CN112364886A - 基于叶尖定时和随机森林的叶片裂纹在线测量方法 - Google Patents
基于叶尖定时和随机森林的叶片裂纹在线测量方法 Download PDFInfo
- Publication number
- CN112364886A CN112364886A CN202011098032.1A CN202011098032A CN112364886A CN 112364886 A CN112364886 A CN 112364886A CN 202011098032 A CN202011098032 A CN 202011098032A CN 112364886 A CN112364886 A CN 112364886A
- Authority
- CN
- China
- Prior art keywords
- blade
- sample
- random forest
- training set
- tip timing
- 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
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 50
- 238000000691 measurement method Methods 0.000 title claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000004088 simulation Methods 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000012795 verification Methods 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 238000006073 displacement reaction Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 13
- 238000003066 decision tree Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 5
- 238000009434 installation Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于叶尖定时和优化随机森林模型的叶片裂纹在线测量方法,在旋转机械的机匣不同位置设置多支叶尖定时传感器,通过叶尖定时传感器测量叶片到达每支叶尖定时传感器的到达时间,求得叶片叶片振动数据;结合旋转机械工况模拟试验台,测得模拟工况下无裂纹叶片和有裂纹叶片的振动数据,将无裂纹叶片的振动数据标记为正类样本,有裂纹叶片的振动数据标记为负类样本;将正、负类样本进行样本均衡后送入随机森林分类器进行训练,利用网格搜索和袋外误差验证方法进行随机森林分类器的超参数优化,建立优化随机森林分类模型;通过优化随机森林分类模型对运行工况下的叶片振动数据进行实时分类,实现旋转机械全级叶片裂纹的在线测量。
Description
技术领域
本发明属于旋转机械状态监测领域,特别是基于叶尖定时和优化随机森林模型的叶片裂纹在线测量方法。
技术背景
大型旋转机械包括航空发动机和汽轮机等大型设备,是航空航天领域中的各类军用、商用航空器以及工业领域的发电机组和蒸汽机组等关键设备的核心部件。尤其是叶片作为旋转机械做功的核心元件,其工作状态直接影响这些关键设备的工作效率和安全稳定运行。旋转机械叶片的工作环境非常恶劣,长时间处于高应力、高低温或高冲刷等严酷条件。这些外界条件对大型旋转机械的叶片会产生复杂的周期性或非周期变化应力,当应力超过叶片材料的屈服强度极限时会导致叶片产生裂纹,进而可能发生叶片断裂。叶片裂纹是导致大型旋转机械故障的主要原因之一,因此准确测量叶片的振动参数并在线测量叶片是否产生裂纹,可以对叶片故障进行实时预警,对航空发动机和汽轮机等重大旋转机械的研发测试、状态监测和故障诊断具有非常重要的实际意义。
基于叶尖定时原理的旋转叶片振动测量技术[1-3]是典型的非接触式测量方法,基本原理是将一定数量的传感器设置在旋转机械的机匣上,测量每支叶片旋转经过传感器时的到达时间,利用相关数学算法实现振动位移、振幅和振动频率等叶片振动参数的在线测量。与传统的离线式叶片状态检测方法和应变片法、频率调制法和声响法等在线检测方法相比,叶尖定时技术具有非接触、实时在线和可测量全部叶片等优点,具有很好的工程实用性。随机森林[4]是一种集成学习的机器学习方法,以决策树为基学习器,结合随机有放回采样[5]并在决策树的学习过程引入了特征差异,与传统的机器学习分类方法相比具有更好的泛化能力[4]。因此,通过叶尖定时技术获得正常叶片和有裂纹叶片的振动数据后,利用随机森林分类器进行训练,通过网格搜索和袋外误差验证方法进行随机森林分类器的超参数优化,建立优化随机森林分类模型,进而实现旋转机械实际运行工况下全级叶片裂纹的在线测量。
目前,对于旋转机械全级叶片的裂纹测量均依靠离线检测技术,无法满足大型旋转机械在线测量全级叶片裂纹的实际需求。
[1]欧阳涛.基于叶尖定时的旋转叶片振动检测及参数辨识技术[D].天津大学,2011.
