摘要
静电层析成像（ElectrostaticTomography，EST）是一种新型电学层析成像技术，具有非侵入、无辐射、实时成像、结构简单等优点，在滑油磨粒在线监测方面具有潜在的应用价值。当携带电荷的磨粒随滑油通过静电传感器时，根据静电感应原理，传感器电极片上产生相应的感应电荷，但其产生的感应电荷是管道内全部电荷颗粒静电场的叠加值，所以当存在不同数目的磨粒或磨粒出现在不同的径向位置时，传统的静电监测技术很难获得准确的磨粒数量和磨粒电荷量。本文在阵列式静电传感器的基础上，从数据采集系统和荷电颗粒检测方法方面，进一步提高EST系统可视化测量的准确性和可靠性，将其应用于管道内荷电颗粒的在线监测，通过图像重建获得荷电颗粒的径向位置与数量，进而得出相对准确的各磨粒的带电量，以期为异常磨粒的检测提供判断依据。主要工作如下： 1）设计新型阵列式静电传感器和信号调理电路，实现对电荷信号的处理。在阵列式静电传感器的基础上，搭建了基于现场可编程门阵列（FieldProgrammableGateArray,FPGA）的12通道高性能EST成像系统，并对滑油中的带电小球进行监测实验。总结并实现基于FPGA的高速数据采集系统的硬件设计、控制方案、数据流传输过程等，利用传统的EST图像重建算法，验证了所设计的EST系统的有效性。 2）提出基于混合神经网络模型的磨粒电荷量检测方法。由于EST相对于其他较成熟的电学层析成像技术具有独立测量值更少、图像重建精度更低的问题，利用反向传播神经网络(BackPropagation,BP)对EST测量数据进行图像重建，在传感器电极阵列横截面内放置不同的电荷颗粒数目和位置分布，提取出大量仿真和实验数据作为BP神经网络的样本集，训练好神经网络模型后得到初步的重建图像，然后用卷积神经网络（ConvolutionalNeuralNetworks,CNN）分析重建出的图像来识别荷电颗粒数目，将BP神经网络重建出的图像作为CNN网络的输入，理论电荷数目作为期望输出，训练好CNN网络模型后，将识别的颗粒数目和传感器测量数据组合成输入向量，通过1个多层前馈网络确定带电颗粒数目、感应电荷值与颗粒电荷量值之间映射关系，从而得到准确的各颗粒的电荷量值。 实验表明，本文设计的基于FPGA的EST成像系统可以满足实际测量的要求，实测结果接近仿真结果，对不同位置的荷电磨粒均有较好的成像效果。数据采集速率达到10Msps；混合神经网络模型对数据样本的测量误差为9%，可满足滑油监测对于准确性的要求，为进一步研究滑油磨粒在线监测奠定基础。
NETL