基于字典学习和压缩感知理论的叶片振动信号重构方法技术

本发明专利技术公开了一种基于字典学习和压缩感知理论的叶片振动信号重构方法，首先设计K个包含多种振动特性的仿真信号，并分别进行等间隔采样，生成训练集；然后利用K

【技术实现步骤摘要】
基于字典学习和压缩感知理论的叶片振动信号重构方法


[0001]本专利技术属于航空
，具体涉及一种叶片振动信号重构方法。

技术介绍

[0002]在航空发动机中，由于工作环境的恶劣，叶片断裂情况时常发生，进而导致发动机结构故障，造成不可挽回的损失。有效地监测旋转叶片的振动情况是航空发动机安全和性能的重要保障。针对此问题，国内外学者进行了多项研究，其中叶尖定时技术(blade tip
‑
timing，BTT)可以非接触式地对叶片振动进行实时在线监测，是一种前景广泛的叶片振动测量技术。
[0003]但是由于BTT测量信号受到传感器数量和叶轮转速地限制，属于典型地欠采样信号。从叶尖定时欠采样位移信号中辨识出叶片振动频率、幅值等参数，许多针对叶端定时信号的处理方法应运而生。针对同步振动情况有单参数法、双参数法、自回归(Auto Regressive，AR)法。然而这些方法只能对叶片通过共振区时的信号进行处理，要求叶片在变转速工况下测量，只能测量叶片的同步振动，无法测量非同步振动。。周向傅里叶算法通过利用坎贝尔图提供的先验信息本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于字典学习和压缩感知理论的叶片振动信号重构方法，其特征在于，包括如下步骤：步骤1：生成训练集；设计K个包含多种振动特性的仿真信号，并分别进行等间隔采样，得到K个长度为N(N<K)的时间序列集合Y＝{d1,d2…
,d
k
,d
i
∈R
N
,1≤i≤K}，将其转化成矩阵形式Y∈R
N
×
K
，d
i
表示采样的第i个时间序列；步骤2：利用K
‑
SVD字典学习算法设计完备字典D∈R
N
×
N
，使得Y在字典D上具有稀疏矩阵X∈R
N
×
K
；其目标函数表示为:其中，x
j
表示X的第j行向量，x
k
表示X的第k行向量，d
j
表示D的第j列向量，d
k
表示D的第k列向量；步骤3：利用压缩感知理论重构欠采样信号；步骤3
‑
1：叶尖定时系统将转轴上的转速传感器测得的时间信号作为参考基准，在机匣周向安装叶尖定时传感器，测量每个叶片到达传感器的时间；利用叶片与转轴上基准位置之间的夹角以及叶片的转速，计算出理想状况下，叶片无振动旋转时到达叶端定时传感器的理论时间；对比实测的到达传感器时间，得到时间差Δt用于计算叶片的振动位移；步骤3
‑
2：叶片振动位移y与时间差Δt之间的关系写为：y＝2πf
×
r
×
Δt
ꢀꢀꢀꢀꢀꢀꢀ
(2)其中f为叶轮旋转频率，r为叶片旋转半径；步骤3
‑
3：假设在机匣上布置L个虚拟的叶尖定时传感器，使得叶尖定时系统满足奈奎斯特采样定理；用N个点表示L个虚拟传感器在一段时间内测得的非欠采样的叶片振动信号X
N
×1，将X
N
×1在字典D
N
×
N
下稀疏表示，即：X
N
×1＝D
N
×
N
θ
N
×1ꢀꢀꢀꢀꢀ
(3)其中θ
N
×1为X
N
×1在字典D
N
×
N
上的投影向量，仅有几个非零元素，为稀疏向量；步骤3
‑
4：叶尖定时系统传感器的安装位置看作是从L个虚拟传感器中抽取I(I<L)个位置，因此实际叶尖定时系统的测量结果看作从理想的非欠采样信号X
N
×1中抽取了M个数据点组成的Y
M
×1，其中Y
M
×1即为通过式(2)算出的叶片振动位移信号组成的列向量；这个过程表示为：Y
M
×1＝Φ
M<...

【专利技术属性】
技术研发人员：郑华，吴政龙，段世强，周江涛，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：