[发明专利]一种基于图像识别的风扇叶片疲劳极限衰减智能监测方法

权利要求书

1.一种基于图像识别的风扇叶片疲劳极限衰减智能监测方法，其特征在于，包括如下步骤：

S1、搭建风扇叶片快速显微分析系统，对叶片表面不同区域的快速显微照片拍摄；

S2、使用快速显微分析系统，按照扫掠的方式分别拍摄新、旧风扇叶片的表面，得到不同叶片的完整显微照片；

S3、分析新、旧风扇叶片的显微照片，利用图像识别和分析的方法提取叶片表面的划痕、裂缝、凹坑的损伤特征；

S4、对叶片表面损伤状态参数进行定量化，识别并统计划痕长度、凹坑面积、损伤方位参数，计算获得单位面积内划痕长度、单位面积内凹坑面积比定量参数；

S5、对风扇新叶片和不同服役时长的旧叶片分别进行振动疲劳试验；

S6、获得不同表面状态叶片的疲劳极限数据；

S7、基于小样本的人工智能算法，实现通过训练数据建立响应面的方法；

S8、建立基于叶片表面状态特征的疲劳极限衰退智能预测算法，得到叶片表面损伤状态参数与叶片疲劳极限退化程度的对应关系。

2.如权利要求1所述的风扇叶片疲劳极限衰减智能监测方法，其特征在于，步骤S1中，快速显微分析系统包括定位模块和拍摄模块；定位模块具有三个平动自由度和一个转动自由度，能够在程序控制下根据叶型数据自主运动，将叶片表面不同区域移动到显微拍摄区；拍摄模块包括一台具备自动对焦功能的显微镜和拍摄软件，能够根据预设程序，自动完成不同倍率照片的拍摄。

3.如权利要求1所述的风扇叶片疲劳极限衰减智能监测方法，其特征在于，步骤S2中，拍摄风扇叶片时，对叶盆、叶背、叶片前缘和叶片后缘分区采集图像，每个区域均采用扫掠方式，拍摄一次得到一张叶片表面的带状照片，后期将照片沿叶高方向拼接成完整的叶片表面照片，完成图像采集工作。

4.如权利要求1所述的风扇叶片疲劳极限衰减智能监测方法，其特征在于，步骤S3中，首先将拍摄得到的叶片表面照片处理成灰度图，然后根据不同灰度值，设定执行阈值来界定每个轮廓，识别出划痕、裂缝、凹坑的特征。

5.如权利要求1所述的风扇叶片疲劳极限衰减智能监测方法，其特征在于，步骤S4中，叶片表面损伤状态参数包括：尺寸参数、形状描述参数、特定参数、方位参数、总体参数。

6.如权利要求5所述的风扇叶片疲劳极限衰减智能监测方法，其特征在于，尺寸参数包括凹坑半径、凹坑周长、凹坑面积、划痕长度、划痕宽度、划痕面积；

形状描述参数包括凹坑圆角敏感参数；

特定参数包括最大凹坑半径、最大划痕长度、最大划痕宽度、凹坑总面积、划痕总面积；

方位参数包括划痕取向角度、划痕相对位置、凹坑相对位置；

总体参数包括凹坑密度、划痕密度。

7.如权利要求6所述的风扇叶片疲劳极限衰减智能监测方法，其特征在于，凹坑圆角敏感参数Rs如下式所示：

Rs＝P²/4πA_P

式中，P为凹坑周长，A_P为凹坑面积。

8.如权利要求1所述的风扇叶片疲劳极限衰减智能监测方法，其特征在于，步骤S5包括，针对新叶片和至少三种不同使用时间的旧叶片开展正弦振动载荷下的振动疲劳试验。

9.如权利要求1所述的风扇叶片疲劳极限衰减智能监测方法，其特征在于，步骤S6中，采用步进法，对于单个试验件测定其疲劳极限。

10.如权利要求1所述的风扇叶片疲劳极限衰减智能监测方法，其特征在于，步骤S8中，利用步骤S7中的于小样本的人工智能算法，将步骤S4和步骤S6中分别获得的风扇叶片新、旧叶片表面损伤状态和疲劳极限数据相结合，建立基于叶片表面损伤状态参数的疲劳极限衰退智能预测算法。