一种基于电涡流传感器对轴承磨损量进行检测的方法、装置和系统

技术领域

本发明属于轴承磨损量检测技术领域，特别是涉及一种基于电涡流传感器对轴承磨损量进行检测的方法、装置和系统，尤其适用于对大型船舶艉部水润滑轴承的磨损量进行检测。

背景技术

采用电涡流传感器检测轴承磨损情况是管道内检测技术的发展方向之一，它具有非接触式、零污染、操作简便等特点，具有广泛的应用前景。电涡流传感技术是一种无损检测方法，它的理论基础是法拉第电磁感应原理，即根据对处于通电感应线圈形成的感应电磁场中的金属被测物及其周围空间区域条件，列出麦克斯韦方程，找到边界条件，然后通过解析或数值方法求解方程，确定线圈的阻抗特性，建立电信号变化与被测物各影响因素之间的对应关系。

作为其中一个对轴承磨损量进行检测的应用场景，在大型船舶中，水润滑轴承主要安装主推进轴的船舶艉部，如图1所示，是传统大型船舶艉部水润滑轴承应用场景示意图，其中，主推进轴主要由艉轴架轴承、艉轴管后轴承和艉轴管前轴承支撑运转，上述轴承以海水作为润滑剂，形成水膜支撑船舶主推进轴的旋转运行，有效地降低传动系统中不可避免的摩擦、磨损、振动、噪声、无功能耗、可靠性差和寿命短等问题。船舶艉部水润滑轴承的工作环境非常恶劣，航行周期长，远洋舰船往往长达数个月，并且由于水润滑膜的承载力比较低，因此轴承很容易发生磨损。

如图2所示，是传统主推进轴和水润滑轴承的装配截面示意图，主推进轴与轴套采用过盈配合，轴套和板条采用过渡配合保证水润滑的正常运行，板条和轴承壳体固定连接，轴承壳体固定在在船架上，保证主推进轴的稳定运行。

由于螺旋桨在海水环境中的长期运转以及轴系发生回旋振动、扭转振动、轴向振动等的原因，轴承的负荷呈现明显的动态冲击特征；螺旋桨在复杂海况下产生的船舶推力可能使主推进轴发生偏斜；润滑水膜相对于油膜来说较为脆弱。主推进轴在上述复杂的水润滑轴承板条表面易发生磨损，使得主推进轴和轴承的间隙变大，间隙使主推进轴在运转过程中振动变大，使得轴承性能在预期寿命前急剧恶化，不但影响船舶的稳定行驶、动力安全等，而且对其他的仪器设备都会造成不良影响。由于水润滑轴承的磨损位置一般在轴承的底部，在研究水润滑轴承的磨损过程中，重要是测量底部板条的磨损情况，轴承磨损前和轴承磨损后，主推进轴落在板条的深度发生变化，其轴承磨损的监测可以转换为对主推进轴的位移变化。

目前，对轴承磨损的监测主要以机械式检测方式为主，通常只能于船舶的维修和保养期间进行，这种传统检测方式，不仅检测的精度不高，而且无法实时得到轴承磨损的数据，这为船舶的远行埋下安全隐患。

鉴于此，克服该现有技术所存在的缺陷是本技术领域亟待解决的问题。

发明内容

本发明针对传统的检测方式对轴承磨损量检测不精确、不及时的技术问题提供一种解决方案。

为了解决上述技术问题，本发明采用如下技术方案：

第一方面，本发明提供一种基于电涡流传感器对轴承磨损量进行检测的方法，包括：

S10，建立电涡流传感器的仿真分析模型，对电涡流传感器探头线圈进行仿真分析，得到电涡流传感器探头线圈的最优配置；

S20，构建电涡流传感器前置器测量电路，对电涡流传感器前置器测量电路的输出进行补偿，使得电涡流传感器的输出具有线性特性；

S30，将预设数量的电涡流传感器组成传感器阵列，通过传感器阵列对轴承磨损量进行高精度测量。

优选的，在S10中，所述对电涡流传感器探头线圈进行仿真分析，得到电涡流传感器探头线圈的最优配置，具体包括：

S11，通过仿真对比试验，根据电涡流传感器探头线圈的物理性能，确定电涡流传感器探头线圈的最优制作材料、截面形状和线圈形状；

S12，通过ANSYS对电涡流传感器探头线圈的几何参数进行正交试验，得到电涡流传感器探头线圈的几何参数与测距和灵敏度的关系数据；

S13，将电涡流传感器探头线圈的几何参数与测距和灵敏度的关系数据作为试验样本，通过深度学习法和智能参数优化法，确定电涡流传感器探头线圈的最优几何参数。

优选的，在S13中，所述通过深度学习法和智能参数优化法，确定电涡流传感器探头线圈的最优几何参数，具体包括：

S131，基于Python和深度学习框架Pytorch搭建神经网络DNN模型；

S132，将电涡流传感器探头线圈的几何参数作为神经网络的输入，将磁感应强度、电涡流传感器探头线圈的电阻值、电涡流传感器探头线圈的电感值作为神经网络的输出，对神经网络DNN模型进行训练；

