CN115166032A - 一种风机叶片裂纹的检测装置及方法 - Google Patents
一种风机叶片裂纹的检测装置及方法 Download PDFInfo
- Publication number
- CN115166032A CN115166032A CN202210560401.7A CN202210560401A CN115166032A CN 115166032 A CN115166032 A CN 115166032A CN 202210560401 A CN202210560401 A CN 202210560401A CN 115166032 A CN115166032 A CN 115166032A
- Authority
- CN
- China
- Prior art keywords
- channel
- fusion
- signals
- vibration
- acoustic emission
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000004927 fusion Effects 0.000 claims abstract description 88
- 238000001514 detection method Methods 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 238000007500 overflow downdraw method Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000014509 gene expression Effects 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 6
- 230000000052 comparative effect Effects 0.000 claims description 3
- 238000013101 initial test Methods 0.000 claims description 3
- 208000037656 Respiratory Sounds Diseases 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims 1
- 241000886569 Cyprogenia stegaria Species 0.000 abstract description 9
- 238000004458 analytical method Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Images
Classifications
-
- 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
- G01N29/04—Analysing solids
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
-
- 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
- G01N29/14—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 using acoustic emission techniques
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/028—Material parameters
- G01N2291/0289—Internal structure, e.g. defects, grain size, texture
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种风机叶片裂纹的检测装置及方法,包括风机外壳和电机、以及用于检测的声压传感器、声发射传感器和振动传感器,采用以下方法对叶片裂纹进行检测:采集两通道声、两通道声发射信号以及两通道振动信号,在标准化处理后分成训练和测试样本;使用数据级融合方法分别融合两通道声、两通道声发射和两通道振动信号的训练和测试样本,生成数据融合训练和测试样本;将上述原始和数据融合训练样本输入卷积神经网络中,得到初始检测结果;使用决策级融合的方法融合所述初始检测结果,并得到检测结果,实现叶片裂纹故障检测。本发明采用多种信号融合的方式对叶片裂纹进行检测,能够快速准确的判断叶片是否存在裂纹故障,提高检测的准确性。
Description
技术领域
本发明涉及旋转机械声信号、振动信号和声发射信号分析及融合技术领域,尤其涉及一种风机叶片裂纹的检测装置及方法。
背景技术
风机是依靠输入的机械能,提高气体压力并排送气体的机械,它是一种从动的流体机械。风机是中国对气体压缩和气体输送机械的习惯简称,它广泛用于工厂、矿井、隧道、冷却塔、车辆、船舶和建筑物的通风、排尘和冷却等领域中,而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,以致影响到整个风机的正常工作。因此及时检测叶片裂纹故障,对于保证风机的安全稳定运行具有重要意义。
在实际工程应用中往往采用声信号、振动信号等进行叶片故障检测,但是单一信号往往掺杂着强背景噪声,通过单一信号进行故障分析会导致检测准确率低、检测结果不可靠,因此,需要将多种信号相融合来判断叶片是否存在故障。
传统的信号融合包括3种融合方式:数据级、特征级和决策级融合。一般来说,数据级融合适用于同类型不同位置的信号,是最低级的融合方式;特征级和决策级融合可以融合不同类型的信号,其中决策级融合是最高级的融合方式,且融合效果最好。由于强噪声的存在单一融合方式可能无法准确检测叶片裂纹,且不同类似的融合往往会有一定的冲突;因此,亟需一种能够根据不同信号特点进行不同程度多信息融合、并实现可靠准确的风机叶片裂纹故障检测方法。
发明内容
本发明的目的是提供一种风机叶片裂纹的检测装置及方法,以解决现有的单一信号和单一融合方式难以准确检测叶片裂纹故障的问题。
为解决上述问题,本发明所采取的技术方案是:
一种风机叶片裂纹的检测装置,包括风机外壳和设置于风机外壳上的电机,所述风机外壳内转动设有叶片,所述叶片与电机传动连接,所述风机外壳的进气口和出气口处均设有一个声发射传感器,所述风机外壳的进气口和出气口的上方均设有一个声压传感器,所述电机上设有两个用于检测转轴垂直振动的振动传感器。
优选地,两个所述声发射传感器位于同一高度,所述声发射传感器位于风机外壳进气口中心处上方180mm处。
优选地,所述声发射传感器的采样频率为1MHz,采样时间为1s。
优选地,其中一个声压传感器位于风机外壳的进气口斜上方0.5m处,另一个声压传感器位于风机外壳的出气口斜上方0.5m处。
5.一种风机叶片裂纹的检测方法,包括以下步骤:
步骤1:分别采集两个声发射传感器的两通道声发射信号、两个声压传感器的两通道声信号及两个振动传感器的两通道振动信号;
步骤2:将步骤1中的两通道声发射信号、两通道声信号及两通道振动信号进行标准化处理,并将标准化处理后的声发射信号、声信号及振动信号分成训练样本和测试样本;
步骤3:对所述两通道声发射信号、两通道声信号及两通道振动信号的训练样本和测试样本进行数据级融合,并生成声数据融合、声发射数据融合和振动数据融合的训练和测试样本;
步骤4:将所述两通道声发射信号、两通道声信号、两通道振动信号、声数据融合、声发射数据融合及振动数据融合的训练样本输入到卷积神经网络中进行训练,使用两通道声发射信号、两通道声信号、两通道振动信号、声数据融合、声发射数据融合及振动数据融合的测试样本验证训练完成后的卷积神经网络中,得到初始检测结果;
步骤5:使用决策级融合方法融合所述初始检测结果,并得到最终的检测结果,并判断风机叶片是否存在裂纹。
优选地,所述步骤3中的数据级融合的方法为:
步骤3.1:计算训练样本的协方差矩阵,所述协方差矩阵表达式为:
其中,Rx表示训练样本的协方差矩阵,Xi表示第i个训练样本,m表示训练样本的个数;
步骤3.2:对训练样本数据进行对比平均处理,所述对比平均处理表达式为:
步骤3.3:结合协方差矩阵和对比平均处理结果计算训练样本的马氏距离,所述马氏距离表达式为:
其中,MDdi表示训练样本di的马氏距离;
步骤3.4:根据所述训练样本的马氏距离进行数据级融合,得到数据级融合样本,所述数据级融合的表达式为:
其中,D表示融合后的数据级融合样本,Vdi表示训练样本di的方差,ωi表示第i个训练样本的权重;
优选地,所述步骤4中的卷积神经网络为一维卷积神经网络,所述一维卷积神经网络结构包括卷积层Ⅰ、池化层Ⅰ、卷积层Ⅱ、池化层Ⅱ、全连接层和Softmax层,所述卷积层Ⅰ的通道数8,所述Softmax层的输出个数为3。
优选地,所述步骤5中的决策级融合方法为:
步骤5.1:分别计算所述初始检测结果中不同样本的精度和不同类别的准确率,所述精度和准确率的表达式为:
其中,Pij表示第j个类别在第i个样本中的精度,Ai表示第i个样本的准确率,TPij、TNij、FPij和FNij分别表示真阳样本、真阴样本、假阳样本和假阴样本的个数;
步骤5.2:计算样本的注意力度,所述注意力度的表达式为:
步骤5.3:计算初始检测结果的可信度,所述可信度的表达式为:
步骤5.4:计算决策级融合结果,所述决策级融合的表达式为:
DF=MAX{FP1,FP2,...,FPt}
其中,FPj表示第j个类别的决策级融合概率,DF表示决策级融合结果。
采用上述技术方案所产生的有益效果在于:
