基于叶尖定时和全过程优化SVM的叶片裂纹测量方法技术

本发明专利技术涉及一种一种基于叶尖定时和全过程优化支持向量机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，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，求得叶片振动数据；结合旋转机械工况模拟试验台，测得模拟工况下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，正类样本和负类样本组合成为训练集；建立优化支持向量机分类模型；将运行工况下的叶片振动数据进行同尺度标准化和同准则降维后，送入优化支持向量机分类模型进行实时分类，实现旋转机械全级叶片裂纹的在线测量。的在线测量。的在线测量。

【技术实现步骤摘要】
York:Springer Science+Business Media,1995.

技术实现思路

[0009]本专利技术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全过程优化支持向量机的叶片裂纹在线测量方法，基于叶尖定时技术获得无裂纹叶片和有裂纹叶片的振动数据，利用全过程优化技术对训练集、支持向量机分类器和待测样本进行优化并建立优化支持向量机分类模型，通过优化支持向量机分类模型对工作状态下的叶片振动数据进行实时分类，实现旋转机械全级叶片裂纹的在线测量。本专利技术的技术方案如下：
[0010]一种基于叶尖定时和全过程优化支持向量机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，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，求得包括叶片的振动位移、振幅和振动频率在内的叶片振动数据；结合旋转机械工况模拟试验台，测得模拟工况下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，正类样本和负类样本组合成为训练集；对训练集进行样本均衡、数据标准化和特征降维，并利用网格搜索和交叉验证方法进行支持向量机分类器的超参数优化，建立优化支持向量机分类模型；将运行工况下的叶片振动数据进行同尺度标准化和同准则降维后，送入优化支持向量机分类模型进行实时分类，实现旋转机械全级叶片裂纹的在线测量。包括下列步骤：
[0011](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；
[0012](2)利用旋转机械工况模拟试验台，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，计算得到无裂纹叶片在不同转速下的包括振动位移、振幅、振动频率、初始相位、振动常偏量和共振倍频数在内的叶片振动数据；
[0013](3)将叶片人为制造所需裂纹，并再次进行模拟工况实验，可以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等叶片振动数据；
[0014](4)将无裂纹叶片的振动数据标记为正类样本，样本标签标记为“0”；将有裂纹叶片的振动数据标记为负类样本，样本标签标记为“1”，全部正类样本和负类样本组合成为训练集，训练集的每一行是一个训练样本，是不同时刻叶片振动数据的测量值，训练集中的每一列是一个样本特征，是一种叶片振动数据；
[0015](5)由于正类样本远多于负类样本，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，实现训练集正、负类样本均衡，优化训练集的样本比例；
[0016](6)采用零均值标准化方法对训练集进行数据标准化，优化训练集的数据结构；
[0017](7)通过主成分分析对训练集进行特征降维，保留与正、负类样本分类有关的特征信息，降低计算复杂度和存储复杂度；
[0018](8)选择高斯径向基函数作为支持向量机分类器的核函数，将样本均衡、数据标准化和特征降维后的训练集送入支持向量机分类器，利用网格搜索和交叉验证方法对支持向量机进行超参数优化，选择交叉验证误差最低的一组超参数作为最优超参数组合，建立优化支持向量机分类模型；
[0019](9)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，计算得到叶片在工作状态下不同转速的包括振动位移、振幅、振动频率、初始相位、振动常偏量和共振倍频数在内的实时叶片振动数据；
[0020](10)将工作状态测得的实时叶片振动数据作为待测样本，利用训练集的特征均值和特征标准差对待测样本进行同尺度标准化，利用训练集特征降维时生成的投影矩阵对待测样本进行同准则降维，同尺度标准化和同准则降维后的待测样本与数据均衡、数据标准化和特征降维后的训练集之间保持了真实的数据结构关系；
[0021](11)将同尺度标准化和同准则降维后的待测样本送入叶片状态监测系统中的优化支持向量机分类模型，通过优化支持向量机分类模型计算得到的待测样本标签是“0”或“1”，实现旋转机械全级叶片裂纹的在线测量。
[0022]本专利技术的有益效果及优点如下：
[0023]本专利技术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全过程优化支持向量机的叶片裂纹在线测量方法，通过叶尖定时技术在模拟工况下测得无裂纹和有裂纹叶片的振动数据，利用样本均衡、数据标准化、特征降维、超参数优化、同尺度标准化和同准则降维的全过程优化技术优化数据集和支持向量机分类器，建立优化支持向量机分类模型，实现工况下旋转机械全级叶片裂纹的在线测量。
附图说明
[0024]以下附图描述了本专利技术所选择的实施例，均为示例性附图而非穷举或限制性，其中：
[0025]图1示出于叶尖定时和全过程优化支持向量机的叶片裂纹在线测量结构图
[0026]图2示出优化支持向量机分类模型的建立流程
[0027]图中标号说明：
[0028]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；
具体实施方式
[0029]以下详细描述本专利技术的步骤，旨在作为本专利技术的实施例描述，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专利技术的范围内。
[0030]下面结合说明书附图详细说明本专利技术的优选实施例。
[0031]本专利技术的目的是克服现有旋转机械全级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全过程优化支持向量机的叶片裂纹在线测量方法；
[0032](一).基于叶尖定时和全过程优化支持向量机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；
[0033](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：
[0034][0035]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的安装本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于叶尖定时和全过程优化支持向量机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，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，求得包括叶片的振动位移、振幅和振动频率在内的叶片振动数据；结合旋转机械工况模拟试验台，测得模拟工况下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，正类样本和负类样本组合成为训练集；对训练集进行样本均衡、数据标准化和特征降维，并利用网格搜索和交叉验证方法进行支持向量机分类器的超参数优化，建立优化支持向量机分类模型；将运行工况下的叶片振动数据进行同尺度标准化和同准则降维后，送入优化支持向量机分类模型进行实时分类，实现旋转机械全级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)利用旋转机械工况模拟试验台，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，计算得到无裂纹叶片在不同转速下的包括振动位移、振幅、振动频率、初始相位、振动常偏量和共振倍频数在内的叶片振动数据；(3)将叶片人为制造所需裂纹，并再次进行模拟工况实验，可以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等叶片振动数据；(4)将无裂纹叶片的振动数据标记为正类样本，样本标签标记为“0”；将有裂纹叶片的振动数据标记为负类样本，样本标签标记为“1”，全部正类样本和负类样...

【专利技术属性】
技术研发人员：段发阶，邓震宇，傅骁，牛广越，程仲海，刘志博，
申请(专利权)人：天津大学，
类型：发明
国别省市：