S133，通过加权函数对磁感应强度、电涡流传感器探头线圈的电阻值、电涡流传感器探头线圈的电感值进行加权求和得到参数优化的适应度函数；

S134，利用Python粒子群算法，对适应度函数中电涡流传感器探头线圈的几何参数进行迭代，将迭代过程中最佳适应度位置上所对应的几何参数确定为电涡流传感器探头线圈的最优几何参数。

优选的，在S10中，所述电涡流传感器探头线圈的物理性能包括电阻值、电感值、电阻灵敏度、电感灵敏度、品质系数和涡流损耗；所述电涡流传感器探头线圈的几何参数包括匝数、层数、内径、线宽、间距和厚度。

优选的，在S20中，所述电涡流传感器前置器测量电路包括依次连接的振荡电路、检波电路、滤波电路和放大电路，所述对电涡流传感器前置器测量电路的输出进行补偿，具体包括：

S21，构建非线性补偿电路，将非线性补偿电路与电涡流传感器连接，通过非线性补偿电路对电涡流传感器前置器测量电路的输出进行线性补偿；

S22，使用Multisim对电涡流传感器前置器测量电路的输出进行线性拟合；

S23，增加温度传感器，通过多元回归分析法和LSTM神经网络模型使得电涡流传感器前置器测量电路的输出满足温漂的线性化要求。

优选的，在S23中，所述通过多元回归分析法使得电涡流传感器前置器测量电路的输出满足温漂的线性化要求，具体包括：

S231，获取不同温度和位移下电涡流传感器输出的电压数据；

S232，通过MATLAB建立二元回归多项式方程，并对方程的系数进行求解；

S233，将方程的系数代入二元回归多项式方程，并使用cftool工具箱进行数据拟合，得到最终的二元拟合多项式方程；

S234，将二元拟合多项式方程写入处理器，处理器根据实时温度和传感器的输出电压计算被测物体的位移。

优选的，在S23中，所述通过LSTM神经网络模型使得电涡流传感器前置器测量电路的输出满足温漂的线性化要求，具体包括：

S235，设置环境温度范围，在每一个具体环境温度值下，根据电涡流传感器的位移采集电涡流传感器探头线圈的激励频率、品质因数和电感值，将环境温度、电涡流传感器的位移、电涡流传感器探头线圈的激励频率品质因数和电感值作为一个集合，并将集合划分训练集和测试集；

S236，对训练集中的元素进行归一化处理，对测试集更新权重，直到误差达到最小值，将测试集代入LSTM神经网络模型，输入数据为电涡流传感器探头线圈的激励频率、品质因数和电感值以及环境温度，预测输出为电涡流传感器的位移；

S237，对电涡流传感器的位移预测值与实际值的误差和均方误差进行计算分析，从而判断LSTM神经网络模型的准确度；

S238，将最优的LSTM神经网络模型输入到STM32H743IIT5单片机，通过串口观察温漂的改进情况。

优选的，在S30中，所述将预设数量的电涡流传感器组成传感器阵列，通过传感器阵列对轴承磨损量进行高精度测量，具体包括：

S31，将第一电涡流传感器、第二电涡流传感器和第三电涡流传感器等间距设置在轴承下方，第四电涡流传感器设置在轴承正上方；其中，第二电涡流传感器和第四电涡流传感器相对设置；

S32，利用微处理器根据信号处理流程对第一电涡流传感器、第二电涡流传感器、第三电涡流传感器和第四电涡流传感器探测的电压信号进行计算分析；

S33，通过微处理器确定的磨损电压信号和温度传感器所测的温度信号进行补偿算法融合处理，得到轴承的磨损量电流信号，将轴承的磨损量电流信号通过信号输出模块上传到上位机，实现对轴承磨损量的高精度监测。

