用于叶片振动测量的叶尖定时到达时刻的获取方法及系统技术方案

本发明专利技术公开了一种用于叶片振动测量的叶尖定时到达时刻的获取方法及系统，所述方法包括以下步骤：获取叶尖位移时间采样序列，所述叶尖位移时间采样序列中每个采样点均包括采样时间和叶尖位移；将所述原始叶尖位移时间采样序列输入预训练好的神经网络模型中，所述神经网络模型输出叶尖定时到达时刻。本发明专利技术公开的基于降噪信号的卷积神经网络叶尖定时到达时刻计算方法中，首先对叶尖定时测量信号进行降噪处理，然后采用训练好的卷积神经网络输出结果，能够实现叶尖到达时刻的快速且准确的计算。算。算。

【技术实现步骤摘要】
用于叶片振动测量的叶尖定时到达时刻的获取方法及系统


[0001]本专利技术涉及透平叶片非接触振动监测
，特别涉及一种用于叶片振动测量的叶尖定时到达时刻的获取方法及系统。

技术介绍

[0002]叶片是透平机械的核心部件，叶片的安全性和可靠性是透平机械长期高效运行的重要保障；透平机械的故障大多由叶片造成，因此实时监测叶片的振动状态为透平机械领域的重要研究课题。
[0003]传统接触式振动测量需要叶片与采集传感器接触后进行信号的采集，这种方式会影响叶片原本的结构特性；另外，接触式振动测量还有着安装复杂、成本较高、使用寿命难以维持(解释性的，采集传感器需要在恶劣的条件下进行测量)等缺陷。
[0004]叶尖定时测量方法为一种非接触式振动测量方法，其原理包括：在透平机械叶片工作区域的壳体周围以及转轴附近安装传感器，测量叶片在旋转到达传感器的时刻；通过测量时刻与无振动时叶片理论到达时刻之差来计算得到叶片的振动位移；通过算法得到叶片的振动参数。叶尖定时测量方法的结构简单、安装方便，且对叶片本身运行无影响，在叶片振动监测领域具有广阔的应用前景。
[0005]基于上述陈述可知，叶尖定时测量方法需要通过得到叶尖到达传感器的时刻来计算分析叶片的振动位移，因此叶尖到达时刻的准确提取对叶片振动参数的计算分析十分重要；叶尖定时技术中传感器测量得到的是由叶片与传感器相对位置而生成的信号，需要从传感器信号中准确且快速提取得到叶尖的到达时刻。
[0006]目前传统的叶尖定时到达时刻为阈值触发法和线性插值法，仅考虑了阈值附近较少的采样点；然而实际中在背景噪声的影响下，上述两种方法采集到的信号幅值存在很大误差：一方面，阈值附近的采样点因噪声影响，信号幅值可能会超过或者滞后阈值，给叶尖到达时刻带来至少一个采样频率点的时间误差；另一方面，当背景噪声很大时，采用阈值与脉冲信号相交的方法甚至会出现多个交点，无法选取叶尖达到时刻。

