CN101762385A - 用于转子叶片健康状况监测的***和方法 - Google Patents

Abstract

本发明涉及一种用于监测转子叶片健康状况的***(100)，其包括到达时间(TOA)传感器(11，111，211，12)和控制器，所述控制器包括处理器(13)，处理器(13)构造成用于从相应的TOA传感器(11，111，211，12)获得表明旋转转子叶片(311)的到达时间的TOA信号，且根据该TOA信号来确定初始特征；以及特征级融合器(15)，其构造成用于融合从处理器(13)接收到的初始特征，以用于评价旋转转子叶片的健康状况。

Description

用于转子叶片健康状况监测的***和方法

技术领域

本发明大体涉及用于监测转子叶片的健康状况的***和方法。

背景技术

转子叶片或旋转叶片用于许多装置中，其中几个实例包括压缩机、涡轮机和发动机。轴向压缩机例如具有一系列的级，各个级包括一排转子叶片，以及一排定子叶片。

轴向压缩机用于许多装置中，其中一个实例是陆上燃气轮机。陆上燃气轮机通常包括用以使空气加速的入口区、用以压缩进入空气的压缩机、用于燃烧压缩空气和燃料的燃烧器，以及用以将热能转化成机械能来驱动发电机产生所需功率的涡轮机。为了给燃烧提供充分的压力，压缩机具有大约十八个级，各个级具有定子叶片和转子叶片。压缩机的各个叶片具有独特的自然频率。

各种因素会不利地影响转子叶片的健康状况，且会导致疲劳、应力，以及最终会导致转子叶片的破裂。当转子叶片裂纹扩散，且达到临界极限时，转子叶片就会从转子断裂。

因此，实时预测转子叶片的健康状况是有益的。通过实时预测裂纹，例如，可降低叶片所在装置的故障。

发明内容

根据本发明的一个实施例，提供了一种用于监测旋转转子叶片的健康状况的***。该***包括到达时间(TOA)传感器和控制器。控制器包括处理器，该处理器构造成用于从相应的TOA传感器获得表明旋转转子叶片的到达时间的TOA信号，且用于根据TOA信号确定初始特征；以及特征级融合器(feature level fuser)，其构造成用于融合从处理器接收到的初始特征，以用于评价旋转转子叶片的健康状况。

根据本发明的另一个实施例，用于监测转子叶片的健康状况的***包括到达时间(TOA)传感器和控制器。控制器包括传感器级融合器(sensor level fuser)，传感器级融合器构造成用于获得表明旋转转子叶片的到达时间的TOA信号，且融合该TOA信号，以获得组合特征；以及处理器，其构造成用于融合从到达时间传感器获得的到达时间信号以及来自传感器级融合器的组合特征，以用于评价旋转转子叶片的健康状况。

根据本发明的又一个实施例，***包括到达时间(TOA)传感器和控制器。控制器包括处理器，处理器用于从相应的TOA传感器获得表明旋转转子叶片的到达时间的TOA信号，且用于根据该TOA信号确定初始特征，以用于评价旋转转子叶片的健康状况；用于通过融合从TOA传感器获得的数据来获得组合特征的传感器级融合器；用于融合来自到达时间传感器的到达时间信号和组合特征的特征级融合器；用于从处理器接收初始特征且估计关于转子叶片裂纹长度和转子叶片裂纹扩散时间的物理建模器；用于估计关于转子叶片裂纹的可能性的数据的可靠性建模器；以及决策级融合器(decision levelfuser)，其用于融合从特征级融合器、物理建模器和可靠性建模器接收到的数据，以根据融合数据来确定旋转转子叶片的健康状况。

在本发明的又一个实施例中，公开了一种用于监测旋转转子叶片的健康状况的方法。该方法包括：确定旋转转子叶片的到达时间(TOA)和操作参数；使用TOA和预定的TOA来确定ΔTOA；通过使旋转转子叶片的操作参数中的变化的ΔTOA归一化来确定修正的ΔTOA；根据修正的ΔTOA获得初始特征；以及通过融合初始特征和操作参数来获得旋转转子叶片的裂纹长度和裂纹扩散时间。

