[发明专利]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

权利要求书

1.一种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，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，求得叶片的包括振动位移、振幅和振动频率在内的叶片振动数据。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；利用等间隔下采样方法实现正、负类样本均衡，建立朴素贝叶斯分类模型；通过朴素贝叶斯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。

2.根据权利要求1所述的在线测量方法，其特征在于，按照下列步骤执行：

(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标记为正类样本，样本标签标记为0；将有裂纹叶片的振动数据标记为负类样本，样本标签标记为1；

(5)由于正类样本远多于负类样本，因此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)利用训练集和朴素贝叶斯算法建立朴素贝叶斯分类模型；

(7)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和叶尖定时算法，叶片状态监测系统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叶片振动数据；

(8)将工作状态测得的实时叶片振动数据作为待测样本，将待测样本送入训练好的朴素贝叶斯分类模型，如果待测样本的特征值在训练集中出现过，则直接计算待测样本的正类概率值和负类概率值，如果某个待测样本的某一特征值在训练集中没有出现过，则先计算该特征的条件概率，再计算该待测样本的正类概率值和负类概率值，通过朴素贝叶斯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。