一种智能化的气密性检测方法、系统及装置

本发明涉及气密性检测自动化装备领域，尤其是一种智能化的气密性检测方法、系统及装置。

背景技术：

1、密封性能是产品的一项关键指标，气密性检测是保证密封性能最为关键的手段之一。为确保密封产品的质量，在生产过程中都需要进行气密性检验。良好的气密性可以使产品具有更好的防水与防尘性能，对产品的气密性测试显得相当必要。然而现有技术中，在采用压力表法时，需要在产品表面预留注气孔，预留注气孔的后续封堵增加了漏气风险，而且压力表法不利于对每一个产品的气密性进行准确的估判，也无法实现气密性测试的量化。因此，研制出一套检测精度高、自动化程度好和智能化的气密性检测系统，对提高被检测产品的密封性能有着重大意义。

技术实现思路

1、发明目的：本发明的目的是提供一种智能化的气密性检测方法、系统及装置，提高检测产品气密性的智能化、准确性和自动化。

2、技术方案：本发明所述的智能化的气密性检测方法，包括如下步骤：

3、采集被测对象的压力初始值、当前时刻压力值和当前时刻温度值输入气密性检测模型，根据气密性检测模型输出结果将被测对象的气密性分为不同等级；

4、所述气密性检测模型包括第一信号检测模型、第二信号检测模型、第十一模型、第十二模型、第十三模型和第十四模型；第一信号检测模型和第二信号检测模型用于得到输入参数的预测值；

5、当前时刻压力值输入第一信号检测模型和第十二模型，当前时刻温度值输入第二信号检测模型和第十二模型；第一信号检测模型的输出和第二信号检测模型的输出均输入到第十一模型和第十二模型中，第十一模型的输出输入到第十二模型中；

6、压力初始值输入第十三模型，第十三模型的输出与第十二模型的输出之差输入到第十四模型中，压力初始值与第一信号检测模型的输出之差输入到第十四模型中；

7、根据第十四模型的输出结果将被测对象的气密性分为不同等级；

8、所述第十一模型为transformer神经网络模型与arima模型串联；所述第十二模型、第十三模型和第十四模型均为transformer神经网络模型与narx神经网络模型串联。

9、进一步地，所述第一信号检测模型和第二信号检测模型结构相同，均包括：

10、当前时刻压力值或当前时刻温度值输入第一模型、第二模型和第十模型；

11、第一模型的输出输入到第三模型和第九模型中，第三模型的输出输入到第五模型和第八模型中，第五模型的输出输入到第七模型中；

12、第二模型的输出输入到第四模型和第九模型中，第四模型的输出输入到第六模型和第八模型中，第六模型的输出输入到第七模型中；

13、第七模型的输出、第八模型的输出和第九模型的输出均输入到第十模型中；

14、第十模型的输出输入到第一模型、第二模型、第七模型、第八模型和第九模型中；

15、第十模型的输出作为信号第一信号检测模型或第二信号检测模型的输出，得到当前时刻压力值的预测值或当前时刻温度值的预测值；

16、所述第一模型为transformer神经网络模型，所述第二模型为bitcn神经网络模型，所述第三模型和所述第四模型均为narx神经网络模型，所述第五模型和所述第六模型均为arima模型，所述第七模型为lightgbm模型与arima模型串联，所述第八模型为lightgbm模型与narx神经网络模型串联，所述第九模型为lightgbm模型与bitcn神经网络模型串联，所述第十模型为transformer神经网络模型与narx神经网络模型串联。

17、进一步地，气源的输出通过导气管进入过滤减压阀，过滤减压阀输出通过导气管进入切断阀，切断阀输出通过导气管进入被测对象中的被测部件，通过压力传感器测量切断阀到被测对象之间的导气管的压力值，得到被测对象中的被测部件的当前时刻压力值；

18、通过温度传感器测量被测对象中的被测部件的温度值，得到被测对象中的被测部件的当前时刻温度值。

19、进一步地，切断阀输出通过导气管送气进入被测对象的被测部件，当被测部件的气体达到稳定平衡时，断开切断阀，此时通过压力传感器测量被测部件的压力值，得到被测对象中的被测部件的压力初始值。

20、进一步地，所述根据第十四模型的输出结果将被测对象的气密性分为不同等级包括很好、比较好、一般、较差和很差。

21、进一步地，所述根据第十四模型的输出结果将被测对象的气密性分为不同等级包括：

22、第十四模型的输出结果在[0,0.2)范围内，则被测对象的气密性等级为很好；

23、第十四模型的输出结果在[0.2,0.4)范围内，则被测对象的气密性等级为比较好；

24、第十四模型的输出结果在[0.4,0.6)范围内，则被测对象的气密性等级为一般；

25、第十四模型的输出结果在[0.6,0.8)范围内，则被测对象的气密性等级为较差；

26、第十四模型的输出结果在[0.8,1.0)范围内，则被测对象的气密性等级为很差。

27、本发明所述的智能化的气密性检测系统，包括气密性检测模型，采集被测对象的压力初始值、当前时刻压力值和当前时刻温度值输入气密性检测模型，根据气密性检测模型输出结果将被测对象的气密性分为不同等级；

