阅读说明：本技术 一种汽轮机叶片水蚀缺陷监测与识别方法 (Turbine blade water erosion defect monitoring and identifying method ) 是由 谢永慧 杨斌 张荻 张哲源 于 2019-11-27 设计创作，主要内容包括：本发明一种汽轮机叶片水蚀缺陷监测与识别方法,包括采样建模入库与实际运行分析。采样建模入库分为实验测量、数值模拟和数据训练。首先对材料进行与实际运行工况一致的加速水蚀实验,获得撞击角度、撞击速度等对水蚀缺陷特征尺寸影响的函数关系式；基于关系式,建立带水蚀缺陷的叶片振动模型,建立水蚀缺陷组合X-振动信号波形图Y数据库；整合并划分数据集,进行神经网络训练,建立水蚀缺陷的评价机制。实际运行分析,需要现场采集叶片振动信号波形图,对比分析库,评估机组运行安全性,制订相应运行和维修方案。本发明能够实时监测叶片实际运行中的异常振动,为机组故障诊断提供数据支撑,保证机组安全运行,减少因叶片事故导致的巨大经济损失。(The invention discloses a method for monitoring and identifying water erosion defects of a turbine blade. And the sampling modeling and warehousing comprises experimental measurement, numerical simulation and data training. Firstly, performing an accelerated water erosion experiment on a material consistent with an actual operation working condition to obtain a functional relation of impact angles, impact speeds and the like on the characteristic size of a water erosion defect; establishing a blade vibration model with water erosion defects and establishing a water erosion defect combination X-vibration signal oscillogram Y database based on the relational expression; integrating and dividing the data set, performing neural network training, and establishing an evaluation mechanism of the water erosion defect. And in actual operation analysis, a blade vibration signal oscillogram needs to be acquired on site, an analysis library is compared, the unit operation safety is evaluated, and a corresponding operation and maintenance scheme is formulated. The invention can monitor the abnormal vibration of the blade in real time during the actual operation, provides data support for the fault diagnosis of the unit, ensures the safe operation of the unit and reduces the huge economic loss caused by the blade accident.)

一种汽轮机叶片水蚀缺陷监测与识别方法

技术领域

本发明属于工业设备技术领域，具体涉及一种应用于低负荷运行下的汽轮机叶片材料水蚀缺陷的监测识别方法，该方法基于水蚀实验系统、水蚀数值模拟方法，以及通过神经网络训练建立的水蚀缺陷评价机制。

背景技术

汽轮机作为电厂必不可少的发电主力，是我国发电行业的命脉所在。随着汽轮机单机功率的飞速增加，尤其是超超临界与核电大功率汽轮机的发展，采用更长的末级叶片是提高汽轮机效率的必然手段，同时叶片的工作条件也越发严酷。在70到80年代初，通用和西屋公司就有50台机组的末级叶片发生裂纹和断裂事故。同时期，据不完全统计，我国至少发生过1061起叶片事故。如今，现代大功率汽轮机组的末级叶片(包括次末级)一般都工作于湿蒸汽区，在常规运行条件下，湿蒸汽的存在便会造成动叶水蚀，导致级效率降低。而在深度调峰和零功率供热工况下，透平级内湿度更大，叶片水蚀状况更为严重，极易造成叶片断裂失效，危及机组安全运行。同时，材料水蚀过程模拟和实际机组水蚀缺陷检测十分困难，目前只能在机组大修时开缸观察，确定是否发生水蚀，通过人为经验判断是否需要更换叶片，而这样难免会带来巨大的经济损失。因此必须建立起定量化的叶片故障实时监测方法，为汽轮机机组大修周期及叶片修复更换方案的制订提供技术支持。