[2]赵行明,滕光蓉等.叶尖定时旋转叶片振动测量新技术[J].测控技术,2006(03):17-19.
[3]王萍.叶尖定时方法在国外航空发动机叶片振动测量中的应用综述[J].航空科学技术,2013(06):9-13.
[4]Breiman L.Random Forests[J].Machine Learning,2001,45(1):5-32.
[5]Johnson R W.An Introduction to the Bootstrap[J].TeachingStatistics,2001,23(2):49-54.
发明内容
本发明的目的是针对上述现有技术存在的不足,提供一种基于叶尖定时和优化随机森林模型的叶片裂纹在线测量方法,通过叶尖定时技术获得无裂纹叶片和有裂纹叶片的振动数据,利用随机森林方法进行有、无裂纹叶片的分类训练并建立优化随机森林分类模型,实现工作状态下旋转机械全级叶片裂纹的在线测量。本发明的技术方案如下:
一种基于叶尖定时和优化随机森林模型的叶片裂纹在线测量方法,在旋转机械的机匣不同位置设置多支叶尖定时传感器,通过叶尖定时传感器测量叶片到达每支叶尖定时传感器的到达时间,求得叶片叶片振动数据;结合旋转机械工况模拟试验台,测得模拟工况下无裂纹叶片和有裂纹叶片的振动数据,将无裂纹叶片的振动数据标记为正类样本,有裂纹叶片的振动数据标记为负类样本;将正、负类样本进行样本均衡后送入随机森林分类器进行训练,利用网格搜索和袋外误差验证方法进行随机森林分类器的超参数优化,建立优化随机森林分类模型;通过优化随机森林分类模型对运行工况下的叶片振动数据进行实时分类,实现旋转机械全级叶片裂纹的在线测量。包括下列步骤:
(1)在旋转机械机匣的不同位置设置多支叶尖定时传感器,用于测量不同转速下叶片到达每支叶尖定时传感器的时间;
(2)利用旋转机械工况模拟试验台,在叶片完好没有裂纹时进行模拟工况试验,将叶尖定时传感器测量的每支叶片到达时间信号送入叶片状态监测系统,结合多支叶尖定时传感器的安装位置、旋转机械的不同转速,计算得到无裂纹叶片在不同转速下的包括振动位移、振幅、振动频率、初始相位、振动常偏量和共振倍频数在内的叶片振动数据;
(3)将叶片人为制造所需裂纹,并再次进行模拟工况实验,获得有裂纹叶片在不同转速下的包括振动位移、振幅、振动频率、初始相位、振动常偏量和共振倍频数在内的叶片振动数据;
(4)将无裂纹叶片的振动数据设置为正类样本,样本标签标记为0;将有裂纹叶片的振动数据设置为负类样本,样本标签标记为1;
(5)由于正类样本远多于负类样本,而利用叶尖定时技术获得的叶片振动数据是连续和渐变的,且不存在数据缺失情况,以负类样本总数为参考,利用等间隔下采样方法对正类样本进行采样实现正、负类样本均衡,优化样本比例,样本均衡后的正类样本和负类样本组合成为训练集,训练集的每一行是一个训练样本,是不同时刻的叶片振动数据的测量值,训练集中的每一列是一个样本特征,是一种叶片振动数据;
(6)将训练集送入随机森林分类器,随机森林通过对训练集中样本进行随机有放回采样生成每颗决策树的子训练集,子训练集中的样本数量与训练集相同,对于每个子训练集,训练集的一部分样本在随机有放回采样过程中不会出现在该子训练集中,这些样本被称为袋外数据,由于采用了样本随机采样,因此每个子训练集均不相同;
(7)对训练集样本的特征进行随机采样,生成每个子训练集的样本特征,每个子训练集中样本特征的数量相同,特征内容不同;
(8)决策树的数量和每个子训练集的样本特征数量是随机森林分类器的两个主要超参数,采用网格搜索方法并结合袋外数据对这两个主要超参数进行优化,将决策树的数量和每个子训练集的样本特征数量作为两个主要超参数各自的搜索区间,并将两个主要超参数的步长均设置为1,将袋外数据作为验证样本,通过遍历搜索方法将全部可能的超参数组合逐一输入随机森林模型,利用袋外数据对超参数组合的性能进行逐一验证,通过对比每组超参数组合对应的袋外数据分类精度,选择袋外数据分类精度最高的一组超参数作为最优超参数组合,并使用最优超参数组合建立优化随机森林分类模型;
(9)当旋转机械在工作状态运行时,根据叶尖定时传感器实测获得的叶片到达时间,计算得到叶片在工作状态下不同转速的包括振动位移、振幅、振动频率、初始相位、振动常偏量和共振倍频数在内的实时叶片振动数据;
(10)将工作状态测得的实时叶片振动数据作为待测样本,送入叶片状态监测系统中的优化随机森林分类模型,通过优化随机森林分类模型计算得到的待测样本标签是0或1,实现旋转机械全级叶片裂纹的在线测量。
本发明的有益效果及优点如下:
本发明的方法克服了现有旋转机械叶片裂纹测量技术的不足,提供一种基于叶尖定时和优化随机森林模型的叶片裂纹在线测量方法,通过叶尖定时技术在模拟工况下测得无裂纹和有裂纹叶片的振动数据,结合优化随机森林分类模型,实现工况下旋转机械全级叶片裂纹的在线测量。
附图说明
以下附图描述了本发明所选择的实施例,均为示例性附图而非穷举或限制性,其中:
图1示出基于叶尖定时和优化随机森林模型的叶片裂纹在线测量结构图
图2示出优化随机森林模型的构建流程
图中标号说明:
图1中:1为叶尖定时传感器A;2为叶尖定时传感器B;3为叶尖定时传感器C;4为叶尖定时传感器D;5为旋转机械机匣;6为叶片;7为叶片状态监测系统;
具体实施方式
以下详细描述本发明的步骤,旨在作为本发明的实施例描述,并非是可被制造或利用的唯一形式,对其他可实现相同功能的实施例也应包括在本发明的范围内。
下面结合说明书附图详细说明本发明的优选实施例。
本发明的目的是克服现有旋转机械全级叶片裂纹无法实现在线测量这一不足,提出一种基于叶尖定时和优化随机森林模型的叶片裂纹在线测量方法;
(一).基于叶尖定时和优化随机森林模型的叶片裂纹在线测量结构如图1所示,在旋转机械机匣5的任意不同位置设置四支叶尖定时传感器,包括叶尖定时传感器A1,叶尖定时传感器B2,叶尖定时传感器C3和叶尖定时传感器D4,四支叶尖定时传感器都可以测量每支叶片在同一圈内到达叶尖定时传感器的时间;
(二).在叶片无裂纹情况下,将旋转机械放入旋转机械工况模拟试验台,模拟旋转机械的运行情况,假设旋转机械顺时针旋转,当叶片6受激发生同步振动时,四支叶尖定时传感器测得叶片6的到达时间信号被送入叶片状态监测系统7,根据四支叶尖定时传感器的安装位置、旋转机械不同转速和叶片受激振动响应方程,同一圈内叶片6先后经过四支叶尖定时传感器的振动位移方程组为:
式中,y0为叶片6经过叶尖定时传感器A1时的振动位移,y1为叶片6经过叶尖定时传感器B2时的振动位移,y2为叶片6经过叶尖定时传感器C3时的振动位移,y3为叶片6经过叶尖定时传感器D4时的振动位移,A是叶片6的振幅,为叶片6的初始相位,C为叶片6的振动常偏量,N为叶片6的共振倍频数,α1为叶尖定时传感器B2相对于叶尖定时传感器A1的安装弧度角,α2为叶尖定时传感器C3相对于叶尖定时传感器A1的安装弧度角,α3为叶尖定时传感器D4相对于叶尖定时传感器A1的安装弧度角,利用遍历算法将N所有的可能取值带入式(1),结合最小二乘法可以求解叶片6无裂纹时的振动频率ω、初始相位振幅A和振动常偏量C;
将叶片6人工制造所需裂纹后装入旋转机械,再次利用旋转机械工况模拟试验台重复前述模拟运行过程,可以获得相同转速下有裂纹叶片6经过叶尖定时传感器A1时的振动位移y'0、经过叶尖定时传感器B2时的振动位移y'1、经过叶尖定时传感器C3时的振动位移y'2和经过叶尖定时传感器D4时的振动位移y'3,并求得有裂纹叶片6的振动频率ω'、初始相位振幅A'、振动常偏量C'和共振倍频数N';
(三).将无裂纹叶片6在不同转速下测得的叶片振动数据y0、y1、y2、y3、A、C和N设为正类样本,样本标签设置为0,将有裂纹叶片6在不同转速下测得的叶片振动数据y'0、y'1、y'2、y'3、A'、C'和N'设为负类样本,样本标签设置为1;
(四).由于正类样本远多于负类样本,而利用叶尖定时技术获得的叶片振动数据是连续和渐变的,且不存在数据缺失情况,因此以负类样本总数为参考,利用等间隔下采样方法对大量正类样本进行采样以实现正、负类样本均衡,优化训练集样本比例,样本均衡后的正类样本和负类样本组合成为训练集;
(五).优化随机森林模型的构建流程如图2所示,对训练集中的样本进行随机有放回采样生成每颗决策树的子训练集,子训练集中的样本数量与训练集相同,由于采用了有放回采样方法,对于每个子训练集,训练集中约有36.8%的样本未出现在子训练集中,如式(2)所示,这些样本被称为袋外数据;
式中,l为训练集中的样本数量,由于采用了样本随机采样,每个子训练集均不相同;
