CN117213864A - 适用于发动机的滑油金属屑末颗粒的智能检测方法及系统 - Google Patents
适用于发动机的滑油金属屑末颗粒的智能检测方法及系统 Download PDFInfo
- Publication number
- CN117213864A CN117213864A CN202311196342.0A CN202311196342A CN117213864A CN 117213864 A CN117213864 A CN 117213864A CN 202311196342 A CN202311196342 A CN 202311196342A CN 117213864 A CN117213864 A CN 117213864A
- Authority
- CN
- China
- Prior art keywords
- signal
- metal chip
- particle
- stage
- metal
- 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.)
- Pending
Links
- 239000002245 particle Substances 0.000 title claims abstract description 258
- 239000002184 metal Substances 0.000 title claims abstract description 251
- 239000010687 lubricating oil Substances 0.000 title claims abstract description 59
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 51
- 230000009467 reduction Effects 0.000 claims abstract description 37
- 230000003321 amplification Effects 0.000 claims abstract description 28
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 27
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 239000000428 dust Substances 0.000 claims description 30
- 239000000843 powder Substances 0.000 claims description 30
- 238000001914 filtration Methods 0.000 claims description 18
- 238000009825 accumulation Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000010183 spectrum analysis Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000001629 suppression Effects 0.000 abstract description 8
- 239000003921 oil Substances 0.000 abstract description 4
- 239000000314 lubricant Substances 0.000 description 8
- 230000036541 health Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000005294 ferromagnetic effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 101710154918 Trigger factor Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 239000010705 motor oil Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及航空及燃气轮机发动机专用传感信号检测领域，尤其涉及一种适用于发动机的滑油金属屑末颗粒的智能检测方法及系统,该方法包括：获取与滑油金属屑末颗粒传感器对应的一级放大信号、二级放大信号以及振动信号；将进行降噪处理；得到金属屑末颗粒识别结果及观测油路中颗粒统计分布数列。在滑油金属屑末颗粒传感器的应用场景中，通过信号处理单元对于滑油金属屑末颗粒传感器的反馈信号，以及作为主要干扰源的振动信号的获取，实现在对于滑油金属屑末颗粒传感器的数据采样分析的过程中，对于振动干扰的抑制，并将抑制干扰后的数据输入金属屑末颗粒状态识别模型，更为准确的获取对于滑油金属屑末颗粒的识别和统计结果。
Description
技术领域
本申请涉及航空及燃气轮机发动机专用传感信号检测领域，尤其涉及一种适用于发动机的滑油金属屑末颗粒的智能检测方法及系统。
背景技术
作为典型的旋转机械组件，随着性能日益提升、结构复杂度高且工作环境恶劣且复杂多样，航空发动机及燃气轮机的系统可靠性、安全问题日趋突出。如何有效检测和诊断发动机械油路状态成为整个发动机系统健康管理的一项核心需求。金属屑末信号因其包含丰富的发动机油路和械磨损息，是目前滑油及燃油泵等发动机“血液系统”健康监测中至关重要的特征信号。对金属屑末燃油泵等发动机“血液系统”健康监测中至关重要的特征信号。对金属屑末的检测和处理也是机载健康管理系统等故障预测与健康管理系统(Prognostic and Health Management，PHM)的核心功能之一。国内对金属屑末检测的研究起步较晚，微弱信号降噪处理和颗粒特征提取缺乏衡量标准，存在识别率低、虚警高等问题。
滑油金属屑末颗粒传感器反馈信号具有微弱性、随机性、脉冲性、频谱范围较宽等特点，纯粹的模拟电路无法对其进行解析；故相关技术中，会采用CPU或DSP通过缓存数据分析判断和测量屑末方案。
然而，相关技术中的方案存在实时性差、抗干扰差、性能难以满足处理要求等问题。而运算速率慢，会进一步造成滞后于颗粒波形结束容易造成漏检；缺乏对外界环境干扰带来噪声的抗干扰能力，难于适应发动机振动干扰大的实际环境；频谱范围无法适应，难以解决高流速和低流速下的颗粒检测任务，滑油快流速下(对应屑末波形频率1000Hz及以上)存在处理速度跟不上，而慢流速下(对应屑末波形频率30Hz及以下)存在缓存需求量大等问题。以上问题，单纯依靠CPU/DSP升级和提升硬件资源的方式无法获得理想处理结果。
发明内容
本发明的目的在于克服现有技术的不足与缺陷，提供了一种发动机旋转变压器信号相位解算系统及解算方法，提高了对于滑油金属屑末颗粒传感器反馈数据的处理准确性，该技术方案如下：
一方面，提供了一种适用于发动机的滑油金属屑末颗粒的智能检测方法，该方法应用于计算机设备中，该方法包括：
获取与滑油金属屑末颗粒传感器对应的一级放大信号、二级放大信号以及振动信号，一级放大信号中包括一级第一方向信号以及一级第二方向信号，二级放大信号中包括二级第一方向信号以及二级第二方向信号，振动信号为在一级放大信号以及二级放大信号的采集过程中，滑油金属屑末颗粒传感器振动产生的信号；
将一级放大信号以及二级放大信号输入滤波带宽调整模型进行降噪处理，滤波带宽调整模型的滤波参数由振动信号调整得到的滤波预处理及幅值提取模型；
将降噪处理后的一级放大信号以及二级放大信号输入金属屑末颗粒状态识别模型，输出得到金属屑末颗粒识别结果，金属屑末颗粒识别结果包括与至少一类金属屑末对应的金属屑末颗粒极性以及金属屑末颗粒预测直径。
在一个可选的实施例中，振动信号为发动机中间机匣轴承或涡轮轴承振动产生的加速度信号；
将一级放大信号以及二级放大信号输入滤波带宽调整模型进行降噪处理之前，还包括：
构建初始滤波带宽调整模型，初始滤波带宽调整调整模型对应有预设滤波带宽以及预设滤波参数；
对振动信号进行频谱分析及振动频带监测，得到振动信号分析结果；
基于振动信号分析结果对预设滤波带宽以及预设滤波参数进行调整，并生成滤波带宽调整模型。
在一个可选的实施例中，将一级放大信号以及二级放大信号输入滤波带宽调整模型进行降噪处理，包括：
将一级放大信号以及二级放大信号输入滤波带宽调整模型；
通过滤波带宽调整模型对一级第二方向信号以及二级第二方向信号进行幅值提取处理；
通过滤波带宽调整模型对一级第一方向信号以及二级第一方向信号进行降噪处理，得到降噪后的一级第一方向信号以及二级第一方向信号。
在一个可选的实施例中，屑末颗粒状态识别模型包括金属屑末颗粒存在性识别子模型、金属屑末颗粒极性识别子模型、金属屑末颗粒直径识别子模型以及结果输出子模型；
将降噪处理后的一级放大信号以及二级放大信号输入金属屑末颗粒状态识别模型，输出得到与金属屑末颗粒识别结果，包括：
将降噪处理后的一级放大信号以及二级放大信号输入金属屑末颗粒状态识别模型内的金属屑末颗粒存在性识别子模型，输出得到金属屑末颗粒存在性识别结果；
响应于金属屑末颗粒存在性识别结果指示存在金属屑末，将降噪处理后的一级放大信号以及二级放大信号输入金属屑末颗粒极性识别子模型，输出得到金属屑末颗粒极性识别结果；
根据金属屑末颗粒的极性，将一级放大信号以及二级放大信号输入颗粒直径识别子模型，输出得到金属屑末颗粒直径识别结果；
将金属屑末颗粒存在性识别结果，金属屑末颗粒极性识别结果以及金属屑末颗粒直径识别结果进行汇总，输出得到金属屑末颗粒识别结果。
在一个可选的实施例中，将降噪处理后的一级放大信号以及二级放大信号输入金属屑末颗粒状态识别模型内的金属屑末颗粒存在性识别子模型，输出得到金属屑末颗粒存在性识别结果，包括：
将降噪处理后的一级放大信号以及二级放大信号输入金属屑末颗粒状态识别模型内的金属屑末颗粒存在性识别子模型；
通过金属屑末颗粒存在性识别模型进行逻辑位判断；
响应于通过逻辑位判断，确定与一级放大信号以及二级放大信号对应的波形幅值特征、时序特征以及状态积累特征；
通过金属屑末颗粒存在性识别模型对波形幅值特征、时序特征以及状态积累特征进行基于感知器的分类判断；
响应于判断结果指示波形幅值特征、时序特征以及状态积累特征均无异常，输出金属屑末颗粒存在结果；
响应于判断结果指示波形幅值特征、时序特征以及状态积累特征中存在至少一项异常，输出金属屑末颗粒不存在结果。
在一个可选的实施例中，响应于金属屑末颗粒存在性识别结果指示存在金属屑末颗粒，将降噪处理后的一级放大信号以及二级放大信号输入金属屑末颗粒极性识别子模型，输出得到金属屑末颗粒极性识别结果，包括：
确定降噪处理后的二级第一方向信号的采样值与满量程幅值的差异；
当差异大于差异阈值时，获取与二级第一方向信号对应的第一波形时序特征，并基于第一波形时序特征确定金属屑末颗粒极性识别结果；
