一种气密性检测系统技术方案

本发明专利技术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；本发明专利技术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，本发明专利技术有效解决了现有建筑和机械产品的气密性检测问题。

【技术实现步骤摘要】
一种气密性检测系统
本专利技术涉及气密性检测自动化装备的
，具体涉及一种气密性检测系统。
技术介绍
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。
技术实现思路
本专利技术提供了一种气密性检测系统，本专利技术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，本专利技术有效解决了现有建筑和机械产品的气密性检测问题。本专利技术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。本专利技术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。本专利技术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。本专利技术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。本专利技术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。本专利技术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。本专利技术与现有技术相比，具有以下明显优点：一、本专利技术利用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本文档来自技高网...

【技术保护点】
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；/n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。/n...

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：马从国，王大伟，丁百湛，黄国君，丁晓红，王苏琪，周恒瑞，叶文芊，金德飞，张利兵，王建国，陈亚娟，刘伟，李亚洲，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：江苏;32