一种基于叶端定时传感器循环多尺度逆向优化布局的频率识别方法技术

一种基于叶端定时传感器循环多尺度逆向优化布局的频率识别方法，步骤：1)随机布局P个叶端定时传感器，获取恒速运转下的每个传感器的振动位移序列。2)选取一个传感器为基准，对其他传感器进行再标记：测量其他传感器相对基准的相对角度；设置理想传感器多尺度的调节范围，计算每个尺度参数下的实际安装传感器的位置参数；根据再标记后的传感器振动位移的离散傅里叶变换序列和传感器的位置参数计算采样信号的低维矩阵和压缩矩阵，得到每个尺度下的恢复频率f

【技术实现步骤摘要】
一种基于叶端定时传感器循环多尺度逆向优化布局的频率识别方法


[0001]本专利技术属于旋转机械叶片振动信号的在线监测领域，涉及一种基于叶端定时传感器循环多尺度逆向优化布局的频率识别方法。

技术介绍

[0002]旋转叶片振动监测技术一直是人们关注和研究的热点。目前主要分为接触式测量和非接触式测量两大类。传统的接触测量方法主要是应变测试，附着在叶片表面，监测叶片振动的频谱。但叶片数量多，设备结构复杂，导致该技术检测成本高，安装不便，应变片使用寿命短，在实际应用中受到很大限制。叶端定时技术是在不连续相位法和脉冲调制法的基础上发展起来的一项新技术，是非接触测量中的研究热点。该方法具有安装方便、使用周期长、成本低等优点，是一种很有前途的叶片振动监测方法。
[0003]叶端定时法的采样频率为叶轮的转速，不等间隔布局的传感器使叶端定时的整体采样为周期性非均匀采样。叶端定时的信号在频域分析上是一种严重欠采样信号，无法有效反应叶片振动的频率信息。建立基于满足奈奎斯特采样定理的理想传感器位置参数和实际安装的传感器位置参数的一种频域分析稀疏模型，利用稀疏重构算法可以恢复叶片的振动频率。但是，对于稀疏重构中的压缩矩阵要求具有受限等距性质，确保重构的稀疏解为最优解。在叶端定时法建立的稀疏模型中，压缩矩阵是由传感器位置参数决定的参数化压缩矩阵，不满足受限等距性质，无法确定恢复的频率为最优频率来反应叶片振动的频率信息。叶端定时传感器在安装之前无法确定能够准确获取叶片振动频率的最优布局。因此需要一种基于叶端定时传感器随机布局的一种高效的叶片振动频率识别方法，对旋转机械的叶片振动监测有着重要的意义。

