号重构为双通道数据;
步骤2、用多个不同长度的测试窗口分别对所述双通道数据进行数据提取,并将所提取的多个不同长度的数据序列分别送入金属屑末检测模型进行屑末检测,然后对所得到的多个检测结果进行信息融合,得到滑油中是否存在金属屑末以及金属屑末是否为铁磁性金属屑末的最终检测结果;所述金属屑末检测模型为按照以下方法预先训练得到的长短期记忆神经网络LSTM:
S1、用电磁传感器采集高噪声背景下已知类别的以下三类信号:无金属屑末信号、铁磁性金属屑末信号、非铁磁性金属屑末信号;
S2、对所采集的原始信号进行降噪处理,并将降噪处理后的信号与原始信号重构为双通道数据,对其采样得到一系列样本,然后按照数据长度对所述样本进行排序,并按照LSTM的单次样本输入数量对排序后的样本序列从前到后进行分批,最后将每一批样本中的所有样本按照其中的最大数据长度进行数据填充,完成数据填充的具有不同数据长度的各批样本即构成训练样本集;
S3、用所述训练样本集对LSTM进行训练,得到所述金属屑末检测模型;
步骤3、令所述多个不同长度的测试窗口向前滑动,并根据当前的最终检测结果对测试窗口的滑动距离按照以下方法进行动态调整:如当前的最终检测结果为不存在金属屑末,则令所述多个不同长度的测试窗口按照第一滑动距离向前滑动,否则,令所述多个不同长度的测试窗口按照第二滑动距离向前滑动;所述第一滑动距离小于等于所述多个不同长度的测试窗口中的最小测试窗口长度,所述第二滑动距离小于等于所述多个不同长度的测试窗口中的最大测试窗口长度,且第二滑动距离>第一滑动距离,转步骤2。
2.如权利要求1所述滑油屑末在线检测方法,其特征在于,所述步骤2中还包括:如当前的最终检测结果为存在金属屑末,则根据金属屑末的类型,进一步按照以下公式对金属屑末的半径进行定量检测:
E1max/E1max′=(rc1/rc1′)3
E2max/E2max′=(rc2/rc2′)4
其中,E1max为最终检测结果为铁磁性金属屑末时的信号波形幅值,rc1为最终检测结果为铁磁性金属屑末时的金属屑末的半径,E1max′为预先标定好的半径为rc1′的铁磁性金属屑末的信号波形幅值,E2max为最终检测结果为非铁磁性金属屑末时的信号波形幅值,rc2为最终检测结果为非铁磁性金属屑末时的金属屑末的半径,E2max′为预先标定好的半径为rc2′的非铁磁性金属屑末的信号波形幅值。
3.如权利要求1或2所述滑油屑末在线检测方法,其特征在于,所述降噪处理具体如下:通过对原始信号进行小波分解,提取出原始信号中的低频成分,得到消除了高频电磁噪声的信号;用自适应滤波方法对消除了高频电磁噪声的信号进行处理,将其中的类正弦脉冲信号消除,然后将剩余信号作为振动干扰信号,从消除了高频电磁噪声的信号中减去所述振动干扰信号,得到消除了高频电磁噪声和振动干扰的信号;最后用阈值降噪方法对消除了高频电磁噪声和振动干扰的信号进行处理,进一步消除其中背景白噪声与有色噪声的干扰,最终完成所述降噪处理。
5.一种滑油屑末在线检测装置,基于设置于滑油通路上的电磁传感器所采集的信号进行滑油屑末在线检测;其特征在于;该装置包括:
降噪模块,用于对所采集的原始信号进行降噪处理;
数据重构模块,用于将降噪处理后的信号与原始信号重构为双通道数据;
数据提取模块,用于用多个不同长度的测试窗口分别对所述双通道数据进行数据提取;金属屑末检测模型,用于对数据提取模块所提取的多个不同长度的数据序列分别进行屑末检测,得到滑油中是否存在金属屑末以及金属屑末是否为铁磁性金属屑末的多个检测结果;所述金属屑末检测模型为按照以下方法预先训练得到的长短期记忆神经网络LSTM:
S1、用电磁传感器采集高噪声背景下已知类别的以下三类信号:无金属屑末信号、铁磁性金属屑末信号、非铁磁性金属屑末信号;
S2、对所采集的原始信号进行降噪处理,并将降噪处理后的信号与原始信号重构为双通道数据,对其采样得到一系列样本,然后按照数据长度对所述样本进行排序,并按照LSTM的单次样本输入数量对排序后的样本序列从前到后进行分批,最后将每一批样本中的所有样本按照其中的最大数据长度进行数据填充,完成数据填充的具有不同数据长度的各批样本即构成训练样本集;
S3、用所述训练样本集对LSTM进行训练,得到所述金属屑末检测模型;
信息融合模块,用于对所述多个检测结果进行信息融合,得到滑油中是否存在金属屑末以及金属屑末是否为铁磁性金属屑末的最终检测结果;
测试窗口滑动模块,用于令所述多个不同长度的测试窗口向前滑动,并根据当前的最终检测结果对测试窗口的滑动距离按照以下方法进行动态调整:如当前的最终检测结果为不存在金属屑末,则令所述多个不同长度的测试窗口按照第一滑动距离向前滑动,否则,令所述多个不同长度的测试窗口按照第二滑动距离向前滑动;所述第一滑动距离小于等于所述多个不同长度的测试窗口中的最小测试窗口长度,所述第二滑动距离小于等于所述多个不同长度的测试窗口中的最大测试窗口长度,且第二滑动距离>第一滑动距离。
6.如权利要求5所述滑油屑末在线检测装置,其特征在于,该装置还包括:
定量检测模块,用于在当前的最终检测结果为存在金属屑末时,根据金属屑末的类型,进一步按照以下公式对金属屑末的半径进行定量检测:
E1max/E1max′=(rc1/rc1′)3
E2max/E2max′=(rc2/rc2′)4
其中,E1max为最终检测结果为铁磁性金属屑末时的信号波形幅值,rc1为最终检测结果为铁磁性金属屑末时的金属屑末的半径,E1max′为预先标定好的半径为rc1′的铁磁性金属屑末的信号波形幅值,E2max为最终检测结果为非铁磁性金属屑末时的信号波形幅值,rc2为最终检测结果为非铁磁性金属屑末时的金属屑末的半径,E2max′为预先标定好的半径为rc2′的非铁磁性金属屑末的信号波形幅值。
7.如权利要求5或6所述滑油屑末在线检测装置,其特征在于,所述降噪处理具体如下:通过对原始信号进行小波分解,提取出原始信号中的低频成分,得到消除了高频电磁噪声的信号;用自适应滤波方法对消除了高频电磁噪声的信号进行处理,将其中的类正弦脉冲信号消除,然后将剩余信号作为振动干扰信号,从消除了高频电磁噪声的信号中减去所述振动干扰信号,得到消除了高频电磁噪声和振动干扰的信号;最后用阈值降噪方法对消除了高频电磁噪声和振动干扰的信号进行处理,进一步消除其中背景白噪声与有色噪声的干扰,最终完成所述降噪处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211283961.9A CN115545080B (zh) | 2022-10-20 | 2022-10-20 | 滑油屑末在线检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211283961.9A CN115545080B (zh) | 2022-10-20 | 2022-10-20 | 滑油屑末在线检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115545080A CN115545080A (zh) | 2022-12-30 |