第二方面，本发明提供一种基于电涡流传感器对轴承磨损量进行检测的装置，使用第一方面所述的基于电涡流传感器对轴承磨损量进行检测的方法，包括：

第一电涡流传感器、第二电涡流传感器、第三电涡流传感器和第四电涡流传感器，第一电涡流传感器、第二电涡流传感器和第三电涡流传感器等间距设置在轴承下方，第四电涡流传感器设置在轴承正上方；其中，第二电涡流传感器和第四电涡流传感器相对设置；以及，

温度补偿传感器；温度补偿传感器分别设置在第一电涡流传感器、第二电涡流传感器、第三电涡流传感器和第四电涡流传感器内部。

第三方面，本发明提供一种基于电涡流传感器对轴承磨损量进行检测的系统，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述处理器执行，用于执行如第一方面所述的基于电涡流传感器对轴承磨损量进行检测的方法。

针对现有技术中的不足，本发明所能取得的有益效果为：

本发明通过对电涡流传感器探头线圈进行优化，再对电涡流传感器前置器测量电路进行线性补偿，可以大幅度提升电涡流传感器的性能，通过合理布置一定数量的电涡流传感器，可以实时和高精度地完成对轴承磨损量的检测。

本发明采用4个电涡流传感器同时工作，从而实现对轴承磨损量的高精度检测，应用结果表明，通过测试算法测量误差可控制在2％以下；若1个或2个电涡流传感器因为故障失效，则通过测试算法将测量误差保持在2％～4％之间；若3个电涡流传感器因为故障失效，则通过测试算法将测量误差控制在5％左右。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是传统大型船舶艉部水润滑轴承应用场景示意图；

图2是传统主推进轴和水润滑轴承的装配截面示意图；

图3是一种基于电涡流传感器对轴承磨损量进行检测的方法主流程示意图；

图4是电涡流传感器的仿真分析模型示意图；

图5是不同材料的探头线圈电阻和电感对比实验结果；

图6是不同材料的探头线圈电阻灵敏度和电感灵敏度对比实验结果；

图7是不同材料的探头线圈品质系数和涡流损耗对比实验结果；

图8是不同探头线圈线圈形状示意图；

图9是不同探头线圈线圈形状的电感变化曲线示意图；

图10是不同探头线圈线圈形状的灵敏度和品质系数对比实验结果；

图11是探头线圈不同几何参数下的正交实验数据；

图12是探头线圈不同几何参数下的正交实验曲线；

图13是深度学习模型对探头线圈的电感的回归结果示意图；

图14是深度学习模型对探头线圈的电阻的回归结果示意图；

图15是深度学习模型对磁感应强度的回归结果示意图；

图16是振荡电路的结构示意图；

图17是检波电路的结构示意图；

图18是滤波电路的结构示意图；

图19是放大电路的结构示意图；

图20是测距与探头线圈产生的等效电感、电阻值的变化关系

图21是非线性补偿电路与电涡流传感器连接示意图；

图22是非线性补偿电路结构示意图；

图23是引入非线性补偿电路后的仿真结果；

图24是引入补偿后的直线拟合结果示意图；

图25是温度补偿前的输出特性曲线；

图26是三次多项式拟合系数及其对应值；

图27是三次多项式拟合结果；

图28是五次多项式拟合系数及其对应值；

图29是五次多项式拟合结果；

图30是为LSTM神经网络温度位移预测结构图；

图31是温度补偿后的输出特性曲线；

图32是预设数量的电涡流传感器的布置示意图；

图33是信号处理的流程示意图；

图34是轴承磨损量的计算方法示意图；

图35是一种基于电涡流传感器对轴承磨损量进行检测的系统连接示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。另外，本发明提供的各个实施例或单个实施例中的技术特征可以相互任意结合，以形成可行的技术方案，这种结合不受步骤先后次序和/或结构组成模式的约束，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时，应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

实施例1：

为了解决传统的检测方式对轴承磨损量检测不精确、不及时的技术问题，本实施例1提供一种基于电涡流传感器对轴承磨损量进行检测的方法，如图3所示，包括：

S10，建立电涡流传感器的仿真分析模型，对电涡流传感器探头线圈进行仿真分析，得到电涡流传感器探头线圈的最优配置。

如图4所述，是电涡流传感器的仿真分析模型示意图，仿真分析模型包括：探头线圈、被测对向和求解域三部分；其中，被测对向为金属材料，也可以理解为轴承，相当于是对轴承的仿真。