技术实现思路

[0004]本专利技术针对叶端定时传感器的实际安装角度相对于理想传感器安装的差异，提出了一种基于叶端定时传感器随机布局的循环多尺度逆向优化布局的叶片振动频率识别方法。该方法循环选取不同传感器作为基准传感器，多尺度调节理想传感器参数，利用压缩感知的子空间追踪算法恢复叶片振动频率。本专利技术计算循环多尺度下的每个恢复频率的权重，克服参数化压缩矩阵不满足受限等距性质的缺陷，有效识别叶片振动频率。
[0005]为了达到上述目的，本专利技术采用的技术方案为：
[0006]一种基于叶端定时传感器循环多尺度逆向优化布局的频率识别方法，包括以下步骤：
[0007]第一步：在叶轮周围的圆周型壳体上，随机安装P个叶端定时传感器，按照叶轮旋转方向标记传感器，记作{S1,S2,
…
,S
P
}。在恒定转速下，进行叶端定时测量叶片振动试验，获取每个叶端定时传感器的振动位移序列。恒定转速为f
r
，即每个传感器的采样频率为f
r
。
[0008]第二步：选取传感器S1为基准传感器，按照叶轮旋转方向重新标记传感器顺序{1,
2,
…
,P}，测量其他传感器相对于基准传感器的相对角度，记入相对角度集合：
[0009]α＝{α
(1,1)
,
…
,α
(1,p)
,
…
,α
(1,P)
}
ꢀꢀ
(1)其中，p∈{1,2,
…
P}，α
(1,p)
表示重新标记后的第p个传感器相对于基准传感器的相对角度，α
(1,1)
＝0
°
。
[0010]按照重新标记的传感器顺序，重新标记每个传感器振动位移序列，记作x
p,n
，其中n∈{1,2,
…
,N}，N表示叶片旋转的圈数，x
p,n
表示重新标记后的第p个传感器在第n圈的振动位移。
[0011]根据离散傅里叶变换公式，得到标记后的每个传感器的振动位移序列的频域响应：
[0012][0013]其中，k
P
∈{1,2,
…
,N}，表示重新标记后的第p个传感器的振动位移序列的离散傅里叶变换序列的第k
P
项。
[0014]为满足奈奎斯特采样定理，需要假定在叶轮周围均匀安装Q个理想叶端定时传感器，第q个理想传感器的位置参数定义为q
‑
1，q∈{1,2,
…
,Q}。当叶片旋转N圈后，Q个叶端定时传感器的振动位移序列会构成一个奈奎斯特采样序列x
m
，其中m∈{1,2,
…
,M}，M为所有传感器的采样序列构成的奈奎斯特采样序列的点数，即M＝Q
·
N。奈奎斯特采样序列的采样频率为f
s
＝Qf
r
。奈奎斯特采样定理要求f
s
＝Qf
r
＞f
max
，其中f
max
为信号中存在的最大频率。
[0015]由于信号中的最大频率f
max
是未知数，所以对于满足要求的Q的最小值无法确定，本专利技术方法中设定理想传感器数的最小值为实际安装的叶端定时传感器数，即Q≥P。理想传感器数Q不是固定值，设定一个满足最小值要求的浮动范围：
[0016]Q＝{Q1,Q2,
…
,Q
K
}
ꢀꢀ
(3)其中，K表示多尺度的浮动范围内参数值Q的数量，最小值Q1的要求为Q1≥P，最大值Q
K
没有上限要求。
[0017]在尺度Q下，两个相邻的理想传感器之间的夹角为α
Q
＝360
°
/Q，基准传感器的位置参数为0，则其他实际安装的传感器的位置参数为：
[0018]c
(1,p)
＝round(α
(1,p)
/α
Q
)
ꢀꢀ
(4)其中，α
(1,p)
表示标记后的第p个传感器相对于基准传感器的相对角度，round函数为四舍五入取整函数，c
(1,p)
表示实际安装的第p个传感器的位置参数。这样，实际安装传感器的位置参数集合C为：
[0019]C＝{0,
…
,c
(1,p)
,
…
c
(1,P)
}
ꢀꢀ
(5)
[0020]其中，c
(1,p)
表示第p个传感器位置参数。
[0021]计算的补偿系数：
[0022][0023]其中，表示第p个传感器的振动位移序列的离散傅里叶变换结果第k
P
项的补偿系数，p∈{1,2,
…
P}，k
P
∈{1,2,
…
,N}。c
(1,p)
表示第p个传感器的位置参数，Q为理想传感器数，N表示叶片旋转的圈数。
[0024]根据和Q构成叶端定时采样的低维矩阵X
P
：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于叶端定时传感器循环多尺度逆向优化布局的频率识别方法，其特征在于，包括以下步骤：第一步：在叶轮周围的圆周型壳体上，随机安装P个叶端定时传感器，按照叶轮旋转方向标记传感器，记作{S1，S2，...，S
P
}；在恒定转速下，进行叶端定时测量叶片振动试验，获取每个叶端定时传感器的振动位移序列；恒定转速为f
r
，即每个传感器的采样频率为f
r
；第二步：选取传感器S1为基准传感器，按照叶轮旋转方向重新标记传感器顺序{1，2，...，P}，测量其他传感器相对于基准传感器的相对角度，记入相对角度集合：α＝{α
(1，1)
，...，α
(1，p)
，...，α
(1，P)
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，p∈{1，2，...P}，α
(1，p)
表示重新标记后的第p个传感器相对于基准传感器的相对角度，α
(1，1)
＝0
°
；按照重新标记的传感器顺序，重新标记每个传感器振动位移序列，记作x
p，n
，其中n∈{1，2，...，N}，N表示叶片旋转的圈数，x
p，n
表示重新标记后的第p个传感器在第n圈的振动位移；根据离散傅里叶变换公式，得到标记后的每个传感器的振动位移序列的频域响应：其中，k
P
∈{1，2，...，N}，表示重新标记后的第p个传感器的振动位移序列的离散傅里叶变换序列的第k
P
项；为满足奈奎斯特采样定理，需要假定在叶轮周围均匀安装Q个理想叶端定时传感器，第q个理想传感器的位置参数定义为q
‑
1，q∈{1，2，...，Q}；当叶片旋转N圈后，Q个叶端定时传感器的振动位移序列会构成一个奈奎斯特采样序列x
m
，其中m∈{1，2，...，M}，M为所有传感器的采样序列构成的奈奎斯特采样序列的点数，即M＝Q
·
N；奈奎斯特采样序列的采样频率为f
s
＝Qf
r
；奈奎斯特采样定理要求f
s
＝Qf
r
＞f
max
，其中f
max
为信号中存在的最大频率；设定理想传感器数的最小值为实际安装的叶端定时传感器数，即Q≥P；理想传感器数Q设定如下浮动范围：Q＝{Q1，Q2，...，Q
K
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中，K表示多尺度的浮动范围内参数值Q的数量，最小值Q1的要求为Q1≥P，最大值Q
K
没有上限要求；在尺度Q下，两个相邻的理想传感器之间的夹角为α
Q
＝360
°
/Q，基准传感器的位置参数为0，则其他实际安装的传感器的位置参数为：c
(1，p)
＝round(α
(1，p)
/α
Q
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)其中，α
(1，p)
表示标记后的第p个传感器相对于基准传感器的相对角度，round函数为四舍五入取整函数，c
(1，p)
表示实际安装的第p个传感器的位置参数；这样，实际安装传感器的位置参数集合C为：C＝{0，...，c
(1，p)
，...c
(1，P)
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)其中，c
(1，p)
表示第p个传感器位置参数；计算的补偿系数：
其中，表示第p个传感器的振动位移序列的离散傅里叶变换结果第k
P
项的补偿系数，p∈{1，2，...P}，k
P
∈{1，2，...，N}；c
(1，p)
表示第p个传感器的位置参数，Q为理想传感器数，N表示叶片旋转的圈数；根据和Q构成叶端定时采样的低维矩阵X
P
：计算压缩矩阵Φ的元素：φ
p，q
＝exp(j
·
2πc
(1，p)
(q
...

【专利技术属性】
技术研发人员：李宏坤，董剑男，范振芳，赵新维，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：