CN115545080B true CN115545080B (zh) | 2023-05-23 |
Family
ID=84735778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211283961.9A Active CN115545080B (zh) | 2022-10-20 | 2022-10-20 | 滑油屑末在线检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115545080B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113687433A (zh) * | 2021-09-15 | 2021-11-23 | 湖南师范大学 | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105509771B (zh) * | 2015-12-08 | 2018-12-21 | 中国航空工业集团公司北京长城航空测控技术研究所 | 一种发动机滑油金属颗粒在线监测的信号降噪方法 |
CN109902708B (zh) * | 2018-12-29 | 2022-05-10 | 华为技术有限公司 | 一种推荐模型训练方法及相关装置 |
CN111177911B (zh) * | 2019-12-24 | 2022-09-20 | 大连理工大学 | 一种基于sdae-dbn算法的零件表面粗糙度在线预测方法 |
CN112561038A (zh) * | 2020-12-21 | 2021-03-26 | 之江实验室 | 一种批数据集构建方法、装置、电子设备及存储介质 |
CN113657473B (zh) * | 2021-08-04 | 2023-06-30 | 北京航空航天大学 | 一种基于迁移学习的Web服务分类方法 |
CN114858672A (zh) * | 2022-04-18 | 2022-08-05 | 中国航发沈阳发动机研究所 | 一种滑油屑末监测报警信号器 |
-
2022
- 2022-10-20 CN CN202211283961.9A patent/CN115545080B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113687433A (zh) * | 2021-09-15 | 2021-11-23 | 湖南师范大学 | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115545080A (zh) | 2022-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Dual-path mixed-domain residual threshold networks for bearing fault diagnosis | |
CN111238814B (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
CN113176092B (zh) | 基于数据融合和改进经验小波变换的电机轴承故障诊断方法 | |
CN110991424A (zh) | 基于最小熵解卷积和堆叠稀疏自编码器的故障诊断方法 | |
CN110991295B (zh) | 一种基于一维卷积神经网络的自适应故障诊断方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN110865357A (zh) | 一种基于参数优化vmd的激光雷达回波信号降噪方法 | |
CN109855874B (zh) | 一种声音辅助振动微弱信号增强检测的随机共振滤波器 | |
CN112906644A (zh) | 基于深度迁移学习的机械故障智能诊断方法 | |
CN112686096A (zh) | 基于多尺度散布熵和vpmcd的滚动轴承故障诊断方法 | |
CN112378660A (zh) | 一种基于数据驱动的航空发动机轴承智能故障诊断方法 | |
CN112329914B (zh) | 地埋式变电站的故障诊断方法、装置及电子设备 | |
Liao et al. | Research on a rolling bearing fault detection method with wavelet convolution deep transfer learning | |
CN115200850A (zh) | 多测点样本结构信息显式表征下的机械设备异常检测方法 | |
CN113962264A (zh) | 一种基于深度学习的航空发动机转子系统故障诊断算法 | |
Pan et al. | Cognitive acoustic analytics service for Internet of Things | |
Sun et al. | Data-driven fault diagnosis method based on second-order time-reassigned multisynchrosqueezing transform and evenly mini-batch training | |
Han et al. | A novel rolling bearing fault diagnosis method based on generalized nonlinear spectral sparsity | |
CN111543982A (zh) | 一种疲劳驾驶检测方法、装置及存储介质 | |
CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
CN115545080B (zh) | 滑油屑末在线检测方法及装置 | |
CN117454081A (zh) | 一种机械振动信号的去噪处理方法及装置 | |
CN110555457A (zh) | 发动机润滑油磨损信号特征处理系统及方法 | |
CN116482526A (zh) | 一种用于非故障相阻抗继电器的分析系统 | |
CN115830368A (zh) | 一种车辆减震器缺陷诊断方法、系统、设备及介质 |
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 |