CN117470948B - 一种感应式油液屑末信号监测与识别系统及方法 - Google Patents
一种感应式油液屑末信号监测与识别系统及方法 Download PDFInfo
- Publication number
- CN117470948B CN117470948B CN202311351519.XA CN202311351519A CN117470948B CN 117470948 B CN117470948 B CN 117470948B CN 202311351519 A CN202311351519 A CN 202311351519A CN 117470948 B CN117470948 B CN 117470948B
- Authority
- CN
- China
- Prior art keywords
- signal
- chip
- monitoring
- signals
- training
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 73
- 239000000428 dust Substances 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000006698 induction Effects 0.000 title claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 239000002245 particle Substances 0.000 claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 15
- 239000007788 liquid Substances 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 84
- 230000008569 process Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 12
- 230000001939 inductive effect Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000005674 electromagnetic induction Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 239000000919 ceramic Substances 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000003012 network analysis Methods 0.000 claims description 3
- 239000003921 oil Substances 0.000 description 37
- 238000012986 modification Methods 0.000 description 11
- 230000004048 modification Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 239000010687 lubricating oil Substances 0.000 description 6
- 230000006872 improvement Effects 0.000 description 4
- 238000005299 abrasion Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000002923 metal particle Substances 0.000 description 2
- 241000579895 Chlorostilbon Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/83—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws by investigating stray magnetic fields
Landscapes
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明提供了一种感应式油液屑末信号监测与识别系统，包括：感应式油液屑末传感器，用于检测油液中电磁微小变化量，并通过信号处理电路进行处理后输出监测信号；气泡屑末分类识别网络模块，用于分析所述监测信号中的幅值异常信号是否包含气泡，以避免将气泡误判为屑末；两级屑末信号分析网络模块，用于对所述监测信号进行分析，确定屑末的大小和数量。本发明可以提高油液屑末监测判别的准确率，代替传统的依靠信号幅值来进行屑末计数方法；解决了油液中有混杂气泡时产生信号干扰的问题；解决了多个颗粒在小间隔通过时，产生混叠信号计数与大小判别的问题；提高了信号识别正确率，提高了监测系统自动化程度。
Description
技术领域
本发明涉及油液屑末信号监测与识别技术领域，尤其是涉及一种感应式油液屑末信号监测与识别系统及方法。
背景技术
发动机、涡轮机等大型机械设备运行时，各个部件之间的摩擦和相对运动不可避免地导致零部件工作表面出现磨损，滑油系统可以为机械设备的各个部件提供必要的润滑，同时磨损产生的微小颗粒会随着润滑油在系统内流动。
通过分析润滑油中的金属颗粒的尺寸、浓度等参数，可以客观地反映零部件的健康状况和磨损程度，这使得我们能够及早检测到机械部件的磨损问题，并提前发出警报，从而有效地预防重大事故的发生。
为了实现对滑油系统中屑末的监测，感应式油液屑末检测技术得到广泛应用。该技术利用了油液中的金属颗粒会对电磁场产生干扰，通过内部的感应线圈来探测并输出这个干扰量。目前，感应式滑油屑末传感器对屑末识别多采用幅值判别，即当信号超过某个幅值，则进行屑末记录，该方法存在两个问题，首先，油液中混杂着大量气体，但并不对设备运行产生影响。由于气体与油液磁导率不同，当气泡通过传感器时也会输出感应信号，幅值判别法会将气泡信号误判为屑末，使屑末记录增加；其次，设备在磨合期与稳定期工作时，产生的屑末以单颗粒、小尺寸为主，但当轴承在稳定期末期与失效期工作时，一次磨损可能会产生多个、大尺寸的屑末，多个、大尺寸的屑末在小间隔下通过传感器。但现有研究表明，当两个屑末间隔小于25mm时，屑末信号会相互叠加，大尺寸屑末也会掩盖掉小尺寸屑末信号，上述原因便会造成数量计量失误；当两个屑末信号在一定特殊相位关系叠加时，甚至会削弱信号峰峰值，造成屑末大小计量失误。综上所述，感应式滑油监测领域急需一种准确计量屑末数量与大小的方法。
发明内容
本发明提供一种感应式油液屑末信号监测与识别系统及方法，目的是提高油液屑末监测判别的准确率，代替传统的依靠信号幅值来进行屑末计数方法；解决了油液中有混杂气泡时产生信号干扰的问题；解决了多个颗粒在小间隔通过时，产生混叠信号计数与大小判别的问题；提高了信号识别正确率，提高了监测系统自动化程度。
本说明书的第一方面公开了一种感应式油液屑末信号监测与识别系统，包括：
感应式油液屑末传感器，用于检测油液中电磁微小变化量，并通过信号处理电路进行处理后输出监测信号；
气泡屑末分类识别网络模块，用于分析所述监测信号中的幅值异常信号是否包含气泡，以避免将气泡误判为屑末；
两级屑末信号分析网络模块，用于对所述监测信号进行分析，确定屑末的大小和数量。
本说明书公开的实施例中，所述感应式油液屑末传感器通过漆包线缠绕在陶瓷骨架上，构成两个反向并联的激励线圈与一个电磁感应线圈，由电磁感应线圈输出微小电信号，再通过信号处理电路进行信号的放大、自乘解调和滤波后，输出监测信号。
本说明书公开的实施例中，所述气泡屑末分类识别网络模块基于反向传播神经网络，通过输入油液气泡信号和屑末信号训练得到，以实现气泡和屑末的自动区分。
本说明书公开的实施例中，所述两级屑末信号分析网络模块基于反向传播神经网络并采用两级网络分析方法构建，所述两级屑末信号分析网络模块中的第一级网络判别监测信号中屑末的数量，所述两级屑末信号分析网络模块中的第二级网络判别监测信号中屑末的大小。
本说明书公开的实施例中，所述第二级网络包括单屑末大小识别网络、双屑末大小识别网络和三屑末大小识别网络。
本说明书的第二方面公开了一种感应式油液屑末信号监测与识别方法，包括：
S1.检测油液中电磁微小变化量，并进行信号处理后输出监测信号；
S2.提取所述监测信号中的幅值异常信号并进行分析，若幅值异常信号为气泡信号，则不计入屑末数量；若幅值异常信号为屑末信号，则将该所述监测信号进行两级屑末信号分析；
S3.两级屑末信号分析时，首先判别所述监测信号中屑末的数量，若判别为单屑末，则进行单屑末大小识别；若判别为双屑末，则进行双屑末大小识别；若判别为三屑末，则进行三屑末大小识别；
S4.记录屑末的数量和大小。
本说明书公开的实施例中，感应式油液屑末信号监测与识别方法，通过上述的感应式油液屑末信号监测与识别系统实现。
本说明书公开的实施例中，所述气泡屑末分类识别网络模块的模型训练过程如下：
A1.气泡屑末训练信号采集：
A11.采集气泡信号：
使用针孔在油液中注射产生大小不同的气泡，并重复多次采集气泡信号直至满足训练需求，即通过气泡大小随机变化来保证采集信号多样性；
A12.采集屑末信号：
屑末信号随机使用单屑末信号、双屑末信号和三屑末信号，以保证采集信号多样性，屑末信号的采集数量与气泡信号的采集数量一致；
在气泡信号与屑末信号采集完成后，对气泡信号与屑末信号分别进行标签设置，得到第一采集数据；
A2.气泡屑末分类识别模型训练：
使用BP算法Matlab工具箱进行模型训练；
训练数据从所有所述第一采集数据中随机选取1/3，并按7:2:1的比例划分为训练集、验证集和测试集，训练学习率采用动态学习率，训练过程中，通过选择不同的隐藏层数量与节点数量重复训练，综合正确率与网络大小确定最佳模型。
本说明书公开的实施例中，所述两级屑末信号分析网络模块的模型训练过程如下：
B1.屑末训练信号采集：
分别针对单颗粒、双颗粒和三颗粒的屑末进行多次信号采集，得到第二采集数据；
B2.屑末数量判别模型训练：
使用BP算法Matlab工具箱进行模型训练；
训练数据从所有所述第二采集数据中随机选取1/3，并按7:2:1的比例划分为训练集、验证集和测试集，训练学习率采用动态学习率，通过多次测试来选择最佳的隐藏层数和节点数，选择最佳结果来确定最佳模型。
本说明书公开的实施例中，在屑末训练信号采集时，从信号中截取100个采样点以保持完整性，截取点位于信号峰值和谷值时间点的中间。
综上所述，本发明至少具有以下有益效果：
