The invention discloses a method for analysis of aviation oil, information fusion technology based on intelligent model of sensor comprises the following steps: monitoring of oil to the oil particle state signal filtering, wavelet denoising preprocessing method; using Fourier transform and wavelet packet energy spectrum, after pretreatment of wear particles in oil state signal feature extraction, obtain the characterization of oil characteristic parameters of wear particle state signal; according to the type and quantity of the acquired characteristic parameters, designing the RBP neural network model, BP neural network model, grey model, fuzzy inference model, and then use the acquired characteristic parameters are trained to deal with a variety of model parameters respectively; test oil debris using four kinds of models, obtain the model related parameters about oil particle state, and then through the D S evidence theory The state information of oil particle is discriminated by depth fusion. The invention makes use of the advantages of each model and has better fault tolerance, and enhances the accuracy of the identification of the abrasive particles.
【技术实现步骤摘要】
一种基于信息融合技术智能模型的航空油液分析方法
本专利技术属于航空油液品质分析及航空结构故障诊断
,特别是一种基于信息融合技术智能模型的航空油液分析方法。
技术介绍
当前航空油液监测技术的特点是交叉性、综合性、系统性的开发应用。其主要特点有:信息种类多;信息的表征各异;信息的离散性和随机性;定量和定性信息交叉;在线与离线监测信息的交叉;信息量大且带有冗余性、不确定性、不一致性和不完整性等。以磨粒信息为例,大量信息需识别和剔除,用不同方法变为可确定和接近一致性,从不完整信息中提取可用的信息。对于磨粒智能识别方法的研究是近十多年来国内外研究的热点和难点。传统的磨粒识别,通常由人工完成,其主要缺点是工作量大、精度低、自动化程度差以及对分析人员的经验和水平要求较高等。近年来,随着模式识别和人工智能技术的发展,运用的智能识别方法有神经网络、灰色关联度和模糊规则等,单一识别方法虽然能够实现对磨粒的识别,但由于受到训练样本数量、算法结构和识别目标的复杂性等因素限制,其识别准确率和稳定性存在一定的局限性,容易出现误判情况。
技术实现思路
本专利技术的目的在于提供一种容错性好、精确度高的基于信息融合技术智能模型的航空油液分析方法。实现本专利技术目的的技术解决方案为:一种基于信息融合技术智能模型的航空油液分析方法,包括以下步骤:步骤1,信号采集与预处理,对油液传感器监测到的油液磨粒状态信号进行滤波、小波降噪的预处理;步骤2,采用傅里叶变换和小波包能量谱的方法,对预处理后的油液磨粒状态信号进行特征提取,获取表征油液磨粒状态信号的特征参数;步骤3,根据步骤2中获取的特征参数的种 ...
【技术保护点】
一种基于信息融合技术智能模型的航空油液分析方法,其特征在于,包括以下步骤:步骤1,信号采集与预处理,对油液传感器监测到的油液磨粒状态信号进行滤波、小波降噪的预处理;步骤2,采用傅里叶变换和小波包能量谱的方法,对预处理后的油液磨粒状态信号进行特征提取,获取表征油液磨粒状态信号的特征参数;步骤3,根据步骤2中获取的特征参数的种类和数量,构建RBP神经网络模型、BP神经网络模型、灰色关联度模型、模糊推理模型,然后利用获取的特征参数对各种模型进行训练处理;步骤4,利用所述四种模型分别处理测试用油液磨粒的特征参数,获取模型关于油液磨粒各种状态的关联参数,然后通过D‑S证据理论进行深度融合,判别出油液磨粒的状态信息。
【技术特征摘要】
1.一种基于信息融合技术智能模型的航空油液分析方法,其特征在于,包括以下步骤:步骤1,信号采集与预处理,对油液传感器监测到的油液磨粒状态信号进行滤波、小波降噪的预处理;步骤2,采用傅里叶变换和小波包能量谱的方法,对预处理后的油液磨粒状态信号进行特征提取,获取表征油液磨粒状态信号的特征参数;步骤3,根据步骤2中获取的特征参数的种类和数量,构建RBP神经网络模型、BP神经网络模型、灰色关联度模型、模糊推理模型,然后利用获取的特征参数对各种模型进行训练处理;步骤4,利用所述四种模型分别处理测试用油液磨粒的特征参数,获取模型关于油液磨粒各种状态的关联参数,然后通过D-S证据理论进行深度融合,判别出油液磨粒的状态信息。2.根据权利要求1所述的基于信息融合技术智能模型的航空油液分析方法,其特征在于,步骤1所述油液传感器包括油液品质传感器、油液压力传感器、油液温度传感器以及油液流量传感器,其中:油液品质传感器监测油液品质,即油液颗粒物浓度、大小、质量的信息;油液压力传感器监测整个油液系统的压力值;油液温度传感器和油液流量传感器分别监测油液的温度和流量。3.根据权利要求1所述的基于信息融合技术智能模型的航空油液分析方法,其特征在于,步骤2所述采用傅里叶变换和小波包能量谱的方法,对预处理后的油液磨粒状态信号进行特征提取,获取表征油液磨粒状态信号的特征参数,具体如下:首先利用傅里叶频谱分析法对预处理后的油液磨粒状态信号进行频谱分析,确定油液磨粒的特征频率,并确定特征频率所处的特征频段;进而利用油液磨粒的特征频段确定小波包分解的参数,小波包分解过程如下:函数ψ(x)的傅立叶变换ψ(ω)满足容许性条件:其中表示容许值,R表示积分区间,x、ω分别为函数ψ(x)与ψ(ω)的函数核;则函数ψ(x)作为一个基本小波母函数,通过变化小波母函数的尺度因子,在时域尺度上平移伸缩后的函数为φ(m,n)(x),变换因子为m平移因子为n,则有:小波包与小波分析相同,由一系列线性组合的小波函数组成,即式中,i,m,k分别为频率因子、尺度因子和平移因子;对于采集到的任何一个时域信号y(t)进行如下分解:其中,为第j层小波包分解的第i个频带的信号,t表示时间,具有如下关系:其中,{h(k)}、{g(k)}为两尺度序列,视为正交共轭低通和高通滤波器,即利用滤波的方式获取所需的信号;小波包分解对各层各阶信号的频段划分公式如下:其中,n代表层数,p代表阶数,fs代表采样频率;根据固有频段范围计算小波包分解所需要的层数和阶数;小波分解信号的个数为2n个,小波包能量谱E计算公式如下:根据以上计算过程提取出包含油液磨粒特征信息的小波包能量谱特征值,进而与等效直径、短/长轴比、傅氏圆形度、傅氏凹度、孔隙率、散射度、角二阶矩、梯度熵一起作为表征油液磨粒状态信号的特征参数。4.根据权利要求1所述的基于信息融合技术智能模型的航空油液分析方法,其特征在于,步骤3所述RBP神经网络模型、BP神经网络模型、灰色关联度模型、模糊推理模型,分别具体如下:1)RBF神经网络模型RBF神经网络模型的拓扑结构包括输入层、隐层和输出层三层的前馈型网络模型,其中输入层和输出层分别对应于输入矢量空间和分类模式;模型隐层由径向基函数节点构成,采用的基函数为高斯核函数:RBF网络对应于第k个输出节点的输出yk为隐层各节点输出的线性加权和:式中:φv为隐层第v个单元的输出,x为由特征参数组成的输入矢量,cv为隐层第v个高斯单元的中心,E为n×1的单位矢量,δj为半径,||g||表示范数,取||x-c...
【专利技术属性】
技术研发人员:王景霖,曹亮,林泽力,郑国,郑蔚,单添敏,何召华,
申请(专利权)人:中国航空工业集团公司上海航空测控技术研究所,
类型:发明
国别省市:上海,31
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。