CN115791887A - 一种涡轮叶片基于六点测具的自适应测量算法 - Google Patents

Abstract

本发明公开一种涡轮叶片基于六点测具的自适应测量算法，涉及涡轮叶片测量技术领域，包括步骤一：待测涡轮叶片预处理，提取待测涡轮叶片的数据信息；步骤二：六点测具连接涡轮叶片；步骤三：构建自适应算法模型进行测量；步骤四：对测量信息进行测量评估；通过抗干扰能力强和可靠性高的涡轮叶片角度调节装置驱动电路，更好的去调节待测涡轮叶片角度；采用自适应测量矩阵模型对六个被测点进行测量，通过对被测点区域的选择，构建测量矩阵模型，根据行数列数进行自适应变化；采用评估系统更好的对测量信息进行评估，提高了数据测量信息的准确性。

Description

一种涡轮叶片基于六点测具的自适应测量算法

技术领域

本发明涉及涡轮叶片测量技术领域，且更具体地涉及一种涡轮叶片基于六点测具的自适应测量算法。

背景技术

涡轮叶片是涡轮发动机中涡轮段的重要组成部件，涡轮段包括涡轮轴和多个涡轮叶片，各个涡轮叶片安装在涡轮轴上。在涡轮叶片领域中，形状精度和生产效率是加工涡轮叶片零件的两个主要问题；在形状精度上通常需要涡轮叶片的计算机辅助设计模型。现有技术中提出了一种铣削涡轮的几何重建，使用磨料加工对涡轮叶片进行后处理，以控制和提高轮廓精度以及表面粗糙度；这种方法得到的测量结果的形状精度差和尺寸一致性差，这会影响后续过程；由于形状精度差，公差分布不均匀，定位未知，这将提高产品的拒收率，会减缓产品的生产效率，如何提高自适应测量能力就成为亟待解决的技术问题。

基于此，本发明公开一种涡轮叶片基于六点测具的自适应测量算法。

发明内容

针对上述技术的不足，本发明公开一种涡轮叶片基于六点测具的自适应测量算法，能够通过抗干扰能力强和可靠性高的涡轮叶片角度调节装置驱动电路，更好的去调节待测涡轮叶片角度；采用自适应测量矩阵模型对六个被测点进行测量，通过对被测点区域的选择，构建测量矩阵模型，根据行数列数进行自适应变化；采用评估系统更好的对测量信息进行评估，提高了数据测量信息的准确性。

一种涡轮叶片基于六点测具的自适应测量算法，包括：

步骤一：待测涡轮叶片预处理，提取待测涡轮叶片的数据信息；

在步骤一中，对涡轮叶片进行去毛刺和清洁的预处理；所述涡轮叶片为扭曲的变截面曲面；

步骤二：六点测具连接涡轮叶片；

在步骤二中，对待测涡轮叶片部位的六个被测点进行测量；通过叶片角度调节装置对叶片角度进行调节；角度调节范围介于5°～45°；将电感触头与调节好的涡轮叶片上六个点连接；

步骤三：构建自适应算法模型进行测量：

在步骤三中，所述自适应算法模型采用自适应测量矩阵模型进行测量；所述自适应测量矩阵模型自动修正电感触头所采集的数据信息的占空比和相位差，以形成测量信息；所形成的测量信息通过总线形式实时上传给评估系统；

其中所述自适应算法模型包括输入模块、定位模块、自适应调整模块、测量模块和测量显示模块；所述输入模块用于将电感触头所采集的数据信息输入进算法模型中；所述定位模块用以对待测涡轮叶片进行定位；所述自适应调整模块包括识别模块和调整模块；所述识别模块接收到数据信息，对数据信息进行识别，用以判断所测量的数据信息的准确性；所述调整模块根据识别的数据信号进行自适应调整，不同部位的数据信息采用不同的测量要求进行测量；所述测量模块用于对所述电感触头连接的点进行测量；所述测量显示模块用于显示出所述测量模块测量出的结果；其中输入模块的输出端与定位模块的输入端连接，定位模块的输出端与自适应调整模块的输入端连接，自适应调整模块的输出端与测量模块的输入端连接，测量模块的输出端与测量显示模块的输入端连接；

步骤四：对测量信息进行测量评估；

在步骤四中，测量信息通过评估系统进行评估；所述评估系统采用改进型贝叶斯分类模型进行评估；所述评估系统包括获取模块、划分模块、分析模块、监测模块、警示模块、确定模块、存储模块和发送模块。

作为本发明进一步的技术方案，所述的一种涡轮叶片基于六点测具的自适应测量算法，其中所述六个被测点的位置包括：叶片身上设置一个被测点，榫齿上设置两个被测点，叶片安装板侧面设置一个被测点，锯齿冠侧面设置一个被测点，锯齿冠内表面设置一个被测点。

作为本发明进一步的技术方案，所述的一种涡轮叶片基于六点测具的自适应测量算法，其中所述电感触头内置传感器；所述电感触头与被测点连接采用杠杆连接；榫齿头定位面有两个被测点，将被测点与所述电感触头直接连接；涡轮叶片的安装板与锯齿冠上的被测点采用分别垂直的电感触头连接，叶片身上的被测点，通过UG模型找到被测点所在平面的法向平面，电感触头沿着法向平面垂直点所在平面连接被测点。

作为本发明进一步的技术方案，所述的一种涡轮叶片基于六点测具的自适应测量算法，其中所述叶片角度调节装置内部处理器为MCU处理器；所述叶片角度调节装置驱动电路包括控制电路、保护电路、放大器电路、功率输出电路、故障检测电路；所述控制电路的两个输入端分别与所述MCU处理器的ETPU模块的两个输出管脚连接，所述控制电路的输出端与放大器电路和保护电路的输入端连接；保护电路的输出端与放大器电路的另一路输入端连接；放大电路的输出端与功率输出电路的输入端连接；功率输出电路输出端与故障检测电路输入端连接；所述控制电路包括电阻R1、R2、R8、R9，晶体管Q3，其中：R1、R2一端与ETPU模块输出管脚相连，R1另一端上拉到数字电源VCC，R2另一端连接比例放大电路的晶体管Q1的基极，晶体管Q3的基极与另一路ETPU模块输出管脚连接，晶体管Q3的发射极与保护电路晶体管Q4的基极相连，同时与电阻R8、R9的一端相连，电阻R8的另一端与功率电源VPOW相连，电阻R9的另一端与保护电路晶体管Q4的发射极都与地相连；所述保护电路包括二极管D1D2与晶体管Q4，其中：保护电路晶体管Q4的集电极与二极管D1相连，保护电路晶体管Q4的发射极与地相连，二极管D1D2与晶体管Q1的集电极相连，二极管D2同时与电容C1的一端、电阻R4的一端及晶体管Q2的发射极相连；所述放大电路包括晶体管Q1、Q2，电阻R3、R4、R5及电容C1，其中：晶体管Q1的集电极与晶体管Q2的基极以及R3的一端相连，晶体管Q1的发射极接地，晶体管Q2的集电极与R3的另一端同时与参考电源VREF相连，晶体管Q2的发射极与电阻R4以及电容C1的一端相连，电阻R4以及电容C1的另一端相连，电阻R4同时与电阻R5的一端相连，电阻R5的另一端与场效应管Q5的基极相连；所述功率输出电路包括场效应管Q5，电容C2、电阻R6及二极管D4D5，其中：场效应管Q5的集电极与功率电源VPOW及电容C2的一端相连，电容C2的另一端接地，场效应管Q5的发射极与电阻R6、R7的一端相连，同时与二极管D3相连；所述故障检测电路包括电阻R7，二极管D3，其中：电阻R7的一端与场效应管Q5的发射极相连，电阻R7的另一端与MCU处理器ETPU模块的输入管脚连接，二极管D3接地。

作为本发明进一步的技术方案，所述的一种涡轮叶片基于六点测具的自适应测量算法，识别模块通过计算涡轮叶片信息维度提高自适应计算能力，将涡轮叶片信息转换为矩形特征尺寸信息时，自适应测量矩阵列数计算公式为：

（1）

公式（1）中，n是哈尔特征向量的维数，W×H是被跟踪目标矩形区域的尺寸，w×h是构建哈尔特征的矩形特征尺寸， X=[W/w]和Y=[H/h]分别是水平方向和垂直方向上最大的尺度系数；

自适应测量矩阵的行数计算公式为：

（2）

公式（2）中，n为所述测量矩阵的列数，K为哈尔特征向量的稀疏程度，c为依赖于具体信号的小数值常量且取c=1/lnn；

依据稀疏程度为s=n/lnn的稀疏随机高斯矩阵计算所述测量矩阵的元素，所述测量矩阵(i，j)位置的元素R（i,j）=r_ij表示为：

（3）

公式（3）中，r_ij表示测量矩阵(i，j)位置的元素；测量矩阵是稀疏型，每行元素中非零元素的个数为[lnn]个，整个测量矩阵非零元素的个数为m[lnn]个，其余元素皆为零，所述测量矩阵的行数、列数、稀疏程度都随着待跟踪目标矩形区域的尺寸自适应的变化。

作为本发明进一步的技术方案，所述的一种涡轮叶片基于六点测具的自适应测量算法，其中所述改进型贝叶斯分类模型设置有朴素贝叶斯分类器；所述朴素贝叶斯分类器用于实现测量信息的评估诊断；所述朴素贝叶斯分类器模型将测量信息进行分类整理，朴素贝叶斯分类器输出函数为：

（4）

公式（4）中，P(x)表示测量信息错误概率数，P(x_i|C_k)表示最大概率值，C_k表示涡轮叶片测量训练样本中错误类型, 数据集合x₁,x₂,···,x_n为相互独立的不同属性；测量信息进行筛选正确率概率公式为：

（5）

公式（5）中，k=1,2,···,n，N表示所有涡轮叶片测量训练样本的总数，Nc_k表示所有涡轮叶片测量训练样本中错误类型C_k的样本数；当出现错误类型C_k相关的函数时，关系式为：

（6）

公式（6）中， P(x_m|C_k)用于对涡轮叶片测量训练样本计算，涡轮叶片测量训练样本P(C_k)的计算公式为：

（7）

公式（7）中，

表示涡轮叶片测量训练样本P(C_k)中同时满足测量信息错误类型C_k和条件属性x_i的样本数，用于统计样本数量；不存在同时满足测量信息错误类型C_k和条件属性x_i的样本数的涡轮叶片测量训练样本计算公式为：

（8）

根据上述计算原理，对于贝叶斯网络各涡轮叶片测量信息错误类别的概率P(X|C_k)×P(C_k)，概率值C_k最大的对应涡轮叶片测量信息错误类别。

作为本发明进一步的技术方案，所述的一种涡轮叶片基于六点测具的自适应测量算法，其中获取模块用于对测量信息进行采集；划分模块用于将采集到的测量信息进行划分；划分模块将测量信息划分传输至监测模块和分析模块进行处理；分析模块用于对划分后的各项测量信息进行在线分析；监测模块用于对划分后的各项测量信息进行在线监测；警示模块采用有源蜂鸣器进行报警；所述有源蜂鸣器的蜂鸣片表面具有保护胶层，防止蜂鸣片氧化导致声音质量下降；警示模块用于对经过在线监测后的各项测量信息进行报警；确定模块用于将测量信息进行对比确认；发送模块用于对确认后的测量信息进行远程发送 。

其中输入模块设置有数据编码模块，通过压缩输入数据信息的容量以提高数据输入效率；

所述定位模块设置有误差矫正器，以提高定位精度；

自适应调整模块通过双向蚁群算法实现位置调整判断，双向蚁群算法通过信息交流函数，定期交换优良解和信息，进行竞争性学习，保证算法中解的多样性，如公式（6）所示：

（6）

如公式（6）所示，

表示测量信息种群

的某一路径上的信息素总量，

表示种群

本次迭代中的最优解，

表示种群

本次迭代中的局部最优解；本次迭代中，种群

选择的路径优于种群

选择的路径，则用种群

的最优路径代替种群

的路径，然后对种群

的信息素进行更新，更新公式如公式（7）所示：

（7）

如公式（7）所示，

表示本次迭代中种群

中第

段中的信息素，若本次迭代中种群

优于种群

，则更新种群

中的信息素；

反之亦然。通过两个种群之间的信息更新，保证了蚁群算法的搜素方位，降低了算法寻找最优路径的难度，提高了算法计算的效率。

测量模块通过DBSCAN笑脸聚类算法对各点的信息测量，测量方法为：随机选择涡轮叶片待测核心点

，根据核心点与其他点的距离，通过

计算待测距离与设置理想距离之间的点，其中

表示核心点

与本聚类中其他点

之间的平均距离，代表核心点与该聚类的相似度；

表示核心点

与随机某聚类

中所有点之间的平均距离，表示核心点与其他聚类的相似度；

表示该核心点分类的合理程度，若

越接近1，则说明该核心点分类越正确，

越接近-1，说明该核心点应分类到其他聚类中，

接近0，说明该核心点位于两个聚类的边界，应设置为边界点；

测量显示模块为设置有与无线接口连接的移动终端。

作为本发明进一步的技术方案，其中获取模块设置有信息特征分解模块；划分模块设置有信息预警模块，分析模块设置有远程数据信息通信模块，监测模块设置有远程监听器，所述警示模块设置有信息共享接口，所述确定模块设置有故障诊断模块，存储模块设置有兼容性数据存储接口，发送模块设置有无线通信接口。

本发明区别于现有技术积极有益效果在于：

本发明通过抗干扰能力强和可靠性高的涡轮叶片角度调节装置驱动电路，更好的去调节待测涡轮叶片角度；采用自适应测量矩阵模型对六个被测点进行测量，通过对被测点区域的选择，构建测量矩阵模型，根据行数列数进行自适应变化；采用评估系统更好的对测量信息进行评估，提高了数据测量信息的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图，其中：

图1为本发明一种涡轮叶片基于六点测具的自适应测量算法的步骤流程图图；

图2为本发明涡轮叶片角度调节装置驱动电路图；

图3为本发明评估系统的系统结构连接图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。

如图1所示，一种涡轮叶片基于六点测具的自适应测量算法，包括：

步骤一：待测涡轮叶片预处理，提取待测涡轮叶片的数据信息；

在步骤一中，对涡轮叶片进行去毛刺和清洁的预处理；所述涡轮叶片是燃气涡轮发动机中涡轮段的组成部件；高速旋转的叶片负责将高温高压的气流吸入燃烧器，以维持发动机的工作；所述涡轮叶片为扭曲的变截面曲面；

步骤二：六点测具连接涡轮叶片；

在步骤二中，对待测涡轮叶片部位的六个被测点进行连接；通过叶片角度调节装置对叶片角度进行调节；角度调节范围介于5°～45°；将电感触头与调节好的涡轮叶片上六个被测点连接；

步骤三：构建自适应算法模型进行测量：

在步骤三中，所述自适应算法模型采用自适应测量矩阵模型进行测量；所述自适应测量矩阵模型自动修正电感触头所采集的数据信息的占空比和相位差，以形成测量信息；所形成的测量信息通过总线形式实时上传给评估系统；

其中所述自适应算法模型包括输入模块、定位模块、自适应调整模块、测量模块和测量显示模块；所述输入模块用于将电感触头所采集的数据信息输入进算法模型中；所述定位模块用以对待测涡轮叶片进行定位；所述自适应调整模块包括识别模块和调整模块；所述识别模块接收到数据信息，对数据信息进行识别，用以判断所测量的数据信息的准确性；所述调整模块根据识别的数据信号进行自适应调整，不同部位的数据信息采用不同的测量要求进行测量；所述测量模块用于对所述电感触头连接的点进行测量；所述测量显示模块用于显示出所述测量模块测量出的结果；其中输入模块的输出端与定位模块的输入端连接，定位模块的输出端与自适应调整模块的输入端连接，自适应调整模块的输出端与测量模块的输入端连接，测量模块的输出端与测量显示模块的输入端连接；

步骤四：对测量信息进行测量评估；

在步骤四中，测量信息通过评估系统进行评估；所述评估系统采用改进型贝叶斯分类模型进行评估；所述评估系统包括获取模块、划分模块、分析模块、监测模块、警示模块、确定模块、存储模块和发送模块。

在上述实施例中，所述六个被测点的位置包括：叶片身上设置一个被测点，榫齿上设置两个被测点，叶片安装板侧面设置一个被测点，锯齿冠侧面设置一个被测点，锯齿冠内表面设置一个被测点。

在上述实施例中，所述电感触头内置传感器；所述电感触头与被测点连接采用杠杆连接；榫齿头定位面有两个被测点，将被测点与所述电感触头直接连接；涡轮叶片的安装板与锯齿冠上的被测点采用分别垂直的电感触头连接；叶片身上的被测点，通过UG模型找到被测点所在平面的法向平面，电感触头沿着法向平面垂直点所在平面连接被测点。

在具体实施例中，UG是一个交互式CAD/CAM系统，UG是Siemensplms软件公司生产的产品工程解决方案，为用户提供产品设计的数字建模。UG为用户的虚拟产品设计和工艺设计需求提供了实用且经验证的解决方案。UG是一个功能非常强大的交互式计算机辅助设计和计算机辅助制造系统。它可以很容易地实现各种复杂实体和形状的构造.。UG模型主要用于模具行业建模映射处理，也可以用来做运动仿真造型设计，也可以进行非参数化设计，UG最常用于模具设计、产品设计、编程处理。

在上述实施例中，所述叶片角度调节装置内部处理器为MCU处理器；所述叶片角度调节装置驱动电路包括控制电路、保护电路、放大器电路、功率输出电路、故障检测电路；所述控制电路的两个输入端分别与所述MCU处理器的ETPU模块的两个输出管脚连接，所述控制电路的输出端与放大器电路和保护电路的输入端连接；保护电路的输出端与放大器电路的另一路输入端连接；放大电路的输出端与功率输出电路的输入端连接；功率输出电路输出端与故障检测电路输入端连接；所述控制电路包括电阻R1、R2、R8、R9，晶体管Q3，其中：R1、R2一端与ETPU模块输出管脚相连，R1另一端上拉到数字电源VCC，R2另一端连接比例放大电路的晶体管Q1的基极，晶体管Q3的基极与另一路ETPU模块输出管脚连接，晶体管Q3的发射极与保护电路晶体管Q4的基极相连，同时与电阻R8、R9的一端相连，电阻R8的另一端与功率电源VPOW相连，电阻R9的另一端与保护电路晶体管Q4的发射极都与地相连；所述保护电路包括二极管D1D2与晶体管Q4，其中：保护电路晶体管Q4的集电极与二极管D1相连，保护电路晶体管Q4的发射极与地相连，二极管D1D2与晶体管Q1的集电极相连，二极管D2同时与电容C1的一端、电阻R4的一端及晶体管Q2的发射极相连；所述放大电路包括晶体管Q1、Q2，电阻R3、R4、R5及电容C1，其中：晶体管Q1的集电极与晶体管Q2的基极以及R3的一端相连，晶体管Q1的发射极接地，晶体管Q2的集电极与R3的另一端同时与参考电源VREF相连，晶体管Q2的发射极与电阻R4以及电容C1的一端相连，电阻R4以及电容C1的另一端相连，电阻R4同时与电阻R5的一端相连，电阻R5的另一端与场效应管Q5的基极相连；所述功率输出电路包括场效应管Q5，电容C2、电阻R6及二极管D4D5，其中：场效应管Q5的集电极与功率电源VPOW及电容C2的一端相连，电容C2的另一端接地，场效应管Q5的发射极与电阻R6、R7的一端相连，同时与二极管D3相连；所述故障检测电路包括电阻R7，二极管D3，其中：电阻R7的一端与场效应管Q5的发射极相连，电阻R7的另一端与MCU处理器ETPU模块的输入管脚连接，二极管D3接地。

在上述实施例中，自适应测量矩阵根据涡轮叶片的被测点进行区域选择，构建所需的自适应测量矩阵；识别模块通过计算涡轮叶片信息维度提高自适应计算能力，将涡轮叶片信息转换为矩形特征尺寸信息时，自适应测量矩阵列数计算公式为计算公式为：

（1）

公式（1）中，n是哈尔特征向量的维数，W×H是被跟踪目标矩形区域的尺寸，w×h是构建哈尔特征的矩形特征尺寸， X=[W/w]和Y=[H/h]分别是水平方向和垂直方向上最大的尺度系数；公式（1）实现了对测量矩阵的列数的计算；

为了计算出测量矩阵的行数，计算公式为：

（2）

公式（2）中，n为所述测量矩阵的列数，K为哈尔特征向量的稀疏程度，c为依赖于具体信号的小数值常量且取c=1/lnn；公式（2）实现了对测量矩阵的列数的计算。

依据稀疏程度为s=n/lnn的稀疏随机高斯矩阵计算所述测量矩阵的元素，所述测量矩阵(i，j)位置的元素R（i,j）=r_ij表示为：

（3）

公式（3）中，r_ij表示测量矩阵(i，j)位置的元素；公式（3）得到了元素R（i,j）=r_ij的概率；测量矩阵是稀疏型，每行元素中非零元素的个数为[lnn]个，整个测量矩阵非零元素的个数为m[lnn]个，其余元素皆为零，所述测量矩阵的行数、列数和稀疏程度都随着待跟踪目标矩形区域的尺寸自适应的变化。

在具体实施例中，哈尔特征（Haar-like features） 是用于物体识别的一种

，哈尔特征使用检测窗口中指定位置的相邻矩形，计算每一个矩形的像素和并取其差值，然后用这些差值来对图像的子区域进行分类。

在上述实施例中，其中所述改进型贝叶斯分类模型设置有朴素贝叶斯分类器；所述朴素贝叶斯分类器用于实现测量信息的评估诊断；所述朴素贝叶斯分类器模型

将测量信息进行分类整理，朴素贝叶斯分类器输出函数为：

（4）

公式（4）中，P(x)表示测量信息错误概率数，P(x_i|C_k)表示最大概率值，C_k表示涡轮叶片测量训练样本中错误类型, 数据集合x₁,x₂,···,x_n为相互独立的不同属性；公式（4）实现了朴素贝叶斯分类器输出函数的计算，测量信息筛选正确率概率公式为：

（5）

公式（5）中，k=1,2,···,n，N表示所有涡轮叶片测量训练样本的总数，Nc_k表示所有涡轮叶片测量训练样本中错误类型C_k的样本数；公式（5）实现了错误类型C_k的样本数出现的概率计算；当出现错误类型C_k相关的函数时，关系式为：

（6）

公式（6）中， P(x_m|C_k)用于对涡轮叶片测量训练样本计算，公式（6）实现了对错误类型C_k的计算，涡轮叶片测量训练样本P(C_k)的计算公式为：

（7）

公式（7）中，

表示涡轮叶片测量训练样本P(C_k)中同时满足测量信息错误类型C_k和条件属性x_i的样本数，用于统计样本数量；公式（7）实现了同时满足测量信息错误类型C_k和条件属性x_i的样本数的计算；若不存在同时满足测量信息错误类型C_k和条件属性x_i的样本数的涡轮叶片测量训练样本计算公式为：

（8）

公式（8）实现了涡轮叶片测量训练样本的计算；根据上述计算原理，对于贝叶斯网络各涡轮叶片测量信息错误类别的概率P(X|C_k)×P(C_k)，概率值C_k最大的对应涡轮叶片测量信息错误类别。

在上述实施例中，获取模块用于对测量信息进行采集；划分模块用于将采集到的测量信息进行划分；划分模块将测量信息划分传输至监测模块和分析模块进行处理；分析模块用于对划分后的各项测量信息进行在线分析；监测模块用于对划分后的各项测量信息进行在线监测；警示模块采用有源蜂鸣器进行报警；所述有源蜂鸣器的蜂鸣片表面具有保护胶层，防止蜂鸣片氧化导致声音质量下降；警示模块用于对经过在线监测后的各项测量信息进行报警；确定模块用于将测量信息进行对比确认；发送模块用于对确认后的测量信息进行远程发送。

在具体实施例中，其中输入模块设置有数据编码模块，通过压缩输入数据信息的容量以提高数据输入效率；

所述定位模块设置有误差矫正器，以提高定位精度；

自适应调整模块通过双向蚁群算法实现位置调整判断，双向蚁群算法通过信息交流函数，定期交换优良解和信息，进行竞争性学习，保证算法中解的多样性，如公式（9）所示：

（9）

如公式（9）所示，

表示测量信息种群

的某一路径上的信息素总量，

表示种群

本次迭代中的最优解，

表示种群

本次迭代中的局部最优解；本次迭代中，种群

选择的路径优于种群

选择的路径，则用种群

的最优路径代替种群

的路径，然后对种群

的信息素进行更新，更新公式如公式（10）所示：

（10）

如公式（10）所示，

表示本次迭代中种群

中第

段中的信息素，若本次迭代中种群

优于种群

，则更新种群

中的信息素；

反之亦然。通过两个种群之间的信息更新，保证了蚁群算法的搜素方位，降低了算法寻找最优路径的难度，提高了算法计算的效率。

测量模块通过DBSCAN笑脸聚类算法对各点的信息测量，测量方法为：随机选择涡轮叶片待测核心点

，根据核心点与其他点的距离，通过

计算待测距离与设置理想距离之间的点，其中

表示核心点

与本聚类中其他点

之间的平均距离，代表核心点与该聚类的相似度；

表示核心点

与随机某聚类

中所有点之间的平均距离，表示核心点与其他聚类的相似度；

表示该核心点分类的合理程度，若

越接近1，则说明该核心点分类越正确，

越接近-1，说明该核心点应分类到其他聚类中，

接近0，说明该核心点位于两个聚类的边界，应设置为边界点；

测量显示模块为设置有与无线接口连接的移动终端。

在上述实施例中，当双向蚁群算法找到访问端和服务端的最优通讯路径，那么在服务端收到网络攻击时，服务中心将通过自动研判实施旁路阻断。服务中心将找到即将收到故障测量的涡轮叶片测量点，通过最优路径预先发送阻断信号，阻断该服务端的一切端口，该服务端就接收不到包含涡轮叶片测量点故障测量的数据，从根源上防止涡轮叶片测量点故障测量。大大提高了测量能力。在具体实施例中，所述获取模块的输出端与所述划分模块的输入端连接，所述划分模块的输出端与所述分析模块和监测模块的输入端连接，所述分析模块的输出端与所述确定模块的输入端连接，所述确定模块的输出端与所述存储模块和发送模块的输入端连接，所述监测模块的输出端与所述警示模块的输入端连接。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。

Claims (8)

1.一种涡轮叶片基于六点测具的自适应测量算法，其特征在于：包括：

步骤一：待测涡轮叶片预处理，提取待测涡轮叶片的数据信息；

在步骤一中，对涡轮叶片进行去毛刺和清洁的预处理；所述涡轮叶片为扭曲的变截面曲面；

步骤二：六点测具连接涡轮叶片；

在步骤二中，对待测涡轮叶片部位的六个被测点进行连接；通过叶片角度调节装置对叶片角度进行调节；角度调节范围介于5°～45°；将电感触头与调节好的涡轮叶片上六个被测点连接；

步骤三：构建自适应算法模型进行测量；

在步骤三中，所述自适应算法模型采用自适应测量矩阵模型进行测量；所述自适应测量矩阵模型自动修正电感触头所采集的数据信息的占空比和相位差，以形成测量信息；所形成的测量信息通过评估系统实时上传给上级系统；

其中所述自适应算法模型包括输入模块、定位模块、自适应调整模块、测量模块和测量显示模块；所述输入模块用于将电感触头所采集的数据信息输入进算法模型中；所述定位模块用以对待测涡轮叶片进行定位；所述自适应调整模块包括识别模块和调整模块；所述识别模块接收到数据信息，对数据信息进行识别，用以判断所测量的数据信息的准确性；所述调整模块根据识别的数据信号进行自适应调整，不同部位的数据信息采用不同的测量要求进行测量；所述测量模块用于对所述电感触头连接的被测点进行测量；所述测量显示模块用于显示所述测量模块测量出的结果；其中输入模块的输出端与定位模块的输入端连接，定位模块的输出端与自适应调整模块的输入端连接，自适应调整模块的输出端与测量模块的输入端连接，测量模块的输出端与测量显示模块的输入端连接；步骤四：对测量信息进行测量评估；

在步骤四中，测量信息通过评估系统进行评估；所述评估系统包括获取模块、划分模块、分析模块、监测模块、警示模块、确定模块、存储模块和发送模块；其中获取模块用于对测量信息进行采集；划分模块用于将采集到的测量信息进行划分；划分模块将测量信息划分传输至监测模块和分析模块进行处理；分析模块用于对划分后的各项测量信息进行在线分析；监测模块用于对划分后的各项测量信息进行在线监测；警示模块采用有源蜂鸣器进行报警；所述有源蜂鸣器的蜂鸣片表面具有保护胶层，防止蜂鸣片氧化导致声音质量下降；警示模块用于对经过在线监测后的各项测量信息进行报警；确定模块用于将测量信息进行对比确认；发送模块用于对确认后的测量信息进行远程发送；

所述分析模块采用改进型贝叶斯分类模型进行评估。

2.根据权利要求1所述的一种涡轮叶片基于六点测具的自适应测量算法，其特征在于：其中输入模块设置有数据编码模块，通过压缩输入数据信息的容量以提高数据输入效率；

所述定位模块设置有误差矫正器，以提高定位精度；

自适应调整模块通过双向蚁群算法实现位置调整判断，双向蚁群算法通过信息交流函数，定期交换优良解和信息，进行竞争性学习，保证算法中解的多样性，如公式（1）所示：

（1）

如公式（1）所示，

表示测量信息种群

的某一路径上的信息素总量，

表示种群

本次迭代中的最优解，

表示种群

本次迭代中的局部最优解；本次迭代中，种群

选择的路径优于种群

选择的路径，则用种群

的最优路径代替种群

的路径，然后对种群

的信息素进行更新，更新公式如公式（2）所示：

（2）

如公式（2）所示，

表示本次迭代中种群

中第

段中的信息素，若本次迭代中种群

优于种群

，则更新种群

中的信息素；

测量模块通过DBSCAN笑脸聚类算法对各点的信息测量，测量方法为：随机选择涡轮叶片待测核心点

，根据核心点与其他点的距离，通过测量函数表示，测量函数为：

（3）

在公式（3）中，计算待测距离与设置理想距离之间的点，其中

表示核心点

与本聚类中其他点

之间的平均距离，代表核心点与该聚类的相似度；

表示核心点

与随机某聚类

中所有点之间的平均距离，表示核心点与其他聚类的相似度；

表示该核心点分类的合理程度，若

越接近1，则说明该核心点分类越正确，

越接近-1，说明该核心点应分类到其他聚类中，

接近0，说明该核心点位于两个聚类的边界，应设置为边界点；

测量显示模块为设置有与无线接口连接的移动终端。

3.根据权利要求1所述的一种涡轮叶片基于六点测具的自适应测量算法，其特征在于：所述六个被测点的位置包括：叶片身上设置一个被测点，榫齿上设置两个被测点，叶片安装板侧面设置一个被测点，锯齿冠侧面设置一个被测点，锯齿冠内表面设置一个被测点。

4.根据权利要求1所述的一种涡轮叶片基于六点测具的自适应测量算法，其特征在于：所述电感触头内置传感器；所述电感触头与被测点连接采用杠杆连接；榫齿头定位面有两个被测点，将被测点与所述电感触头直接连接；涡轮叶片的安装板与锯齿冠上的被测点采用分别垂直的电感触头连接；叶片身上的被测点，通过UG模型找到被测点所在平面的法向平面，电感触头沿着法向平面垂直点所在平面连接被测点。

5.根据权利要求1所述的一种涡轮叶片基于六点测具的自适应测量算法，其特征在于：所述叶片角度调节装置内部处理器为MCU处理器；所述叶片角度调节装置驱动电路包括控制电路、保护电路、放大器电路、功率输出电路、故障检测电路；所述控制电路的两个输入端分别与所述MCU处理器的ETPU模块的两个输出管脚连接，所述控制电路的输出端与放大器电路和保护电路的输入端连接；保护电路的输出端与放大器电路的另一路输入端连接；放大电路的输出端与功率输出电路的输入端连接；功率输出电路输出端与故障检测电路输入端连接；所述控制电路包括电阻R1、R2、R8、R9，晶体管Q3，其中：R1、R2一端与ETPU模块输出管脚相连，R1另一端上拉到数字电源VCC，R2另一端连接比例放大电路的晶体管Q1的基极，晶体管Q3的基极与另一路ETPU模块输出管脚连接，晶体管Q3的发射极与保护电路晶体管Q4的基极相连，同时与电阻R8、R9的一端相连，电阻R8的另一端与功率电源VPOW相连，电阻R9的另一端与保护电路晶体管Q4的发射极都与地相连；所述保护电路包括二极管D1D2与晶体管Q4，其中：保护电路晶体管Q4的集电极与二极管D1相连，保护电路晶体管Q4的发射极与地相连，二极管D1D2与晶体管Q1的集电极相连，二极管D2同时与电容C1的一端、电阻R4的一端及晶体管Q2的发射极相连；所述放大电路包括晶体管Q1、Q2，电阻R3、R4、R5及电容C1，其中：晶体管Q1的集电极与晶体管Q2的基极以及R3的一端相连，晶体管Q1的发射极接地，晶体管Q2的集电极与R3的另一端同时与参考电源VREF相连，晶体管Q2的发射极与电阻R4以及电容C1的一端相连，电阻R4以及电容C1的另一端相连，电阻R4同时与电阻R5的一端相连，电阻R5的另一端与场效应管Q5的基极相连；所述功率输出电路包括场效应管Q5，电容C2、电阻R6及二极管D4D5，其中场效应管Q5的集电极与功率电源VPOW及电容C2的一端相连，电容C2的另一端接地，场效应管Q5的发射极与电阻R6、R7的一端相连，同时与二极管D3相连；所述故障检测电路包括电阻R7，二极管D3，其中：电阻R7的一端与场效应管Q5的发射极相连，电阻R7的另一端与MCU处理器ETPU模块的输入管脚连接，二极管D3接地。

6.根据权利要求1所述的一种涡轮叶片基于六点测具的自适应测量算法，其特征在于：识别模块通过计算涡轮叶片信息维度提高自适应计算能力，将涡轮叶片信息转换为矩形特征尺寸信息时，自适应测量矩阵列数计算公式为：

（4）

公式（4）中，n是哈尔特征向量的维数，W×H是被跟踪目标矩形区域的尺寸，w×h是构建哈尔特征的矩形特征尺寸，X=[W/w]和Y=[H/h]分别是水平方向和垂直方向上最大的尺度系数；

自适应测量矩阵行数计算公式为：

（5）

公式（5）中，m为所述测量矩阵的行数，K为哈尔特征向量的稀疏程度，c为依赖于具体信号的小数值常量且取c=1/lnn；

依据稀疏程度为s=n/lnn的稀疏随机高斯矩阵计算所述测量矩阵的元素，测量矩阵(i，j)位置的元素R（i,j）=r_ij表示为：

（6）

公式（6）中，r_ij表示测量矩阵(i，j)位置的元素；测量矩阵是稀疏型，每行元素中非零元素的个数为[lnn]个， 整个测量矩阵非零元素的个数为m[lnn]个，其余元素皆为零，所述测量矩阵的行数、列数、稀疏程度都随着待跟踪目标矩形区域的尺寸自适应的变化。

7.根据权利要求1所述的一种涡轮叶片基于六点测具的自适应测量算法，其特征在于：所述改进型贝叶斯分类模型设置有朴素贝叶斯分类器；所述朴素贝叶斯分类器用于实现测量信息的评估诊断；所述朴素贝叶斯分类器模型将测量信息进行分类整理，朴素贝叶斯分类器输出函数为：

（7）

公式（7）中，P(x)表示测量信息错误概率数，P(x_i|C_k)表示最大概率值，

C_k表示涡轮叶片测量训练样本中错误类型，数据集合x₁,x₂,···,x_n为相互独

立的不同属性；测量信息筛选正确率概率公式为：

（8）

公式（8）中，k=1,2,···,n，N表示所有涡轮叶片测量训练样本的总数，

Nc_k表示所有涡轮叶片测量训练样本中错误类型C_k的样本数；出现错误

类型C_k相关的函数的关系式为：

（9）

公式（9）中， P(x_m|C_k)用于对涡轮叶片测量训练样本计算，涡轮叶片测量训练样本P(C_k)计算公式为：

（10）

公式（10）中，

表示涡轮叶片测量训练样本P(C_k)中同时满足测量信

息错误类型C_k和条件属性x_i的样本数，用于统计样本数量；不存在同时

满足测量信息错误类型C_k和条件属性x_i的样本数的涡轮叶片测量训练样

本计算公式为：

（11）

根据上述计算原理，对于贝叶斯网络各涡轮叶片测量信息错误类别的概率P(X|C_k)×P(C_k)，概率值C_k最大的对应涡轮叶片测量信息错误类别。

8.根据权利要求1所述的一种涡轮叶片基于六点测具的自适应测量算法，其特征在于：

其中获取模块设置有信息特征分解模块；划分模块设置有信息预警模块，分析模块设置有远程数据信息通信模块，监测模块设置有远程监听器，所述警示模块设置有信息共享接口，所述确定模块设置有故障诊断模块，存储模块设置有兼容性数据存储接口，发送模块设置有无线通信接口。

Images