航空發(fā)動機(jī)作為飛機(jī)的核心動力裝置,其安全、可靠運(yùn)行對于保障飛機(jī)安全飛行具有非常重要的意義。航空發(fā)動機(jī)零部件處于整個潤滑系統(tǒng)中,滑油管道介質(zhì)中含有豐富的磨粒信息,能夠比較準(zhǔn)確地反映發(fā)動機(jī)的磨損狀態(tài)。電容層析成像（Electrical Capacitance Tomography,簡稱ECT）技術(shù)作為一種新型的無損檢測技術(shù),被廣泛應(yīng)用于低速兩相流和多相流過程參數(shù)的檢測。滑油管道內(nèi)的滑油和磨粒構(gòu)成了典型的“液固”兩相流模型,ECT傳感器陣列檢測的電容值與滑油中的磨粒狀態(tài)息息相關(guān)。本文借助于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,簡稱CNN）這一工具,利用ECT技術(shù)實(shí)現(xiàn)航空發(fā)動機(jī)磨損狀態(tài)的智能檢測,并針對其不足之處,提出了改進(jìn)算法。首先,本文利用ECT數(shù)據(jù)采集系統(tǒng),采集不同磨損狀態(tài)下的滑油檢測數(shù)據(jù),并構(gòu)造標(biāo)準(zhǔn)樣本集,然后搭建一維CNN模型,直接作用于滑油檢測數(shù)據(jù)。實(shí)驗(yàn)表明,CNN模型診斷準(zhǔn)確率為81.2%,綜合分類率最高可達(dá)到85.55%,驗(yàn)證了神經(jīng)網(wǎng)絡(luò)模型直接作用于ECT檢測數(shù)據(jù)的可行性與有效性。其次,針對傳統(tǒng)CNN模型泛化能力和抗噪性能較弱的缺陷,將多尺度學(xué)... 

【文章來源】：中國民航大學(xué)天津市

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

ECT檢測系統(tǒng)

中國民航大學(xué)碩士學(xué)位論文13Step6：對模型測試診斷滑油狀態(tài)的分類結(jié)果進(jìn)行評估分析。圖2-3基于深度學(xué)習(xí)的ECT滑油狀態(tài)診斷流程2.4滑油檢測數(shù)據(jù)集采集2.4.1數(shù)據(jù)采集實(shí)驗(yàn)方案航空發(fā)動機(jī)滑油管道內(nèi)磨粒粒度較小，大于100μm的金屬磨粒通常是由于發(fā)動機(jī)軸承疲勞剝落產(chǎn)生的，最能反應(yīng)發(fā)動機(jī)磨損狀態(tài)。根據(jù)資料顯示，直徑為250~900μm的金屬磨粒最能表征航空發(fā)動機(jī)的磨損狀態(tài)[56]，也是本實(shí)驗(yàn)中最想檢測的磨粒尺寸。本節(jié)利用ECT系統(tǒng)采集不同磨損狀態(tài)下的滑油檢測數(shù)據(jù)，選用直徑為50mm的亞克力管代替滑油管道，為兼顧傳感器安裝技術(shù)水平及測量的實(shí)時性，選擇12電極的ECT系統(tǒng)進(jìn)行電容數(shù)據(jù)的測量采集。數(shù)據(jù)采集過程中，將滑油倒入管道內(nèi)，加入磨粒后使其自然沉降，模擬磨粒在飛機(jī)滑油管道內(nèi)的運(yùn)動狀態(tài)。利用電子天平對磨粒稱重計(jì)算，控制添加磨粒的速率和質(zhì)量，盡可能地模擬真實(shí)工況下，不同磨損狀態(tài)所對應(yīng)的磨粒濃度�；椭械哪チ＿\(yùn)動速度緩慢，為保證傳感器陣列敏感區(qū)域內(nèi)滑油狀態(tài)的連續(xù)性和數(shù)據(jù)質(zhì)量，待敏感場區(qū)域內(nèi)充滿磨粒時開始數(shù)據(jù)的測量采集。將數(shù)據(jù)采集時間設(shè)置為7s，采樣頻率設(shè)置為300幅/s，故每種滑油狀態(tài)對應(yīng)2100組電容數(shù)據(jù)，每組電容數(shù)據(jù)均包含66個電容值。數(shù)據(jù)采集系統(tǒng)實(shí)驗(yàn)裝置如圖2-4所示，基本實(shí)驗(yàn)參數(shù)如表2.3所示。

中國民航大學(xué)碩士學(xué)位論文14圖2-4ECT數(shù)據(jù)采集系統(tǒng)實(shí)驗(yàn)裝置表2.3基本實(shí)驗(yàn)參數(shù)參數(shù)參數(shù)值磨粒材料鐵屑磨粒尺寸250-900μm油液密度1004kg/m3電極個數(shù)12電極材料銅膜管道介質(zhì)航空潤滑油激勵方式正弦波激勵激勵頻率500kHZ2.4.2標(biāo)準(zhǔn)樣本集構(gòu)造滑油檢測樣本集構(gòu)造方式如圖2-5所示。將歸一化的ECT數(shù)據(jù)按時間軸和空間軸依次排列，組成二維矩陣的形式，每種滑油狀態(tài)標(biāo)簽對應(yīng)的數(shù)據(jù)集維度為66×2100，CE1~E2表示E1與E2電極之間的電容值，由于激勵ECT電極時數(shù)據(jù)測量速度非�？�，且磨粒運(yùn)動速度較慢，故可將同一滑油狀態(tài)下同一測量周期內(nèi)測得的單組66個電容值近似認(rèn)為同一時刻的電容數(shù)據(jù)，為便于卷積神經(jīng)網(wǎng)絡(luò)操作，在時間軸上選取66個時刻的數(shù)據(jù)組成一個樣本，每個樣本的維度為66×66。設(shè)每類數(shù)據(jù)在時間軸上的長度為n，一個樣本在時間軸上的截取長度為m，下一個樣本的移動步長為1，則可構(gòu)造n-m+1個樣本，故每類滑油檢測數(shù)據(jù)共產(chǎn)生2035個樣本。

【參考文獻(xiàn)】：
期刊論文
[1]基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的玻璃表面缺陷檢測方法[J]. 熊紅林,樊重俊,趙珊,余瑩.  計(jì)算機(jī)集成制造系統(tǒng). 2020(04)
[2]基于神經(jīng)網(wǎng)絡(luò)的航空發(fā)動機(jī)滑油金屬含量預(yù)測[J]. 陳慶貴,于光輝,謝靜,于海濱,蔡娜,謝鎮(zhèn)波.  兵器裝備工程學(xué)報. 2019(12)
[3]基于極限學(xué)習(xí)機(jī)的鐵譜磨粒模式識別[J]. 李加偉,劉曉衛(wèi),王崴,楊鑫.  潤滑與密封. 2019(06)
[4]基于ECT/EST雙模信息融合的磨粒圖像重建算法[J]. 薛倩,孫欽升,劉婧,商敬安.  潤滑與密封. 2019(05)
[5]基于分割Bregman迭代的內(nèi)-外置電極電容層析成像[J]. 馬敏,王濤,范廣永.  科學(xué)技術(shù)與工程. 2018(32)
[6]基于CNN-LSTM的QAR數(shù)據(jù)特征提取與預(yù)測[J]. 張鵬,楊濤,劉亞楠,樊志勇,段照斌.  計(jì)算機(jī)應(yīng)用研究. 2019(10)
[7]基于ABC-BP神經(jīng)網(wǎng)絡(luò)的航空發(fā)動機(jī)故障診斷方法[J]. 鮮倪軍.  裝備制造技術(shù). 2018(05)
[8]油液監(jiān)測多源信息融合模型構(gòu)建方法研究[J]. 石新發(fā),劉東風(fēng),孫云嶺.  武漢理工大學(xué)學(xué)報(交通科學(xué)與工程版). 2018(02)
[9]滑油磨粒信號的變分模態(tài)分解和概率密度估計(jì)[J]. 楊昊,孫衍山,李健,曾周末.  儀器儀表學(xué)報. 2018(04)
[10]基于WRF數(shù)值模式的DBN風(fēng)速預(yù)測模型研究[J]. 馬婉貞,錢育蓉,范迎迎.  計(jì)算機(jī)仿真. 2018(03)

碩士論文
[1]基于深度學(xué)習(xí)的短時交通流預(yù)測研究[D]. 翟冬梅.北京交通大學(xué) 2019
[2]基于深度學(xué)習(xí)的ECT圖像重建算法研究[D]. 何小芳.中國民航大學(xué) 2019
[3]基于深度卷積神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)驅(qū)動故障診斷方法研究[D]. 李強(qiáng).山東大學(xué) 2018
[4]神經(jīng)網(wǎng)絡(luò)技術(shù)在短期電力負(fù)荷預(yù)測中的應(yīng)用研究[D]. 楊蕊.重慶大學(xué) 2018
[5]基于ECT的航空發(fā)動機(jī)滑油磨粒在線監(jiān)測方法研究[D]. 楊昊.天津大學(xué) 2018
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷算法研究[D]. 張偉.哈爾濱工業(yè)大學(xué) 2017
[7]基于復(fù)合式EST傳感器的滑油磨粒檢測研究[D]. 趙士娜.中國民航大學(xué) 2017
[8]基于深度學(xué)習(xí)的手寫漢字識別技術(shù)研究[D]. 孫巍巍.哈爾濱理工大學(xué) 2017
[9]電容式滑油磨粒在線監(jiān)測數(shù)據(jù)采集系統(tǒng)研究[D]. 徐斌.中國民航大學(xué) 2016
[10]三維ECT電容傳感器研究與設(shè)計(jì)[D]. 吉洪駐.哈爾濱理工大學(xué) 2016



本文編號：3575116