CN114528868A - 一种压缩机叶片裂纹故障检测方法 - Google Patents
一种压缩机叶片裂纹故障检测方法 Download PDFInfo
- Publication number
- CN114528868A CN114528868A CN202210001059.7A CN202210001059A CN114528868A CN 114528868 A CN114528868 A CN 114528868A CN 202210001059 A CN202210001059 A CN 202210001059A CN 114528868 A CN114528868 A CN 114528868A
- Authority
- CN
- China
- Prior art keywords
- acoustic emission
- feature
- features
- characteristic
- representing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 52
- 230000003595 spectral effect Effects 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000015654 memory Effects 0.000 claims abstract description 17
- 238000013508 migration Methods 0.000 claims abstract description 17
- 230000005012 migration Effects 0.000 claims abstract description 17
- 238000010187 selection method Methods 0.000 claims abstract description 9
- 238000012546 transfer Methods 0.000 claims abstract description 3
- 238000007637 random forest analysis Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 8
- 230000006403 short-term memory Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000004907 flux Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract 1
- 230000007547 defect Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 2
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种压缩机叶片裂纹故障检测方法,包括以下步骤:采集压缩机出气口两通道声发射信号,并分成训练和测试样本;提取训练样本的声发射特征、时域特征、频域特征和谱质心能量迁移特征;使用混合特征选择方法进行特征选择,确定最优特征子集;建立两通道训练样本和试样本特征子集;合并两通道训练样本特征子集并使用长短期记忆神经网络进行训练,最后使用训练完成的长短期记忆神经网络对测试样本进行叶片裂纹故障分类与检测,实现压缩机叶片的裂纹故障检测。本发明简单易行,相比于其他现有故障特征和裂纹检测技术能够建立有效反映叶片故障特征的谱质心能量迁移特征、实现混合特征选择和压缩机叶片裂纹故障检测。
Description
技术领域
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
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。
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。
发明内容
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。
为解决上述技术问题,本发明采用以下技术方案:
一种压缩机叶片裂纹故障检测方法,包括以下步骤:
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;
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;
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;
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;
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;
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。
步骤2中,声发射特征、时域特征、频域特征包括:
声发射上升时间:AEris=tmax-tth1,声发射持续时间:AEdur=tth2-tth1,声发射最大幅值:AEamp=|max x(t)|,声发射能量:声发射能量计数AEevc,声发射振铃计数AEric,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:
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,tmax表示声发射过程幅值最高的时刻,tth1表示声发射过程信号上升超过阈值的时刻,tth2表示声发射过程信号下降超过阈值的时刻。
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:
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。
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:
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:
其中,Lt表示特征t的拉普拉斯分数,st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,Sij表示第i个和第j个训练样本的权重系数。
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:
其中,Rt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,er2t(i)表示第i棵随机树对于特征t的第二类袋外估计误差。
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
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。
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。
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。
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。
本发明的有益效果如下:
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。
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。
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
图1是本发明实施例的流程框图;
图2是本发明实施例中特征得分结果图。
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