当差异小于差异阈值时，获取与一级第一方向信号对应的第二波形时序特征，并基于第二波形时序特征确金属屑末颗粒极性识别结果。
在一个可选的实施例中，根据金属屑末颗粒的极性，将一级放大信号以及二级放大信号输入颗粒直径识别子模型，输出得到金属屑末颗粒直径识别结果，包括：
当差异大于差异阈值时，确定与二级第一方向信号对应的二级第一正负幅值差，以及与二级第二方向信号对应的二级第二正负幅值差，并基于二级第一正负幅值差与二级第二正负幅值差确定总幅值；
当差异小于差异阈值时，确定与一级第一方向信号对应的一级第一正负幅值差，以及与一级第二方向信号对应的一级第二正负幅值差，并基于以及第一正负幅值差与二级第一正负幅值差确定总幅值；
获取与滑油金属屑末颗粒传感器对应的标定幅值，以及与金属屑末颗粒对应的颗粒直径指数回归拟合曲线表；
基于总幅值，通过颗粒直径指数回归拟合曲线表以及标定幅值确定金属屑末颗粒直径识别结果。
在一个可选的实施例中，该方法还包括：
确定初始标定幅值，初始标定幅值与金属屑末颗粒的颗粒种类关联，初始标定幅值包括初始标定上限值以及初始标定下限值；
基于降噪处理后的一级第一方向信号以及二级第一方向信号，确定一级第一方向信号均值、一级第一方向信号方差、二级第一方向信号均值以及二级第一方向信号方差；
基于一级第一方向信号均值以及一级第一方向信号方差对初始标定幅值进行调整，得到与一级放大信号对应的标定幅值；
基于二级第一方向信号均值以及二级第一方向信号方差对初始标定幅值进行调整，得到二级放大信号对应的标定幅值。
在一个可选的实施例中，将金属屑末颗粒存在性识别结果，金属屑末颗粒极性识别结果以及金属屑末颗粒直径识别结果进行汇总，输出得到金属屑末颗粒识别结果，包括：
获取与金属屑末颗粒对应的金属屑末颗粒个数以及金属屑末颗粒流速；
结合金属屑末颗粒个数以及金属屑末颗粒流速，将金属屑末颗粒极性识别结果以及金属屑末颗粒直径识别结果进行汇总，输出得到金属屑末颗粒识别结果。
另一方面，提供了一种适用于发动机的滑油金属屑末颗粒的智能检测系统，该系统包括振动传感器、滑油金属屑末颗粒传感器、信号采集单元以及信号处理单元，
振动传感器用于生成振动信号；
振动传感器以及滑油金属屑末颗粒传感器分别与信号采集单元通信连接；
信号采集单元用于对振动传感器以及滑油金属屑末颗粒传感器发送的信号进行初步处理，以生成与振动传感器对应的振动信号，以及与滑油金属屑末颗粒传感器对应的一级放大信号和二级放大信号；
信号采集单元与信号处理单元通信连接；
其中，信号处理单元用于执行如上任一的适用于发动机的滑油金属屑末颗粒的智能检测方法。
本申请至少包括如下有益效果：
在滑油金属屑末颗粒传感器的应用场景中，通过信号处理单元对于滑油金属屑末颗粒传感器的反馈信号，以及作为主要干扰源的振动信号的获取，实现在对于滑油金属屑末颗粒传感器的数据采样分析的过程中，对于振动干扰的抑制，并将抑制干扰后的数据输入金属屑末颗粒状态识别模型，以更为准确的获取对于滑油金属屑末颗粒的识别结果。
附图说明
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：
图1示出了本申请一个示例性提供的一种适用于发动机的滑油金属屑末颗粒的智能检测系统的结构示意框图。
图2示出了本申请一个示例性提供的另一种适用于发动机的滑油金属屑末颗粒的智能检测系统的结构示意框图。
图3示出了本申请一个示例性实施例提供的一种适用于发动机的滑油金属屑末颗粒的智能检测方法的流程示意图。
图4示出了本申请一个示例性实施例提供的另一种适用于发动机的滑油金属屑末颗粒的智能检测方法的流程示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互结合。下面将参考附图并结合实施例来详细说明本发明。
为了使本领域技术人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包括，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，本申请实施例中所述的发动机实现为专用于航空及燃气轮机的发动机，上述发动机在使用过程中将产生金属屑末，故在发动机工作过程中，需要对于油路内的金属屑末的存在进行检测，以确定油路是否处于安全状态。
图1示出了本申请一个示例性实施例提供的一种适用于发动机的滑油金属屑末颗粒的智能检测系统的结构示意图，请参考图1，该系统包括振动传感器110、滑油金属屑末颗粒传感器120、信号采集单元130以及信号处理单元140，振动传感器用于生成振动信号；振动传感器以及滑油金属屑末颗粒传感器分别与信号采集单元通信连接；信号采集单元用于对振动传感器以及滑油金属屑末颗粒传感器发送的信号进行初步处理，以生成与振动传感器对应的振动信号，以及与滑油金属屑末颗粒传感器对应的一级放大信号和二级放大信号；信号采集单元与信号处理单元通信连接；其中，信号处理单元用于执行适用于发动机的滑油金属屑末颗粒的智能检测方法。
在本申请实施例中，滑油金属屑末颗粒传感器用于检测发动机内工质当中的金属屑末。振动传感器用于检测发动机工作过程中产生的振动。在一个示例中，滑油金属屑末颗粒传感器的型号为：。振动传感器实现为加速度传感器，且加速度传感器的型号为：Y/XCL-73。本申请对于振动传感器与加速度传感器的具体型号不做限定。