汽轮机叶片的水蚀问题是一个包含激波扩展、流固耦合、材料失效、介质相变等多种作用过程的复杂问题，想要实时监测汽轮机叶片实际运行时的叶片水蚀问题，如何建立有效的叶片水蚀缺陷评价机制是十分关键的。目前研究水蚀问题的主要手段有两种：1、采用实验的方法模拟汽轮机的实际运行条件，对试样材料进行冲蚀，进而研究水蚀过程及水蚀机理，这是因为实验更贴近真实情况；2、选择汽轮机叶片及材料的关键参数，基于目前的数值模拟条件对叶片材料的水蚀过程进行模拟，进而研究水蚀过程及水蚀机理，这是因为数值可以更方便地生成不同条件，模拟可以节约大量研究时间和成本。然而，由于水蚀问题的复杂性，单一的水蚀实验或者数值模拟方法很难完整地描述水蚀问题。因此，将水蚀实验与数值模拟相互结合才是研究水蚀问题的最有效手段，这也是水蚀评价机制的根本依据。采用基于实验测量、数值模拟及数据训练分析的汽轮机叶片水蚀缺陷实时监测识别方法，能为机组实现故障预测和诊断提供数据支撑，这对于预防汽轮机叶片的水蚀问题将产生非常重要的作用。

发明内容

本发明的目的是保证不干扰汽轮机正常运行，同时能够对汽轮机叶片材料的水蚀问题进行监测。因此，本发明提供了一种应用于低负荷运行下的汽轮机叶片材料水蚀缺陷监测识别方法，该方法基于水蚀实验系统、水蚀数值模拟方法，以及通过神经网络训练建立的水蚀缺陷评价机制，能够有效地监测汽轮机叶片实际运行过程中的异常振动，为机组实现故障诊断提供技术支撑，保证机组的安全运行，减少因叶片事故导致的巨大经济损失。

为达到上述目的，本发明采用的技术方案是：

一种汽轮机叶片水蚀缺陷监测与识别方法，包括以下步骤：

步骤一，采样建模入库

采样建模入库分为实验测量、数值模拟和数据训练三个阶段，具体如下：

(1-1)首先确定目标材料，然后加工出符合要求的试样，将试样进行水蚀实验，并获得试样各时刻的失重数据与水蚀缺陷三维显微形貌图；通过对实验数据的回归分析，得到撞击角度、撞击速度、液滴尺寸、试样粗糙度对水蚀失重和水蚀缺陷特征尺寸的影响程度和函数关系式，同时将实验所得的水蚀缺陷三维显微形貌图与实际汽轮机的水蚀形貌进行对比，修正函数关系式；

(1-2)基于实验所得函数关系式，利用有限元分析软件，建立带水蚀缺陷的叶片振动模型，并进行数值模拟分析，得到带不同位置、不同尺寸水蚀缺陷的叶片振动模型，建立一个水蚀缺陷组合X-振动信号波形图Y数据库；

(1-3)基于水蚀缺陷组合X-振动信号波形图Y数据库，整合并划分数据集，构建ResNet-GRU网络进行神经网络训练，根据不同的水蚀缺陷组合划分水蚀程度的评价机制，整体评估汽轮机运行的安全性等级；

步骤二，实际运行分析

利用现场设备采集叶片振动信号波形图，利用分析库中的评价机制，整体评估机组运行的安全等级，从而决定是否进行停机检修，更换叶片或强化层。

本发明进一步的改进在于，步骤一的实验测量阶段(1-1)中，由高速水蚀旋转实验得到经过加速水蚀测试的试样；由精密天平测量得到试样的失重数据；由单反数码相机拍摄得到试样表面的宏观侵蚀形貌；由3D超景深显微镜拍摄得到试样水蚀缺陷的三维显微形貌；通过截取水蚀缺陷三维显微形貌图的特征截面定义缺陷的特征宽度和特征深度。

本发明进一步的改进在于，对实验所得的试样失重数据以及试样特征截面尺寸进行数据回归分析，得到材料水蚀缺陷形貌的特征尺寸随时间的变化规律，以及反映各因素影响规律的函数关系式：

水蚀面积A＝W_S ² (1)

特征深度

特征宽度

式中，A是材料表面的水蚀面积，W_S是水蚀缺陷的特征宽度；D_S是水蚀缺陷的特征深度，Emax是材料的最大侵蚀率，

是水蚀状态系数，d是水滴加权平均直径，n为液滴尺寸指数，V是撞击速度，V₀是门槛速度，m是速度指数，θ是撞击角度，l角度指数，Ra是试样粗糙度，z是粗糙度指数，t是水滴作用时间，ρ是材料的密度；K是实验系数，C是水中声速；

同时对比实际汽轮机的水蚀形貌，对函数关系式进行修正，修正系数为μ，故特征宽度W＝μW_S，特征深度D＝μD_S。

本发明进一步的改进在于，步骤一的数值模拟阶段(1-2)中，利用有限元分析软件建立带不同缺陷组合的干摩擦阻尼叶片振动特性有限元模型，采用三维有限元实体单元对叶片进行网格划分，并采用弹簧阻尼单元建立接触面间的局部有限元网格模型；通过对若干带不同水蚀缺陷组合的叶片进行振动响应模拟，得到大量一一对应的叶片振动信号波形图，由此建立一个水蚀缺陷组合X-振动信号波形图Y数据库。

本发明进一步的改进在于，步骤一的数值训练阶段(1-3)中，包括四个子步骤：

首先整合数据，将水蚀缺陷组合X及其对应的叶片振动信号波形图Y进行封装，然后按照训练集/验证集＝3.0的比例，将图片集分为训练集数据{X_t}_train、{Y_t}_train和验证集数据{X_t}_validation、{Y_t}_validation；

然后建立ResNet-GRU神经网络结构，由数值模拟得到的特征叶片振动信号波形图传入ResNet神经网络后，通过特征提取器的处理，形成包含振动信号波形图特征的数据，而经过处理后的输入信息传入到GRU神经网络中，进行迭代学习获得有效的特征；

接下来训练网络：通过Adam梯度下降算法，设置可变学习率优化交叉损失函数(MSE)来训练网络；

最后基于神经网络预测得到的水蚀特征深度分布结果，建立水蚀缺陷评价机制，将带不同水蚀缺陷叶片的振动信号波形图，进一步归类在汽轮机运行的安全性等级下，且分为三个等级：异常、低效、危险运行。

本发明进一步的改进在于，数值训练阶段(1-3)子步骤四中的水蚀缺陷评价机制中，每个水蚀缺陷组合中的缺陷大小由其特征尺寸表征，其中水蚀缺陷的特征深度是作为水蚀程度的评价参考值，具体判断水蚀缺陷的特征深度D是否小于阈值D_r1，如果是，则认为机组运行安全；如果不是，则判断水蚀缺陷的特征尺寸D是否小于阈值D_r2，如果是，则认为机组运行异常；如果不是，则判断水蚀缺陷的特征尺寸D是否小于阈值D_r3，如果是，则认为机组运行低效；如果不是，则认为机组危险运行；其中，0<D_r1<D_r2<D_r3，且D_r1＝0.5mm，D_r2＝1mm，D_r3＝2mm。

本发明进一步的改进在于，步骤二中，根据反馈信息为异常、低效或危险运行，制订相应的运行和维修方案；如果要实现对于其他汽轮机叶片的监测，只需重复步骤一，即可针对性地定制适用于其他汽轮机的叶片水蚀缺陷监测识别分析库。

与现有的预防水蚀的技术相比，本发明的优点在于：

首先传统的主动防水蚀措施是通过除湿装置等减少二次水滴的数量，进而减少液固撞击现象，延长叶片的使用寿命；传统的被动防水蚀措施是通过强化叶片材料表面，使其抗水蚀性能增强，进而延缓水蚀问题，提高叶片的使用寿命。然而，即便如此还是不能避免叶片水蚀的发生，且在机组运行过程中，工作人员并不知晓叶片是否发生水蚀，也不知晓目前叶片的受损位置和受损程度，当叶片严重水蚀的时候，将危机机组安全运行，造成巨大的经济损失。目前，通常是对汽轮机进行定期检修及更换叶片，而停机检修同样意味着经济损失。但是，如果采用本发明技术，汽轮机在正常运行时叶片的振动信号波形图被实时监测，当叶片的表面出现了水蚀缺陷，其振动信号波形图会随之发生变化。基于叶片水蚀缺陷监测识别分析库，工作人员可通过振动的信号判断目前叶片的受损位置以及受损程度，并决定是否进行相关叶片的更换或表面强化层的更换，如此一来便能够高效地诊断叶片故障的位置，避免汽轮机发生严重的并发事故，将经济损失降到最小，极大地提高了机组运行的安全性和经济性。

概括来说，本发明具有如下的优点：

1、在现有防水蚀工艺延长叶片使用寿命的基础上，能实时监测叶片的振动信号波形图，有效避免严重水蚀的发生；

2、通过监实时测叶片的振动信号波形图，能够有效地判断发生水蚀的叶片受损位置和受损程度，对于更换叶片材料或叶片强化层，能更有针对性，且更换效率更高；

3、通过水蚀缺陷监测识别分析库可以综合评估叶片目前的安全性，如果叶片已经到了危险使用期，则需要及时更换受损叶片，如此一来则节省了定期停机检修导致的经济损失；

4、水蚀缺陷监测识别分析库，可以根据不同的叶片材料，不同的撞击速度、角度，以及不同的水滴尺寸定制对应的振动模型，能普遍应用于各火电、核电站实际运行中，汽轮机叶片的水蚀监测与识别；

5、使用简单，安全稳定，不影响汽轮机的正常运行，便可达到监测叶片水蚀的目的。

附图说明

图1是本发明所述叶片水蚀缺陷监测与识别方法的实施流程示意图；

图2是本发明实施例中水蚀实验射流撞击试样的过程示意图；

图3是本发明实施例中试样的水蚀缺陷宏观形貌图；

图4是本发明实施例中试样的水蚀缺陷三维显微图；

图5是本发明实施例中试样水蚀缺陷特征尺寸随时间变化的示意图；

图6是本发明实施例中某实际汽轮机叶片的水蚀缺陷宏观形貌图；

图7是本发明实施例中模拟带不同缺陷叶片的振动信号对比图；

图8是本发明实施例中构建的ResNet-GRU神经网络架构的示意图。

具体实施方式

为使本发明实施例的目的、技术效果及技术方案更加清楚，下面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的一部分实施例。

参见图1至图8，本发明实施例提供的一种汽轮机叶片水蚀缺陷监测与识别方法，主要基于实验测量、数值模拟及数据训练分析，基本的实施流程包括采样建模入库与实际运行分析两个步骤(参见图1)。

步骤一为采样建模入库，可分为实验测量、数值模拟和数据训练三个阶段，具体实施方式如下：

1、水蚀实验测量阶段，测量基于搭建的水蚀旋转实验系统，可对叶片材料进行加速水蚀测试(参见图2)，将原本上万小时的水蚀过程缩短为几十分钟，并通过实验手段确定不同阶段的叶片表面水蚀形貌。具体可分为以下子步骤：

1-1)针对某汽轮机运行的关键参数进行收集，具体包括机组所使用叶片的材料参数和机组运行的范围工况参数，其中范围工况参数主要包括液滴尺寸、撞击角度、撞击速度，由此可以确定实验测试的目标材料及目标范围工况。由于实际汽轮机运行工况会发生变化，因此本发明会选择实际汽轮机运行工况范围内的若干工况进行水蚀实验，并由此研究各因素对材料水蚀过程的影响。

1-2)对目标材料毛坯进行加工，使其符合实验方案设置的尺寸、粗糙度、撞击角度，用超声波清洗仪清洗，并用精密天平称量后，记录初始重量。

1-3)安装试样，调整实验台工况，使其与实际叶片运行的范围工况一致，分时刻进行水蚀实验，记录试样失重数据，并利用单反数码相机、3D超景深显微镜分别采集各时刻试样的水蚀缺陷宏观形貌和对应的三维显微形貌(参见图3、图4)，通过多次截取水蚀缺陷三维显微形貌的特征截面，取平均定义缺陷的特征宽度和特征深度，观察并记录。完成一组实验后，改变实验台工况，按照实验方案制订的若干工况一一进行上述实验操作。

1-4)对实验所得的试样失重数据以及试样特征截面尺寸进行数据回归分析，得到材料水蚀缺陷形貌的特征尺寸(表征缺陷大小，反映水蚀程度)随时间的变化规律(参见图5)，以及反映各因素影响规律的函数关系式：

水蚀面积A＝W_S ² (1)

特征深度

特征宽度

式中，A是材料表面的水蚀面积，W_S是水蚀缺陷的特征宽度；D_S是水蚀缺陷的特征深度，Emax是材料的最大侵蚀率，

是水蚀状态系数，d是水滴加权平均直径，n为液滴尺寸指数，V是撞击速度，V₀是门槛速度，m是速度指数，θ是撞击角度，l角度指数，Ra是试样粗糙度，z是粗糙度指数，t是水滴作用时间，ρ是材料的密度；K是实验系数，C是水中声速。

同时对比特征时期(潜伏期、加速期、稳定期)实际叶片的水蚀形貌(参见图6)，对函数关系式进行修正，修正系数为μ，且μ＝f{撞击工况实验参数、机组运行工况参数、测试时间、累积运行时间}，故特征宽度W＝μW_S，特征深度D＝μD_S。

2、水蚀数值模拟阶段，数值可以更好地生成不同位置、不同尺寸的缺陷组合(例如叶顶处单个大尺寸水蚀缺陷，叶根处两个小尺寸水蚀缺陷等)，模拟可以节约大量的研究时间和成本。具体可分为以下几个子步骤：

2-1)基于水蚀实验测量所得各因素对叶片水蚀缺陷形貌影响的函数关系式，利用有限元分析软件建立带不同缺陷组合(不同位置、不同尺寸)的干摩擦阻尼叶片振动特性有限元模型，采用三维有限元实体单元对叶片进行网格划分，并采用弹簧阻尼单元建立接触面间的局部有限元网格模型。调整参数，使其符合实验测量阶段收集实际汽轮机叶片材料参数和运行范围工况参数，之后进行带缺陷叶片的振动数值模拟分析。

2-2)改变水蚀缺陷组合，通过数值模拟得到，带不同位置、尺寸水蚀缺陷的叶片的特定振动信号波形图(参见图7)。简单来说，带不同水蚀缺陷的叶片，其振动特性不同。例如，图7某实施例1中缺陷位置靠近叶片顶部的振动信号波形图与位置靠近叶片中部的振动信号波形图不同，而缺陷程度较浅(小尺寸)的振动信号波形图与程度较深(大尺寸)的振动信号波形图也不同，其振幅会出现差异，而频率也会出些差异。为比较不同位置缺陷的振动信号波形图，图中调整了一下正常振动信号波形图的相位，虽然不同缺陷的振动信号波形图存在差异，但是总体规律还是不变的，其变化值是很小的，特别是频率，肉眼很难分辨出差别。

2-3)基于数值模拟得到的大量缺陷组合及其对应的叶片振动信号波形图，建立一个水蚀缺陷组合X-振动信号波形图Y数据库。

3、数据训练分析阶段，神经网络训练是为了建立一套端到端(叶片振动信号波形图-水蚀缺陷特征深度分布)的预测方法，由于带不同缺陷叶片的振动信号波形图很难人为定义特征差异，因此需要引入机器学习和图像识别，这本质上是一个分类问题。跳过材料失效的复杂理论计算，可节省大量分析时间，且用定量的水蚀程度分析结果替代了传统的经验评判结果，可为实际汽轮机运行安全提供技术支撑。具体可分为以下几个子步骤：

3-1)整合数据，将水蚀缺陷组合X及其对应的叶片振动信号波形图Y进行封装，然后按照训练集/验证集＝3.0的比例，将图片集分为训练集数据{X_t}_train、{Y_t}_train和验证集数据{X_t}_validation、{Y_t}_validation，并随机打乱训练集数据。

3-2)建立基于GRU的神经网络结构(参见图8)：整个神经网络由两个部分组成，即用于对原始图片进行特征提取和降维的ResNet神经网络及用于对数据进行分析预测获得水蚀缺陷位置及尺寸的GRU神经网络。在ResNet网络部分，基于传统的ResNet-34网络架构，在部分网络层减少步长。此外还引入了跳层连接，形成112×112×256的张量以实现同时捕捉边角等低层细节和高层信息。具体网络层内的操作还包括3x3卷积核、组归一化、ReLU、最大池化等。由数值模拟得到的特征叶片振动信号波形图传入ResNet神经网络后，通过特征提取器的处理，形成包含振动信号波形图特征的数据；经过处理后的输入信息传入到GRU神经网络中，进行迭代学习获得有效的特征；在模型的末端加入一个激活函数作为线性激活函数的单一神经元L来计算GRU神经网络的预测值，最终全连接层的输出为不同的水蚀缺陷位置和程度组合X_t。每一个训练数据信号{Y_t}_train通过神经网络的主体结构输出得到该图片所显示的水蚀缺陷组合X_t。

3-3)训练网络：通过Adam自适应梯度下降算法，设置可变学习率优化交叉损失函数(MSE)来训练网络，当损失函数在100步内不更新或者迭代步数超过1000时停止学习，保存网络模型。在训练过程中加入了dropout方法，减轻可能出现的过拟合现象，网络预测精度达到0.85以上则认为满足训练要求，可投入实际运行过程使用。

3-4)基于神经网络预测得到的水蚀特征深度分布结果，建立水蚀缺陷评价机制，整体评估汽轮机运行的安全性。对水蚀缺陷评价机制作进一步说明：每个水蚀缺陷组合中的缺陷大小由其特征尺寸表征，其中水蚀缺陷的特征深度是作为水蚀程度的评价参考值，具体判断水蚀缺陷的特征深度D是否小于阈值D_r1，如果是，则认为机组运行安全；如果不是，则判断水蚀缺陷的特征尺寸D是否小于阈值D_r2，如果是，则认为机组运行异常；如果不是，则判断水蚀缺陷的特征尺寸D是否小于阈值D_r3，如果是，则认为机组运行低效；如果不是，则认为机组危险运行。简单来说，就是将不同振动信号波形图对应的特征水蚀缺陷组合，进一步归类在汽轮机运行的安全性等级下，且主要分为三个等级：异常、低效、危险运行。其中，0<D_r1<D_r2<D_r3，且D_r1＝0.5mm，D_r2＝1mm，D_r3＝2mm，这里的阈值是在大量的叶片水蚀事故总结基础上提出的通用性限制值，能够对汽轮机末级叶片的水蚀状态进行有效的区分，实现叶片水蚀状态的准确预测和预警，是行业内公认的评价指标。

至此，则基本完成了对应某汽轮机实际运行条件，叶片水蚀缺陷监测识别方法的采样建模并输入分析库。

步骤二为实际运行分析，具体实施方式如下：

将叶片水蚀缺陷监测识别方法应用于实际运行分析之前，首先需要在实际机组上布置测点，利用传感器、现场信号采集设备对叶片的振动信号波形图进行采集，并将其输入经过神经网络训练后的模型，输出得到对应的水蚀缺陷组合，然后根据其中的缺陷特征深度对比分析库中的评价机制，评估机组运行的安全性等级。如果反馈等级为异常或低效，工作人员须提高警惕性，加大监测力度，制订相应的运行方案及维修方案，并针对受损叶片型号进行更换准备，节省后面的更换准备时间，提高更换效率，减少经济损失。而如果反馈等级为危险运行，工作人员则需要立即准备停机检修，更换具体叶片或者强化层，以避免重大事故发生，消除巨大经济损失隐患。

而如果要实现对于其他汽轮机叶片的监测，只需要重复上述的步骤，即可针对性地定制适用于其他汽轮机的叶片水蚀缺陷监测识别分析库。