CN115166032A - 一种风机叶片裂纹的检测装置及方法 - Google Patents

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

一种风机叶片裂纹的检测装置及方法

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，R_x表示训练样本的协方差矩阵，X_i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：

其中，d_ij和

分别表示原始和对比平均处理后第i个训练样本中第j个数值；

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，MD_di表示训练样本d_i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，V_di表示训练样本d_i的方差，ω_i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，P_ij表示第j个类别在第i个样本中的精度，A_i表示第i个样本的准确率，TP_ij、TN_ij、FP_ij和FN_ij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：

其中，SA_i表示第i个初始检测结果的注意力度，

表示第i个初始检测结果的注意力度权重，t表示检测裂纹的类别；

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：

其中，

表示第j和类别在第i个初始检测结果的可信度；

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,...,FP_t}

其中，FP_j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，R_x表示训练样本的协方差矩阵，X_i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：

其中，d_ij和

分别表示原始和对比平均处理后第i个训练样本中第j个数值；

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，MD_di表示训练样本d_i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，V_di表示训练样本d_i的方差，ω_i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，P_ij表示第j个类别在第i个样本中的精度，A_i表示第i个样本的准确率，TP_ij、TN_ij、FP_ij和FN_ij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：

其中，SA_i表示第i个初始检测结果的注意力度，

表示第i个初始检测结果的注意力度权重，t表示检测裂纹的类别；

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：

其中，

表示第j和类别在第i个初始检测结果的可信度；

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,...,FP_t}

其中，FP_j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，R_x表示训练样本的协方差矩阵，X_i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：

其中，d_ij和

分别表示原始和对比平均处理后第i个训练样本中第j个数值；

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，MD_di表示训练样本d_i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，V_di表示训练样本d_i的方差，ω_i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，P_ij表示第j个类别在第i个样本中的精度，A_i表示第i个样本的准确率，TP_ij、TN_ij、FP_ij和FN_ij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：

其中，SA_i表示第i个初始检测结果的注意力度，

表示第i个初始检测结果的注意力度权重，t表示检测裂纹的类别；

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：

其中，

表示第j和类别在第i个初始检测结果的可信度；

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,...,FP_t}

其中，FP_j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。

Images