在本申请实施例中，结合信号采集单元的功能，请参考图2，信号采集单元130中还包括振动信号放大解调器1301，采样信号一级放大解调器1302，采样信号二级放大解调器1303以及AD采集电路1304，AD采集电路1304用于采集经过振动信号放大调节器1301处理后的振动信号、经过一级放大解调器1302处理得到的一级放大信号以及经过二级放大解调器1303处理得到的二级放大信号。
本申请实施例中，信号处理单元实现为现场可编程逻辑门阵列(FieldProgrammable Gate Array，FPGA)芯片模块，芯片中内置了处理程序，该处理程序可以用于执行适用于发动机的滑油金属屑末颗粒的智能检测方法。在本申请的另一个实施例中，信号处理单元可以实现为专用集成电路(Application Specific Integrated Circuit，ASIC)模块。在本申请的其他实施例中，信号处理单元还可以实现为计算机设备等其他模块，本申请对于信号处理单元的实际实现形式不做限定。在一个可选的实施例中，请参考图2，该系统还包括主控计算机设备150。信号处理单元与主控计算机设备通信连接。在一个示例中，主控计算机设备150上具有应用程序，应用程序配置有显示界面，信号处理单元将测量输出至计算机设备中，计算机设备通过应用程序进行对于测量结果进行准确显示。
图3示出了本申请一个示例性实施例提供的一种适用于发动机的滑油金属屑末颗粒的智能检测方法的流程示意图，以该方法应用于如图1或图2所示的系统内的信号处理单元中为例进行说明，该方法包括：
步骤301，获取与滑油金属屑末颗粒传感器对应的一级放大信号、二级放大信号以及振动信号。
本申请实施例中，如前文所述，一级放大信号与二级放大信号为滑油金属屑末颗粒传感器发送的信号，振动信号为振动传感器发送的信号。在本申请实施例中，信号实现为载波包络信号，信号具有X方向和Y方向，此时，一级放大信号中包括一级第一方向信号x2以及一级第二方向信号y2，二级放大信号中包括二级第一方向信号x1以及二级第二方向信号y1，振动信号为在一级放大信号以及二级放大信号的采集过程中，滑油金属屑末颗粒传感器振动产生的信号。
步骤302，将一级放大信号以及二级放大信号输入滤波带宽调整模型进行降噪处理。
本申请实施例中，滤波带宽调整模型的滤波参数由振动信号调整得到的滤波预处理及幅值提取模型。滤波器通常配置有滤波参数，该滤波参数能够在信号经过滤波器时，对于滤波的程度以及方式进行调整。本申请实施例中，在滤波器参数基于振动信号进行调整的情况下，振动信号对于采样信号的干扰将得以抑制。
步骤303，将降噪处理后的一级放大信号以及二级放大信号输入金属屑末颗粒状态识别模型，输出得到金属屑末颗粒识别结果。
在本申请实施例中，金属屑末颗粒识别结果包括与至少一类金属屑末对应的金属屑末颗粒极性以及金属屑末颗粒预测直径。可选地，除了通过对于信号进行处理获取相关参数之外，金属屑末颗粒识别模型还能够结合其他数据，确定金属屑末颗粒的其他参数。例如，基于发动机内工质的流速，确定金属屑末颗粒的流速。在一个示例中，信号处理模块与具有显示界面的上位机设备连接，则金属屑末颗粒识别结果为可视化结果。本申请实施例中，金属屑末颗粒识别结果实现为对于油路中颗粒进行统计得到的分布数列。
综上所述，本申请实施例提供的方法，在滑油金属屑末颗粒传感器的应用场景中，通过信号处理单元对于滑油金属屑末颗粒传感器的反馈信号，以及作为主要干扰源的振动信号的获取，实现在对于滑油金属屑末颗粒传感器的数据采样分析的过程中，对于振动干扰的抑制，并将抑制干扰后的数据输入金属屑末颗粒状态识别模型，以更为准确的获取对于滑油金属屑末颗粒的识别结果。
图4示出了本申请一个示例性实施例提供的另一种适用于发动机的滑油金属屑末颗粒的智能检测方法的流程示意图，请参考图4，该方法包括：
步骤401，获取与滑油金属屑末颗粒传感器对应的一级放大信号、二级放大信号以及振动信号。
该过程与步骤301所示的过程对应，在此不作赘述。对应前述示例中的情况，该过程即采用16位及以上多通路AD以100kHz及以上频率分别采集解调后一级放大、二级放大、解调后X和Y方向的载波包络信号，获得一级放大x2和y2、二级放大x1和y1信号
步骤402，构建初始滤波带宽调整模型。
步骤402至步骤404为对于滤波器的调整过程。本申请实施例中，通过振动信号对于滤波器进行调整，以对于干扰源进行抑制。
在本申请实施例中，初始滤波器携带有初始滤波器参数，其用于执行初始的滤波器功能。本申请实施例中，初始滤波带宽调整调整模型对应有预设滤波带宽以及预设滤波参数。本申请对于滤波器的具体结构不做限定。在一个示例中，滤波器实现为高阶有限长单位冲激响应(Finite Impulse Response，FIR)滤波器。
步骤403，对振动信号进行频谱分析及振动频带监测，得到振动信号分析结果。
步骤404，基于振动信号分析结果对预设滤波带宽以及预设滤波参数进行调整，并生成滤波带宽调整模型。
在本申请实施例中，通过对于振动信号进行频谱分析的方式，在采集发动机中间机匣轴承或涡轮轴承振动的加速度信号后，对于振动信号的振动频带进行监测，以生成用于指导参数调整的振动信号分析结果，该振动信号分析结果能够实现滤波器对于预设滤波参数以及预设滤波带宽的自适应调整
步骤405，将一级放大信号以及二级放大信号输入滤波带宽调整模型。
步骤406，通过滤波带宽调整模型对一级第二方向信号以及二级第二方向信号进行幅值提取处理。
该过程为对于y1和y2的信号幅值提取过程，提取后的幅值将作为后续金属屑末颗粒识别模型的输入量之一。
步骤407，通过滤波带宽调整模型对一级第一方向信号以及二级第一方向信号进行降噪处理，得到降噪后的一级第一方向信号以及二级第一方向信号。
在本申请实施例中，对于极性敏感，可用于判断颗粒极性的x1和x2，进行带通滤波预处理以及实时检测，可选地，该过程后将得到预处理结果xf,1和xf,2。
步骤408，将降噪处理后的一级放大信号以及二级放大信号输入金属屑末颗粒状态识别模型内的金属屑末颗粒存在性识别子模型，输出得到金属屑末颗粒存在性识别结果。
本申请实施例中，金属屑末颗粒状态识别模型包括金属屑末颗粒状态识别模型包括金属屑末颗粒存在性识别子模型、金属屑末颗粒极性识别子模型、金属屑末颗粒直径识别子模型以及结果输出子模型。
其中，金属屑末颗粒存在性识别子模型用于判断金属屑末是否存在，以作为前置检测过程。在金属屑末存在的情况下，通过金属屑末颗粒极性识别子模型以及金属屑末颗粒直径识别子模型同步确定金属屑末颗粒的极性以及直径，最终，通过结果输出子模型生成与上位机适配的金属屑末颗粒识别结果。
在本申请实施例中，具体的存在性识别过程包括：通过金属屑末颗粒存在性识别模型进行逻辑位判断；响应于通过逻辑位判断，确定与一级放大信号以及二级放大信号对应的波形幅值特征、时序特征以及状态积累特征；通过金属屑末颗粒存在性识别模型对波形幅值特征、时序特征以及状态积累特征进行基于感知器的分类判断；响应于判断结果指示波形幅值特征、时序特征以及状态积累特征均无异常，输出金属屑末颗粒存在结果；响应于判断结果指示波形幅值特征、时序特征以及状态积累特征中存在至少一项异常，输出金属屑末颗粒不存在结果。
根据常规实验数据以及业界经验，不同种类的金属屑末颗粒产生的运信号将会有初始标定幅值。对于一级放大信号以及二级放大信号，标定幅值将会对应产生波动调整，该调整过程包括：确定初始标定幅值，初始标定幅值与金属屑末颗粒的颗粒种类关联，初始标定幅值包括初始标定上限值以及初始标定下限值；基于降噪处理后的一级第一方向信号以及二级第一方向信号，确定一级第一方向信号均值、一级第一方向信号方差、二级第一方向信号均值以及二级第一方向信号方差；基于一级第一方向信号均值以及一级第一方向信号方差对初始标定幅值进行调整，得到与一级放大信号对应的标定幅值；基于二级第一方向信号均值以及二级第一方向信号方差对初始标定幅值进行调整，得到二级放大信号对应的标定幅值。也即，对于预处理后的一级第一方向信号xf,2以及二级第一方向信号xf,1进行统计，能够得到除载波包络时序特征信号外的均值μ2与μ1，方差σ2和σ1。可选地，在该概率统计的过程中，可以引入概率统计模型。
在此情况下，以铁磁屑末直径测量距离，对于种类为Fe125的金属屑末颗粒，其直径测量的标定值如下公式1所示：
公式1：THh，i＝max(THσ,mim(μi+3.5σi,THFe125))
THl，i＝min(-THσ,max(μi-3.5σi,-THFe125))
其中，i＝1，2；THFe125为与种类为Fe125的金属屑末颗粒对应的标定幅值。
在此情况下，判断预处理结果为xf,i>THh，i+γi或xf,i<THl，i-γi(i＝1，2)，逻辑判断位Ci为有效，xf,i<THh，i-γi且xf,i>THl，i+γi(i＝1，2)，逻辑判断位Ci为无效，其中，γi为施密特触发系数，计算方法如下公式2所示：
公式2：γi＝min[max(γmin,2σi),γmax]
式中，γmin为触发系数的最小阈值，γmax为触发系数的最大阈值，i＝1，2。当i＝1时，指示与二级放大信号对应的施密特触发系数，当i＝2时，指示与一级放大信号对应的施密特触发系数。
当Ci有效时，取Ci有效状态下的i的取值，进行对应级别的放大信号的三类特征提取，提取的特征包括波形幅值特征、时序特征以及状态积累特征三类，在经过分类判断后，确定识别结果为存在金属屑末颗粒，或，不存在金属屑末颗粒。
可选地，对逻辑判断位Ci进行1bit消抖滤波，滤波宽度决定了金属屑末信号频率上限fh。
步骤409，响应于金属屑末颗粒存在性识别结果指示存在金属屑末，将降噪处理后的一级放大信号以及二级放大信号输入金属屑末颗粒极性识别子模型，输出得到金属屑末颗粒极性识别结果。
在本申请实施例中，金属屑末颗粒的极性识别过程包括：确定降噪处理后的二级第一方向信号的采样值与满量程幅值的差异；当差异大于差异阈值时，获取与二级第一方向信号对应的第一波形时序特征，并基于第一波形时序特征确定金属屑末颗粒极性识别结果；当差异小于差异阈值时，获取与一级第一方向信号对应的第二波形时序特征，并基于第二波形时序特征确金属屑末颗粒极性识别结果。
在本申请实施例中，通过xf,1与采样值的满量程幅值进行对比，并设定对比的差异阈值，当差异大于差异阈值时，则实测过滤后的以及第一方向信号的采样值距离满幅值较远，使用与xf,1对应的采样信号进行极性判断。反之，当差异小于差异阈值时，表示xf,1接近满量程幅值且状态积累特征符合上升趋势，此时，使用与xf,2对应的采样信号进行极性判断。
本申请实施例中，金属屑末颗粒的极性分类包括铁磁屑末与非铁磁屑末，通过对于特征时序序列过程中的波形时序特征判定屑末极性为铁磁屑末或非铁磁屑末。
需要说明的是，后续的金属屑末颗粒直径识别过程中选用的信号级别与本步骤过程中选用的信号级别一致。
步骤410，根据金属屑末颗粒的极性，将一级放大信号以及二级放大信号输入颗粒直径识别子模型，输出得到金属屑末颗粒直径识别结果。
在本申请实施例中，金属屑末颗粒直径识别结果的确定过程包括：当差异大于差异阈值时，确定与二级第一方向信号对应的二级第一正负幅值差，以及与二级第二方向信号对应的二级第二正负幅值差，并基于二级第一正负幅值差与二级第二正负幅值差确定总幅值；当差异小于差异阈值时，确定与一级第一方向信号对应的一级第一正负幅值差，以及与一级第二方向信号对应的一级第二正负幅值差，并基于以及第一正负幅值差与二级第一正负幅值差确定总幅值；获取与滑油金属屑末颗粒传感器对应的标定幅值，以及与金属屑末颗粒对应的颗粒直径指数回归拟合曲线表；基于总幅值，通过颗粒直径指数回归拟合曲线表以及标定幅值确定金属屑末颗粒直径识别结果。
在本申请实施例中，当步骤409中判断的差异大于差异阈值，则基于对x1采样值过程中获得的波形的正负幅值x1,max和x1,min，同时记录的y1波形正负幅值y1,max和y1,min进行计算，获得第一档位下幅值p1。该过程如下公式3所示：
公式3：
当步骤409中判断的差异小于差异阈值，则基于对x2采样值过程中获得的波形的正负幅值x2,max和x2,min，同时记录的y2波形正负幅值y2,max和y2,min进行计算，获得第二档位下幅值p2。该过程如下公式4所示：
公式4：
在本申请实施例中，计算出幅值并且依据所在档位和极性判定结果，与当前传感器标定出的幅值与颗粒直径指数回归拟合曲线表中直径范围边界点进行比较，确定所属区间从而获得直径对应范围。
步骤411，将金属屑末颗粒存在性识别结果，金属屑末颗粒极性识别结果以及金属屑末颗粒直径识别结果进行汇总，输出得到金属屑末颗粒识别结果。
在本申请实施例中，金属屑末颗粒识别结果包括与至少一类金属屑末对应的金属屑末颗粒极性以及金属屑末颗粒预测直径。可选地，除了通过对于信号进行处理获取相关参数之外，金属屑末颗粒识别模型还能够结合其他数据，确定金属屑末颗粒的其他参数。例如，基于发动机内工质的流速，确定金属屑末颗粒的流速。在一个示例中，信号处理模块与具有显示界面的上位机设备连接，则金属屑末颗粒识别结果为可视化结果。在一个示例中，颗粒极性、个数、流速、预测直径和所属分类等检测结果将被输入先进先出(FIFO)存储器中，可通过板级片间总线供机载主控CPU定时访问。将新检测到的颗粒按照极性和尺寸分类，在对应的当前周期计数表(周期性清零)和上电后历史计数表中分别进行累加更新；将记录系统工作后的屑末颗粒分类数目的历史数据统计表和当前周期内更新数据统计表，通过串行通讯等对外通讯接口进行发送，供主控CPU或外部上位机进行分析、记录和决策。
综上所述，本申请实施例提供的方法，在滑油金属屑末颗粒传感器的应用场景中，通过信号处理单元对于滑油金属屑末颗粒传感器的反馈信号，以及作为主要干扰源的振动信号的获取，实现在对于滑油金属屑末颗粒传感器的数据采样分析的过程中，对于振动干扰的抑制，并将抑制干扰后的数据输入金属屑末颗粒状态识别模型，以更为准确的获取对于滑油金属屑末颗粒的识别结果。
本申请实施例提供的方法，具有较高的实用性，其可以通过自适应阈值设定和基于状态积累特征进行判断，针对滑油金属屑末颗粒传感器反馈信号具有微弱性、随机性、脉冲性、频谱范围较宽等特点，具有抗干扰能力强、覆盖频谱范围宽等特点，且机载实时性良好。
本申请实施例提供的系统件资源消耗实现了高效的多通道并行运算，适用于航空发动机、燃气轮机等机载控制系统类，硬件资源有限，但实时性、高处理性能的应用需求。使用专用ASIC进行金属屑末检测和尺寸估计，还可进一步实现系统的小型化和低成本化。
本申请实施例提供的系统，普遍适用于不同类型、型号的航空发动机和燃气轮机，兼容多种不同燃油流速和检测要求的滑油金属屑末监测传感器。
在一些实施例中，基于FPGA或ASIC实现专用硬件编码器，作为协处理器大大减轻主控CPU在数据密集和IO密集型任务中消耗过多处理资源，有利于保障主控系统更加稳定。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。
Claims (10)
1.一种适用于发动机的滑油金属屑末颗粒的智能检测方法，其特征在于，所述方法应用于计算机设备中，所述方法包括：
获取与滑油金属屑末颗粒传感器对应的一级放大信号、二级放大信号以及振动信号，所述一级放大信号中包括一级第一方向信号以及一级第二方向信号，所述二级放大信号中包括二级第一方向信号以及二级第二方向信号，所述振动信号为在所述一级放大信号以及所述二级放大信号的采集过程中，所述滑油金属屑末颗粒传感器振动产生的信号；
将所述一级放大信号以及所述二级放大信号输入滤波带宽调整模型进行降噪处理，所述滤波带宽调整模型的滤波参数由所述振动信号调整得到的滤波预处理及幅值提取模型；
将降噪处理后的所述一级放大信号以及所述二级放大信号输入金属屑末颗粒状态识别模型，输出得到金属屑末颗粒识别结果，所述金属屑末颗粒识别结果包括与至少一类金属屑末对应的金属屑末颗粒极性以及金属屑末颗粒预测直径。
2.根据权利要求1所述的方法，其特征在于，所述振动信号为发动机中间机匣轴承或涡轮轴承振动产生的加速度信号；
所述将所述一级放大信号以及所述二级放大信号输入滤波带宽调整模型进行降噪处理之前，还包括：
构建初始滤波带宽调整模型，所述初始滤波带宽调整调整模型对应有预设滤波带宽以及预设滤波参数；
对所述振动信号进行频谱分析及振动频带监测，得到振动信号分析结果；
基于所述振动信号分析结果对所述预设滤波带宽以及所述预设滤波参数进行调整，并生成所述滤波带宽调整模型。
3.根据权利要求2所述的方法，其特征在于，所述将所述一级放大信号以及所述二级放大信号输入滤波带宽调整模型进行降噪处理，包括：
将所述一级放大信号以及所述二级放大信号输入所述滤波带宽调整模型；
