阅读说明：本技术 基于叶尖定时和支持向量机原理的叶片裂纹在线测量方法 (Blade crack online measurement method based on blade tip timing and support vector machine principle ) 是由 段发阶 邓震宇 傅骁 牛广越 程仲海 刘志博 于 2020-03-27 设计创作，主要内容包括：本发明涉及一种基于叶尖定时和支持向量机原理的叶片裂纹在线测量方法,在旋转机械的机匣不同位置设置多支叶尖定时传感器,在模拟工况下,通过叶尖定时传感器测量叶片到达每支叶尖定时传感器的到达时间,测得叶片的振动位移、振幅和振动频率叶片振动数据,包括无裂纹叶片和有裂纹叶片的振动数据,将无裂纹叶片的振动数据标记为正类样本,有裂纹叶片的振动数据标记为负类样本,送入支持向量机进行分类训练并建立分类模型,利用训练好的分类模型实现运行工况下旋转机械叶片裂纹的在线测量。(The invention relates to a blade crack online measurement method based on blade tip timing and a support vector machine principle, wherein a plurality of blade tip timing sensors are arranged at different positions of a casing of a rotary machine, under a simulation working condition, the arrival time of a blade reaching each blade tip timing sensor is measured through the blade tip timing sensors, the vibration displacement, the amplitude and the vibration frequency of the blade are measured, the vibration data of the blade comprise the vibration data of a crack-free blade and a crack-containing blade, the vibration data of the crack-free blade is marked as a positive sample, the vibration data of the crack-containing blade is marked as a negative sample, the samples are sent to a support vector machine for classification training and establishment of a classification model, and the trained classification model is used for realizing the online measurement of the crack of the rotary machine blade under the operation working condition.)

基于叶尖定时和支持向量机原理的叶片裂纹在线测量方法

技术领域

本发明属于旋转机械状态监测领域，特别是基于叶尖定时和支持向量机原理的叶片裂纹在线测量方法。

技术背景

大型旋转机械包括航空发动机和汽轮机等大型设备，是航空航天领域中的各类军用、商用航空器以及工业领域的发电机组和蒸汽机组等关键设备的核心部件。尤其是叶片作为旋转机械做功的核心元件，其工作状态直接影响这些关键设备的工作效率和安全稳定运行。旋转机械叶片的工作环境非常恶劣，长时间处于高应力、高低温或高冲刷等严酷条件。这些外界条件对大型旋转机械的叶片会产生复杂的周期性或非周期变化应力，当应力超过叶片材料的屈服强度极限时会导致叶片产生裂纹，进而可能发生叶片断裂。叶片裂纹是导致大型旋转机械故障的主要原因之一，因此准确测量叶片的振动参数并在线测量叶片是否产生裂纹，可以对叶片故障进行实时预警，对航空发动机和汽轮机等重大旋转机械的研发测试、状态监测和故障诊断等方面具有非常重要的实际意义。

基于叶尖定时原理的旋转叶片振动测量技术^[1-3]是典型的非接触式测量方法，基本原理是将一定数量的传感器设置在旋转机械的机匣上，测量每支叶片旋转经过传感器时的到达时间，利用相关数学算法实现振动位移、振幅和振动频率等叶片振动参数的在线测量。与传统的离线式叶片状态检测方法和应变片法、频率调制法和声响法等在线检测方法相比，叶尖定时技术具有非接触、实时在线和可测量全部叶片等优点，具有很好的工程实用性。支持向量机是一种基于统计学理论的机器学习方法，可用于线性和非线性数据的分类问题。支持向量机最初即设计用于解决二分类问题，其主要思想是寻找一个最优分类超平面，使训练集中的正负类样本距离最优分类超平面的距离最大，并利用最优分类超平面对被测样本进行分类。因此，通过叶尖定时方法获得正常叶片和有裂纹叶片的振动数据后，再利用支持向量机算法进行训练并建立分类模型，进而实现旋转机械实际运行工况下叶片裂纹的在线测量。

目前，对于旋转机械叶片的裂纹测量均依靠离线检测技术，无法满足大型旋转机械在线测量叶片裂纹的实际需求。

[1]欧阳涛.基于叶尖定时的旋转叶片振动检测及参数辨识技术[D].天津大学,2011.

[2]赵行明,滕光蓉等.叶尖定时旋转叶片振动测量新技术[J].测控技术,2006(03):17-19.

[3]王萍.叶尖定时方法在国外航空发动机叶片振动测量中的应用综述[J].航空科学技术,2013(06):9-13.

