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 PDF

Info

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
Application number
CN202210001059.7A
Other languages
English (en)
Inventor
宋狄
许飞云
胡建中
贾民平
黄鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202210001059.7A priority Critical patent/CN114528868A/zh
Publication of CN114528868A publication Critical patent/CN114528868A/zh
Pending legal-status Critical Current

Links

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

一种压缩机叶片裂纹故障检测方法
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：
Figure BDA0003454163180000031
声发射能量计数AEevc，声发射振铃计数AEric，均方根值：
Figure BDA0003454163180000032
过零率ZCR，时域能量：
Figure BDA0003454163180000033
时域能量熵：
Figure BDA0003454163180000034
频域能量熵：
Figure BDA0003454163180000035
谱质心：
Figure BDA0003454163180000036
谱通量：
Figure BDA0003454163180000037
谱衰减：
Figure BDA0003454163180000038
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，
Figure BDA0003454163180000039
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：
Figure BDA00034541631800000310
Figure BDA00034541631800000311
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：
Figure BDA0003454163180000041
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：
Figure BDA0003454163180000042
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
Figure BDA0003454163180000043
其中，TSt表示特征t的混合分数，
Figure BDA0003454163180000044
和
Figure BDA0003454163180000045
表示特征t在0-1标准化后的拉普拉斯和随机森林分数。
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：
Figure BDA0003454163180000071
声发射能量计数AEevc，声发射振铃计数AEric，均方根值：
Figure BDA0003454163180000072
过零率ZCR，时域能量：
Figure BDA0003454163180000073
时域能量熵：
Figure BDA0003454163180000074
频域能量熵：
Figure BDA0003454163180000075
谱质心：
Figure BDA0003454163180000076
谱通量：
Figure BDA0003454163180000077
谱衰减：
Figure BDA0003454163180000078
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，
Figure BDA0003454163180000079
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：
Figure BDA0003454163180000081
Figure BDA0003454163180000082
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：
Figure BDA0003454163180000083
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：
Figure BDA0003454163180000091
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
Figure BDA0003454163180000092
其中，TSt表示特征t的混合分数，
Figure BDA0003454163180000093
和
Figure BDA0003454163180000094
表示特征t在0-1标准化后的拉普拉斯和随机森林分数。
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：
Figure BDA0003454163180000095
Figure BDA0003454163180000096
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：
Figure FDA0003454163170000011
声发射能量计数AEevc，声发射振铃计数AEric，均方根值：
Figure FDA0003454163170000012
过零率ZCR；
所述时域特征包括：时域能量：
Figure FDA0003454163170000021
时域能量熵：
Figure FDA0003454163170000022
所述频域特征包括：频域能量熵：
Figure FDA0003454163170000023
所述谱质心能量迁移特征，包括：谱质心：
Figure FDA0003454163170000024
谱通量：
Figure FDA0003454163170000025
谱衰减：
Figure FDA0003454163170000026
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，
Figure FDA0003454163170000027
表示前一时刻频率fk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。
3.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,所述谱质心能量迁移特征的表达式为：
Figure FDA0003454163170000028
其中，SCES表示谱质心能量迁移特征,SC表示上述谱质心，ERi(f)表示频率fi处的能量振铃；
Figure FDA0003454163170000029
其中，Ei(f)表示频率fi的能量，T表示能量阈值。
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：
Figure FDA0003454163170000031
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：
Figure FDA0003454163170000032
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：
Figure FDA0003454163170000033
其中，TSt表示特征t的混合分数，
Figure FDA0003454163170000034
和
Figure FDA0003454163170000035
表示特征t在0-1标准化后的拉普拉斯和随机森林分数,a表示标准后随机森林分数的权重；
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。
CN202210001059.7A 2022-01-04 2022-01-04 一种压缩机叶片裂纹故障检测方法 Pending CN114528868A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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