【技术实现步骤摘要】
本申请涉及利用电磁技术测试材料的，尤其涉及一种滑油磨粒检测方法及系统。
技术介绍
1、滑油是工业领域中常用的介质，尤其在一些传动领域中。其主要起到充分润滑以及降温等作用。
2、滑油的使用过程中，难以避免地存在一些颗粒杂质，这可能对滑油的正常使用性能存在影响。因此，一些相关技术中通常需要对滑油进行监控，以获知滑油内部颗粒的情况，以便做出对应正确的应对措施。尤其是在一些安全要求的使用领域，例如航空辅助动力装置apu(auxiliary power unit)中，滑油中的颗粒情况是影响飞行安全的重要因素。
3、目前存在离线检测或者在线检测的方法，例如离线检测中有抽样检测，但是离线检测无法实时获取滑油情况，即时性较差，可靠性不足；在线检测有电容层析成像技术，能够对管道内的介质情况实时成像，但是目前在线检测仍然存在计算量较大、准确性不足的缺陷。
4、申请内容
5、本申请提供了一种滑油磨粒检测方法及系统，以便解决目前在线检测计算量较大、准确性不足的技术问题。
6、第一方面，本申请提供了一种滑油磨粒检测方法，包括：数据采集：在管道外壁布置电容传感器，通过电容传感器获取待测区域的初始电容数据c1；数据处理一：通过主成分分析方法对初始电容数据c1进行降维处理，获得二阶电容数据c2；数据处理二：将二阶电容数据c2输入到神经网络模型中，加入约束条件，获得三阶电容数据c3；图像重建：将三阶电容数据c3输入到有限元分析模型中，获得待测区域内的图像；评估优化：对重建的图像进行评估，若成像不清晰，则
7、在本申请实施例中，通过主成分分析方法将初始电容数据c1进行降维处理能够有效减少输入数据的维度，去除冗余信息而仅仅保留初始电容数据c1中最重要的特征集，考虑到主成分分析法进行的是线性降维，初始电容数据c1中存在着一些非线性的原始数据，因此仅利用主成分分析法存在难以捕捉到初始电容数据c1的重要特征的情况，因此考虑将降维后的二阶电容数据c2进行进一步处理，即通过神经网络模型进行处理，神经网络模型在约束条件作用下根据二阶数据c2进行算法优化，并输出三阶电容数据c3，由于神经网络模型能够对非线性特征进行捕捉、拟合等，在实际操作过程中可以选用或者设计合适的神经网络模型，使得神经网络模型能够建立起二阶电容数据c2和三阶电容数据c3之间较为准确的映射关系，因此可以借助神经网络模型捕捉或者完善主成分分析法遗漏的数据。如此以来，经过主成分分析后内的二阶电容数据c2降低了神经网络模型的计算复杂度，加快训练速度，减少过拟合的风险，有助于神经网络模型更好地学习数据中的关键特征，从而建立起更加精简准备地神经网络模型，并且借助神经网络模型能够对二阶电容数据c2进行二次处理最终输出准确的三阶电容数据c3，整个流程耗费时间较少，计算量适中，并且数据准确性也能够保证。最后利用有限元分析模型进行图像重建，三阶电容数据c3已经是经过降维以及神经模型完善后的数据，能够保持一定的准确性以及精简性，利用有限元分析模型进行图像重建后耗费时间更短且结果更为准确。
8、作为本申请的其中一个可选实施例，在数据处理一和数据处理二之间还包括建立神经网络模型的步骤：正问题求解：根据采集到的初始电容数据c1和采集系统的特性参数，计算出理论上的电容值分布，记作目标电容数据c0；设定适合处理电容数据的神经网络模型，并选择合适的网络结构和层数，加入约束条件；将二阶电容数据c2作为输入数据，将目标电容数据c0作为输出数据，通过二阶电容数据c2和目标电容数据c0进行神经网络模型的训练，以使得神经网络模型学习输入和输出数据之间的映射关系。
9、在本申请实施例中，通过正问题的求解，得出理论上得出目标电容数据c0，目标电容数据c0是在理论上最能准确反应待测区域图像的一组数据，这是通过一系列严谨的公式推导计算得出的，在现有相关技术中已经非常成熟，就不再赘述。传统的神经网络模型的建立过程为：输入初始电容数据c1以及目标电容数据c0，经过多次训练，让神经网络学习出c1和c0之间的映射关系，然后在后续输入对应的初始电容数据c1即可得出用于图像重建的电容数据，但是这样存在明显的问题，即，初始电容数据c1存在大量数据干扰，并且本身数据体量较大，这大大增加了神经网络模型的学习时间和负载程度，并且对神经网络模型的映射准确性也存在较大干扰，对于即时性的图像重建有很大阻力。而在本申请中，通过主成分分析方法先处理初始电容数据c1，在训练神经网络时利用处理后的二阶电容数据c2进行输入，然后神经网络模型只需学习c2与c0之间的关系，如此一来，神经网络模型的训练过程大幅度降低，并且由于指导电容数据也是目标电容数据c0，因此在后续输入c2时均能得到较为准确的用于图像重建过程的三阶电容数据c3，三阶电容数据c3与目标电容数据c0之间较为接近。
10、作为本申请的其中一个可选实施例，正问题求解的步骤包括：建立有限元模型：将目标物体划分为离散的小单元格，每个单元格具有一定的电导率；构建正问题方程：根据初始电容数据c1和有限元模型，构建正问题方程，正问题方程用于指示初始电容数据c1与待测区域电导率之间的关系；正问题求解：通过求解正问题方程，得到待测区域的电导率分布，记为目标电容数据c0。
11、作为本申请的其中一个可选实施例，在评估优化的步骤中还包括：若多次图像重建的结果不符合预期，则替换不同类型的神经网络模型，再重复建立神经网络模型的步骤，其中，神经网络模型包括卷积神经网络、循环神经网络、前馈神经网络。
12、在本申请实施例中，由于神经网络模型的种类较多，适配性也有所差别，如果多次图像重建结果不符合预期，则证明神经网络模型可能存在适配性不好的问题，在评估优化的过程中更改神经网络模型从而找到最适配的神经网络模型，提高后续数据处理的准确性。
13、作为本申请的其中一个可选实施例，在评估优化的步骤中还包括：若多次图像重建的结果不符合预期，则改变约束条件的组合进行重复训练，其中，约束条件包括物理约束、空间约束、先验知识约束等。
14、在本申请实施例中，多次尝试约束条件的组合变化，可以在神经网络训练过程中找到最适合当前检测过程的约束条件，以最大程度上去除电容数据中的噪声、改善数据的平滑性，进而提高电容图像的空间分辨率，使得成像结果更加精确和细致。
15、作为本申请的其中一个可选实施例，在数据处理的步骤之前，还包括数据预处理的步骤：对初始电容数据c1中的异常值和噪声进行处理。
16、在本申请实施例中，在主成分分析方法中，可能存在部分数据捕捉不充分的情况，这是由于初始电容数据c1中由于电路噪声、电容传感器安装位置以及精度控制等原因采集到着部分异常值或者噪声，由于主成分分析方法是基于数据的协方差矩阵或相关矩阵进行计算的，异常值或者噪声的存在可能导致协方差矩阵的计算结果偏离真实情况，从而影响主成分的提取和解释，因此提前对进行数据预处理能够降低对主成分分析过程的结果影响，保证结果的准确性。本文档来自技高网...
【技术保护点】
1.一种滑油磨粒检测方法，其特征在于，包括：
2.如权利要求1所述的滑油磨粒检测方法，其特征在于，在数据处理一和数据处理二之间还包括建立神经网络模型的步骤：
3.如权利要求2所述的滑油磨粒检测方法，其特征在于，所述正问题求解的步骤包括：
4.如权利要求2所述的滑油磨粒检测方法，其特征在于：在所述评估优化的步骤中还包括：若多次图像重建的结果不符合预期，则替换不同类型的神经网络模型，再重复建立神经网络模型的步骤，其中，所述神经网络模型包括卷积神经网络、循环神经网络、前馈神经网络。
5.如权利要求4所述的滑油磨粒检测方法，其特征在于：在所述评估优化的步骤中还包括：若多次图像重建的结果不符合预期，则改变约束条件的组合进行重复训练，其中，所述约束条件包括物理约束、空间约束、先验知识约束等。
6.如权利要求2或5所述的滑油磨粒检测方法，其特征在于：在数据处理的步骤之前，还包括数据预处理的步骤：对初始电容数据C1中的异常值和噪声进行处理。
7.如权利要求1所述的滑油磨粒检测方法，其特征在于：所述通过主成分分析方法对所述初始
8.如权利要求2所述的滑油磨粒检测方法，其特征在于，所述采集系统的特性参数包括：电容传感器的几何形状、电极间距、电极尺寸等。
9.如权利要求1所述的滑油磨粒检测方法，其特征在于，在所述评估优化的步骤之后还包括：若图像中显示颗粒直径D≥0.5cm，或，图像显示每个监控周期T分钟内溶度持续较高时，发出示警信息，其中，所述15≤T≤25。
10.一种滑油检测系统，其特征在于，包括：
...【技术特征摘要】
1.一种滑油磨粒检测方法，其特征在于，包括：
2.如权利要求1所述的滑油磨粒检测方法，其特征在于，在数据处理一和数据处理二之间还包括建立神经网络模型的步骤：
3.如权利要求2所述的滑油磨粒检测方法，其特征在于，所述正问题求解的步骤包括：
4.如权利要求2所述的滑油磨粒检测方法，其特征在于：在所述评估优化的步骤中还包括：若多次图像重建的结果不符合预期，则替换不同类型的神经网络模型，再重复建立神经网络模型的步骤，其中，所述神经网络模型包括卷积神经网络、循环神经网络、前馈神经网络。
5.如权利要求4所述的滑油磨粒检测方法，其特征在于：在所述评估优化的步骤中还包括：若多次图像重建的结果不符合预期，则改变约束条件的组合进行重复训练，其中，所述约束条件包括物理约束、空间约束、先验知识约束等...
【专利技术属性】
技术研发人员：庞立红，胡晓莉，王旭阳，邓杨，苏璟雯，
申请(专利权)人：中国商用飞机有限责任公司上海飞机设计研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。