通过所述滤波带宽调整模型对所述一级第二方向信号以及所述二级第二方向信号进行幅值提取处理；
通过所述滤波带宽调整模型对所述一级第一方向信号以及所述二级第一方向信号进行降噪处理，得到降噪后的所述一级第一方向信号以及所述二级第一方向信号。
4.根据权利要求1所述的方法，其特征在于，所述金属屑末颗粒状态识别模型包括金属屑末颗粒存在性识别子模型、金属屑末颗粒极性识别子模型、金属屑末颗粒直径识别子模型以及结果输出子模型；
所述将降噪处理后的所述一级放大信号以及所述二级放大信号输入金属屑末颗粒状态识别模型，输出得到与所述金属屑末颗粒识别结果，包括：
将降噪处理后的所述一级放大信号以及所述二级放大信号输入金属屑末颗粒状态识别模型内的所述金属屑末颗粒存在性识别子模型，输出得到金属屑末颗粒存在性识别结果；
响应于所述金属屑末颗粒存在性识别结果指示存在金属屑末，将所述降噪处理后的一级放大信号以及所述二级放大信号输入所述金属屑末颗粒极性识别子模型，输出得到金属屑末颗粒极性识别结果；
根据所述金属屑末颗粒的极性，将所述一级放大信号以及所述二级放大信号输入所述颗粒直径识别子模型，输出得到金属屑末颗粒直径识别结果；
将所述金属屑末颗粒存在性识别结果，所述金属屑末颗粒极性识别结果以及所述金属屑末颗粒直径识别结果进行汇总，输出得到所述金属屑末颗粒识别结果。
5.根据权利要求4所述的方法，其特征在于，所述将降噪处理后的所述一级放大信号以及所述二级放大信号输入金属屑末颗粒状态识别模型内的所述金属屑末颗粒存在性识别子模型，输出得到金属屑末颗粒存在性识别结果，包括：
将降噪处理后的所述一级放大信号以及所述二级放大信号输入金属屑末颗粒状态识别模型内的所述金属屑末颗粒存在性识别子模型；
通过所述金属屑末颗粒存在性识别模型进行逻辑位判断；
响应于通过所述逻辑位判断，确定与所述一级放大信号以及所述二级放大信号对应的波形幅值特征、时序特征以及状态积累特征；
通过所述金属屑末颗粒存在性识别模型对所述波形幅值特征、所述时序特征以及所述状态积累特征进行基于感知器的分类判断；
响应于判断结果指示所述波形幅值特征、所述时序特征以及所述状态积累特征均无异常，输出金属屑末颗粒存在结果；
响应于判断结果指示所述波形幅值特征、所述时序特征以及所述状态积累特征中存在至少一项异常，输出金属屑末颗粒不存在结果。
6.根据权利要求4所述的方法，其特征在于，所述响应于所述金属屑末颗粒存在性识别结果指示存在金属屑末颗粒，将所述降噪处理后的一级放大信号以及所述二级放大信号输入所述金属屑末颗粒极性识别子模型，输出得到金属屑末颗粒极性识别结果，包括：
确定降噪处理后的二级第一方向信号的采样值与满量程幅值的差异；
当所述差异大于差异阈值时，获取与所述二级第一方向信号对应的第一波形时序特征，并基于所述第一波形时序特征确定所述金属屑末颗粒极性识别结果；
当所述差异小于差异阈值时，获取与所述一级第一方向信号对应的第二波形时序特征，并基于所述第二波形时序特征确所述金属屑末颗粒极性识别结果。
7.根据权利要求6所述的方法，其特征在于，根据所述金属屑末颗粒的极性，将所述一级放大信号以及所述二级放大信号输入所述颗粒直径识别子模型，输出得到金属屑末颗粒直径识别结果，包括：
当所述差异大于差异阈值时，确定与所述二级第一方向信号对应的二级第一正负幅值差，以及与所述二级第二方向信号对应的二级第二正负幅值差，并基于所述二级第一正负幅值差与所述二级第二正负幅值差确定总幅值；
当所述差异小于差异阈值时，确定与所述一级第一方向信号对应的一级第一正负幅值差，以及与所述一级第二方向信号对应的一级第二正负幅值差，并基于所述以及第一正负幅值差与所述二级第一正负幅值差确定总幅值；
获取与所述滑油金属屑末颗粒传感器对应的标定幅值，以及与所述金属屑末颗粒对应的颗粒直径指数回归拟合曲线表；
基于所述总幅值，通过所述颗粒直径指数回归拟合曲线表以及所述标定幅值确定所述金属屑末颗粒直径识别结果。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
确定初始标定幅值，所述初始标定幅值与所述金属屑末颗粒的颗粒种类关联，所述初始标定幅值包括初始标定上限值以及初始标定下限值；
基于降噪处理后的所述一级第一方向信号以及二级第一方向信号，确定一级第一方向信号均值、一级第一方向信号方差、二级第一方向信号均值以及二级第一方向信号方差；
基于所述一级第一方向信号均值以及所述一级第一方向信号方差对所述初始标定幅值进行调整，得到与所述一级放大信号对应的标定幅值；
基于所述二级第一方向信号均值以及所述二级第一方向信号方差对所述初始标定幅值进行调整，得到所述二级放大信号对应的标定幅值。
9.根据权利要求8所述的方法，其特征在于，所述将所述金属屑末颗粒存在性识别结果，所述金属屑末颗粒极性识别结果以及所述金属屑末颗粒直径识别结果进行汇总，输出得到所述金属屑末颗粒识别结果，包括：
获取与所述金属屑末颗粒对应的金属屑末颗粒个数以及金属屑末颗粒流速；
结合所述金属屑末颗粒个数以及所述金属屑末颗粒流速，将所述金属屑末颗粒极性识别结果以及所述金属屑末颗粒直径识别结果进行汇总，输出得到所述金属屑末颗粒识别结果。
10.一种适用于发动机的滑油金属屑末颗粒的智能检测系统，其特征在于，所述系统包括振动传感器、滑油金属屑末颗粒传感器、信号采集单元以及信号处理单元：
所述振动传感器用于生成振动信号；
所述振动传感器以及所述滑油金属屑末颗粒传感器分别与所述信号采集单元通信连接；
