论文部分内容阅读
航空发动机作为飞机的核心动力装置,其安全、可靠运行对于保障飞机安全飞行具有非常重要的意义。航空发动机零部件处于整个润滑系统中,滑油管道介质中含有丰富的磨粒信息,能够比较准确地反映发动机的磨损状态。电容层析成像(Electrical Capacitance Tomography,简称ECT)技术作为一种新型的无损检测技术,被广泛应用于低速两相流和多相流过程参数的检测。滑油管道内的滑油和磨粒构成了典型的“液固”两相流模型,ECT传感器阵列检测的电容值与滑油中的磨粒状态息息相关。本文借助于卷积神经网络(Convolutional Neural Network,简称CNN)这一工具,利用ECT技术实现航空发动机磨损状态的智能检测,并针对其不足之处,提出了改进算法。首先,本文利用ECT数据采集系统,采集不同磨损状态下的滑油检测数据,并构造标准样本集,然后搭建一维CNN模型,直接作用于滑油检测数据。实验表明,CNN模型诊断准确率为81.2%,综合分类率最高可达到85.55%,验证了神经网络模型直接作用于ECT检测数据的可行性与有效性。其次,针对传统CNN模型泛化能力和抗噪性能较弱的缺陷,将多尺度学习思想融入传统的CNN架构中,设计基于多尺度Attention机制的CNN(Multi-scales Attention-based CNN,简称MSACNN)模型,从多尺度粗粒度信号中学习互补的状态特征,利用Attention机制网络计算各CNN模块特征权重,运用加权求和,实现多尺度粗粒度特征融合。实验表明,3尺度MSACNN模型诊断准确率为90%,综合分类率最高可达到91.66%,大幅提高了模型的诊断效率和鲁棒性。最后,通过进一步分析ECT滑油检测数据的二维模态特征,在MSACNN模型的基础上,结合长短期记忆神经网络(Long Short-Term Memory,简称LSTM),提出了改进的MSACNN-LSTM模型,以并行的方式,提取数据的时空二维特征,利用Attention机制进行特征融合,并引入批规范化操作和卷积核Dropout技术,有效地削弱了噪声数据的干扰,减小了模型训练难度。实验表明,MSACNN-LSTM模型诊断准确率为97.2%,综合分类率最高可达到97.59%,模型诊断准确率、泛化能力和抗噪性能大幅增强,并通过可视化技术验证了模型改进的合理性。