[发明专利]基于叶尖定时和随机森林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优化随机森林模型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；将正、负类样本进行样本均衡后送入随机森林分类器进行训练，利用网格搜索和袋外误差验证方法进行随机森林分类器的超参数优化，建立优化随机森林分类模型；通过优化随机森林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。包括下列步骤：

(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；

(4)将无裂纹叶片的振动数据设置为正类样本，样本标签标记为0；将有裂纹叶片的振动数据设置为负类样本，样本标签标记为1；

(5)由于正类样本远多于负类样本，而利用叶尖定时技术获得的叶片振动数据是连续和渐变的，且不存在数据缺失情况，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，是不同时刻的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)将训练集送入随机森林分类器，随机森林通过对训练集中样本进行随机有放回采样生成每颗决策树的子训练集，子训练集中的样本数量与训练集相同，对于每个子训练集，训练集的一部分样本在随机有放回采样过程中不会出现在该子训练集中，这些样本被称为袋外数据，由于采用了样本随机采样，因此每个子训练集均不相同；

(7)对训练集样本的特征进行随机采样，生成每个子训练集的样本特征，每个子训练集中样本特征的数量相同，特征内容不同；

(8)决策树的数量和每个子训练集的样本特征数量是随机森林分类器的两个主要超参数，采用网格搜索方法并结合袋外数据对这两个主要超参数进行优化，将决策树的数量和每个子训练集的样本特征数量作为两个主要超参数各自的搜索区间，并将两个主要超参数的步长均设置为1，将袋外数据作为验证样本，通过遍历搜索方法将全部可能的超参数组合逐一输入随机森林模型，利用袋外数据对超参数组合的性能进行逐一验证，通过对比每组超参数组合对应的袋外数据分类精度，选择袋外数据分类精度最高的一组超参数作为最优超参数组合，并使用最优超参数组合建立优化随机森林分类模型；

(9)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，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实时叶片振动数据；

(10)将工作状态测得的实时叶片振动数据作为待测样本，送入叶片状态监测系统中的优化随机森林分类模型，通过优化随机森林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。