本发明可以准确识别幅值异常信号是否包含气泡，进而对屑末数量准确计数，可以准确分析屑末信号所包含的屑末数量与屑末大小，避免屑末小间隔下造成的屑末数量漏记、大小分析错误等问题。
本发明的信号监测精度高，传感器与信号处理电路可将微伏级别的感应电信号，进行30000倍放大而不失真，便于后续信号处理。
本发明较传统的信号幅值屑末计数方法而言，屑末判别正确率可达99.3％、数量判别正确率可达97.1％、大小判别正确率可达97.6％。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明中所涉及的感应式油液屑末信号监测与识别系统及方法的流程示意图。
图2为本发明中所涉及的感应式油液屑末传感器的示意图。
图3为本发明中所涉及的气泡屑末分类识别网络模块的模型训练流程示意图。
图4为本发明中所涉及的两级屑末信号分析网络模块的模型训练流程示意图。
图5为本发明中所涉及的采集204微米单屑末信号的示意图。
图6为本发明中所涉及的采集气泡信号的示意图。
图7为本发明中所涉及的采集233、108、131微米屑末所组成的三屑末信号的示意图。
具体实施方式
在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明实施例的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。
下文的公开提供了许多不同的实施方式或例子用来实现本发明实施例的不同结构。为了简化本发明实施例的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本发明实施例。此外，本发明实施例可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。
下面结合附图对本发明的实施例进行详细说明。
如图1所示，本说明书的第一方面公开了一种感应式油液屑末信号监测与识别系统，包括：
感应式油液屑末传感器，用于检测油液中电磁微小变化量，并通过信号处理电路进行处理后输出监测信号；
气泡屑末分类识别网络模块，用于分析所述监测信号中的幅值异常信号是否包含气泡，以避免将气泡误判为屑末；
两级屑末信号分析网络模块，用于对所述监测信号进行分析，确定屑末的大小和数量。
在一些实施例中，如图2所示，所述感应式油液屑末传感器通过漆包线缠绕在陶瓷骨架上，构成两个反向并联的激励线圈与一个电磁感应线圈，由电磁感应线圈输出微小电信号，再通过信号处理电路进行信号的放大、自乘解调和滤波后，输出监测信号。
激励线圈用于产生一个稳定磁场，两个激励线圈反向并联至同一个交流电流源；感应线圈用于接收传感器中磁场变化信号，输出微小电信号。
在一些实施例中，所述气泡屑末分类识别网络模块基于反向传播神经网络，通过输入油液气泡信号和屑末信号训练得到，以实现气泡和屑末的自动区分。
在一些实施例中，所述两级屑末信号分析网络模块基于反向传播神经网络并采用两级网络分析方法构建，所述两级屑末信号分析网络模块中的第一级网络判别监测信号中屑末的数量，所述两级屑末信号分析网络模块中的第二级网络判别监测信号中屑末的大小。
在一些实施例中，所述第二级网络包括单屑末大小识别网络、双屑末大小识别网络和三屑末大小识别网络。
如图1所示，本说明书的第二方面公开了一种感应式油液屑末信号监测与识别方法，包括：
S1.检测油液中电磁微小变化量，并进行信号处理后输出监测信号；
S2.提取所述监测信号中的幅值异常信号并进行分析，若幅值异常信号为气泡信号，则不计入屑末数量；若幅值异常信号为屑末信号，则将该所述监测信号进行两级屑末信号分析；由气泡屑末分类识别网络模块执行；
S3.两级屑末信号分析时，首先判别所述监测信号中屑末的数量，若判别为单屑末，则进行单屑末大小识别；若判别为双屑末，则进行双屑末大小识别；若判别为三屑末，则进行三屑末大小识别；首先由两级屑末信号分析网络模块中的数量屑末识别网络执行，再通过两级屑末信号分析网络模块中的单屑末大小识别网络、双屑末大小识别网络和三屑末大小识别网络分别执行；
S4.记录屑末的数量和大小。
在一些实施例中，感应式油液屑末信号监测与识别方法，通过上述的感应式油液屑末信号监测与识别系统实现。
在一些实施例中，如图3所示，所述气泡屑末分类识别网络模块的模型训练过程如下：
训练信号采集，模型训练需要采集大量的气泡信号与屑末信号，油液中气泡大小随机变化，针对实际情况，使用针孔在油液中注射产生大小不同的气泡，并重复多次采集直到满足训练需求。屑末信号随机使用单屑末、双屑末、三屑末进行采集以保证信号多样性，采集数量与气泡信号数量一致。在气泡信号与屑末信号采集完成后，对信号进行标签设置，以进行下一步训练。
模型训练，模型训练使用BP算法Matlab工具箱进行。训练数据从所有数据中随机选取1/3，并按7:2:1的比例划分为训练集、验证集和测试集，训练学习率采用动态学习率，没有对训练时长进行限制，训练过程中，通过选择不同的隐藏层数量与节点数量重复训练，综合正确率与网络大小确定最佳模型。
简而言之，通过训练信号采集、信号种类进行标记、模型训练选取正确率最高的结构作为最终模型，具体步骤如下：
A1.气泡屑末训练信号采集：
A11.采集气泡信号：
使用针孔在油液中注射产生大小不同的气泡，并重复多次采集气泡信号直至满足训练需求，即通过气泡大小随机变化来保证采集信号多样性；
A12.采集屑末信号：
屑末信号随机使用单屑末信号、双屑末信号和三屑末信号，以保证采集信号多样性，屑末信号的采集数量与气泡信号的采集数量一致；