在S10中，所述对电涡流传感器探头线圈进行仿真分析，得到电涡流传感器探头线圈的最优配置，具体包括：

S11，通过仿真对比试验，根据电涡流传感器探头线圈的物理性能，确定电涡流传感器探头线圈的最优制作材料、截面形状和线圈形状。

在本步骤中，所述电涡流传感器探头线圈的物理性能包括电阻值、电感值、电阻灵敏度、电感灵敏度、品质系数和涡流损耗。

如图5所示，通过仿真对比试验，可以发现，无论是在空载还是在有载情况下，选Pt作为制作材料时探头线圈的电阻值、电感值最大，其他材料的探头线圈的各项指标之间并没有明显的差别。因此，Pt作为制作材料优先被排除。

进一步的，通过利用不同制作材料的探头线圈在有被测对向和无被测对向时的电阻和电感，对不同制作材料的探头线圈的电阻灵敏度、电感灵敏度进行计算，电阻灵敏度和电感灵敏度的定义和计算公式如下：

其中，SENR和SENL分别表示电阻灵敏度和电感灵敏度，R0、L0分别表示探头线圈在没有被测对向时的电阻和电感，RS和LS分别表示探头线圈在有被测对向时的电阻和电感。

如图6所示，通过仿真对比试验，可以发现，Ag、Cu、Au三种材料电感灵敏度大致相同，但Ag的电阻灵敏度相对最大。因此，Ag可以作为最优的探头线圈的制作材料。

进一步的，确定了Ag作为最优的探头线圈的制作材料后，需要探究灵敏度和品质因数与探头线圈截面形状的关系，如图7所示，通过仿真对比试验，可以发现，矩形截面的探头线圈灵敏度均高于圆形截面的探头线圈，矩形截面的探头线圈涡流损耗小于圆形截面探头线圈。因截面面积和探头线圈总长等参数不变，两者电感和电阻相差不大，因而品质因数相近。综合来看，矩形截面的探头线圈优于圆形截面的探头线圈。因此，可以确定最优的探头线圈的截面形状为矩形。

进一步的，确定了矩形截面的探头线圈优于圆形截面的探头线圈后，需要探究探究灵敏度、品质因数与探头线圈形状的关系，如图8所示，是不同探头线圈线圈形状示意图；其中，图8a为矩形形状的探头线圈，图8b圆形形状的探头线圈。通过仿真对比试验，如图9-图10所示，综合来说，可以发现，矩形形状的探头线圈灵敏度和品质系数均优于圆形形状的探头线圈。因此，可以确定最优的探头线圈的形状为矩形。

S12，通过ANSYS对电涡流传感器探头线圈的几何参数进行正交试验，得到电涡流传感器探头线圈的几何参数与测距和灵敏度的关系数据。

在本步骤中，所述电涡流传感器探头线圈的几何参数包括匝数、层数、内径、线宽、间距和厚度。

通过改变上述电涡流传感器探头线圈的几何参数可以仿真得到不同参数时的电感电阻值，如图11-图12所示，可以发现，由于样本数量(16组)的不足，探头线圈电感、电阻值随探头线圈几何参数变化而变化的趋势不够显著。

实际应用过程中，通过基于仿真软件ANSYS对探头线圈的几何参数(匝数、层数、内径、线宽、间距、厚度)进行组合实验，具体实现时，其中，匝数取值为14、17、20，层数取值为4、6、8，内径取值为2mm、3.5mm、5mm，线宽取值为0.1mm、0.2mm、0.3mm，间距取值为0.1mm、0.2mm、0.3mm，厚度取值为0.06mm、0.015mm、0.024mm，得到总共729组实验数据。综合这729组数据，可以进一步分析出不同几何参数对探头线圈测距和灵敏度的影响程度和趋势，从而为确定电涡流传感器探头线圈的最优几何参数创造条件。

S13，将电涡流传感器探头线圈的几何参数与测距和灵敏度的关系数据作为试验样本，通过深度学习法和智能参数优化法，确定电涡流传感器探头线圈的最优几何参数。

在本步骤中，将深度学习法和智能参数优化法相结合，把通过仿真软件ANSYS生成的数据作为实验样本，磁感应强度、探头线圈的电阻值、探头线圈的电感值三个参数作为目标函数训练深度学习模型，再通过加权函数对上述三个参数进行加权求和得到参数优化的适应度函数，在此基础上，通过智能参数优化法对其进行优化得到最佳参数。

其中，目标函数如下所示：

minf＝-L(电感)+B(磁感应强度)+R(电阻)

在S13中，所述通过深度学习法和智能参数优化法，分别确定电涡流传感器探头线圈的最优几何参数，具体包括：

S131，基于Python和深度学习框架Pytorch搭建神经网络DNN模型。

S132，将电涡流传感器探头线圈的几何参数作为神经网络的输入，将磁感应强度、电涡流传感器探头线圈的电阻值、电涡流传感器探头线圈的电感值作为神经网络的输出，对神经网络DNN模型进行训练。

基于模型回归结果的R2值对模型的参数进行优化，具体实现时，最终选用了总层数为三层、第一层神经元个数为8、第二层神经元个数为15、第三层神经元个数为3的DNN网络，在训练500个epoch之后模型可以达到符合参数优化要求的精度，实现过程中，对电感回归的R2为0.99，对电阻回归的R2为0.99，对磁感应强度回归的R2为0.94。

如图13-图15所示，依次为深度学习模型对探头线圈的电感、探头线圈的电阻和磁感应强度的回归结果示意图。

S133，通过加权函数对磁感应强度、电涡流传感器探头线圈的电阻值、电涡流传感器探头线圈的电感值进行加权求和得到参数优化的适应度函数。

S134，利用Python粒子群算法，对适应度函数中电涡流传感器探头线圈的几何参数进行迭代，将迭代过程中最佳适应度位置上所对应的几何参数确定为电涡流传感器探头线圈的最优几何参数。

所述粒子群算法中粒子速度更新的方式由三个部分组成，包括惯性或动量部分(反应粒子的运动习惯)、认知部分(粒子有向自身历史最佳位置逼近的优势)和社会部分(粒子有向群体或领域历史最佳位置逼近的趋势)。

其公式如下所示：

v

算法流程和原理：在每一次迭代过程中，所有粒子都会根据自己当前的位置以及与其他粒子的相对位置更新自己速度的方向以及位置，当迭代次数达到设定值或者适应度满足设定的要求时迭代停止，最佳适应度的位置所对应的几何参数即为所求。

最终求解得到的探头线圈的最优几何参数：匝数为20，层数为4，内径为5mm，线宽为0.3mm，间距为0.1mm，厚度为0.024mm，对应的外径即为20.8mm。优化得到的线圈电感为146μH，电阻为43ohm，磁感应强度为18μT。

综上所述，拟选用制作材料为Ag，截面形状和线圈形状都为矩形，匝数为20，层数为4，内径为5mm，线宽为0.3mm，间距为0.1mm，厚度为0.024mm的探头线圈。

S20，构建电涡流传感器前置器测量电路，对电涡流传感器前置器测量电路的输出进行补偿，使得电涡流传感器的输出具有线性特性。

电涡流传感器探头线圈主要实现对被测物体(如轴承)的磨损量进行检测，而电涡流传感器前置器测量电路主要实现将测得的磨损量数据进行传输。

在S20中，所述电涡流传感器前置器测量电路包括依次连接的振荡电路、检波电路、滤波电路和放大电路，并与信号转换电路连接实现检测信号的输出。

实现过程中，如图16所示，振荡电路优选选择电容三点式振荡电路，其突出的优点是灵敏度高、稳定性好，频率稳定度达到10

检波电路的作用是利用二极管单向导电性将高频中的低频信号取出来，实现半波整流。如图17所示，设输入的电压有效值为Vi，在Vi的正半周，二极管外加正向电压，处于导通状态，输出电压V1；在Vi的负半周，二极管外加反向电压，处于截至状态，输出电压V1＝0。由于二极管的单向导电特性，调幅信号的负半周部分被截去，仅留下正半周。如在每个信号周期取平均值，所得即为调幅信号的包络线，实现了检波的功能。滤波电路是一种具有频率选择作用的电路，它能让某些频率的信号通过而使其它频率的信号受到阻塞或者衰减。如图18所示，R1为驱动阻抗，R2为终端阻抗，滤波电路由电感L1与电容C1和C2三个电抗元件组成三阶低通滤波器。由于经过检波电路和滤波电路后获得的直流信号很小，需要进行信号的放大处理，保证检测的准确性。为了避免放大后的信号出现饱和，采用集成运算放大器构成差分比例放大电路。如图19所示，放大电路电源VCC，限流电阻R3和稳压管D1构成稳压电路，使输出的电压V3稳定在需要的数值，用于调节输出的直流信号。同相输入端V2为经过滤波后的直流电压，与反相输入端构成差分运算。检测信号通过测量电路后，根据探头线圈仿真组的数据，得到测距与探头线圈电感和电阻的对应数据及仿真结果，采用参数扫描仿真，得到不同测距下，电路最终输出的电流值大小。如图20所示，为测距与探头线圈产生的等效电感、电阻值的变化关系，可以看出，其输出具有严重的非线性，因此，需要进行补偿。

在S20中，所述对电涡流传感器前置器测量电路的输出进行补偿，具体包括：

S21，构建非线性补偿电路，将非线性补偿电路与电涡流传感器连接，通过非线性补偿电路对电涡流传感器前置器测量电路的输出进行线性补偿。

如图21所示，为非线性补偿电路与电涡流传感器连接示意图。

图中，设传感器的输出：

v

期望测量电路的输出：

v

式中：x表示测量位移，v1是传感器的输出，且v1与x是具有非线性关系。v0是经补偿后的输出，利用矫正环节的非线性消除测量单元探头的非线性，最终使测量电路的输出v0与x具有线性关系。

结合上述两式，解出非线性补偿电路的输入-输出关系表达式为：

v

为获得良好的线性化补偿，采用以函数补偿法为基础，通过三次补偿函数的运算，进而设计出非线性补偿电路。根据非线性补偿的原理，需要求出电涡流传感器输出的反函数，因此，先利用电涡流传感器前置器测量电路的顶层电路仿真获得其输出特性曲线，再以电压为输入，位移为输出，进行三次多项式函数拟合。根据拟合公式设计出能够实现三次函数运算的补偿电路。如图22所示，为非线性补偿电路结构示意图，其中，第一个运算放大器Ul实现的是三次项和二次项系数，第二个运算放大器U2实现的是一次项和常数项系数，第三个运算放大器U3其放大倍数为l，仅使输出信号反相。稳压二极管D2、D4提供稳定的输出电压uD2和uD4，通过电阻R12实现对三次函数的各项系数的调整。

如图23所示，为引入非线性补偿电路后的仿真结果，相比于补偿前的仿真结果，得到了一定的修正，但修正后的部分输出值与理想输出值仍存在一定的偏差。

S22，使用Multisim对电涡流传感器前置器测量电路的输出进行线性拟合。

如图24所示，为引入补偿后的直线拟合结果示意图；其中，

拟合的直线方程为：

v

电涡流传感器的灵敏度：

电涡流传感器的非线性误差：

δ

V

S23，增加温度传感器，通过多元回归分析法和LSTM神经网络模型使得电涡流传感器前置器测量电路的输出满足温漂的线性化要求。

由于轴承长期处于海水温度环境中，不同温度环境对测量的输出结果的准确度存在一定的影响，为了研究并降低温度对数据准确性的影响，在本步骤中，同时在电涡流传感器探头内部安装温度传感器，通过温度补偿归一化算法，使得在-20℃～60℃温度范围内能够满足±1％的线性度指标；具体应用时，电涡流传感器探头在检测位移的过程中温度传感器同步检测当前环境温度，根据所检测的环境温度所对应的位移值与标定好的位移值进行递归运算，记录不同位移下电路的输出电压值，根据温度-位移试验所测量的物理量，绘制出该传感器相对距离S和测量电压U的特征关系曲线，如图25所示，可以看出，随着温度的改变，特性曲线发生温度漂移，不满足线性度的指标要求。

根据试验数据，可以求出以下温度系数：

1)零位温度系数α

α

其中，相对距离S＝0时不同温度所导致的电压最大偏移值(单位：V)

ΔU

U(FS)为测量单元探头的量程(单位：V)；T为温度的测量范围(单位：℃)。

2)灵敏度温度系数αs

α

式中:U(T2)-U(T1)为在某个特定的相对距离S条件下由于不同温度所导致的电压最大偏移值；U(FS)为该测量单元探头的量程；T为温度的测量范围。

在本步骤中，多元回归分析法是指建立研究对象与变化因子之间的数学模型，最后根据数学模型的关系式对模型中的样本数据进行分析，对于电涡流位移传感器来说，有输入位移、输出电压、环境温度三个变量，电涡流传感器以获得输入位移为目标，因此，此处的多元回归就是研究输入位移与输出电压和环境温度的回归，属于二元回归。