所述信号采集单元用于对所述振动传感器以及所述滑油金属屑末颗粒传感器发送的信号进行初步处理，以生成与所述振动传感器对应的振动信号，以及与所述滑油金属屑末颗粒传感器对应的一级放大信号和二级放大信号；
所述信号采集单元与所述信号处理单元通信连接；
其中，所述信号处理单元用于执行如权利要求1至9任一所述的适用于发动机的滑油金属屑末颗粒的智能检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311196342.0A CN117213864A (zh) | 2023-09-15 | 2023-09-15 | 适用于发动机的滑油金属屑末颗粒的智能检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311196342.0A CN117213864A (zh) | 2023-09-15 | 2023-09-15 | 适用于发动机的滑油金属屑末颗粒的智能检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117213864A true CN117213864A (zh) | 2023-12-12 |
Family
ID=89036677
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311196342.0A Pending CN117213864A (zh) | 2023-09-15 | 2023-09-15 | 适用于发动机的滑油金属屑末颗粒的智能检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117213864A (zh) |
-
2023
- 2023-09-15 CN CN202311196342.0A patent/CN117213864A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10704982B2 (en) | Sensor recording analysis apparatus and method | |
| US5680109A (en) | Impulse line blockage detector systems and methods | |
| US7555407B2 (en) | Anomaly monitoring device and method | |
| WO2017143649A1 (zh) | 基于卡尔曼滤波的涡街流量计抗瞬态冲击干扰的信号处理方法和系统 | |
| CN110501631B (zh) | 一种在线间歇故障检测与诊断方法 | |
| CN104136896B (zh) | 用于获取旋转马达的振动信号的系统 | |
| CN110177017B (zh) | 一种减速机智能故障诊断系统及其诊断方法 | |
| CN111273336B (zh) | 一种数字核脉冲信号高斯成形方法 | |
| CN106247173A (zh) | 管道泄漏检测的方法及装置 | |
| CN103792000A (zh) | 一种基于稀疏表示的信号中瞬态成分检测方法及装置 | |
| CN110056640B (zh) | 基于加速度信号和边缘计算的减速机无线故障诊断方法 | |
| CN111353131B (zh) | 一种码载偏离度阈值计算的方法 | |
| CN110988624A (zh) | 一种间歇性局部放电信号的检测方法及系统 | |
| CN117213864A (zh) | 适用于发动机的滑油金属屑末颗粒的智能检测方法及系统 | |
| CN111339986A (zh) | 基于时域/频域分析的装备用频规律挖掘方法和系统 | |
| CN113340369B (zh) | 一种涡轮燃油质量流量计的信号处理方法及设备 | |
| CN115828071B (zh) | 一种高抗振动特性的倾斜角度融合分析系统 | |
| Aliev et al. | Position-binary and spectral indicators of microchanges in the technical states of control objects | |
| WO2015178820A1 (en) | A method and device for determining properties of a bearing | |
| CN117195068B (zh) | 基于时空关联算法的pind检测信号分类判识系统 | |
| AU2021102900A4 (en) | A method and a system for detecting intermittent partial discharge signals | |
| CN112836583B (zh) | 一种风力机故障诊断方法 | |
| CN111735528B (zh) | 一种基于knn投票精准定位扰动点的方法 | |
| US20200218248A1 (en) | Systems and methods for monitoring and determining health of a component | |
| CN110598617A (zh) | 煤矿安全监控系统瓦斯异常数据辨识与重构方法 |
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 |