1.本发明提供的一种多传感器信息两级融合的风机叶片裂纹故障检测方法,通过数据级融合声、振动和声发射信号,并结合一维卷积神经网络实现原始信号和数据级融合信号的初始检测,最后对初始检测结果进行决策级融合实现风机叶片裂纹故障检测。避免了单一信号或单一融合方式无法准确检测叶片裂纹故障的不足,在数据级和决策级融合声、振动和声发射信号的基础上提高了风机叶片裂纹故障检测的准确率。
2.通过计算各样本的马氏距离和样本方差,本发明提供的数据级融合方法,能够分析不同原始信号的相似性和波动程度,进而能够准确反映了叶片裂纹故障特点,并提高了原始信号的可靠性。
3.本发明提供的决策级融合方法,通过计算初始检测结果的精度和准确率进行注意力分配,结合可靠性分配的基础上修正了初始检测结果,提高了声、振动和声发射融合的可靠性,并实现叶片裂纹故障的高准确检测。
附图说明
图1是本发明的装置结构示意图;
图2是本发明另一角度的装置结构示意图;
图3是本发明的流程框图;
图4是本发明的决策级融合方法流程图。
图中:1是风机外壳,2是电机,3是声发射传感器,4是声压传感器,5是振动传感器。
具体实施方式
下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明,但不能用来限制本发明的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
如图1-2所示,一种风机叶片裂纹的检测装置,包括风机外壳1和设置于风机外壳1上的电机2,所述风机外壳1内转动设有叶片,所述叶片与电机2传动连接,所述风机外壳1的进气口和出气口处均设有一个声发射传感器3,所述风机外壳的进气口和出气口的上方均设有一个声压传感器4,所述电机2上设有两个用于检测转轴垂直振动的振动传感器5,振动传感器5设置于电机2上靠近转轴的一侧,且设置于电机2外壳的圆周面上,振动传感器5设置在转轴的轴向方向,用于检测转轴的垂直振动信号。
优选地,两个所述声发射传感器3位于同一高度,所述声发射传感器3位于风机外壳1进气口中心处上方180mm处。
需要说明的是,所述同一高度是以地面为参照。
优选地,所述声发射传感器3的采样频率为1MHz,采样时间为1s。
优选地,其中一个声压传感器4位于风机外壳1的进气口斜上方0.5m处,另一个声压传感器4位于风机外壳1的出气口斜上方0.5m处。
需要说明的是,所述位于风机外壳进气口上方的声压传感器距离进气口的中心处直线距离为0.5m,声压传感器位于进气口中心处斜上方45°方向;所述位于风机外壳出气口上方的声压传感器距离出气口的中心处直线距离为0.5m,声压传感器位于出气口中心处斜上方45°方向;两个所述声压传感器均通过支架固定设置,所示支架固定设置于地面上。
参照上述设置对信号进行接收处理。
如图3-4所示,一种风机叶片裂纹的检测方法,包括以下步骤:
步骤1:分别采集两个声发射传感器的两通道声发射信号、两个声压传感器的两通道声信号及两个振动传感器的两通道振动信号;
步骤2:将步骤1中的两通道声发射信号、两通道声信号及两通道振动信号进行标准化处理,并将标准化处理后的声发射信号、声信号及振动信号分成训练样本和测试样本;
需要说明的是,所述训练样本和测试样本按照7:3的比例随机划分,所述训练样本和测试样本由于划分的随机性可能存在一定的差异,但不影响后续的处理。
步骤3:对所述两通道声发射信号、两通道声信号及两通道振动信号的训练样本和测试样本进行数据级融合,并生成声数据融合、声发射数据融合和振动数据融合的训练和测试样本;
步骤4:将所述两通道声发射信号、两通道声信号、两通道振动信号、声数据融合、声发射数据融合及振动数据融合的训练样本输入到卷积神经网络中进行训练,使用两通道声发射信号、两通道声信号、两通道振动信号、声数据融合、声发射数据融合及振动数据融合的测试样本验证训练完成后的卷积神经网络中,得到初始检测结果;
步骤5:使用决策级融合方法融合所述初始检测结果,并得到最终的检测结果,并判断风机叶片是否存在裂纹。
优选地,所述步骤3中的数据级融合的方法为:
步骤3.1:计算训练样本的协方差矩阵,所述协方差矩阵表达式为:
其中,Rx表示训练样本的协方差矩阵,Xi表示第i个训练样本,m表示训练样本的个数;
步骤3.2:对训练样本数据进行对比平均处理,所述对比平均处理表达式为:
步骤3.3:结合协方差矩阵和对比平均处理结果计算训练样本的马氏距离,所述马氏距离表达式为:
其中,MDdi表示训练样本di的马氏距离;
步骤3.4:根据所述训练样本的马氏距离进行数据级融合,得到数据级融合样本,所述数据级融合的表达式为:
其中,D表示融合后的数据级融合样本,Vdi表示训练样本di的方差,ωi表示第i个训练样本的权重;
优选地,所述步骤4中的卷积神经网络为一维卷积神经网络,所述一维卷积神经网络结构包括卷积层Ⅰ、池化层Ⅰ、卷积层Ⅱ、池化层Ⅱ、全连接层和Softmax层,所述卷积层Ⅰ的通道数8,所述Softmax层的输出个数为3。
需要说明的是,所述卷积层Ⅰ和卷积层Ⅱ过滤器大小为6*1,所述卷积层Ⅰ和卷积层Ⅱ的步长为1,所述卷积层Ⅰ通道数为4,所述卷积层Ⅱ通道数为8,所述池化层Ⅰ和池化层Ⅱ过滤器大小为6*1,所述池化层Ⅰ和池化层Ⅱ的步长为6,所述池化层Ⅰ通道数为4,所述池化层Ⅱ通道数为8。
优选地,所述步骤5中的决策级融合方法为:
步骤5.1:分别计算所述初始检测结果中不同样本的精度和不同类别的准确率,所述精度和准确率的表达式为:
其中,Pij表示第j个类别在第i个样本中的精度,Ai表示第i个样本的准确率,TPij、TNij、FPij和FNij分别表示真阳样本、真阴样本、假阳样本和假阴样本的个数;
步骤5.2:计算样本的注意力度,所述注意力度的表达式为:
步骤5.3:计算初始检测结果的可信度,所述可信度的表达式为:
步骤5.4:计算决策级融合结果,所述决策级融合的表达式为:
DF=MAX{FP1,FP2,...,FPt}
其中,FPj表示第j个类别的决策级融合概率,DF表示决策级融合结果。
根据本发明中上述装置及方法进行进一步验证:
风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。3种传感器的安装位置如图1和图2所示。采集两通道声信号、两通道声发射信号和两通道振动信号,标准化处理后将其分为训练样本和测试样本。并采用数据级融合方法融合。将声信号、声发射信号、振动信号和数据级融合样本输入到一维卷积神经网络进行检测,得到初始检测结果。4种转速下风机叶片裂纹故障初始检测结果如表1所示。可以发现,由于噪声的干扰,单一信号样本的故障检测准确率较低。在进行数据级融合后,故障检测的准确率在各个转速下都有所提高。
表1风机叶片裂纹故障初始检测结果
转速 | 1200rpm | 1500rpm | 1800rpm | 2100rpm |
声信号样本1 | 78.79% | 87.42% | 72.50% | 70.16% |
声信号样本2 | 87.18% | 74.59% | 79.53% | 74.85% |
声信号数据级融合 | 88.29 | 87.79% | 80.52 | 74.85% |
振动信号样本1 | 91.99% | 85.20% | 80.64% | 81.99% |
振动信号样本2 | 92.85% | 80.39% | 87.55% | 87.92% |
振动信号数据级融合 | 92.97% | 81.50% | 87.92% | 87.30% |
声发射信号样本1 | 86.07% | 83.48% | 84.09% | 83.11% |
声发射信号样本2 | 90.01% | 85.08% | 81.38% | 82.86% |
声发射信号数据级融合 | 91.25% | 85.20% | 82.00% | 83.11% |
最后使用决策级融合方法融合所述初始检测结果,流程如图4所示。根据决策级融合结果进行裂纹故障分类与检测,4种转速下不同融合程度的风机叶片裂纹故障检测结果如表2所示。与原始信号和数据级融合结果相比,通过所述决策级融合方法融合单一或两类信号的准确率都大幅上升,且声、振动和声发射信号经过决策级融合后,在4种转速下叶片裂纹故障检测的准确率都可以达到100%,验证了本申请方法的准确性和可靠性。
表2不同融合程度的风机叶片裂纹故障检测结果
与现有技术相比,采用本发明的一种风机叶片裂纹的检测装置及方法,通过数据级融合两通道声信号、两通道振动信号和两通道声发射信号,并结合一维卷积神经网络使声、振动、声发射信号和数据级融合信号的初始检测,最后对初始检测结果进行决策级融合实现风机叶片裂纹故障检测。避免了单一信号或单一融合方式无法准确检测叶片裂纹故障的不足,提高了风机叶片裂纹故障检测的准确率。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (8)
1.一种风机叶片裂纹的检测装置,包括风机外壳和设置于风机外壳上的电机,所述风机外壳内转动设有叶片,所述叶片与电机传动连接,其特征在于,所述风机外壳的进气口和出气口处均设有一个声发射传感器,所述风机外壳的进气口和出气口的上方均设有一个声压传感器,所述电机上设有两个用于检测转轴垂直振动的振动传感器。
2.根据权利要求1所述的一种风机叶片裂纹的检测装置,其特征在于,两个所述声发射传感器位于同一高度,所述声发射传感器位于风机外壳进气口中心处上方180mm处。
3.根据权利要求1所述的一种风机叶片裂纹的检测装置,其特征在于,所述声发射传感器的采样频率为1MHz,采样时间为1s。
4.根据权利要求1所述的一种风机叶片裂纹的检测装置,其特征在于,其中一个声压传感器位于风机外壳的进气口斜上方0.5m处,另一个声压传感器位于风机外壳的出气口斜上方0.5m处。
5.一种风机叶片裂纹的检测方法,其特征在于,包括以下步骤:
步骤1:分别采集两个声发射传感器的两通道声发射信号、两个声压传感器的两通道声信号及两个振动传感器的两通道振动信号;
步骤2:将步骤1中的两通道声发射信号、两通道声信号及两通道振动信号进行标准化处理,并将标准化处理后的声发射信号、声信号及振动信号分成训练样本和测试样本;
步骤3:对所述两通道声发射信号、两通道声信号及两通道振动信号的训练样本和测试样本进行数据级融合,并生成声数据融合、声发射数据融合和振动数据融合的训练和测试样本;
步骤4:将所述两通道声发射信号、两通道声信号、两通道振动信号、声数据融合、声发射数据融合及振动数据融合的训练样本输入到卷积神经网络中进行训练,使用两通道声发射信号、两通道声信号、两通道振动信号、声数据融合、声发射数据融合及振动数据融合的测试样本验证训练完成后的卷积神经网络中,得到初始检测结果;
步骤5:使用决策级融合方法融合所述初始检测结果,并得到最终的检测结果,并判断风机叶片是否存在裂纹。
6.根据权利要求5所述的一种风机叶片裂纹的检测方法,其特征在于,所述步骤3中的数据级融合的方法为:
步骤3.1:计算训练样本的协方差矩阵,所述协方差矩阵表达式为:
其中,Rx表示训练样本的协方差矩阵,Xi表示第i个训练样本,m表示训练样本的个数;
步骤3.2:对训练样本数据进行对比平均处理,所述对比平均处理表达式为:
步骤3.3:结合协方差矩阵和对比平均处理结果计算训练样本的马氏距离,所述马氏距离表达式为:
其中,MDdi表示训练样本di的马氏距离;
步骤3.4:根据所述训练样本的马氏距离进行数据级融合,得到数据级融合样本,所述数据级融合的表达式为:
其中,D表示融合后的数据级融合样本,Vdi表示训练样本di的方差,ωi表示第i个训练样本的权重。
7.根据权利要求5所述的一种风机叶片裂纹的检测方法,其特征在于,所述步骤4中的卷积神经网络为一维卷积神经网络,所述一维卷积神经网络结构包括卷积层Ⅰ、池化层Ⅰ、卷积层Ⅱ、池化层Ⅱ、全连接层和Softmax层,所述卷积层Ⅰ的通道数8,所述Softmax层的输出个数为3。
8.根据权利要求7所述的一种风机叶片裂纹的检测方法,其特征在于,所述步骤5中的决策级融合方法为:
步骤5.1:分别计算所述初始检测结果中不同样本的精度和不同类别的准确率,所述精度和准确率的表达式为:
其中,Pij表示第j个类别在第i个样本中的精度,Ai表示第i个样本的准确率,TPij、TNij、FPij和FNij分别表示真阳样本、真阴样本、假阳样本和假阴样本的个数;
步骤5.2:计算样本的注意力度,所述注意力度的表达式为:
步骤5.3:计算初始检测结果的可信度,所述可信度的表达式为:
步骤5.4:计算决策级融合结果,所述决策级融合的表达式为:
DF=MAX{FP1,FP2,...,FPt}
其中,FPj表示第j个类别的决策级融合概率,DF表示决策级融合结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210560401.7A CN115166032B (zh) | 2022-05-23 | 2022-05-23 | 一种风机叶片裂纹的检测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210560401.7A CN115166032B (zh) | 2022-05-23 | 2022-05-23 | 一种风机叶片裂纹的检测装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115166032A true CN115166032A (zh) | 2022-10-11 |
CN115166032B CN115166032B (zh) | 2024-04-19 |
Family
ID=83483732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210560401.7A Active CN115166032B (zh) | 2022-05-23 | 2022-05-23 | 一种风机叶片裂纹的检测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115166032B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115898925A (zh) * | 2022-10-27 | 2023-04-04 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种基于振动信号多阶矩的风机故障预警方法 |
CN117351062A (zh) * | 2023-12-04 | 2024-01-05 | 尚特杰电力科技有限公司 | 风机扇叶缺陷诊断方法、装置、***及电子设备 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0029665D0 (en) * | 1997-01-10 | 2001-01-17 | Rolls Royce Plc | A magnetostriction transducer |
CN101901348A (zh) * | 2010-06-29 | 2010-12-01 | 北京捷通华声语音技术有限公司 | 一种基于归一化的手写识别方法和识别装置 |
JP2011188669A (ja) * | 2010-03-10 | 2011-09-22 | Shinmaywa Industries Ltd | 電線ストリップ処理動作不具合検出装置、電線ストリップ処理動作不具合検出方法及び電線ストリップ処理動作不具合検出プログラム |
CN103793702A (zh) * | 2014-02-28 | 2014-05-14 | 武汉大学 | 基于协同尺度学习的行人重识别方法 |
CN103901111A (zh) * | 2014-03-24 | 2014-07-02 | 上海电机学院 | 风力发电机组叶片的无损检测***及方法 |
CN206017062U (zh) * | 2016-08-26 | 2017-03-15 | 北京普华亿能风电技术有限公司 | 一种用于风电机组的声发射检测装置 |
CN106501369A (zh) * | 2016-10-11 | 2017-03-15 | 北京工业大学 | 一种风机叶片裂纹位置确定方法 |
CN106950546A (zh) * | 2017-03-22 | 2017-07-14 | 西安电子科技大学 | 基于马氏距离重加权的非均匀杂波抑制方法 |
CN107478729A (zh) * | 2017-09-22 | 2017-12-15 | 沈阳工业大学 | 流体机械叶片多裂纹的声发射检测方法 |
CN110046562A (zh) * | 2019-04-01 | 2019-07-23 | 湖南大学 | 一种风电***健康监测方法及装置 |
CN110554090A (zh) * | 2018-05-31 | 2019-12-10 | 北京金风科创风电设备有限公司 | 风电机组及其变桨轴承的裂纹监测***和方法 |
CN111076361A (zh) * | 2019-12-11 | 2020-04-28 | 珠海格力电器股份有限公司 | 一种风机风叶故障检测装置、方法、空调外机及空调机组 |
CN111796029A (zh) * | 2020-08-14 | 2020-10-20 | 温州漂逸科技有限公司 | 一种手持式扇叶硬度与裂纹检测装置 |
CN111855816A (zh) * | 2020-06-15 | 2020-10-30 | 内蒙古工业大学 | 一种综合概率模型和cnn网络的风叶故障识别方法 |
CN112683476A (zh) * | 2020-12-31 | 2021-04-20 | 中国科学技术大学 | 一种涡扇发动机风扇叶片多轴加载疲劳试验台及方法 |
CN112858473A (zh) * | 2020-12-25 | 2021-05-28 | 杭州浙达精益机电技术股份有限公司 | 一种基于特征融合的道岔尖轨伤损状态监测方法 |
CN112946081A (zh) * | 2021-02-09 | 2021-06-11 | 武汉大学 | 基于缺陷多特征智能提取与融合的超声成像方法 |
CN113094934A (zh) * | 2021-05-10 | 2021-07-09 | 重庆大学 | 一种物理模型与数据融合驱动的管道腐蚀深度预测方法 |
CN114483482A (zh) * | 2021-12-31 | 2022-05-13 | 中国绿发投资集团有限公司 | 风电叶片根部螺栓裂纹故障声发射监测实验*** |
CN114509158A (zh) * | 2022-01-04 | 2022-05-17 | 东南大学 | 一种声振融合的叶片裂纹故障检测方法及应用 |
-
2022
- 2022-05-23 CN CN202210560401.7A patent/CN115166032B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0029665D0 (en) * | 1997-01-10 | 2001-01-17 | Rolls Royce Plc | A magnetostriction transducer |
JP2011188669A (ja) * | 2010-03-10 | 2011-09-22 | Shinmaywa Industries Ltd | 電線ストリップ処理動作不具合検出装置、電線ストリップ処理動作不具合検出方法及び電線ストリップ処理動作不具合検出プログラム |
CN101901348A (zh) * | 2010-06-29 | 2010-12-01 | 北京捷通华声语音技术有限公司 | 一种基于归一化的手写识别方法和识别装置 |
CN103793702A (zh) * | 2014-02-28 | 2014-05-14 | 武汉大学 | 基于协同尺度学习的行人重识别方法 |
CN103901111A (zh) * | 2014-03-24 | 2014-07-02 | 上海电机学院 | 风力发电机组叶片的无损检测***及方法 |
CN206017062U (zh) * | 2016-08-26 | 2017-03-15 | 北京普华亿能风电技术有限公司 | 一种用于风电机组的声发射检测装置 |
CN106501369A (zh) * | 2016-10-11 | 2017-03-15 | 北京工业大学 | 一种风机叶片裂纹位置确定方法 |
CN106950546A (zh) * | 2017-03-22 | 2017-07-14 | 西安电子科技大学 | 基于马氏距离重加权的非均匀杂波抑制方法 |
CN107478729A (zh) * | 2017-09-22 | 2017-12-15 | 沈阳工业大学 | 流体机械叶片多裂纹的声发射检测方法 |
CN110554090A (zh) * | 2018-05-31 | 2019-12-10 | 北京金风科创风电设备有限公司 | 风电机组及其变桨轴承的裂纹监测***和方法 |
CN110046562A (zh) * | 2019-04-01 | 2019-07-23 | 湖南大学 | 一种风电***健康监测方法及装置 |
CN111076361A (zh) * | 2019-12-11 | 2020-04-28 | 珠海格力电器股份有限公司 | 一种风机风叶故障检测装置、方法、空调外机及空调机组 |
CN111855816A (zh) * | 2020-06-15 | 2020-10-30 | 内蒙古工业大学 | 一种综合概率模型和cnn网络的风叶故障识别方法 |
CN111796029A (zh) * | 2020-08-14 | 2020-10-20 | 温州漂逸科技有限公司 | 一种手持式扇叶硬度与裂纹检测装置 |
CN112858473A (zh) * | 2020-12-25 | 2021-05-28 | 杭州浙达精益机电技术股份有限公司 | 一种基于特征融合的道岔尖轨伤损状态监测方法 |
CN112683476A (zh) * | 2020-12-31 | 2021-04-20 | 中国科学技术大学 | 一种涡扇发动机风扇叶片多轴加载疲劳试验台及方法 |
CN112946081A (zh) * | 2021-02-09 | 2021-06-11 | 武汉大学 | 基于缺陷多特征智能提取与融合的超声成像方法 |
CN113094934A (zh) * | 2021-05-10 | 2021-07-09 | 重庆大学 | 一种物理模型与数据融合驱动的管道腐蚀深度预测方法 |
CN114483482A (zh) * | 2021-12-31 | 2022-05-13 | 中国绿发投资集团有限公司 | 风电叶片根部螺栓裂纹故障声发射监测实验*** |
CN114509158A (zh) * | 2022-01-04 | 2022-05-17 | 东南大学 | 一种声振融合的叶片裂纹故障检测方法及应用 |
Non-Patent Citations (6)
Title |
---|
FARID K. MOGHADAM: "Theoretical and experimental study of wind turbine drivetrain fault diagnosis by using torsional vibrations and modal estimation", JOURNAL OF SOUND AND VIBRATION, 21 May 2021 (2021-05-21) * |
MARTIN D.ULRIKSEN,: "Damage detection in an operating Vestas V27 wind turbine blade by use of outlier analysis", 015 IEEE WORKSHOP ON ENVIRONMENTAL, ENERGY, AND STRUCTURAL MONITORING SYSTEMS (EESMS) PROCEEDINGS, 10 July 2015 (2015-07-10) * |
朱秋煜;: "图像特征检测和马氏距离中的数据融合与置信度", pages 534 * |
翟栋;: "基于多技术融合的风电大部件健康状态大数据分析", 风能产业, 1 January 2017 (2017-01-01) * |
郭林: "基于声振特征融合的机车走行部轴承状态评估方法研究", 铁道技术监督, 15 November 2019 (2019-11-15) * |
颉潭成: "基于信息融合的滚动轴承故障诊断", 轴承, 5 November 2015 (2015-11-05) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115898925A (zh) * | 2022-10-27 | 2023-04-04 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种基于振动信号多阶矩的风机故障预警方法 |
CN115898925B (zh) * | 2022-10-27 | 2024-06-04 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种基于振动信号多阶矩的风机故障预警方法 |
CN117351062A (zh) * | 2023-12-04 | 2024-01-05 | 尚特杰电力科技有限公司 | 风机扇叶缺陷诊断方法、装置、***及电子设备 |
CN117351062B (zh) * | 2023-12-04 | 2024-02-23 | 尚特杰电力科技有限公司 | 风机扇叶缺陷诊断方法、装置、***及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115166032B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115166032B (zh) | 一种风机叶片裂纹的检测装置及方法 | |
CN109488630B (zh) | 基于谐波相对指标的离心风机转子不对中故障诊断方法 | |
CN103674234B (zh) | 一种风力发电机组振动异常的状态预警方法及*** | |
CN111963415A (zh) | 一种液压柱塞泵的故障诊断方法及*** | |
CN112285554B (zh) | 基于信息融合的永磁同步电机退磁故障诊断方法与装置 | |
CN112487890B (zh) | 一种基于并行稀疏滤波的轴承声信号故障诊断方法 | |
CN111365251B (zh) | 一种离心泵机组故障的智能诊断方法 | |
Song et al. | Data and decision level fusion-based crack detection for compressor blade using acoustic and vibration signal | |
CN111999087A (zh) | 基于LabVIEW的振动筛在线状态监测方法 | |
Saimurugan et al. | A comparative study of sound and vibration signals in detection of rotating machine faults using support vector machine and independent component analysis | |
CN111307206B (zh) | 一种基于多源信息融合的压缩机喘振自动识别方法 | |
CN111239249A (zh) | 一种基于Hilbert—Huang变换的通风机叶片裂纹故障诊断方法 | |
CN103821749B (zh) | 一种轴流式通风机失速和喘振的在线诊断方法 | |
CN114509158B (zh) | 一种声振融合的叶片裂纹故障检测方法及应用 | |
CN110196165B (zh) | 一种基于K-means聚类和证据推理的旋转机械滚珠轴承故障诊断方法 | |
CN114417924A (zh) | 基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法 | |
CN110749443B (zh) | 一种基于高阶原点矩的滚动轴承故障诊断方法及*** | |
CN117520831A (zh) | 牵引电机异常检测方法、检测装置、检测设备及存储介质 | |
CN104568438A (zh) | 发动机轴承故障检测***及方法 | |
CN117093938A (zh) | 一种基于深度学习的风机轴承的故障检测方法和*** | |
CN1364998A (zh) | 叶轮机械叶片故障叶间间距监测诊断法 | |
CN115270875A (zh) | 一种基于深度学习的隔膜泵运行状态监测方法 | |
CN114528868A (zh) | 一种压缩机叶片裂纹故障检测方法 | |
CN109630450B (zh) | 一种天然气长输管道离心压缩机组停机保护方法 | |
CN112963373B (zh) | 一种矿用轴流式主通风机隐患快速识别方法及监测装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |