申请/专利权人：东南大学

申请日：2022-05-23

公开（公告）日：2024-04-19

公开（公告）号：CN115166032B

主分类号：G01N29/04

分类号：G01N29/04;G01N29/14;G01N29/44;F04D27/00

优先权：

专利状态码：有效-授权

法律状态：2024.04.19#授权;2022.10.28#实质审查的生效;2022.10.11#公开

摘要：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。

主权项：1.一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；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： 其中，dij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，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；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： 其中，SAi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,...,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。

全文数据：

权利要求：

百度查询： 东南大学 一种风机叶片裂纹的检测装置及方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD