[发明专利]一种汽轮机叶轮缺陷分类方法

说明书

技术领域

本发明涉及汽轮机叶轮超缺陷分类领域，尤其涉及一种基于RBF(径向基函数)神经网络的汽轮机叶轮缺陷分类方法。

背景技术

自从1972年被首次发现以来，汽轮机中的应力腐蚀开裂一直是相关领域研究人员关注的问题。由于汽轮机长期工作在高温高压环境下，其叶轮部分在应力和腐蚀的同时作用下很容易形成缺陷^[1]，而其一旦产生，就会随着汽轮机的持续工作不断扩展，最终可能会使叶片飞裂，造成难以估量的人身和财产损失。因此，汽轮机的日常安全检测尤为重要。

研究表明，汽轮机叶轮轮缘拐角位置所受的应力最大，最容易形成裂纹^[2]。但该位置特殊，且汽轮机尺寸巨大(直径1-2米)不允许拆卸检测，普通方法难以有效探测到缺陷。超声相控阵技术具有检测速度快、扫查范围大、分辨率高、适用于复杂构件检测等优点，能够满足汽轮机叶轮缺陷检测中的要求，因此得到了广泛应用和研究^[3-5]。

缺陷定量是无损评价中的一项关键工作，获取缺陷的大小、角度等信息不仅可以更客观的评价当前被测对象的健康状况，更能预测该位置所受应力、裂纹的发展方向和工作寿命等^[6]。传统方法是通过回波幅值来确定缺陷大小，然而该方法误差很大，只能得到缺陷的当量尺寸，缺陷角度更是无法准确得到。因此，在对缺陷没有先验知识的情况下，通过提取超声回波信号特征进行人工智能识别有很重要的意义。

发明内容

本发明提供了一种汽轮机叶轮缺陷分类方法，本发明通过提取一系列信号时域无量纲特征、小波包能量谱特征和小波包分形维数特征构建信号的特征向量，将其输入到神经网络中对缺陷大小和角度进行自动识别和分类，达到快速、准确、有效评估缺陷危害性的目的，详见下文描述：

一种汽轮机叶轮缺陷分类方法，所述缺陷分类方法基于径向基函数神经网络，所述缺陷分类方法包括以下步骤：

从缺陷回波信号中提取由偏斜度指标、峭度指标、峰值指标、波形指标、脉冲指标、以及裕度指标表示的6个时域无量纲特征；

对缺陷回波信号进行小波包分解，选取前四个频带的能量作为4个小波包特征；

将小波包分解与分形理论相结合，采用盒维数来表征不同的缺陷信号，获取4个分形盒维数；

将6个时域无量纲特征、4个小波包特征以及4个分形盒维数共计14个特征，组成特征向量，输入到RBF神经网络中进行人工智能缺陷分类识别。

其中，所述缺陷分类方法还包括：

搭建用于实验室分析的汽轮机叶轮超声相控阵缺陷检测系统，获取由被测试件缺陷位置反射的缺陷回波信号。

其中，所述输入到RBF神经网络中进行人工智能缺陷分类识别的步骤具体为：

选择高斯函数为径向基函数，进行RBF神经网络训练和识别。

本发明提供的技术方案的有益效果是：

1、在汽轮机叶轮缺陷超声检测中，难以仅通过回波信号准确判断缺陷大小和角度等信息，因此缺陷的智能识别有很重要的意义。本发明将RBF神经网络应用到汽轮机叶轮超声相控阵信号分类识别领域，取得了令人满意的效果；

2、本发明加工了适用于实验室检测的汽轮机叶轮模拟试块，在沟槽位置使用EDM(电火花)加工了9种不同角度和大小的人工缺陷用于识别分类；

3、本发明提取了信号的偏斜度、峭度、峰值指标、波性指标、脉冲指标、以及裕度指标6个时域无量纲特征，充分挖掘了信号本身的特性；

4、本发明对信号进行了小波包分解，计算了各频带能量并提取主要的前四个能量频带作为信号特征，同时结合分形理论，计算了信号的小波包分形维数；

5、本发明对每个缺陷采集了大量样本，共提取了信号的14个特征值组成特征向量输入神经网络进行识别，结果表明，缺陷大小的识别误差为5.387％，缺陷角度识别误差为6.249％，具有很高的准确率，完全满足工业检测需求。

附图说明

图1为汽轮机叶轮缺陷分类方法的流程图；

图2为汽轮机叶轮模拟试块尺寸和三维模型示意图；

图3为超声相控阵实时检测校正B扫图；

图4为No.3缺陷时域信号图；

图5为所有缺陷信号小波包分解频带能量分布图；

图6(a)为缺陷大小评估结果图；

图6(b)为缺陷角度评估结果图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。