28、所述气密性检测模型包括第一信号检测模型、第二信号检测模型、第十一模型、第十二模型、第十三模型和第十四模型；第一信号检测模型和第二信号检测模型用于得到输入参数的预测值；

29、当前时刻压力值输入第一信号检测模型和第十二模型，当前时刻温度值输入第二信号检测模型和第十二模型；第一信号检测模型的输出和第二信号检测模型的输出均输入到第十一模型和第十二模型中，第十一模型的输出输入到第十二模型中；

30、压力初始值输入第十三模型，第十三模型的输出与第十二模型的输出之差输入到第十四模型中，压力初始值与第一信号检测模型的输出之差输入到第十四模型中；

31、根据第十四模型的输出结果将被测对象的气密性分为不同等级；

32、所述第十一模型为transformer神经网络模型与arima模型串联；所述第十二模型、第十三模型和第十四模型均为transformer神经网络模型与narx神经网络模型串联。

33、本发明所述的智能化的气密性检测装置，包括气源、导气管、气密测量控制端、气密测量管理端和被测对象的若干个被测部件，气密测量控制端包括stm32微处理器、过滤减压阀、切断阀、usb接口、压力传感器和温度传感器；气源输出通过导气管进入过滤减压阀，对于每个被测部件，过滤减压阀输出通过导气管进入该被测部件对应的切断阀，切断阀输出通过导气管进入被测部件；压力传感器和温度传感器用于测量被测部件的压力初始值、当前时刻压力值和当前时刻温度值并发送到气密测量控制端，气密测量控制端与气密测量管理端通过usb接口进行信息交互，气密测量管理端用于实现所述的智能化的气密性检测方法，得到气密性等级，气密测量控制端用于测量压力传感器值、温度传感器值和对过滤减压阀与切断阀进行控制。

34、本发明所述的电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现所述的智能化的气密性检测方法。

35、本发明所述的计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的智能化的气密性检测方法。

36、有益效果：与现有技术相比，本发明的优点在于：

37、(1)transformer神经网络模型多头注意力机制可以捕获输入超长序列输出信息的全局特征，获得输入气密性参数信息的全局数据特征信息，由于加入注意力机制，实现对输入气密性参数信息的多尺度特征和不同级别特征提取，使用1×1的卷积核减少通道数，有助于缓解梯度消失的问题。同时，使用全局平均池化层和卷积层代替计算量过大的全连接层，可减少网络参数，加快计算速度，避免出现过拟合问题，从而提高模型的泛化能力。

38、(2)bitcn神经网络模型为双向时域卷积神经网络模型，可以有效地提取输入气密性参数信息序列的双向特征，通过堆叠的tcn残差块，bitcn神经网络模型能够更好地提取输入时序信息的更深层和抽象的时序特征，更好地理解输入气密性参数信息序列的时序变化，提高检测输入气密性参数信息的准确性和鲁棒性。

39、(3)bitcn神经网络模型包括因果卷积、膨胀卷积和残差连接，因果卷积能够高效处理输入气密性参数信息的时间序列数据，膨胀卷积通使tcn神经网络模型感受野更灵活，能够学习更全面的输入气密性参数信息时序信息特征，残差连接不仅保留了输入气密性参数信息抽取过程中的重要本源特征，避免梯度消失或过拟合问题的出现，还提升模型的稳定性和深度。

40、(4)narx神经网络模型采用输出引入到输入的闭环时延网络对混沌时间序列进行延时预测，采用开环narx神经网络模型网络训练后将转化为闭环结构，narx神经网络模型的预测值作为新的响应输入提供给narx神经网络模型的输入，narx神经网络模型基于外源数据输入的中小数据集进行训练，较好的增强混沌时间序列预测效果；模型结构更简单，计算性能较高。

41、(5)lightgbm模型引入叶分裂策略(leaf-wise)，选择当前具有最大分裂增益的特征作为节点进行分裂，能更加有效地利用样本信息，减少无效的节点分裂，提高建模训练的效率。lightgbm算法采用了基于梯度的单边采样(gradient-basedone-sidesampling，goss)技术，goss根据样本梯度对梯度小的样本进行采样，而对梯度大的样本保留，进行采样和分裂选择，减少了计算所需的样本数，从而提高模型的训练速度和内存效率。引入互斥特征捆绑(exclusivefeaturebundling，efb)技术，将互斥的特征捆绑成一个单独的特征，以减少训练样本的特征数量，进而提高训练效率和精度，适用于特征维数高、稀疏的数据训练。