[发明专利]一种基于信息融合技术智能模型的航空油液分析方法

说明书

技术领域

本发明属于航空油液品质分析及航空结构故障诊断技术领域，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。

背景技术

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。

发明内容

本发明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。

实现本发明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。

本发明与现有技术相比，其显著优点为：(1)采用RBP神经网络、BP神经网络、灰色关联度、模糊推理等四种模型的特征处理方法，具有较好的容错性，其区分度和准确度明显提高；(2)采用D-S证据理论方法深度融合各模型关于航空油液颗粒状态关联参数，综合利用各个模型的优点，使磨粒识别的区分度和精准度有了很大改善，提高了基于磨粒识别技术的航空油液分析水平。

附图说明

图1为本发明基于信息融合技术智能模型的航空油液分析方法的模型结构示意图。

图2为本发明基于信息融合技术智能模型的航空油液分析方法中神经元模型图。

图3为本发明中智能模型信息融合结构图。

图4为本发明中智能模型油液颗粒关联参数分析流程图。

具体实施方式

本发明基于信息融合技术智能模型的航空油液分析方法，该方法采用傅里叶变换及小波包分析技术队磨粒信号进行处理，获取表征磨粒状态信息的特征量，并利用RBP神经网络、BP神经网络、灰色关联度、模糊推理等四种模型分别处理表征磨粒状态信息的特征量，得到与磨粒状态相关的关联参数，进而应用D-S证据理论进行融合得到磨粒状态关联概率，最后对每一种状态概率进行比较，即可确定磨粒的状态信息。该方法采用多模型分析技术，具有一定的容错性；同时，其区分度和准确度比单个或者两个模型有明显的提高，在单个或者两个模型出现误判的情况下，通过信息融合仍然能够得到正确的识别结果，增强了对磨粒识别的准确度，如图1所示，本发明技术方案如下：

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；

针对润滑系统油液磨粒状态的复杂情况，设计合理的油液磨粒监测系统；磨粒状态的复杂情况将造成磨粒信号成分较为丰富，噪声信号也较多，因此，在处理信号之前需利用小波滤波等手段对油液磨粒信号进行处理。

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；

由于不同状态的颗粒物所造成的监测信号频率成分不同，因此，先对信号进行傅里叶频谱分析，找出油液磨粒信号的特征频率点，并根据特征频率点设计小波包分解的层数，我每一层对应的分解信号；最终将分解信号的能量值作为表征磨粒状态信息的特征值。将表征磨粒状态信息的特征值与油液磨粒状态的关联物理量作为表示油液磨粒状态的特征参量。