本技术介绍了一种油液磨粒特征识别技术,该技术结合卷积神经网络(CNN)和信号矩阵化处理。首先,利用感应式传感器实时采集润滑油数据,获取原始信号。然后,通过信号矩阵化处理,将原始信号转换为适合CNN分析的格式。最后,利用CNN对矩阵化信号进行特征提取和识别,实现油液磨粒特征的高效识别。
背景技术
油液磨粒检测技术是机械润滑油状态检测技术中的一项重要分支,对机械运行状态估计和寿命预测起着十分重要的作用。随着机械技术的更新迭代,已有很多不同原理的油液磨粒检测技术被开发并不断创新。感应式油液磨粒传感器凭借其对铁磁磨粒的高灵敏度、易于安装与成本低、传感器性能不易受油液杂质影响等诸多优点,成为现今油液磨粒检测领域中很受研究者关注的一种传感器。然而,在实际的机械领域与工程领域应用中,受到外界电磁干扰与机械振动等难以避免的影响,感应式油液磨粒传感器采集的感应电信号中不可避免的会包含干扰成分,如果不对这些干扰成分进行滤除,磨粒信号的检测与定量分析几乎是不可实现的。
为了解决上述问题,已有许多文献通过使用信号处理与数据特征工程等方法来进行提高感应式传感器的磨粒检测性能。信号处理技术主要依赖自适应滤波、频带分离等方法来提高磨粒电信号的信噪比,以此从处理后的采集信号中直接观察磨粒电压信号。数据特征工程主要包含数值选取与特征值计算等步骤,其原理在于磨粒感应信号具有稳定的、与噪声有较高区分度的特征值,多以片段划分-特征值计算-阈值分类为主要磨粒信号提取过程。要实现对机械运行状态的评估,必须对不同大小的铁磁磨粒进行准确计数,以此为后续的机械磨损区域分析与磨损程度评价提供依据。这两种主要的磨粒信号处理方法虽然多取得很好的效但是依赖信号处理技术的磨粒感应电压识别会不可避免地因为滤波阈值、噪声频带与磨粒频带相同等原因,造成磨粒的形态特征被改变,对于磨粒特征的保护仍然无法满足磨粒定量特征提取与分析的要求。依赖数据特征的方法的性能会因为特征值选取是否合理、噪声形态特征与磨粒特征相似度高等原因,影响算法的磨粒识别效果,为技术的使用与推进带来挑战。并且,人工的特征提取往往是一个极其复杂的过程,需要丰富的专业知识积累与大量的数学推导。这些问题都可能限制磨粒传感器的实际应用。
实现思路