在气泡信号与屑末信号采集完成后，对气泡信号与屑末信号分别进行标签设置，得到第一采集数据；
A2.气泡屑末分类识别模型训练：
使用BP算法Matlab工具箱进行模型训练；
训练数据从所有所述第一采集数据中随机选取1/3，并按7:2:1的比例划分为训练集、验证集和测试集，训练学习率采用动态学习率，训练过程中，通过选择不同的隐藏层数量与节点数量重复训练，综合正确率与网络大小确定最佳模型；即遍历所有可选择网络，选择最佳网络。
在一些实施例中，如图4所示，所述两级屑末信号分析网络模块的模型(两级多屑末信息识别模型)训练过程如下：
训练信号采集，模型训练需要充足的训练数据，而信号采集过程需同时考虑单个和多个颗粒的情况。在多颗粒情境下，双颗粒最常见，其次是三颗粒，而四颗或更多颗粒的情况非常罕见。因此，信号采集分别针对单颗粒、双颗粒和三颗粒进行。信号采集时，屑末会通过传感器多次采集，而双颗粒和三颗粒的采集则需根据颗粒大小比例和间隔进行。颗粒大小在100微米到300微米之间，间隔从3mm到20mm均匀分布。考虑到多种颗粒直径比例和间隔的组合，特别关注多颗粒信号的采集。
数量判别模型训练，一个完整的屑末信号包含70个采样点，因此从信号中截取100个采样点以保持完整性，截取点位于信号峰值和谷值时间点的中间。信号标签用于训练数据的期望输出，其中数量模型只有一个标签，表示颗粒数量。由于预期信号最多包含3个颗粒，需要三个模型来判断颗粒直径，因此模型标签包括屑末直径。
数量判别模型训练，模型训练使用BP算法Matlab工具箱进行，训练数据从所有数据中随机选取1/3，并按7:2:1的比例划分为训练集、验证集和测试集，训练学习率采用动态学习率，没有对训练时长进行限制。不同的网络结构会对训练结果产生显著影响，太少的层数和节点数可能导致欠拟合，而太多则可能导致过拟合，影响网络的质量，需要通过多次测试来选择最佳的隐藏层数和节点数。可供选择的网络结构包括1-4层，每层的节点数分别为80、100、120和140，每种结构的网络都经过30次训练，选择最佳结果作为最终网络。
简而言之，通过采集大量的单屑末、双屑末、三屑末信号，并对每组屑末数量与大小进行标记得到训练数据，依次训练数量识别模型与大小(直径)识别模型，并选取正确率最高的结构作为最终模型(数量识别网络和直径识别网络)，具体步骤如下：
B1.屑末训练信号采集：
分别针对单颗粒、双颗粒和三颗粒的屑末进行多次信号采集，得到第二采集数据；
B2.屑末数量判别模型和单/双/三屑末大小识别模型训练：
使用BP算法Matlab工具箱分别进行模型训练；
训练数据从所有所述第二采集数据中随机选取1/3，并按7:2:1的比例划分为训练集、验证集和测试集，训练学习率采用动态学习率，通过多次测试来选择最佳的隐藏层数和节点数，选择最佳结果来确定最佳模型。即分别得到屑末数量判别模型和单/双/三屑末大小识别模型(单屑末大小识别网络、双屑末大小识别网络和三屑末大小识别网络)。
在一些实施例中，如图5、图6和图7所示，在屑末训练信号采集时，从信号中截取100个采样点以保持完整性，截取点位于信号峰值和谷值时间点的中间。
综上，通过感应式油液屑末传感器检测油液中电磁微小变化量，并通过信号处理电路进行处理后输出监测信号；通过气泡屑末分类识别网络模块分析所述监测信号中的幅值异常信号是否包含气泡，以避免将气泡误判为屑末；当判别为气泡时，不计入屑末数量；当判别为屑末时，将监测信号送入两级屑末信号分析网络模块，对所述监测信号进行分析，确定屑末的大小和数量；其中，首先由数量屑末识别网络执行，通过数量屑末识别网络判别屑末数量，当判别为单屑末时，将监测信号送入单屑末大小识别网络；当判别为双屑末时，将监测信号送入双屑末大小识别网络；当判别为三屑末时，将监测信号送入三屑末大小识别网络；完成数量和大小识别后记录屑末信息。
综上，本发明具有高度准确的信号监测与信号识别能力。该系统的传感器与信号处理电路能够将微弱的感应电信号进行低失真高倍放大；此外，该系统还能够精确识别幅值异常信号中是否包含气泡，判别正确率可达99.3％，从而保证准确计数屑末的数量。与传统基于幅值的技术方法不同，该系统不会误将气泡识别为屑末，从而避免计数错误的发生。此外，该系统还能够准确分析屑末信号中包含的屑末数量和屑末的大小，避免了由于屑末之间的小间隔而导致的屑末数量漏计和大小分析错误等问题，数量判别正确率可达97.1％、大小判别正确率可达97.6％。因此，该系统可以广泛应用于航空发动机滑油系统、大型涡轮机以及其他机械设备润滑系统中，用于在线检测金属屑末的存在。
以上所述实施例是用以说明本发明，并非用以限制本发明，所以举例数值的变更或等效元件的置换仍应隶属本发明的范畴。
由以上详细说明，可使本领域普通技术人员明了本发明的确可达成前述目的，实已符合专利法的规定。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，应当指出的是，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
应当注意的是，上述有关流程的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