在S23中，所述通过多元回归分析法使得电涡流传感器前置器测量电路的输出满足温漂的线性化要求，具体包括：

S231，获取不同温度和位移下电涡流传感器输出的电压数据。

S232，通过MATLAB建立二元回归多项式方程，并对方程的系数进行求解。

在本步骤中，由于采集的原始数据的数量较多，且位移、电压和温度之间的函数关系比较复杂，因此低阶二元回归方程不能包含所有的变量信息，因此，我们借助MATLAB数学软件完成最优回归方程的建立和最优方程系数的求解。

二元回归的因变量输出位移量X是关于自变量输出电流I和温度T的二元函数：

X＝f(I,T)

设二元回归方程如下：

X＝α

ε为高阶无穷小量，根据此式可计算出第i个位移采集点的位移值，实际位移值与回归计算值之间的方差为

S233，将方程的系数代入二元回归多项式方程，并使用cftool工具箱进行数据拟合，得到最终的二元拟合多项式方程。

由于二元回归的本质是数据拟合的过程，在本步骤中，实际应用时，通过cftool工具箱来实现数据的拟合，选择三维坐标对应的数据集x坐标和y坐标为自变量，z坐标为因变量，通过多项式拟合算法，得到不同阶数多项式的拟合结果。

如图26所示，是三次多项式拟合系数及其对应值。

如图27所示，是三次多项式拟合结果。

对应的，三次多项式拟合线性模型Ploy33为：

f(x,y)＝p00+p10*x+p01*y+p20*x

+p02*y

如图28所示，是五次多项式拟合系数及其对应值。

如图29所示，是五次多项式拟合结果。

对应的，五次多项式拟合线性模型Ploy55为：

f(x,y)＝p00+p10*x+p01*y+p20*x

p11*x*y+p02*y

+p12*x*y

+p22*x

+p41*x

S234，将二元拟合多项式方程写入处理器，处理器根据实时温度和传感器的输出电压计算被测物体的位移。

长短期记忆网络(LSTM)包含于反馈神经网络,通过增加输入门、遗忘门和输出门来避免循环神经网络中梯度膨胀或者消失的问题。

如图30所示，为LSTM神经网络温度位移预测结构图。

进一步的，在S23中，所述通过LSTM神经网络模型使得电涡流传感器前置器测量电路的输出满足温漂的线性化要求，具体包括：

S235，设置环境温度范围，在每一个具体环境温度值下，根据电涡流传感器的位移采集电涡流传感器探头线圈的激励频率、品质因数和电感值，将环境温度、电涡流传感器的位移、电涡流传感器探头线圈的激励频率品质因数和电感值作为一个集合，并将集合划分训练集和测试集。

环境温度范围为-20℃～60℃，实现过程中，可以将起始温度设为-10℃，测温间隔为10℃，电涡流传感器的位移范围为0-18mm，测距间隔设为2mm。

S236，对训练集中的元素进行归一化处理，对测试集更新权重，直到误差达到最小值，将测试集代入LSTM神经网络模型，输入数据为电涡流传感器探头线圈的激励频率、品质因数和电感值以及环境温度，预测输出为电涡流传感器的位移。

其中，归一化处理算法为：

设：具体环境温度为T,电涡流传感器的位移为Xm,电涡流传感器探头线圈的激励频率为fm,电涡流传感器探头线圈品质因数为Qm,电涡流传感器探头线圈的电感值为Lm，上述构成的所有数据看作集合S。

将上述数据进行建模，其中，电涡流传感器探头线圈的激励频率fm、电涡流传感器探头线圈品质因数Qm、电涡流传感器探头线圈的电感值Lm为输入，电涡流传感器的位移Xm为预测的输出。

S237，对电涡流传感器的位移预测值与实际值的误差和均方误差进行计算分析，从而判断LSTM神经网络模型的准确度。

S238，将最优的LSTM神经网络模型输入到STM32H743IIT5单片机，通过串口观察温漂的改进情况。

如图31所示，为温度补偿后的输出特性曲线。

可以看出，测量电涡流传感器探头在数据融合后，其零点温度系数优化效果上升近2个精度，极大地改善了温度漂移带来的问题。

S30，将预设数量的电涡流传感器组成传感器阵列，通过传感器阵列对轴承磨损量进行高精度测量。

在S30中，所述将预设数量的电涡流传感器组成传感器阵列，通过传感器阵列对轴承磨损量进行高精度测量，具体包括：

S31，将第一电涡流传感器、第二电涡流传感器和第三电涡流传感器等间距设置在轴承下方，第四电涡流传感器设置在轴承正上方；其中，第二电涡流传感器和第四电涡流传感器相对设置。