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。
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:
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;
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;
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;
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。
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。
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。
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。
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。
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:
声发射上升时间:AEris=tmax-tth1,声发射持续时间:AEdur=tth2-tth1,声发射最大幅值:AEamp=|max x(t)|,声发射能量:声发射能量计数AEevc,声发射振铃计数AEric,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:
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,tmax表示声发射过程幅值最高的时刻,tth1表示声发射过程信号上升超过阈值的时刻,tth2表示声发射过程信号下降超过阈值的时刻。
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。
步骤2中,谱质心能量迁移特征的表达式为:
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。
需要说明的是,能量阈值设定为幅值最大值的10%。
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:
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:
其中,Lt表示特征t的拉普拉斯分数,st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,Sij表示第i个和第j个训练样本的权重系数。
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:
其中,Rt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,er2t(i)表示第i棵随机树对于特征t的第二类袋外估计误差。
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
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。
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。
需要说明的是,权重系数Sij的表达式为:
其中,Dij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)。
步骤5中,两通道训练样本特征子集合并为直接拼接。
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。
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申请的方案做进一步说明:
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,验证了本申请方法的准确性和可靠性。
表1 特征选择结果
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 | 0.3503 | 0.9819 | -0.0723 |
2 | 声发射持续时间 | 0.3070 | 0.9761 | 0.1870 |
3 | 声发射最大幅值 | 0.2248 | 0.9709 | 0.1800 |
4 | 声发射能量 | 0.7450 | 0.9889 | 1.4688 |
5 | 声发射能量计数 | 0.1111 | 0.9599 | 0.4877 |
6 | 声发射振铃计数 | 0.5431 | 0.9741 | 1.6198 |
7 | 均方根值 | 0.8565 | 0.9920 | 1.8092 |
8 | 过零率 | 0.2868 | 0.9745 | 0.2113 |
9 | 时域能量 | 0.5679 | 0.9909 | 0.3504 |
10 | 时域能量熵 | 0.0365 | 0.9622 | -0.1107 |
11 | 频域能量熵 | 0.6314 | 0.9781 | 1.7646 |
12 | 谱质心 | 0.7543 | 0.9806 | 2.2125 |
13 | 谱通量 | 0.0769 | 0.9635 | 0 |
14 | 谱衰减 | 0.3879 | 0.9776 | 0.4975 |
15 | 谱质心能量迁移 | 0.9150 | 0.9866 | 2.5821 |
表2 压缩机叶片裂纹故障检测结果
转速 | 1200rpm | 1500rpm | 1800rpm | 2100rpm |
准确率 | 100% | 99.3% | 96.4% | 100% |
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。
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。
Claims (8)
1.一种压缩机叶片裂纹故障检测方法,其特征在于,包括以下步骤:
步骤1:在压缩机出气口采集至少两通道声发射信号,并将其分为两通道训练样本和两通道测试样本;
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;
步骤3:使用混合特征选择方法对提取的特征进行选择,建立最优特征子集;
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;
步骤5:将所述两通道训练样本特征子集合并后输入到神经网络中进行训练;
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。
2.按照权利要求1所述的压缩机叶片裂纹故障检测方法,其特征在于,步骤2中:
所述声发射特征包括:声发射上升时间:AEris=tmax-tth1,声发射持续时间:AEdur=tth2-tth1,声发射最大幅值:AEamp=|max x(t)|,声发射能量:声发射能量计数AEevc,声发射振铃计数AEric,均方根值:过零率ZCR;
4.按照权利要求1所述的压缩机叶片裂纹故障检测方法,其特征在于,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:
步骤3.1,计算所有特征的拉普拉斯分数:
其中,Lt表示特征t的拉普拉斯分数,st表示特征t在训练样本中的方差,tq表示特征t在第q个训练样本中的值,Sqr表示第q个和第r个训练样本的权重系数;
步骤3.2,计算所有特征的随机森林分数:
其中,Rt表示特征t的随机森林分数,er1(v)表示第v棵随机树的袋外估计误差,er2t(v)表示第v棵随机树对于特征t的第二类袋外估计误差;
步骤3.3,计算所有特征的混合分数,并选择混合分数大于预设值的特征组成潜在特征集,其中混合分数为:
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;
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。
5.按照权利要求4所述的压缩机叶片裂纹故障检测方法,其特征在于,步骤3.3中,预设值设定为0.5。
6.按照权利要求1所述的压缩机叶片裂纹故障检测方法,其特征在于,步骤5中,所述两通道训练样本特征子集合并为直接拼接。
7.按照权利要求1所述的压缩机叶片裂纹故障检测方法,其特征在于,步骤5中,所述神经网络为长短期记忆神经网络。
8.按照权利要求7所述的压缩机叶片裂纹故障检测方法,其特征在于,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210001059.7A CN114528868A (zh) | 2022-01-04 | 2022-01-04 | 一种压缩机叶片裂纹故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210001059.7A CN114528868A (zh) | 2022-01-04 | 2022-01-04 | 一种压缩机叶片裂纹故障检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114528868A true CN114528868A (zh) | 2022-05-24 |
Family
ID=81620867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210001059.7A Pending CN114528868A (zh) | 2022-01-04 | 2022-01-04 | 一种压缩机叶片裂纹故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114528868A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115545086A (zh) * | 2022-11-07 | 2022-12-30 | 海纳科德(湖北)科技有限公司 | 一种可迁移的特征自动选取声学诊断方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090228230A1 (en) * | 2008-03-06 | 2009-09-10 | General Electric Company | System and method for real-time detection of gas turbine or aircraft engine blade problems |
CN105787486A (zh) * | 2015-12-11 | 2016-07-20 | 昆明理工大学 | 一种基于图像处理的钢梁裂纹检测方法 |
US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
CN112364886A (zh) * | 2020-10-14 | 2021-02-12 | 天津大学 | 基于叶尖定时和随机森林的叶片裂纹在线测量方法 |
-
2022
- 2022-01-04 CN CN202210001059.7A patent/CN114528868A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090228230A1 (en) * | 2008-03-06 | 2009-09-10 | General Electric Company | System and method for real-time detection of gas turbine or aircraft engine blade problems |
CN105787486A (zh) * | 2015-12-11 | 2016-07-20 | 昆明理工大学 | 一种基于图像处理的钢梁裂纹检测方法 |
US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
CN112364886A (zh) * | 2020-10-14 | 2021-02-12 | 天津大学 | 基于叶尖定时和随机森林的叶片裂纹在线测量方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115545086A (zh) * | 2022-11-07 | 2022-12-30 | 海纳科德(湖北)科技有限公司 | 一种可迁移的特征自动选取声学诊断方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135492A (zh) | 基于多高斯模型的设备故障诊断与异常检测方法及*** | |
Gowid et al. | A novel robust automated FFT-based segmentation and features selection algorithm for acoustic emission condition based monitoring systems | |
CN110243603B (zh) | 基于Welch转换-径向基神经网的滚动轴承故障诊断方法 | |
CN111307438B (zh) | 一种基于信息熵的旋转机械振动故障诊断方法及其*** | |
CN114528868A (zh) | 一种压缩机叶片裂纹故障检测方法 | |
CN111504647A (zh) | 基于ar-mset的滚动轴承的性能退化评估方法 | |
CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
CN117454283A (zh) | 一种用于风电机组运行检测数据的状态评估方法 | |
CN110376289A (zh) | 一种基于声发射手段的复合材料纤维编织层损伤识别方法 | |
CN112462355A (zh) | 一种基于时频三特征提取的对海目标智能检测方法 | |
CN108982106B (zh) | 一种快速检测复杂***动力学突变的有效方法 | |
CN110953488A (zh) | 基于堆栈自编码的气液两相流管道泄漏声发射检测方法 | |
CN103821749A (zh) | 一种轴流式通风机失速和喘振的在线诊断方法 | |
CN110595956A (zh) | 一种基于磨粒群分形特征的磨损状态突变检测方法 | |
Wan et al. | Adaptive asymmetric real Laplace wavelet filtering and its application on rolling bearing early fault diagnosis | |
CN114509158B (zh) | 一种声振融合的叶片裂纹故障检测方法及应用 | |
CN109034028B (zh) | 一种基于符号化与tf-idf的机械设备故障特征提取方法 | |
CN108106717B (zh) | 一种基于声音信号识别机组状态的方法 | |
CN112699609B (zh) | 一种基于振动数据的柴油机可靠性模型构建方法 | |
CN115656764A (zh) | 一种用于发光二极管的照明质量检测方法 | |
CN108984997B (zh) | 一种基于熵值的离心泵故障诊断方法 | |
CN113723207A (zh) | 一种基于直方图距离的突变信号检测方法 | |
CN117574782B (zh) | 基于变压器参数判断绕组材质的方法、装置、***及介质 | |
CN117972398B (zh) | 一种断路器故障特征信息提取方法及*** | |
CN109577393A (zh) | 基桩检测中超声波形首波智能判读方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |