1.本发明涉及旋转机械声发射信号分析技术领域,尤其是压缩机叶片裂纹故障检测方法。
背景技术:
2.压缩机广泛应用于石油化工、电力等领域,叶片作为核心部件在离心力、摩擦和不稳定气流载荷的作用下容易产生裂纹故障,以致影响到整个压缩机的正常工作。因此及时检测叶片裂纹故障,对于保证压缩机的安全稳定运行具有重要意义。此外,在实际工程中测得声发射信号中掺杂着强背景噪声,导致裂纹故障信息湮没在提取特征中,致使压缩机叶片裂纹故障检测极其复杂和困难。因此,如何有效提取反映叶片裂纹故障的特征并通过最优特征实现压缩机叶片裂纹故障准确检测值得深入研究。
3.传统的声发射特征(包括能量和振幅)对裂纹非常敏感,但由于强噪声的存在导致可能无法准确检测叶片裂纹。常见时域、频域和声发射等特征虽然能在一定程度上反映叶片裂纹故障信息,但在噪声的干扰下极易出现错误。且提取过多特征造成耗时长的问题,直接影响检测效率。此外,一旦特性之间存在冲突或者过饱和,则会影响故障检测准确率。因此,迫切需要一种能够准确反映叶片裂纹故障的特征,并根据信号特点自适应进行特征选择,并实现可靠和准确的压缩机叶片裂纹故障检测方法。
技术实现要素:
4.针对上述不足,本发明提出一种压缩机叶片裂纹故障检测方法,克服现有的特征难以准确反映压缩机叶片裂纹故障特点、特征之间存在冲突而无法准确检测叶片裂纹故障的现状,有效地实现特征选择和压缩机叶片裂纹故障检测。
5.为解决上述技术问题,本发明采用以下技术方案:
6.一种压缩机叶片裂纹故障检测方法,包括以下步骤:
7.步骤1:在压缩机出气口采集两通道声发射信号,并将其分为两通道训练样本和两通道测试样本;
8.步骤2:对所述两通道训练样本进行特征提取,包括声发射特征、时域特征、频域特征和谱质心能量迁移特征;
9.步骤3:使用混合特征选择方法对所述特征进行选择,建立最优特征子集;
10.步骤4:根据所述最优特征子集提取所述两通道训练样本和两通道测试样本的特征,建立两通道训练样本特征子集和两通道测试样本特征子集;
11.步骤5:将所述两通道训练样本特征子集合并后输入到长短期记忆神经网络中进行训练;
12.步骤6:将所述中两通道测试样本特征子集合并后输入到训练完成的长短期记忆神经网络进行裂纹故障分类与检测,实现压缩机叶片的裂纹故障检测。
13.步骤2中,声发射特征、时域特征、频域特征包括:
14.声发射上升时间:ae
ris
=t
max-t
th1
,声发射持续时间:ae
dur
=t
th2-t
th1
,声发射最大幅值:ae
amp
=|max x(t)|,声发射能量:声发射能量计数ae
evc
,声发射振铃计数ae
ric
,均方根值:过零率zcr,时域能量:时域能量熵:频域能量熵:谱质心:谱通量:谱衰减:
15.其中,xi(t)表示第i个时间的幅值,n表示信号长度,fi表示第i个频率值,xi(f)表示频率fi处的幅值,表示前一时刻频率fi处的幅值,t
max
表示声发射过程幅值最高的时刻,t
th1
表示声发射过程信号上升超过阈值的时刻,t
th2
表示声发射过程信号下降超过阈值的时刻。
16.优选的,所述步骤2中所述谱质心能量迁移特征的表达式为:
[0017][0018][0019]
其中,eri(f)表示频率fi处的能量振铃,ei(f)表示频率fi的能量,t表示能量阈值,sces表示谱质心能量迁移特征。
[0020]
优选的,所述步骤3中所述使用混合特征选择方法对所述特征进行选择的具体步骤为:
[0021]
步骤3.1,计算所有特征的拉普拉斯分数,所述拉普拉斯分数表达式为:
[0022][0023]
其中,l
t
表示特征t的拉普拉斯分数,s
t
表示特征t在训练样本中的方差,ti表示特征t在第i个训练样本中的值,s
ij
表示第i个和第j个训练样本的权重系数。
[0024]
步骤3.2,计算所有特征的随机森林分数,所述随机森林分数表达式为:
[0025][0026]
其中,r
t
表示特征t的随机森林分数,er1(i)表示第i棵随机树的袋外估计误差,er
2t
(i)表示第i棵随机树对于特征t的第二类袋外估计误差。
[0027]
步骤3.3,计算所有特征的混合分数,并选择混合分数大于0.5的特征组成潜在特征集,所述混合分数表达式为
[0028][0029]
其中,ts
t
表示特征t的混合分数,和表示特征t在0-1标准化后的拉普拉斯和随机森林分数。
[0030]
步骤3.4,计算不同数量特征组合下的检测准确度及其变化率,选择拐点处的特征个数作为最优特征子集中特征的数量。
[0031]
步骤3.5,根据所述最优特征子集中特征的数量从潜在特征集中创建若干潜在特征子集,基于随机森林算法分别计算潜在特征子集的检测准确率,检测准确率最高的潜在特征子集为最优特征子集。
[0032]