如图32所示，为预设数量的电涡流传感器的布置示意图。

S32，利用微处理器根据信号处理流程对第一电涡流传感器、第二电涡流传感器、第三电涡流传感器和第四电涡流传感器探测的电压信号进行计算分析。

如图33所示，为信号处理的流程示意图。

实现过程中，首先是针对传感器2信号分析，判断是否是有效信号，假如是正确的信号，比对传感器1和传感器3的信号，判断主推进轴是否发生挠曲变形，如果主推进轴发生挠曲变形，则通过信号融合的算法进行计算。

S33，通过微处理器确定的磨损电压信号和温度传感器所测的温度信号进行补偿算法融合处理，得到轴承的磨损量电流信号，将轴承的磨损量电流信号通过信号输出模块上传到上位机，实现对轴承磨损量的高精度监测。

如图34所示，为轴承磨损量的计算方法示意图。

图中R为轴承内径，R’为磨损后轴承内径，r为轴径，d1为轴承正上方所安装电涡流传感器所测得的数据，d2为轴承正下方所安装电涡流传感器所测的数据，d3、d4为轴承左右两侧对称安装的两电涡流传感器所测得的数据。轴承正上方与正下方所安装的两电涡流位移传感器距离为d0。以轴承座中心为原点建立坐标系，由于所安装的四个电涡流传感器位置是固定的，故可测得四个电涡流传感器探头所在位置分别为(x01,y01)、(x02,y02)、(x03,y03)、(x04,y04)。

则根据已知数据则可得到所安装的电涡流传感器与原点的连线同轴外圈所的三个交点坐标分别为(a

式中，α为两边对称传感器与y轴夹角角度。

则可通过这三点坐标确定轴心位置为：

由上述可知，轴承座中心位置(0,0)，磨损后轴心位置(x

同时δ也可通过以下方法计算：

通过融合算法的计算，最后输出磨损量，如果传感器2的信号异常，使用传感器3信号进行信号的融合，如果传感器1信号和传感器3信号比较的误差较小，则直接输出传感器2信号或者传感器4信号作为磨损量。

实施例2：

基于与实施例1同一个总的技术构思，本实施例2提供的一种基于电涡流传感器对轴承磨损量进行检测的装置，使用实施例1所述的基于电涡流传感器对轴承磨损量进行检测的方法，如图32所示，包括：

第一电涡流传感器1、第二电涡流传感器2、第三电涡流传感器3和第四电涡流传感器4，第一电涡流传感器1、第二电涡流传感器2和第三电涡流传感器3等间距设置在轴承下方，第四电涡流传感器4设置在轴承正上方；其中，第二电涡流传感器2和第四电涡流传感器4相对设置；以及，

温度补偿传感器；温度补偿传感器分别设置在第一电涡流传感器1、第二电涡流传感器2、第三电涡流传感器3和第四电涡流传感器4内部，优选的，温度补偿传感器安装在第一电涡流传感器1、第二电涡流传感器2、第三电涡流传感器3和第四电涡流传感器4探头线圈附近并朝向第一电涡流传感器1、第二电涡流传感器2、第三电涡流传感器3和第四电涡流传感器4，温度补偿传感器用于实时检测第一电涡流传感器1、第二电涡流传感器2、第三电涡流传感器3和第四电涡流传感器4的工作环境温度，防止因温度变化引起第一电涡流传感器1、第二电涡流传感器2、第三电涡流传感器3和第四电涡流传感器4出现温漂。

应用过程中，第一电涡流传感器1、第二电涡流传感器2、第三电涡流传感器3和第四电涡流传感器4能起到融合和互补的作用，以第二电涡流传感器2检测的结果为主，当第二电涡流传感器2出现异常时以第四电涡流传感器4检测的结果对为主，以第一电涡流传感器1和第三电涡流传感器3对第二电涡流传感器2和第四电涡流传感器4检测的结果进行融合计算，最终得到准确的轴承磨损量，当第二电涡流传感器2和第四电涡流传感器4同时出现异常时报警。

实施例3：

基于与实施例1同一个总的技术构思，本实施例3提供的一种基于电涡流传感器对轴承磨损量进行检测的系统连接示意图，如图35所示，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述处理器执行，用于执行如实施例1所述的基于电涡流传感器对轴承磨损量进行检测的方法。

综上所述，本发明提供一种基于电涡流传感器对轴承磨损量进行检测的方法、装置和系统，可以实时和高精度地完成对轴承磨损量的检测。

需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、电子设备、或计算机软件程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、系统、电子设备、或计算机软件程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每个流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。