基于深度学习的航空发动机滑油磨粒检测研究

针对滑油中磨粒形状复杂且尺寸大小不一,传统滑油磨粒检测方法存在时效性差、检测尺度小、精度低、非铁磁性磨粒不能检测等缺点;设计了一种基于深度学习的航空发动机滑油磨粒检测方法;基于连续流微流控芯片的滑油图像采样方法,构建滑油图像采样系统;设计图像增强方法,进行图像数据增强消融试验研究,针对YOLOv3模型和Faster RCNN模型进行精度测试,结果表明消融试验后的YOLOv3模型检测能力明显优于Faster RCNN模型;为减少消融后YOLOv3模型的误检率,提出SER算法以优化该模型的推理置信度阈值;研究结果表明滑油磨粒检测方法可解决传统测试中存在的问题,且在0.35的置信度阈值下,YOLOv3模型的检测结果能够达到94.2%的召回率和95.9%的精确度。

滑油磨粒信号的变分模态分解和概率密度估计

航空发动机磨损产生的磨粒会随润滑油在管路中流动,由于磨粒尺寸小且航空发动机工况复杂,如何实现滑油磨粒检测信号的特征提取成为系统的关键技术。提出一种基于变分模态分解（VMD）和概率密度估计的微弱信号处理方法,用于滑油磨粒检测信号处理。利用VMD获取检测信号的特征直流分量,明确直流分量的概率密度分布,以其分布均值估计滑油磨粒形成的电容值。经过仿真分析和实验验证,使用该方法能使检测系统有效分辨500μm的滑油磨粒,表明该方法能有效提高检测系统信噪比,消除噪声对微弱信号检测的干扰,改善滑油磨粒电容成像检测的性能。