优选的,所述步骤5中所述两通道训练样本特征子集合并为直接拼接。
[0033]
优选的,所述步骤5中所述长短期记忆神经网络输入特征的维度是所述最优特征子集中特征数量的两倍,所述长短期记忆神经网络隐藏门的数量为200,所述长短期记忆神经网络分类标签是3类,所述长短期记忆神经网络训练周期是100。
[0034]
本发明的有益效果如下:
[0035]
1)本发明提供的一种基于谱质心能量迁移和混合特征选择的压缩机叶片裂纹故障检测方法,通过提取时域、频域、声发射和谱质心能量迁移等特征反映叶片裂纹故障信息,并结合混合特征选择方法实现特征的优化,最后使用长短期记忆神经网络实现压缩机叶片裂纹故障检测。避免了传统特征无法准确反映叶片裂纹故障的不足,提高了压缩机叶片裂纹故障检测的准确率。
[0036]
2)通过分析叶片出现裂纹在谱质心和能量的变化,本发明提供的一种谱质心能量迁移特征,能够准确反映了叶片裂纹故障特点,并在结合其他常见特征实现压缩机叶片裂纹故障的准确检测。
[0037]
3)本发明提供的混合特征选择方法,结合拉普拉斯分数和随机森林分数选取最能反映叶片裂纹故障的特征,并使用随机森林算法确定最优特征子集,减少了特征提取的数量,并以最优的特征实现叶片裂纹故障的高准确检测。
附图说明
[0038]
图1是本发明实施例的流程框图;
[0039]
图2是本发明实施例中特征得分结果图。
[0040]
图3是本发明实施例中特征数量与检测准确率和变化率关系图。
具体实施方式
[0041]
以下的说明本质上仅仅是示例性的而并不是为了限制本公开、应用或用途。应当理解的是,在全部附图中,对应的附图标记表示相同或对应的部件和特征。
[0042]
如图1所示,本发明实施例的压缩机叶片裂纹故障检测方法,包括以下步骤:
[0043]
步骤1:在压缩机出气口采集两通道声发射信号,并将其分为两通道训练样本和两通道测试样本;
[0044]
步骤2:对两通道训练样本进行特征提取,包括声发射特征、时域特征、频域特征和谱质心能量迁移特征;
[0045]
步骤3:使用混合特征选择方法对特征进行选择,建立最优特征子集;
[0046]
步骤4:根据最优特征子集提取所述两通道训练样本和两通道测试样本的特征,建立两通道训练样本特征子集和两通道测试样本特征子集。
[0047]
步骤5:将两通道训练样本特征子集合并后输入到长短期记忆神经网络中进行训练。
[0048]
步骤6:将中两通道测试样本特征子集合并后输入到训练完成的长短期记忆神经网络进行裂纹故障分类与检测,实现压缩机叶片的裂纹故障检测。
[0049]
上述实施例中,两个声发射传感器在压缩机出气口采集两通道声发射信号,将其分为训练样本和两通道测试样本,然后提取训练样本时域、频域、声发射特征和谱质心能量迁移特征,通过混合特征建立最优特征子集,并提取训练样本和测试样本的最优特征子集,最后使用长短期记忆神经网络进行训练和测试,实现压缩机叶片裂纹故障检测。
[0050]
需要说明的是,两个声发射传感器以相对方式安装在在压缩机出气口,声发射信号时域信号通过傅里叶变化得到频域信号,两通道训练样本和两通道测试样本由于划分的随机性可以存在一定的差异,但不影响后续的处理。
[0051]
步骤2中,声发射特征、时域特征、频域特征及谱质心能量迁移特征包括:
[0052]
声发射上升时间:ae
ris
=t
max-t
th1
,声发射持续时间:ae
dur
=t
th2-t
th1
,声发射最大幅值:ae
amp
=|max x(t)|,声发射能量:声发射能量计数ae
evc
,声发射振铃计数ae
ric
,均方根值:过零率zcr,时域能量:时域能量熵:频域能量熵:谱质心:谱通量:谱衰减:
[0053][0054]
其中,xi(t)表示第i个时间的幅值,n表示信号长度,fi表示第i个频率值,xi(f)表示频率fi处的幅值,表示前一时刻频率fi处的幅值,t
max
表示声发射过程幅值最高的时刻,t
th1
表示声发射过程信号上升超过阈值的时刻,t
th2
表示声发射过程信号下降超过阈值的时刻。
[0055]
需要说明的是,声发射特征取所有声发射过程中特征的最大值,声发射特征包括声发射最大幅值、声发射上升时间、声发射持续时间和声发射能量。
[0056]
步骤2中,谱质心能量迁移特征的表达式为:
[0057][0058][0059]
其中,eri(f)表示频率fi处的能量振铃,ei(f)表示频率fi的能量,t表示能量阈值,
sces表示谱质心能量迁移特征。
[0060]
需要说明的是,能量阈值设定为幅值最大值的10%。
[0061]
步骤3,使用混合特征选择方法对所述特征进行选择的具体步骤为:
[0062]
步骤3.1,计算所有特征的拉普拉斯分数,拉普拉斯分数表达式为:
[0063][0064]
其中,l
t
表示特征t的拉普拉斯分数,s
t
表示特征t在训练样本中的方差,ti表示特征t在第i个训练样本中的值,s
ij
表示第i个和第j个训练样本的权重系数。
[0065]
步骤3.2,计算所有特征的随机森林分数,随机森林分数表达式为:
[0066][0067]
其中,r
t
表示特征t的随机森林分数,er1(i)表示第i棵随机树的袋外估计误差,er
2t
(i)表示第i棵随机树对于特征t的第二类袋外估计误差。
[0068]
步骤3.3,计算所有特征的混合分数,并选择混合分数大于0.5的特征组成潜在特征集,混合分数表达式为
[0069][0070]
其中,ts
t
表示特征t的混合分数,和表示特征t在0-1标准化后的拉普拉斯和随机森林分数。
[0071]
步骤3.4,计算不同数量特征组合下的检测准确度及其变化率,选择拐点处的特征个数作为最优特征子集中特征的数量。
[0072]
步骤3.5,根据最优特征子集中特征的数量从潜在特征集中创建若干潜在特征子集,基于随机森林算法分别计算潜在特征子集的检测准确率,检测准确率最高的潜在特征子集为最优特征子集。
[0073]
需要说明的是,权重系数s
ij
的表达式为:
[0074][0075][0076]
其中,d
ij
表示第i个和第j个训练样本的距离,d表示比例系数(一般取1)。
[0077]
步骤5中,两通道训练样本特征子集合并为直接拼接。
[0078]
步骤5中,长短期记忆网络输入特征的维度是所述最优特征子集中特征数量的两倍,所述长短期记忆网络隐藏门的数量为200,所述长短期记忆网络分类标签是3类,所述长短期记忆网络训练周期是100。
[0079]
为了进一步验证发明方法的有效性,采用压缩机叶片裂纹试验台的对本技术的方案做进一步说明:
[0080]
压缩机叶片裂纹试验台有0,10mm和20mm共3种裂纹长度的叶片,并在1200rpm、
1500rpm、1800rpm和2100rpm四个转速下运行。两个声发射传感器的安装位置为压缩机出气口,并将其分为两通道训练样本和两通道测试样本。提取所述时域、频域、声发射特征和谱质心能量迁移特征共12个特征,并计算所有特征的拉普拉斯、随机森林和混合分数,所有特征在1200rpm的得分归一化后结果如图2和表1所示。分析特征数量和故障检测准确率的关系,确定最优特征子集中特征的数量,如图3所示。然后确定最优特征子集,建立训练样本特征子集和两通道测试样本特征子集。合并两通道训练样本特征子集合并后输入到长短期记忆神经网络中进行训练,最后将合并的两通道测试样本特征子集输入到训练完成的长短期记忆网络进行裂纹故障分类与检测,4种转速下压缩机叶片裂纹故障检测结果如表2所示。在4种转速下,叶片裂纹故障检测的准确率超过96%,且在1200rpm和2100rpm时都达到了100%的准确率,验证了本技术方法的准确性和可靠性。
[0081]
表1 特征选择结果
[0082]
序号特征拉普拉斯分数随机森林分数混合分数1声发射上升时间0.35030.9819-0.07232声发射持续时间0.30700.97610.18703声发射最大幅值0.22480.97090.18004声发射能量0.74500.98891.46885声发射能量计数0.11110.95990.48776声发射振铃计数0.54310.97411.61987均方根值0.85650.99201.80928过零率0.28680.97450.21139时域能量0.56790.99090.350410时域能量熵0.03650.9622-0.110711频域能量熵0.63140.97811.764612谱质心0.75430.98062.212513谱通量0.07690.9635014谱衰减0.38790.97760.497515谱质心能量迁移0.91500.98662.5821
[0083]
表2 压缩机叶片裂纹故障检测结果
[0084]
转速1200rpm1500rpm1800rpm2100rpm准确率100%99.3%96.4%100%
[0085]
与现有技术相比,采用本发明的一种基于谱质心能量迁移和混合特征选择的压缩机叶片裂纹故障检测方法,通过提取时域、频域、声发射和谱质心能量迁移等特征反映叶片裂纹故障信息,并结合混合特征选择方法实现特征的优化,最后使用长短期记忆神经网络实现压缩机叶片裂纹故障检测。避免了传统特征无法准确反映叶片裂纹故障的不足,提高了压缩机叶片裂纹故障检测的准确率。
[0086]
本发明中所述具体实施案例仅为本发明的优选实施案例而已,并非用来限定本发明的实施范围。即凡依本发明申请专利范围的内容所作的等效变化与修饰,都应作为本发明的技术范畴。
转载请注明原文地址:https://tc.8miu.com/read-1557.html