发明内容

本发明的目的是针对上述现有技术存在的不足，提供一种基于叶尖定时和支持向量机原理的叶片裂纹在线测量方法，通过叶尖定时方法获得无裂纹叶片和有裂纹叶片的振动数据，利用支持向量机算法进行有、无裂纹叶片的分类训练并建立支持向量机分类模型，进而实现工作状态下旋转机械叶片裂纹的在线测量。

本发明的技术方案如下：

一种基于叶尖定时和支持向量机原理的叶片裂纹在线测量方法，在旋转机械的机匣不同位置设置多支叶尖定时传感器，在模拟工况下，通过叶尖定时传感器测量叶片到达每支叶尖定时传感器的到达时间，测得叶片的振动位移、振幅和振动频率叶片振动数据，包括无裂纹叶片和有裂纹叶片的振动数据，将无裂纹叶片的振动数据标记为正类样本，有裂纹叶片的振动数据标记为负类样本，送入支持向量机进行分类训练并建立分类模型，利用训练好的分类模型实现运行工况下旋转机械叶片裂纹的在线测量。包括下列步骤：

(1)在旋转机械机匣的不同位置设置多支叶尖定时传感器，用于测量不同转速下叶片到达每支叶尖定时传感器的时间；

(2)在叶片完好没有裂纹时进行模拟工况试验，将叶尖定时传感器测量的每支叶片到达时间信号送入叶片状态监测系统，结合多支叶尖定时传感器的安装位置、旋转机械的不同转速和叶尖定时算法，计算得到无裂纹叶片在不同转速下的振动位移、振幅、振动频率、初始相位、振动常偏量和共振倍频数叶片振动数据；

(3)对于有裂纹叶片，进行模拟工况实验，获得有裂纹叶片在不同转速下的振动位移、振幅、振动频率、初始相位、振动常偏量和共振倍频数叶片振动数据；

(4)将无裂纹叶片的振动数据设置为正类样本，数据标签设置为0；将有裂纹叶片的振动数据设置为负类样本，数据标签设置为1；

(5)以负类样本总数为参考，利用等间隔下采样方法对正类样本进行采样以实现正负样本均衡，均衡后的正类样本和负类样本组合成为训练集；

(6)利用最小最大归一化算法，对训练集中的数据进行归一化化处理，消除量纲；

(7)根据消除量纲后的训练集，利用支持向量机算法进行分类训练，建立支持向量机分类模型；

(8)当旋转机械在工作状态运行时，根据叶尖定时传感器实测获得的叶片到达时间，利用叶片状态监测系统计算得到叶片在工作状态下不同转速的振动位移、振幅、振动频率、初始相位、振动常偏量和共振倍频数叶片振动数据；

(9)将工作状态测得的叶片振动数据作为待测样本，经过归一化处理后，送入叶片状态监测系统中训练好的支持向量机分类模型，通过支持向量机分类模型计算得到的待测样本标签是0或1，

实现旋转机械叶片裂纹的在线测量。

本发明的有益效果及优点如下：

本发明的方法克服了现有旋转机械叶片裂纹测量技术的不足，提供一种基于叶尖定时和支持向量机原理的叶片裂纹在线测量方法，通过叶尖定时方法在模拟工况下测得无裂纹和有裂纹叶片的振动数据，结合支持向量机算法建立无裂纹叶片和有裂纹叶片的分类模型，利用训练好的分类模型实现旋转机械叶片裂纹的在线测量。

附图说明

以下附图描述了本发明所选择的实施例，均为示例性附图而非穷举或限制性，其中：

图1示出基于叶尖定时和支持向量机原理的叶片裂纹在线测量结构图

图2示出支持向量机分类算法原理图

图中标号说明：

图1中：1为叶尖定时传感器A；2为叶尖定时传感器B；3为叶尖定时传感器C；4为为叶尖定时传感器D；5为旋转机械机匣；6为叶片；7为叶片状态监测系统；

图2中：8为最优分类超平面；9为正类支持向量；10为负类支持向量。

具体实施方式

以下详细描述本发明的步骤，旨在作为本发明的实施例描述，并非是可被制造或利用的唯一形式，对其他可实现相同功能的实施例也应包括在本发明的范围内。

下面结合说明书附图详细说明本发明的优选实施例。

本发明的目的是克服现有旋转机械叶片裂纹无法实现在线测量这一不足，提出一种基于叶尖定时和支持向量机原理的叶片裂纹在线测量方法；

(一).基于叶尖定时和支持向量机原理的叶片裂纹在线测量结构如图1所示，在旋转机械机匣5的任意不同位置设置四支叶尖定时传感器，包括叶尖定时传感器A1，叶尖定时传感器B2，叶尖定时传感器C3和叶尖定时传感器D4，四支叶尖定时传感器都可以测量每支叶片在同一圈内到达叶尖定时传感器的时间；

(二).在叶片无裂纹情况下，将旋转机械放入旋转机械工况模拟试验台，模拟旋转机械的运行情况，假设旋转机械顺时针旋转，当叶片6受激发生同步振动时，四支叶尖定时传感器测得叶片6的到达时间信号被送入叶片状态监测系统7，根据四支叶尖定时传感器的安装位置、旋转机械不同转速和叶片受激振动响应方程，同一圈内叶片6先后经过四支叶尖定时传感器的振动位移方程组为：

式中，y₀为叶片6经过叶尖定时传感器A1时的振动位移，y₁为叶片6经过叶尖定时传感器B2时的振动位移，y₂为叶片6经过叶尖定时传感器C3时的振动位移，y₃为叶片6经过叶尖定时传感器D4时的振动位移，A是叶片6的振幅，为叶片6的初始相位，C为叶片6的振动常偏量，N为叶片6的共振倍频数，α₁为叶尖定时传感器B2相对于叶尖定时传感器A1的安装弧度角，α₂为叶尖定时传感器C3相对于叶尖定时传感器A1的安装弧度角，α₃为叶尖定时传感器D4相对于叶尖定时传感器A1的安装弧度角，利用遍历算法将N所有的可能取值带入式(1)，结合最小二乘法可以求解叶片6无裂纹时的振动频率ω、初始相位振幅A和振动常偏量C；

将叶片6人工制造所需裂纹后装入旋转机械，再次利用旋转机械工况模拟试验台重复前述模拟运行过程，可以获得相同转速下有裂纹叶片6经过叶尖定时传感器A1时的振动位移y'₀、经过叶尖定时传感器B2时的振动位移y₁'、经过叶尖定时传感器C3时的振动位移y'₂和经过叶尖定时传感器D4时的振动位移y'₃，并求得有裂纹叶片6的振动频率ω'、初始相位振幅A'、振动常偏量C'和共振倍频数N'；

(三).将无裂纹叶片6在不同转速下测得的叶片振动数据y₀、y₁、y₂、y₃、A、C和N设为正类样本、数据标签设置为0；将有裂纹叶片6在不同转速下测得的叶片振动数据y'₀、y₁'、y'₂、y'₃、A'、C'和N'设为负类样本，数据标签设置为1；

(四).支持向量机是一种基于统计学习理论的机器学习方法，适用于线性和非线性数据分类，如图2所示，其主要思想是寻找一个最优分类超平面8，使训练集中正类样本和负类样本到最优分类超平面8的距离最大，并利用最优分类超平面8对被测样本进行分类，测试集的正类样本中距离最优分类超平面8最近的点称为正类支持向量9，测试集的负类样本中距离最优分类超平面8最近的点称为负类支持向量10，最优分类超平面8的确定只依赖于正类样本支持向量9和负类样本支持向量10，非支持向量点均不起作用；

由于前述正类样本通常会多于负类样本，因此以负类样本总数为参考，利用等间隔下采样方法对大量正类样本进行采样以实现正负样本均衡，样本均衡后的正类样本和负类样本组合成为训练集，训练集中每一行代表一个样本，每一列代表叶片振动数据的实测值；

由于训练集中的数据单位不同，数值量级也不同，因此采用最大最小归一化方法对训练集进行消除量纲处理，提高训练集质量，最小最大归一化方程为：

式中，为训练集第j列归一化后的数据，x_ij为训练集第j列归一化前的数据，为训练集第j列数据归一化前的均值，x_jmax是训练集第j列数归一化前的最大值，x_jmin是训练集第j列数据归一化前的最小值，消除量纲后的训练集送入支持向量机进行分类训练，支持向量机的核函数选择高斯径向基核函数，并利用网格搜索和交叉验证方法对高斯径向基核函数的核宽和支持向量机的软间隔惩罚系数进行参数优化，求解最优参数，建立支持向量机分类模型；

(五).当旋转机械在工作状态运行时，通过前述叶尖定时方法可以求得叶片6在不同转速工作状态的叶片振动数据y”₀，y”₁，y”₂，y”₃，A”，C”和N”，并作为待测样本，每一个待测样本利用下式进行同比例归一化：

式中，为待测样本同比例归一化后第j列的数据，X_ij为待测样本同比例归一化前第j列的数据；

(六).将同比例归一化后的待测样本送入训练好的支持向量机分类模型，如果支持向量机分类模型计算得出待测样本的数据标签是0，说明叶片6没有产生裂纹，如果支持向量机分类模型计算得出待测样本的数据标签是1，说明叶片6产生了裂纹，此时通过叶片状态监测系统7给出声光报警提示，实现旋转机械叶片裂纹的在线测量。