[发明专利]基于机匣宽频振动信号的燃气轮机叶片故障监测预警方法

权利要求书

1.一种基于机匣宽频振动信号的燃气轮机叶片故障监测预警方法，通过燃气轮机机匣振动监测数据，提取叶片故障特征，提前预警叶片断裂等损伤故障，其特征在于，该方法包括如下步骤：

1)燃气轮机机匣振动信号采集，选取5-20kHz频响范围的宽频振动传感器感知工程现场燃气轮机机匣振动信号，并通过51.2kHz以上采样率的数据采集装置获取包含压气机、涡轮各级动叶片、静叶片通过频率成分的燃气轮机宽频振动数字信号；

2)机匣宽频振动信号在冗余字典下的稀疏表达重构，对信号进行消噪处理，选择由离散余弦变换(DCT)、余弦信号、正弦信号组合构成的冗余字典，在该字典上采用匹配追踪算法对振动信号进行M-项近似模拟，考虑叶片通过频率总数不超过50个，最大迭代次数M设为50，匹配追踪方法选择弱匹配追踪，匹配系数取0.6；

3)稀疏信号敏感特征参数提取模型构建，选择深度卷积自编码器构建叶片故障敏感特征自学习模型，对稀疏约束的目标频谱进行特征提取，获取20个抽象特征；

4)敏感特征参数平滑处理参数设定，从20个抽象特征选择显著变化的F1、F2、F3共计3个特征参数，通过sglay算法对所选特征参数时域信号进行平滑处理，获取可实现预警的特征参数时间序列，当叶片发生损伤时部分敏感特征参数的平滑时间序列会显现出显著的增长趋势，趋势增长表明叶片的损伤故障发生、发展，即实现了叶片损伤的预警。

2.根据权利要求1所述的一种基于机匣宽频振动信号的燃气轮机叶片故障监测预警方法，其特征在于，所述步骤1中，

通过ΔF_band＝5-20kHz频响范围的宽频振动传感器和采集器实时采集燃气轮机机匣的振动信号，采样频率不低于51200Hz，单组样本采样点数N不低于16384点；传感器安装部位包括前机匣测点、中机匣测点和后机匣测点，每个测点分别在水平和垂直方向各安装一个传感器，中机匣加装1个轴向振动传感器，机匣振动信号覆盖压气机和涡轮各级叶片的通过频率BPF，BPF计算公式为:

BPF＝Nb×f₀

式中Nb表示某级动叶或静叶的叶片数，f₀表示所对应转子的转频，设压气机、涡轮的动叶、静叶的叶片数共有M个不同取值，则所采集信号的最高频率Fmax应满足：

Fmax≥max{Nb₁,Nb₂,Nb₃，…，Nb_M}。

3.根据权利要求1所述的一种基于机匣宽频振动信号的燃气轮机叶片故障监测预警方法，其特征在于，所述步骤2中，

2.1)冗余字典由离散余弦变换(DCT)、余弦信号、正弦信号共同组成：

DCT函数：

Sin:

Cos:

式中，N表示一组函数波形的样本点数；

2.2)选择在冗余字典上采用匹配追踪算法对振动信号进行M-项近似模拟，信号进行M-项近似稀疏表达消噪的公式如下：

其中，为M－项近似重建的信号，Φ＝[φ₁,φ₂,…，φ_P]为组成字典的基本单位——原子，把长度为N的原始信号f用M个系数和相应的原子来表示，M信号样本点数Ns，R^(M)为重建信号的残差，鉴于叶片通过频率均为谐波成分，选择由离散余弦变换(DCT)、余弦信号、正弦信号组合构成的冗余字典，考虑到叶片通过频率不超过50个，M取为50，为保证算法的匹配自适应性和快速收敛性，匹配追踪算法采用弱正交匹配，弱匹配系数设γ为0.6。

4.根据权利要求1所述的一种基于机匣宽频振动信号的燃气轮机叶片故障监测预警方法，其特征在于，所述步骤3中：

通过深度卷积网络在无监督条件下学习稀疏信号中包含的叶片敏感故障信息，敏感特征自学习模型构建过程如下：

3.1)信号处理，将带宽为ΔF_band的宽频信号频谱使用均方根池化降维到1280维，进而训练一个具有稀疏约束的自编码器无监督地对目标频谱进行特征提取：

3.2)网络输入，设训练样本总数为N，将降维后的样本数N×1280矩阵作为网络输入，考虑到每次迭代训练时选择一批(batch)数据而不是单一数据或是全部数据进行训练，每次迭代训练时随机选择组数batch＝10的数据作为输入X；

3.3)网络结构

a.第一部分，7层卷积+池化层，每层卷积窗口数量分别为64、64、128、64、32、16、16，同时为了保证网络每层神经元几乎为相同的分布，使用批归一化在每个池化层后进行归一化处理；

b.第二部分，全连接层，将第一部分输出的batch×160矩阵全连接至形状为batch×20的矩阵，并将这20个神经元作为自编码器降维编码的输出，第一第二部分相加为编码器部分，也即实现了20个抽象特征的提取；

c.第三部分，解码器部分，首先是一个将batch×20作为输入，batch×160作为输出的全连接层，接着连接7个2步长转置卷积层，每一个转置卷积层相当于作为第一部分中卷积+池化层的逆向操作，其窗口数量与第一部分互为镜像，第三部分输出一个与输入形状完全相同的矩阵X^/；

3.4)网络训练

a.定义损失函数，分为两部分：第一部分为MSE(X,X^/)，为X与X^/间的均方根误差，第二部分为对第一部分训练参数的L1正则化，增加网络的稀疏性，保证编码器提取更加重要的特征；

b.使用Adam优化器以batch＝10取样进行训练，经过20000次训练，以获得较好的重构效果，确保自编码器学习到了频谱产生的规律；

c.编码器全连接层输出的样本数N×20个抽象特征，从20组特征中人工筛选出具有显著变化的3个抽象特征。