上文已对基本概念做了描述，显然，对于阅读此申请后的本领域的普通技术人员来说，上述发明披露仅作为示例，并不构成对本申请的限制。虽然此处并未明确说明，但本领域的普通技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。例如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例有关的某一特征、结构或特性。因此，应当强调并注意的是，本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域的普通技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的过程、机器、产品或物质的组合，或对其任何新的和有用的改进。因此，本申请的各个方面可以完全由硬件实施、可以完全由软件(包括固件、常驻软件、微代码等)实施、也可以由硬件和软件组合实施。以上硬件或软件均可被称为“单元”、“模块”或“系统”。此外，本申请的各方面可以采取体现在一个或多个计算机可读介质中的计算机程序产品的形式，其中计算机可读程序代码包含在其中。
本申请各部分操作所需的计算机程序代码可以用任意一种或以上程序设计语言编写，包括如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等的面向对象程序设计语言、如C程序设计语言、VisualBasic、Fortran2103、Perl、COBOL2102、PHP、ABAP的常规程序化程序设计语言、如Python、Ruby和Groovy的动态程序设计语言或其它程序设计语言等。该程序代码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，尽管上述各种组件的实现可以体现在硬件设备中，但是它也可以实现为纯软件解决方案，例如，在现有服务器或移动设备上的安装。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请的实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。然而，本申请的该方法不应被解释为反映所申明的客体需要比每个权利要求中明确记载的更多特征的意图。相反，发明的主体应具备比上述单一实施例更少的特征。
Claims (9)
1.一种感应式油液屑末信号监测与识别方法，其特征在于，包括：
S1.检测油液中电磁微小变化量，并进行信号处理后输出监测信号；
S2.提取所述监测信号中的幅值异常信号并进行分析，若幅值异常信号为气泡信号，则不计入屑末数量；若幅值异常信号为屑末信号，则将该所述监测信号进行两级屑末信号分析；
S3.两级屑末信号分析时，首先判别所述监测信号中屑末的数量，若判别为单屑末，则进行单屑末大小识别；若判别为双屑末，则进行双屑末大小识别；若判别为三屑末，则进行三屑末大小识别；
S4.记录屑末的数量和大小。
2.一种感应式油液屑末信号监测与识别系统，其特征在于，用于实现权利要求1所述的感应式油液屑末信号监测与识别方法，所述感应式油液屑末信号监测与识别系统包括：
感应式油液屑末传感器，用于检测油液中电磁微小变化量，并通过信号处理电路进行处理后输出监测信号；
气泡屑末分类识别网络模块，用于分析所述监测信号中的幅值异常信号是否包含气泡，以避免将气泡误判为屑末；
两级屑末信号分析网络模块，用于对所述监测信号进行分析，确定屑末的大小和数量。
3.根据权利要求2所述的感应式油液屑末信号监测与识别系统，其特征在于，所述气泡屑末分类识别网络模块的模型训练过程如下：
A1.气泡屑末训练信号采集：
A11.采集气泡信号：
使用针孔在油液中注射产生大小不同的气泡，并重复多次采集气泡信号直至满足训练需求，即通过气泡大小随机变化来保证采集信号多样性；
A12.采集屑末信号：
屑末信号随机使用单屑末信号、双屑末信号和三屑末信号，以保证采集信号多样性，屑末信号的采集数量与气泡信号的采集数量一致；
在气泡信号与屑末信号采集完成后，对气泡信号与屑末信号分别进行标签设置，得到第一采集数据；
A2.气泡屑末分类识别模型训练：
使用BP算法Matlab工具箱进行模型训练；
训练数据从所有所述第一采集数据中随机选取1/3，并按7:2:1的比例划分为训练集、验证集和测试集，训练学习率采用动态学习率，训练过程中，通过选择不同的隐藏层数量与节点数量重复训练，综合正确率与网络大小确定最佳模型。
4.根据权利要求2所述的感应式油液屑末信号监测与识别系统，其特征在于，所述两级屑末信号分析网络模块的模型训练过程如下：
B1.屑末训练信号采集：
分别针对单颗粒、双颗粒和三颗粒的屑末进行多次信号采集，得到第二采集数据；
B2.屑末数量判别模型训练：
使用BP算法Matlab工具箱进行模型训练；
训练数据从所有所述第二采集数据中随机选取1/3，并按7:2:1的比例划分为训练集、验证集和测试集，训练学习率采用动态学习率，通过多次测试来选择最佳的隐藏层数和节点数，选择最佳结果来确定最佳模型。
5.根据权利要求4所述的感应式油液屑末信号监测与识别系统，其特征在于，在屑末训练信号采集时，从信号中截取100个采样点以保持完整性，截取点位于信号峰值和谷值时间点的中间。
6.根据权利要求2所述的感应式油液屑末信号监测与识别系统，其特征在于，所述感应式油液屑末传感器通过漆包线缠绕在陶瓷骨架上，构成两个反向并联的激励线圈与一个电磁感应线圈，由电磁感应线圈输出微小电信号，再通过信号处理电路进行信号的放大、自乘解调和滤波后，输出监测信号。
7.根据权利要求2所述的感应式油液屑末信号监测与识别系统，其特征在于，所述气泡屑末分类识别网络模块基于反向传播神经网络，通过输入油液气泡信号和屑末信号训练得到，以实现气泡和屑末的自动区分。
8.根据权利要求2所述的感应式油液屑末信号监测与识别系统，其特征在于，所述两级屑末信号分析网络模块基于反向传播神经网络并采用两级网络分析方法构建，所述两级屑末信号分析网络模块中的第一级网络判别监测信号中屑末的数量，所述两级屑末信号分析网络模块中的第二级网络判别监测信号中屑末的大小。
9.根据权利要求8所述的感应式油液屑末信号监测与识别系统，其特征在于，所述第二级网络包括单屑末大小识别网络、双屑末大小识别网络和三屑末大小识别网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311351519.XA CN117470948B (zh) | 2023-10-18 | 2023-10-18 | 一种感应式油液屑末信号监测与识别系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311351519.XA CN117470948B (zh) | 2023-10-18 | 2023-10-18 | 一种感应式油液屑末信号监测与识别系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117470948A CN117470948A (zh) | 2024-01-30 |
| CN117470948B true CN117470948B (zh) | 2024-06-07 |
Family
ID=89630374
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311351519.XA Active CN117470948B (zh) | 2023-10-18 | 2023-10-18 | 一种感应式油液屑末信号监测与识别系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117470948B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5315243A (en) * | 1992-04-06 | 1994-05-24 | Her Majesty The Queen In Right Of Canada, As Represented By The Minister Of National Defence | Detection and discrimination between ferromagnetic and non-ferromagnetic conductive particles in a fluid |
| CN103592208A (zh) * | 2013-11-13 | 2014-02-19 | 中国人民解放军国防科学技术大学 | 抗环境磁场干扰的电磁式油液金属颗粒监测传感器 |
| JP2015031665A (ja) * | 2013-08-06 | 2015-02-16 | トライボテックス株式会社 | 粒子計数装置及び粒子計数方法 |
| CN109283102A (zh) * | 2018-08-22 | 2019-01-29 | 四川新川航空仪器有限责任公司 | 一种运动机械构件磨损状态的实时监测系统 |
| WO2019109870A1 (zh) * | 2017-12-05 | 2019-06-13 | 西人马联合（泉州）科技有限公司 | 一种磁感应颗粒检测装置及浓度检测方法 |
| CN110208167A (zh) * | 2019-06-19 | 2019-09-06 | 天津大学 | 一种能区分气泡的润滑油金属磨粒检测装置及检测方法 |
| CN110555457A (zh) * | 2019-07-24 | 2019-12-10 | 天津大学 | 发动机润滑油磨损信号特征处理系统及方法 |
| CN111160405A (zh) * | 2019-12-10 | 2020-05-15 | 南京航空航天大学 | 一种基于深度学习的发动机滑油磨粒识别方法 |
| CN210720072U (zh) * | 2019-09-09 | 2020-06-09 | 珠海市鑫世达测控技术有限公司 | 一种设备磨损颗粒在线监测传感器 |
| CN112182949A (zh) * | 2020-11-30 | 2021-01-05 | 浙江中自庆安新能源技术有限公司 | 一种基于计算机辅助技术的油液磨粒统计方法及系统 |
| CN112255955A (zh) * | 2020-12-21 | 2021-01-22 | 北京汇智恒安科技有限责任公司 | 一种智能润滑油管控系统及方法 |
| CN114596493A (zh) * | 2022-03-15 | 2022-06-07 | 徐州中旺环保科技有限公司 | 基于人工智能的液压系统油液污染在线检测方法 |
| CN114894883A (zh) * | 2022-05-05 | 2022-08-12 | 南京航空航天大学 | 一种基于电感式原理的滑油屑末检测装置 |
| CN115931977A (zh) * | 2022-11-11 | 2023-04-07 | 大连海事大学 | 一种混叠磨粒油液区分检测装置及其检测方法 |