附图说明

当参照附图阅读下列详细描述时，将更好地理解本发明的这些和其它特征、方面和优点，相同标号在附图中始终代表相同部件，其中：

图1是用于监测转子叶片的健康状况的根据本发明的一个实施例的方框图。

图2图示根据本发明的一个实施例的旋转叶片的实际TOA的确定和用以从多个实际TOA来确定期望TOA的基于模型的方法。

图3是示出了根据本发明的一个实施例的修正的ΔTOA的确定的方框图。

图4是根据本发明的一个实施例的燃气轮机中的操作模式的确定的流程图。

图5是根据本发明的一个实施例的、从转子叶片中的修正的ΔTOA来确定静态偏转和动态偏转的流程图。

具体实施方式

图1是用于监测转子叶片311的健康状况的根据本发明的一个实施例的***100的方框图。***100包括用于相对于基准键相来检测转子叶片311的到达的至少一个传感器11、12。在所示实施例中，显示了包括前缘传感器(LE)11和后缘传感器(TE)12的两种类型的传感器。在方框图中，***包括三个前缘传感器(LE 1、LE 2和LE 3)11、111、211和一个后缘传感器(TE1)12。但是，各个类型的传感器的数量取决于多种因素，包括例如转子叶片311的级数和级中的转子叶片311的数量。

在本发明的一个方面中，所有传感器均可可互换地用作前缘传感器和后缘传感器。前缘传感器检测转子叶片311的前缘的到达，而后缘传感器则检测转子叶片311的后缘的到达。前缘传感器和后缘传感器可为类似的或不同的类型，且仅由于其不同的功能性而在所示实施例中对其作了不同的命名。在本发明的一个方面中，电容性、涡流和磁性传感器用作前缘传感器和后缘传感器。

传感器(LE，TE)安装在固定物体上的转子叶片附近，所处的位置使得可有效地检测转子叶片311的到达。在本发明的一个实施例中，至少一个传感器安装在转子叶片311的外壳上。前缘传感器11和后缘传感器12通过将键相作为用于确定转子叶片311的各个旋转的完成的基准且将信号发送给处理器13，来检测至少一个转子叶片311的到达。

键相可包括例如用于标识转子叶片311的各个旋转的开始和完成的近控开关。键相的操作对本领域技术人员是已知的，且在“THE KEYPHAS OR-A Necessity For Machinery Diagnosis”(键相——机器诊断的必要性)Bentley Nevada，Nov.1997中有详细论述。

***100还可包括用于检测转子叶片311或其中安装有转子叶片311的装置的瞬时状况的一个或多个瞬时检测器TD 10。在一个实施例中，瞬时检测器TD 10安装在转子叶片311的转子的最优位置处的任何地方，从而可以测量转子的速度。例如，瞬时检测器10可在诸如转子叶片311的启动和停止的瞬时状况期间发送信号，以确定瞬时状况期间的TOA。在一个实施例中，当转子叶片速度从13％提高到100％时，表示转子叶片的启动，当转子叶片311的速度从100％下降到13％时，表示转子叶片的停止。

处理器13处理从传感器接收到的信号，确定转子叶片311的TOA，然后根据转子叶片311的TOA确定ΔTOA，这将在下面进一步描述。ΔTOA可定义为期望TOA和实际TOA之间的差。在本发明的一个实施例中，处理器通过使用ΔTOA和关于转子叶片和/或其中安装有转子叶片311的装置的操作状况和负载状况的信息，来进一步确定修正的ΔTOA。转子叶片311的ΔTOA或修正的ΔTOA进一步由处理器处理，以确定各个传感器的初始特征。初始特征可包括的特征诸如静态偏转、动态偏转、间隙、叶片扭转轮廓和频率失谐。在诸如启动、停止或速度扫描(speed sweep)以及它们的组合的瞬时状况期间确定频率失谐。

在一个实施例中，至少一些传感器和可选的瞬时检测器将信号发送给传感器融合器14，传感器融合器14融合信号且提供组合信号。在一个实施例中，传感器级融合器14使用转子叶片的前缘传感器和后缘传感器的TOA来确定转子叶片311中的叶片扭转。叶片扭转可确定为例如由前缘传感器和后缘传感器检测到的TOA信号之间的差。在又一个实施例中，由传感器融合器确定的组合信号包括表明所有传感器的叶片扭转、静态偏转、动态偏转、同步和/或异步振动或者它们的组合的信号。其它传感器级融合实施例可包括使用一个前缘传感器来验证另一个前缘传感器，识别可能已经失效的前缘传感器。例如，如果两个或多个前缘传感器信号产生比预定值更大的静态偏转值，就需要监测旋转转子叶片311的健康状况，且可发出警报。在另一个实施例中，由于大于预定值的静态偏转引起的一个前缘传感器信号和由于小于预定值的静态偏转引起的另一个前缘传感器信号可表明由前缘传感器中的任何一个作出的错误的检测。

***100可包括用于收集转子叶片311的操作数据的现场监测器OSM 16(下文称为“OSM”)。操作数据例如可包括具有转子叶片311的装置上的负载、入口导向叶片(IGV)角度、燃料行程比、转子叶片311的速度或者它们的组合。在本发明的一个实施例中，OSM确定操作特征，诸如，例如，转子叶片311中的异常振动、包括转子叶片的压缩机的性能、级效率，以及温度和压力偏差。

在一个实施例中，由传感器融合器14确定的组合特征、由处理器13确定的初始特征、来自现场监测器16的操作数据以及来自瞬时检测器10的信号由特征级融合器15融合，以提供过渡数据。特征级融合器将***转子叶片311和/或包括转子叶片311的装置的状态和负载状况考虑在内。可使用不同的方法来确定转子叶片311上的负载和转子叶片311的工作状态，在下面将描述这些方法的实施例。在本发明的一个实施例中，转子叶片311或安装有转子叶片311的装置的状态或操作模式可由操作模式算法确定，如参照图4详细描述的。

特征级融合器15确定转子叶片311的状态、负载和操作状况以及传感器的操作状况。关于传感器，例如，当一个传感器提供表明静态偏转的信号时，此传感器的数据就可以与其它传感器的数据比较，以检测传感器的充分操作状况。而且，可通过针对不同的传感器比较由处理器确定的初始特征来检测初始特征的准确性，且据此确定传感器的准确性。例如，当传感器中的一个显示转子叶片311中的一个的共振频率的变化时，特征级融合器15可使共振频率与静态偏转相关，且因此确定从传感器接收到的信号的准确性。在本发明的一个实施例中，使用基于规则的方法来融合初始特征、组合特征、操作参数和特征级融合器中的过渡数据中的一个或多个。在本发明的又一个实施例中，例如，诸如Bayesian方法、Demster方法、Demster-shafer方法、神经网络方法、树逻辑方法和表决逻辑方法的统计学方法可用于融合特征级融合器15中的特征。

在又一个实施例中，由特征级融合器15确定的特征在决策级融合器19中与由物理模型17确定的预测或特征和/或由可靠性模型18确定的预测或特征融合在一起。

可靠性模型18例如可用于通过使用一个或多个可靠性模型来评价由处理器、OSM和特征级融合器作出的预测的可靠性。在本发明的一个实施例中，定义用于确定旋转转子叶片311的健康状况的函数，其中该函数取决于影响旋转转子叶片311的健康状况的因素。影响旋转转子叶片的健康状况的因素可包括例如启动和停止的次数、操作的小时数、入口导向叶片角度、旋转转子叶片311上的负载，以及本领域技术人员已知的其它因素。在一个实施例中，函数将旋转转子叶片的已知健康状况映射成影响旋转转子叶片的健康状况的因素各种组合和子组合。旋转转子叶片的已知的健康状况可包括的因素诸如旋转转子叶片311中的已知裂纹和长度。然后使用映射来评价由处理器13、特征级融合器和OSM 16作出的预测。在一个实施例中，可靠性模型还结合由处理器和OSM确定的用于瞬时状况的初始特征。

在本发明的一个实施例中，物理模型17通过处理从OSM16和/或处理器13接收到的数据来预测转子叶片振动。在另一个实施例中，物理模型17作出关于转子叶片311的结构预测。结构预测例如包括旋转转子叶片311中的裂纹、裂纹的长度和裂纹扩散时间。结构预测例如可包括有裂纹的叶片裂开所剩的时间。物理模型17例如可使用包括断裂力学模型和/或有限元模型的方法。在物理模型17的一个实施例中，取决于旋转转子叶片311的结构规格来定义健康状况监测函数。结构规格可包括例如裂纹、叶片几何尺寸、旋转转子叶片的类型，以及材料特性。在本发明的又一个实施例中，利用初始特征的组合之间的关系，以确定旋转转子叶片311的健康状况。例如，关系可包括利用对于具体振动模式的旋转转子叶片311的频率中的变化关于裂纹大小的关系。

决策级融合器19提供在传感器级融合器14和特征级融合器15中实现的转子叶片健康状况结果的置信度。在本发明的一个实施例中，基于规则的方法用于融合决策级融合器19中的特征。在本发明的又一个实施例中，诸如Bayesian方法、Demster方法、Demster-shafer方法、神经网络方法、树逻辑方法和表决逻辑方法的统计学方法可用于融合决策级融合器19中的特征。在一个实施例中，决策级融合器19确定裂纹，且预测转子叶片311的裂纹和裂纹风险。风险预测也可包括有裂纹的转子叶片311裂开所剩下的时间。

图2示出了确定旋转转子叶片311的实际TOA和从实际TOA确定期望TOA。在一个实施例中，期望TOA由基于模型的方法使用许多实际TOA来确定。在另一个实施例中，通过对转子的所有旋转转子叶片的实际TOA取平均值来确定期望TOA。所有旋转转子叶片的实际TOA由检测装置11、111、211、12确定，如参看图1所示。

此外，示出了使用基于模型的方法来确定期望TOA。实际TOA和期望TOA可由处理器13使用。图2显示了从传感器接收到的表明转子叶片311的到达的仿真信号的时域图200，该信号被称为叶片通过信号210(下文称为BPS)。时域具有表示转子叶片数量的x轴和表示实际TOA的y轴。BPS 201是对特定时段取样的正弦波，且用于确定实际TOA。因此，正弦波可由电压V表示如下：V(k)＝X₀Sin(ωkΔt)        (1)其中V是瞬时电压，X₀是最大幅值，k是样本号，ω是频率，Δt是取样间隔。

BPS 201的各个脉冲表示转子叶片311的到达。假定各个脉冲都是固定的时间段和频率ω的正弦波，且Δt是BPS的取样间隔。当电压V保持在恒定阈电压z时，则表示为TOAn₁，TOAn₂，TOAn₃....TOAn_m的实际TOA检测如下。TOAn_m＝(τ(m-1)+β)        (2)其中δ_m是叶片振动特征，τ是叶片间距。

为了确定转子叶片的期望TOA，使用期望TOA确定模型(下文称为“模型”)方程式2来确定期望TOA。这种确定假定转子叶片311在理想状态下工作，负载状况是最优的，且转子叶片振动是最小的。

在本发明的一个实施例中，模型针对旋转转子叶片311的各个旋转和所有可能的速度以及负载状况来确定期望TOA。在转子叶片的各个旋转的所有可能的负载和速度下确定期望TOA会产生针对转子叶片的不同操作状况的精确期望TOA。模型形成如图2所示的图表202，其中针对不同叶片编号绘制实际TOA。图表202显示了X轴上的不同叶片编号n₁，n₂，n₃...n_m对Y轴上的旋转转子叶片311的实际TOA的图，以确定期望TOA。根据图表上的实际TOA点的最小二乘拟合图来确定期望TOA。因此，通过使用实际TOA的图，期望TOA可表示为如下直线方程的形式。期望TOA＝τ(m-1)+β   (3)其中τ是叶片间的间距，β是常数偏移量。因此，如果TOAn_m是在基线工作环境和良好健康状况下的转子叶片m的实际TOA，则转子叶片m的期望ΔTOA可确定为：期望ΔTOA＝TOAn_m-(τ(m-1)+β)   (4)

图3是示出了确定根据本发明的一个实施例的修正的ΔTOA的流程图。如图2所示，ΔTOA可由操作参数中的变化影响，例如，诸如负载、IGV角度和质量流量。ΔTOA的归一化使负载和操作变化的ΔTOA归一化，且修正由于叶片在启动期间的复位引起的变化的ΔTOA。使用归一化的ΔTOA来确定修正的ΔTOA会产生比由图1的处理器13和传感器级融合器14所确定的初始特征和组合特征的更加精确的确定。

在步骤30中，由传感器实时地确定所有旋转转子叶片的实际TOA。然后使用在步骤30中确定的实际TOA来在步骤31中确定所有转子叶片的ΔTOA。在步骤32中，实际TOA在预定极限之外的转子叶片从确定修正的TOA的过程中排除。在预定极限之外的转子叶片311可能具有转子叶片裂纹或扭转，且因此可能会导致错误地确定修正的ΔTOA。然后对选定的实际TOA进行建模，以确定τ和β的值。在一个实施例中，模型对比选定的转子叶片和对应的实际TOA绘制图表。如果所有转子叶片的实际TOA均落在预定极限内，则使用实际TOA在图表中所绘制的线可如方程(5)所示的来表示。在方程(5)中，TOAn_m是m叶片的实际TOA。在步骤33中，使用方程(5)的最小二乘拟合来确定τ和β的值。此外，使旋转转子叶片k的ΔTOA归一化。在一个实施例中，在步骤34中，使用τ和β的值在方程(6)中使旋转转子叶片的ΔTOA归一化。 $\left(\begin{array}{c}{\mathrm{TOA}}_{n1}\\ {\mathrm{TOA}}_{n2}\\ {\mathrm{TOA}}_{n3}\\ .....\\ {\mathrm{TOAn}}_m\end{array}\right)=\mathrm{\τ}\left(\begin{array}{c}0\\ 1\\ 2\\ ...\\ ....\\ m-1\end{array}\right)+\mathrm{\β}---\left(5\right)$ 归一化的ΔTOA_k＝TOAn_k-(τ+(k-1)β)  (6)