对训练集样本的特征进行随机采样,生成每个子训练集的样本特征,每个子训练集中样本特征的数量相同,但特征内容不同;
决策树的数量和每个子训练集的样本特征数量是随机森林分类器的两个主要超参数,采用网格搜索方法并结合袋外数据对这两个主要超参数进行优化,将决策树的数量和每个子训练集的样本特征数量作为两个主要超参数各自的搜索区间,并将两个主要超参数的步长均设置为1,将袋外数据作为验证样本,通过遍历搜索方法将全部可能的超参数组合逐一输入随机森林模型,利用袋外数据对超参数组合的性能进行逐一验证,通过对比每组超参数组合对应的袋外数据分类精度,选择袋外数据分类精度最高的一组超参数作为最优超参数组合,并使用最优超参数组合建立优化随机森林分类模型;
(七).将待测样本送入训练好的优化随机森林分类模型,如果随机森林分类模型计算得出待测样本的样本标签是0,说明叶片6没有产生裂纹,如果随机森林分类模型计算得出待测样本的样本标签是1,说明叶片6产生了裂纹,此时通过图1中叶片状态监测系统7给出数值显示和声光报警提示,实现旋转机械全级叶片裂纹的在线测量。
Claims (1)
1.一种基于叶尖定时和优化随机森林模型的叶片裂纹在线测量方法,在旋转机械的机匣不同位置设置多支叶尖定时传感器,通过叶尖定时传感器测量叶片到达每支叶尖定时传感器的到达时间,求得叶片叶片振动数据;结合旋转机械工况模拟试验台,测得模拟工况下无裂纹叶片和有裂纹叶片的振动数据,将无裂纹叶片的振动数据标记为正类样本,有裂纹叶片的振动数据标记为负类样本;将正、负类样本进行样本均衡后送入随机森林分类器进行训练,利用网格搜索和袋外误差验证方法进行随机森林分类器的超参数优化,建立优化随机森林分类模型;通过优化随机森林分类模型对运行工况下的叶片振动数据进行实时分类,实现旋转机械全级叶片裂纹的在线测量。包括下列步骤:
(1)在旋转机械机匣的不同位置设置多支叶尖定时传感器,用于测量不同转速下叶片到达每支叶尖定时传感器的时间;
(2)利用旋转机械工况模拟试验台,在叶片完好没有裂纹时进行模拟工况试验,将叶尖定时传感器测量的每支叶片到达时间信号送入叶片状态监测系统,结合多支叶尖定时传感器的安装位置、旋转机械的不同转速,计算得到无裂纹叶片在不同转速下的包括振动位移、振幅、振动频率、初始相位、振动常偏量和共振倍频数在内的叶片振动数据;
(3)将叶片人为制造所需裂纹,并再次进行模拟工况实验,获得有裂纹叶片在不同转速下的包括振动位移、振幅、振动频率、初始相位、振动常偏量和共振倍频数在内的叶片振动数据;
(4)将无裂纹叶片的振动数据设置为正类样本,样本标签标记为0;将有裂纹叶片的振动数据设置为负类样本,样本标签标记为1;
(5)由于正类样本远多于负类样本,而利用叶尖定时技术获得的叶片振动数据是连续和渐变的,且不存在数据缺失情况,以负类样本总数为参考,利用等间隔下采样方法对正类样本进行采样实现正、负类样本均衡,优化样本比例,样本均衡后的正类样本和负类样本组合成为训练集,训练集的每一行是一个训练样本,是不同时刻的叶片振动数据的测量值,训练集中的每一列是一个样本特征,是一种叶片振动数据;
(6)将训练集送入随机森林分类器,随机森林通过对训练集中样本进行随机有放回采样生成每颗决策树的子训练集,子训练集中的样本数量与训练集相同,对于每个子训练集,训练集的一部分样本在随机有放回采样过程中不会出现在该子训练集中,这些样本被称为袋外数据,由于采用了样本随机采样,因此每个子训练集均不相同;
(7)对训练集样本的特征进行随机采样,生成每个子训练集的样本特征,每个子训练集中样本特征的数量相同,特征内容不同;
(8)决策树的数量和每个子训练集的样本特征数量是随机森林分类器的两个主要超参数,采用网格搜索方法并结合袋外数据对这两个主要超参数进行优化,将决策树的数量和每个子训练集的样本特征数量作为两个主要超参数各自的搜索区间,并将两个主要超参数的步长均设置为1,将袋外数据作为验证样本,通过遍历搜索方法将全部可能的超参数组合逐一输入随机森林模型,利用袋外数据对超参数组合的性能进行逐一验证,通过对比每组超参数组合对应的袋外数据分类精度,选择袋外数据分类精度最高的一组超参数作为最优超参数组合,并使用最优超参数组合建立优化随机森林分类模型;