| CN116297053A (zh) * | 2023-04-28 | 2023-06-23 | 重庆邮电大学 | 一种用于润滑油磨粒检测的复合磁场传感器结构、及其制作方法和使用方法 |
| CN116796135A (zh) * | 2023-06-27 | 2023-09-22 | 郑州航空工业管理学院 | 一种基于润滑油磨粒静电信号辨识的方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8073634B2 (en) * | 2008-09-22 | 2011-12-06 | University Of Ottawa | Method to extract target signals of a known type from raw data containing an unknown number of target signals, interference, and noise |
| JP2011145162A (ja) * | 2010-01-14 | 2011-07-28 | Japan Atomic Energy Agency | 流体中微粒子のｘ線検出法 |
-
2023
- 2023-10-18 CN CN202311351519.XA patent/CN117470948B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5315243A (en) * | 1992-04-06 | 1994-05-24 | Her Majesty The Queen In Right Of Canada, As Represented By The Minister Of National Defence | Detection and discrimination between ferromagnetic and non-ferromagnetic conductive particles in a fluid |
| JP2015031665A (ja) * | 2013-08-06 | 2015-02-16 | トライボテックス株式会社 | 粒子計数装置及び粒子計数方法 |
| CN103592208A (zh) * | 2013-11-13 | 2014-02-19 | 中国人民解放军国防科学技术大学 | 抗环境磁场干扰的电磁式油液金属颗粒监测传感器 |
| WO2019109870A1 (zh) * | 2017-12-05 | 2019-06-13 | 西人马联合（泉州）科技有限公司 | 一种磁感应颗粒检测装置及浓度检测方法 |
| CN109283102A (zh) * | 2018-08-22 | 2019-01-29 | 四川新川航空仪器有限责任公司 | 一种运动机械构件磨损状态的实时监测系统 |
| CN110208167A (zh) * | 2019-06-19 | 2019-09-06 | 天津大学 | 一种能区分气泡的润滑油金属磨粒检测装置及检测方法 |
| CN110555457A (zh) * | 2019-07-24 | 2019-12-10 | 天津大学 | 发动机润滑油磨损信号特征处理系统及方法 |
| CN210720072U (zh) * | 2019-09-09 | 2020-06-09 | 珠海市鑫世达测控技术有限公司 | 一种设备磨损颗粒在线监测传感器 |
| CN111160405A (zh) * | 2019-12-10 | 2020-05-15 | 南京航空航天大学 | 一种基于深度学习的发动机滑油磨粒识别方法 |
| CN112182949A (zh) * | 2020-11-30 | 2021-01-05 | 浙江中自庆安新能源技术有限公司 | 一种基于计算机辅助技术的油液磨粒统计方法及系统 |
| CN112255955A (zh) * | 2020-12-21 | 2021-01-22 | 北京汇智恒安科技有限责任公司 | 一种智能润滑油管控系统及方法 |
| CN114596493A (zh) * | 2022-03-15 | 2022-06-07 | 徐州中旺环保科技有限公司 | 基于人工智能的液压系统油液污染在线检测方法 |
| CN114894883A (zh) * | 2022-05-05 | 2022-08-12 | 南京航空航天大学 | 一种基于电感式原理的滑油屑末检测装置 |
| CN115931977A (zh) * | 2022-11-11 | 2023-04-07 | 大连海事大学 | 一种混叠磨粒油液区分检测装置及其检测方法 |
| CN116297053A (zh) * | 2023-04-28 | 2023-06-23 | 重庆邮电大学 | 一种用于润滑油磨粒检测的复合磁场传感器结构、及其制作方法和使用方法 |
| CN116796135A (zh) * | 2023-06-27 | 2023-09-22 | 郑州航空工业管理学院 | 一种基于润滑油磨粒静电信号辨识的方法 |
Non-Patent Citations (5)
| Title |
|---|
| A New Inductive Debris Sensor Based on Dual-Excitation Coils and Dual-Sensing Coils for Online Debris Monitoring;Xianwei Wu;《Sensors》;20211113;第1-14页 * |
| Separation of aliasing signals from inductive oil debris monitors based on fully convolutional neural networks;Siwei Chen;《Measurement Science and Technology》;20220824;第1-25页 * |
| 基于改进的集成经验模态分解法的润滑油磨粒检测研究;苏连成;郭杰;苏来进;;燕山大学学报;20200930(第05期);全文 * |
| 滑油金属磨屑在线电磁检测传感器的仿真研究;聂鹏;韩娇;徐涛;许琢;;仪表技术与传感器;20160315(第03期);全文 * |
| 电感式油液磨粒传感器系统设计;牛泽;《机械工程学报》;20210630;第57卷(第12期);第126-135页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117470948A (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8154273B2 (en) | Detecting and handling coincidence in particle analysis | |
| US4628261A (en) | Method and apparatus for separating magnetic field attributable to flaws in a material from magnetic fields attributable to other phenomena | |
| CN205861255U (zh) | 基于巴克豪森效应的铁磁材料应力检测装置 | |
| CN105929022B (zh) | 钢丝绳脉冲电涡流无损探伤检测装置及检测方法 | |
| KR20100094452A (ko) | 롤링 베어링 대미지 검측 및 자동 식별 방법 | |
| JP2002022708A (ja) | 渦流探傷信号の評価方法及びその装置 | |
| CN201262625Y (zh) | 钢丝绳电脑探伤仪 | |
| CN102954999B (zh) | 管道环焊缝类裂纹缺陷三轴漏磁内检测线信号判定方法 | |
| ATE301318T1 (de) | System, vorrichtung und verfahren zur diagnose eines strömungssystems | |
| CN104359389A (zh) | 一种测量铁磁构件壁厚相对变化量的脉冲涡流检测方法 | |
| CN107807221B (zh) | 一种地球化学普查实验室样品分析的异常点抽查检查方法 | |
| CN108760300A (zh) | 一种依据轴承振动信号对其进行故障智能诊断的方法 | |
| CN101968463A (zh) | 管道螺旋焊缝类裂纹缺陷三轴漏磁内检测线信号识别方法 | |
| CN105986003B (zh) | 一种白细胞计数方法、装置及细胞分析仪 | |
| CN105717191A (zh) | 磁巴克豪森噪声信号和磁性参数的检测方法和装置 | |
| Harris | The nature of industrial inspection | |
| Wang et al. | Inspection of mine wire rope using magnetic aggregation bridge based on magnetic resistance sensor array | |
| CN105809195A (zh) | 用于判别一个商户是否属于特定商户类别的方法和装置 | |
| JPS62501991A (ja) | 鋼鉄の分類 | |
| CN117470948B (zh) | 一种感应式油液屑末信号监测与识别系统及方法 | |
| CN111272864A (zh) | 一种基于径向磁场的脉冲涡流检测系统及方法 | |
| CN103821749A (zh) | 一种轴流式通风机失速和喘振的在线诊断方法 | |
| Jiang et al. | In‐Process Quality Inspection of Rolling Element Bearings Based on the Measurement of Microelastic Deformation of Outer Ring | |
| Zhong et al. | Research of on-line detection apparatus for industrial steel wire rope | |
| Lei et al. | A new defect classification approach based on the fusion matrix of multi-eigenvalue |
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 |