在另一个实施例中，通过从ΔTOA中减去归一化偏移量来使旋转转子叶片311的ΔTOA归一化。归一化偏移量是除了显示极端的ΔTOA值的旋转转子叶片之外的所有旋转转子叶片的ΔTOA的平均值。例如，展示极端(高和低)的ΔTOA值的旋转转子叶片中的10％不进行归一化偏移量的计算。在步骤35中，从转子叶片上的全部负载状况中过滤出基本负载状况。从操作模式框38中获得负载状况，操作模式框38确定转子叶片上的负载或使用了转子叶片的装置上的负载。因此，在步骤36中，通过对基线处的转子叶片的n转的ΔTOA取平均值来确定期望的归一化ΔTOA，产生基本负载下的期望的归一化ΔTOA。然后在步骤37中使用在步骤36中确定的期望的归一化的ΔTOA和在步骤34中确定的归一化的ΔTOA来确定修正因子。可通过使用下列方程来确定转子叶片修正因子C_k：C_k＝期望的归一化的ΔTOA-归一化的ΔTOA_k   (7)

在步骤39，从归一化的ΔTOA的各个旋转中减掉在方程(7)中确定的校正因子C_k，以获得修正的ΔTOA。

图4是根据本发明的一个实施例的用于确定燃气轮机中的操作模式的流程图。在操作模式的确定中，使用操作参数来对燃气轮机的操作状态分类。在步骤40中，接收来自现场监测器OSM的操作数据(如参看图1所示的)，以便在步骤41中检查燃气轮机的运行状态。在步骤41中，确定操作参数，例如燃料冲程基准量(FSR)、负载(DWATT)和压缩机吸入导向叶片角度(CSGV)。在步骤42中，使用操作模式参数确定关于燃气轮机的负载。在本发明的一个实施例中，当FSR＞75％且DWATT＞5兆瓦(MW)时，则表明燃气轮机已加载。因此，如果在步骤42中确定运行状态加载，则过程移至步骤44，否则就移到步骤43。在步骤43中，操作模式OPMODE等于零，从而表明燃气轮机上没有负载或者是最小负载。当在步骤44中确定燃气轮机已加载时，取决于负载、CSGV和水洗状态来将负载进一步分类成三种模式。在步骤45中，确定三十分钟的DWATT和CSGV的最大最小范围，确定五分钟的CSGV的最大最小范围。根据步骤45中完成的DWATT和CSGV的最大最小范围，在步骤46中完成燃气轮机的状态的确定。在本发明的一个实施例中，在步骤46中，如果满足下列四个条件，则表示燃气轮机处于稳态：1.过去的30分钟内的负载的最大范围(最大值-最小值)小于5兆瓦。2.过去的30分钟内的CSGV的最大范围(最大值-最小值)小于3度。3.过去的5分钟内的CSGV的最大范围(最大值-最小值)小于0.5度。4.过去的30分钟内无水洗。

稳态条件可取决于使用转子叶片的装置的类型而改变。当不满足所有上述条件时，燃气轮机的状态就在步骤49中被分类为瞬时(OPMODE＝1)。当所有上述条件都满足时，就确定燃气轮机在稳态下工作，且将操作模式进一步分类为两种模式，包括基本负载和部分负载。在本发明的一个实施例中，为了确定基本负载和部分负载，在步骤48中确定CSGV。当CSGV大于预定值(PV)时，燃气轮机的状态就在步骤51中确定为稳态基本负载，否则就在步骤50中确定为部分负载。

图5示出了根据本发明的一个实施例的根据转子叶片中的修正的ΔTOA来确定静态偏转和动态偏转的流程图。在步骤54中，如参照图3详细论述的那样确定修正的ΔTOA。在步骤55中，对修正的ΔTOA进行中值滤波，接着在步骤56中进行平均滤波。然后在步骤57处对步骤56的平均滤波后的数据取平均值以预定量的时间，以在步骤58处获得静态偏转。

为了确定动态偏转，在步骤59中确定在预定量的时间上的中值滤波后的数据的最大值和最小值。每180秒的最大值和最小值之间的差在步骤60中产生动态偏转的确定。

虽然本文仅示出和描述了本发明的某些特征，但是本领域技术人员将想到许多修改和变化。因此，要理解的是权利要求书意图覆盖落在本发明的真实精神内的所有这种修改和变化。

Claims (10)

1.一种***，包括：

到达时间(TOA)传感器(11，111，211，12)；以及

控制器，包括：

处理器(13)，所述处理器(13)构造成用于从相应的TOA传感器获得表明旋转转子叶片(311)的到达时间的TOA信号，且用于从所述TOA信号确定初始特征；以及

特征级融合器(15)，所述特征级融合器(15)构造成用于融合从所述处理器接收到的所述初始特征，以用于评价所述旋转转子叶片的健康状况。

2.根据权利要求1所述的***，其特征在于，所述控制器进一步包括传感器级融合器(14)，以通过融合从所述TOA传感器获得的TOA信号来获得组合特征。

3.根据权利要求2所述的***，其特征在于，所述特征级融合器进一步构造成除了融合所述初始特征之外还融合所述组合特征，以用于评价所述旋转转子叶片的健康状况。

4.根据权利要求1所述的***，其特征在于，所述传感器包括前缘传感器(11，11，211)，后缘传感器(12)或者它们的组合。

5.根据权利要求1所述的***，其特征在于，所述初始特征包括静态偏转，动态偏转，间隙，叶片扭转轮廓，在瞬时操作期间的频率失谐，或者它们的任何组合。

6.根据权利要求1所述的***，其特征在于，所述处理器进一步构造成使用所述TOA和预定的TOA来确定ΔTOA、通过使所述旋转转子叶片的所述操作参数中的变化的ΔTOA归一化来确定修正的ΔTOA，以及使用所述修正的ΔTOA来确定所述初始特征。

7.一种***，包括：

到达时间(TOA)传感器(11，111，211，12)；以及

控制器，包括：

传感器级融合器(14)，所述传感器级融合器(14)构造成用于获得表明所述旋转转子叶片的到达时间的TOA信号，且融合所述TOA信号，以获得组合特征；以及

处理器(13)，所述处理器(13)构造成用于融合从所述到达时间传感器获得的到达时间信号和从所述传感器级融合器获得的所述组合特征，以用于评价所述旋转转子叶片的健康状况。

8.一种***，包括：

到达时间(TOA)传感器(11，111，211，12)；以及

控制器，包括：

处理器(13)，所述处理器(13)用于从相应的TOA传感器获得表明旋转转子叶片的到达时间的TOA信号，且用于从所述TOA信号来确定初始特征，以用于评价所述旋转转子叶片的健康状况；

传感器级融合器(14)，所述传感器级融合器(14)用于通过融合从所述TOA传感器获得的数据来获得组合特征；

特征级融合器(15)，所述特征级融合器(15)用于融合来自所述到达时间传感器的到达时间信号和所述组合特征；

物理建模器(17)，所述物理建模器(17)用于从所述处理器接收所述初始特征，且估计关于转子叶片裂纹长度和转子叶片裂纹扩散时间的数据；

可靠性建模器(18)，所述可靠性建模器(18)用于估计关于所述转子叶片裂纹的可能性的数据；以及

决策级融合器(19)，所述决策级融合器(19)用于融合从所述特征级融合器、所述物理建模器和所述可靠性建模器接收到的数据，且根据所述融合的数据来确定所述旋转转子叶片的健康状况。

9.根据权利要求8所述的***，其特征在于，所述控制器还包括：

现场监视器(16)，所述现场监视器(16)用于确定所述旋转转子叶片的操作参数数据，且将所述操作参数数据提供给所述特征级融合器和所述物理建模器。

10.一种方法，包括：

确定所述旋转转子叶片的到达时间(TOA)和操作参数；

使用所述TOA和预定的TOA来确定ΔTOA；

通过使所述旋转转子叶片的所述操作参数中的变化的所述ΔTOA归一化来确定修正的ΔTOA；

从所述修正的ΔTOA获得初始特征；以及

通过融合所述初始特征和所述操作参数来获得所述旋转转子叶片的裂纹长度和裂纹扩散时间。

Images