(9)当旋转机械在工作状态运行时,根据叶尖定时传感器实测获得的叶片到达时间,计算得到叶片在工作状态下不同转速的包括振动位移、振幅、振动频率、初始相位、振动常偏量和共振倍频数在内的实时叶片振动数据;
(10)将工作状态测得的实时叶片振动数据作为待测样本,送入叶片状态监测系统中的优化随机森林分类模型,通过优化随机森林分类模型计算得到的待测样本标签是0或1,实现旋转机械全级叶片裂纹的在线测量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011098032.1A CN112364886A (zh) | 2020-10-14 | 2020-10-14 | 基于叶尖定时和随机森林的叶片裂纹在线测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011098032.1A CN112364886A (zh) | 2020-10-14 | 2020-10-14 | 基于叶尖定时和随机森林的叶片裂纹在线测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112364886A true CN112364886A (zh) | 2021-02-12 |
Family
ID=74508053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011098032.1A Pending CN112364886A (zh) | 2020-10-14 | 2020-10-14 | 基于叶尖定时和随机森林的叶片裂纹在线测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112364886A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114528868A (zh) * | 2022-01-04 | 2022-05-24 | 东南大学 | 一种压缩机叶片裂纹故障检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111413404A (zh) * | 2020-03-27 | 2020-07-14 | 天津大学 | 基于叶尖定时和支持向量机原理的叶片裂纹在线测量方法 |
CN111426459A (zh) * | 2020-04-13 | 2020-07-17 | 天津大学 | 基于叶尖定时和朴素贝叶斯算法的叶片裂纹在线测量方法 |
CN111622815A (zh) * | 2020-04-20 | 2020-09-04 | 天津大学 | 基于叶尖定时和优化朴素贝叶斯的叶片裂纹在线测量方法 |
CN111636932A (zh) * | 2020-04-23 | 2020-09-08 | 天津大学 | 基于叶尖定时和集成学习算法的叶片裂纹在线测量方法 |
-
2020
- 2020-10-14 CN CN202011098032.1A patent/CN112364886A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111413404A (zh) * | 2020-03-27 | 2020-07-14 | 天津大学 | 基于叶尖定时和支持向量机原理的叶片裂纹在线测量方法 |
CN111426459A (zh) * | 2020-04-13 | 2020-07-17 | 天津大学 | 基于叶尖定时和朴素贝叶斯算法的叶片裂纹在线测量方法 |
CN111622815A (zh) * | 2020-04-20 | 2020-09-04 | 天津大学 | 基于叶尖定时和优化朴素贝叶斯的叶片裂纹在线测量方法 |
CN111636932A (zh) * | 2020-04-23 | 2020-09-08 | 天津大学 | 基于叶尖定时和集成学习算法的叶片裂纹在线测量方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114528868A (zh) * | 2022-01-04 | 2022-05-24 | 东南大学 | 一种压缩机叶片裂纹故障检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111413404A (zh) | 基于叶尖定时和支持向量机原理的叶片裂纹在线测量方法 | |