技术实现思路

[0007]本专利技术的目的在于提供一种用于叶片振动测量的叶尖定时到达时刻的获取方法及系统，以解决上述存在的一个或多个技术问题。具体的，针对现有传统叶尖到达时刻提取方法的缺点，本专利技术公开了一种基于降噪信号的卷积神经网络叶尖定时到达时刻计算方法，该方法首先对叶尖定时测量信号进行降噪处理，然后采用训练好的卷积神经网络输出结果，能够实现叶尖到达时刻的快速且准确的计算。
[0008]为达到上述目的，本专利技术采用以下技术方案：
[0009]本专利技术提供的一种用于叶片振动测量的叶尖定时到达时刻的获取方法，包括以下步骤：
[0010]获取叶尖位移时间采样序列；所述叶尖位移时间采样序列中每个采样点均包括采
样时间和叶尖位移；
[0011]将所述原始叶尖位移时间采样序列输入预训练好的神经网络模型中，所述神经网络模型输出叶尖定时到达时刻；
[0012]其中，所述神经网络模型包括：
[0013]降噪模块，用于输入所述原始叶尖位移时间采样序列，采用平滑滤波方法、完全集合经验模态分解方法及奇异值分解法复合降噪处理，输出降噪后的叶尖位移时间采样序列；
[0014]一维卷积神经网络，用于输入所述降噪后的叶尖位移时间采样序列，输出对应的叶尖定时到达时刻。
[0015]本专利技术的进一步改进在于，所述采用平滑滤波方法、完全集合经验模态分解方法及奇异值分解法复合降噪处理的具体步骤包括：
[0016](1)采用平滑滤波方法，综合考虑信号去噪效果与振动位移辨识偏差设计窗口宽度，将原始叶尖位移时间采样序列进行平滑处理，获得平滑处理后的信号；
[0017](2)采用完全集合经验模态分解方法将所述平滑处理后的信号分解，使用熵权法对基本模式分量进行权重计算，获得干净信号分量和噪声分量；
[0018](3)采用奇异值分解法对所述噪声分量做奇异值分解来提取噪声中的有用信息，获得去噪后的噪声分量；
[0019](4)将干净信号分量与去噪后的噪声分量融合，获得降噪后的叶尖位移时间采样序列。
[0020]本专利技术的进一步改进在于，所述步骤(3)具体包括：
[0021]将噪声分量转换为m
×
n的矩阵，并对矩阵做傅里叶变换将其转换为频域矩阵H以体现原信号的特征频率；
[0022]对频域矩阵H做SVD分解，表达式为，H＝USV
T
；式中，U表示m
×
m阶正交阵；V表示n
×
n阶正交阵；S表示对角矩阵；T表示转置；
[0023]通过选取奇异值实现高频噪声去除。
[0024]本专利技术的进一步改进在于，所述预训练好的神经网络模型的获取步骤包括：
[0025]获取训练样本集；所述训练样本集中的每个训练样本均包括：样本叶尖位移时间序列和对应的叶尖定时到达时刻标签；每个样本叶尖位移时间序列的每个采样点均包括时刻值及对应的幅值；
[0026]所述对应的叶尖定时到达时刻标签的获取步骤包括：
[0027]基于采用平滑滤波方法、完全集合经验模态分解方法及奇异值分解法复合降噪处理后的样本叶尖位移时间序列，获取截断区间；其中，所述截断区间为样本叶尖位移时间序列中所有脉冲信号曲线上升段且包括预设阈值的区间；
[0028]基于所述截断区间获取采样点的时刻值和幅值；
[0029]基于样本叶尖位移时间序列的单个脉冲信号的采样点的时刻和幅值，采用最小二乘法进行线性拟合，获得拟合直线；
[0030]基于所述预设阈值和所述拟合直线，获得所述对应的叶尖定时到达时刻标签。
[0031]本专利技术提供的一种用于叶片振动测量的叶尖定时到达时刻的获取系统，包括：
[0032]数据获取模块，用于获取叶尖位移时间采样序列；所述叶尖位移时间采样序列中
每个采样点均包括采样时间和叶尖位移；
[0033]结果获取模块，用于将所述原始叶尖位移时间采样序列输入预训练好的神经网络模型中，所述神经网络模型输出叶尖定时到达时刻；
[0034]其中，所述神经网络模型包括：