CN111426459A (zh) | 基于叶尖定时和朴素贝叶斯算法的叶片裂纹在线测量方法 | |
CN107144430B (zh) | 一种基于增量学习的轴承故障诊断方法 | |
CN103471841B (zh) | 一种旋转机械振动故障诊断方法 | |
US6999884B2 (en) | Bearing anomaly detection and location | |
CN110851963A (zh) | 叶端定时传感器的机匣周向布置方法 | |
US20190376406A1 (en) | Method and System for Measuring Rotor Blade Tip Deflection Using Blade Tip Timing (BTT) | |
CN111636932A (zh) | 基于叶尖定时和集成学习算法的叶片裂纹在线测量方法 | |
CN112461934B (zh) | 一种基于声发射的航空发动机叶片裂纹源定位方法 | |
US8903692B2 (en) | Method for the detection of failures in a turbomachine by means of a theoretical model of the thermodynamic cycle of the said turbomachine | |
CN111507043A (zh) | 一种基于叶端定时的转子叶片动应力场测量方法及其系统 | |
Krause et al. | Asynchronous response analysis of non-contact vibration measurements on compressor rotor blades | |
CN111622815A (zh) | 基于叶尖定时和优化朴素贝叶斯的叶片裂纹在线测量方法 | |
CN112364886A (zh) | 基于叶尖定时和随机森林的叶片裂纹在线测量方法 | |
Wang et al. | The method for identifying rotating blade asynchronous vibration and experimental verification | |
CN112464148A (zh) | 基于叶尖定时和全过程优化svm的叶片裂纹测量方法 | |
CN114358074A (zh) | 一种数据驱动的转子系统典型故障诊断方法 | |
CN113530617B (zh) | 基于叶端定时传感器提取叶片间固有频率差值方法 | |
CN113465930B (zh) | 基于混合方法的燃气轮机多传感器故障检测方法 | |
Grądzki et al. | Parametric and nonparametric diagnostic models for blades in the rotating machinery with environment elimination | |
CN112082742B (zh) | 一种航空发动机轮盘裂纹智能识别方法、系统及装置 | |
CN113533530B (zh) | 单个叶端定时传感器的叶片固有频率检测方法 | |
KR102522543B1 (ko) | 블레이드 자동 진단장치 및 진단방법 | |
US20240230597A9 (en) | Method for detecting natural frequency of blade by single blade tip timing sensor | |
US20240133845A1 (en) | Method for detecting natural frequency of blade by single blade tip timing sensor |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210212 |