[0035]降噪模块，用于输入所述原始叶尖位移时间采样序列，采用平滑滤波方法、完全集合经验模态分解方法及奇异值分解法复合降噪处理，输出降噪后的叶尖位移时间采样序列；
[0036]一维卷积神经网络，用于输入所述降噪后的叶尖位移时间采样序列，输出对应的叶尖定时到达时刻。
[0037]本专利技术的进一步改进在于，所述采用平滑滤波方法、完全集合经验模态分解方法及奇异值分解法复合降噪处理的具体步骤包括：
[0038](1)采用平滑滤波方法，综合考虑信号去噪效果与振动位移辨识偏差设计窗口宽度，将原始叶尖位移时间采样序列进行平滑处理，获得平滑处理后的信号；
[0039](2)采用完全集合经验模态分解方法将所述平滑处理后的信号分解，使用熵权法对基本模式分量进行权重计算，获得干净信号分量和噪声分量；
[0040](3)采用奇异值分解法对所述噪声分量做奇异值分解来提取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于叶片振动测量的叶尖定时到达时刻的获取方法，其特征在于，包括以下步骤：获取叶尖位移时间采样序列；所述叶尖位移时间采样序列中每个采样点均包括采样时间和叶尖位移；将所述原始叶尖位移时间采样序列输入预训练好的神经网络模型中，所述神经网络模型输出叶尖定时到达时刻；其中，所述神经网络模型包括：降噪模块，用于输入所述原始叶尖位移时间采样序列，采用平滑滤波方法、完全集合经验模态分解方法及奇异值分解法复合降噪处理，输出降噪后的叶尖位移时间采样序列；一维卷积神经网络，用于输入所述降噪后的叶尖位移时间采样序列，输出对应的叶尖定时到达时刻。2.根据权利要求1所述的一种用于叶片振动测量的叶尖定时到达时刻的获取方法，其特征在于，所述采用平滑滤波方法、完全集合经验模态分解方法及奇异值分解法复合降噪处理的具体步骤包括：(1)采用平滑滤波方法，综合考虑信号去噪效果与振动位移辨识偏差设计窗口宽度，将原始叶尖位移时间采样序列进行平滑处理，获得平滑处理后的信号；(2)采用完全集合经验模态分解方法将所述平滑处理后的信号分解，使用熵权法对基本模式分量进行权重计算，获得干净信号分量和噪声分量；(3)采用奇异值分解法对所述噪声分量做奇异值分解来提取噪声中的有用信息，获得去噪后的噪声分量；(4)将干净信号分量与去噪后的噪声分量融合，获得降噪后的叶尖位移时间采样序列。3.根据权利要求2所述的一种用于叶片振动测量的叶尖定时到达时刻的获取方法，其特征在于，所述步骤(3)具体包括：将噪声分量转换为m
×
n的矩阵，并对矩阵做傅里叶变换将其转换为频域矩阵H以体现原信号的特征频率；对频域矩阵H做SVD分解，表达式为，H＝USV
T
；式中，U表示m
×
m阶正交阵；V表示n
×
n阶正交阵；S表示对角矩阵；T表示转置；通过选取奇异值实现高频噪声去除。4.根据权利要求1所述的一种用于叶片振动测量的叶尖定时到达时刻的获取方法，其特征在于，所述预训练好的神经网络模型的获取步骤包括：获取训练样本集；所述训练样本集中的每个训练样本均包括：样本叶尖位移时间序列和对应的叶尖定时到达时刻标签；每个样本叶尖位移时间序列的每个采样点均包括时刻值及对应的幅值；所述对应的叶尖定时到达时刻标签的获取步骤包括：基于采用平滑滤波方法、完全集合经验模态分解方法及奇异值分解法复合降噪处理后的样本叶尖位移时间序列，获取截断区间；其中，所述截断区间为样本叶尖位移时间序列中所有脉冲信号曲线上升段且包括预设阈值的区间；基于所述截断区间获取采样点的时刻值和幅值；基于样本叶尖位移时间序列的单个脉冲信号的采样点的时刻和幅值，采用最小二乘法
进行线性拟合，获得拟合直线；基于所述预设阈值和所述拟合直线，获得所述对应的叶尖定时到达时刻标签。5.一种用于叶片振动...

【专利技术属性】
技术研发人员：张荻，朱光亚，刘铸锋，谢永慧，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：