技术特征：
1.一种用于叶片振动测量的叶尖定时到达时刻的获取方法，其特征在于，包括以下步骤：获取叶尖位移时间采样序列；所述叶尖位移时间采样序列中每个采样点均包括采样时间和叶尖位移；将所述原始叶尖位移时间采样序列输入预训练好的神经网络模型中，所述神经网络模型输出叶尖定时到达时刻；其中，所述神经网络模型包括：降噪模块，用于输入所述原始叶尖位移时间采样序列，采用平滑滤波方法、完全集合经验模态分解方法及奇异值分解法复合降噪处理，输出降噪后的叶尖位移时间采样序列；一维卷积神经网络，用于输入所述降噪后的叶尖位移时间采样序列，输出对应的叶尖定时到达时刻。2.根据权利要求1所述的一种用于叶片振动测量的叶尖定时到达时刻的获取方法，其特征在于，所述采用平滑滤波方法、完全集合经验模态分解方法及奇异值分解法复合降噪处理的具体步骤包括：(1)采用平滑滤波方法，综合考虑信号去噪效果与振动位移辨识偏差设计窗口宽度，将原始叶尖位移时间采样序列进行平滑处理，获得平滑处理后的信号；(2)采用完全集合经验模态分解方法将所述平滑处理后的信号分解，使用熵权法对基本模式分量进行权重计算，获得干净信号分量和噪声分量；(3)采用奇异值分解法对所述噪声分量做奇异值分解来提取噪声中的有用信息，获得去噪后的噪声分量；(4)将干净信号分量与去噪后的噪声分量融合，获得降噪后的叶尖位移时间采样序列。3.根据权利要求2所述的一种用于叶片振动测量的叶尖定时到达时刻的获取方法，其特征在于，所述步骤(3)具体包括：将噪声分量转换为m
×
n的矩阵，并对矩阵做傅里叶变换将其转换为频域矩阵h以体现原信号的特征频率；对频域矩阵h做svd分解，表达式为，h＝usv
t
；式中，u表示m
×
m阶正交阵；v表示n
×
n阶正交阵；s表示对角矩阵；t表示转置；通过选取奇异值实现高频噪声去除。4.根据权利要求1所述的一种用于叶片振动测量的叶尖定时到达时刻的获取方法，其特征在于，所述预训练好的神经网络模型的获取步骤包括：获取训练样本集；所述训练样本集中的每个训练样本均包括：样本叶尖位移时间序列和对应的叶尖定时到达时刻标签；每个样本叶尖位移时间序列的每个采样点均包括时刻值及对应的幅值；所述对应的叶尖定时到达时刻标签的获取步骤包括：基于采用平滑滤波方法、完全集合经验模态分解方法及奇异值分解法复合降噪处理后的样本叶尖位移时间序列，获取截断区间；其中，所述截断区间为样本叶尖位移时间序列中所有脉冲信号曲线上升段且包括预设阈值的区间；基于所述截断区间获取采样点的时刻值和幅值；基于样本叶尖位移时间序列的单个脉冲信号的采样点的时刻和幅值，采用最小二乘法
进行线性拟合，获得拟合直线；基于所述预设阈值和所述拟合直线，获得所述对应的叶尖定时到达时刻标签。5.一种用于叶片振动测量的叶尖定时到达时刻的获取系统，其特征在于，包括：数据获取模块，用于获取叶尖位移时间采样序列；所述叶尖位移时间采样序列中每个采样点均包括采样时间和叶尖位移；结果获取模块，用于将所述原始叶尖位移时间采样序列输入预训练好的神经网络模型中，所述神经网络模型输出叶尖定时到达时刻；其中，所述神经网络模型包括：降噪模块，用于输入所述原始叶尖位移时间采样序列，采用平滑滤波方法、完全集合经验模态分解方法及奇异值分解法复合降噪处理，输出降噪后的叶尖位移时间采样序列；一维卷积神经网络，用于输入所述降噪后的叶尖位移时间采样序列，输出对应的叶尖定时到达时刻。6.根据权利要求5所述的一种用于叶片振动测量的叶尖定时到达时刻的获取系统，其特征在于，所述采用平滑滤波方法、完全集合经验模态分解方法及奇异值分解法复合降噪处理的具体步骤包括：(1)采用平滑滤波方法，综合考虑信号去噪效果与振动位移辨识偏差设计窗口宽度，将原始叶尖位移时间采样序列进行平滑处理，获得平滑处理后的信号；(2)采用完全集合经验模态分解方法将所述平滑处理后的信号分解，使用熵权法对基本模式分量进行权重计算，获得干净信号分量和噪声分量；(3)采用奇异值分解法对所述噪声分量做奇异值分解来提取噪声中的有用信息，获得去噪后的噪声分量；(4)将干净信号分量与去噪后的噪声分量融合，获得降噪后的叶尖位移时间采样序列。7.根据权利要求6所述的一种用于叶片振动测量的叶尖定时到达时刻的获取系统，其特征在于，所述步骤(3)具体包括：将噪声分量转换为m
×
n的矩阵，并对矩阵做傅里叶变换将其转换为频域矩阵h以体现原信号的特征频率；对频域矩阵h做svd分解，表达式为，h＝usv
t
；式中，u表示m
×
m阶正交阵；v表示n
×
n阶正交阵；s表示对角矩阵；t表示转置；通过选取奇异值实现高频噪声去除。8.根据权利要求5所述的一种用于叶片振动测量的叶尖定时到达时刻的获取系统，其特征在于，所述预训练好的神经网络模型的获取步骤包括：获取训练样本集；所述训练样本集中的每个训练样本均包括：样本叶尖位移时间序列和对应的叶尖定时到达时刻标签；每个样本叶尖位移时间序列的每个采样点均包括时刻值及对应的幅值；所述对应的叶尖定时到达时刻标签的获取步骤包括：基于采用平滑滤波方法、完全集合经验模态分解方法及奇异值分解法复合降噪处理后的样本叶尖位移时间序列，获取截断区间；其中，所述截断区间为样本叶尖位移时间序列中所有脉冲信号曲线上升段且包括预设阈值的区间；基于所述截断区间获取采样点的时刻值和幅值；
基于样本叶尖位移时间序列的单个脉冲信号的采样点的时刻和幅值，采用最小二乘法进行线性拟合，获得拟合直线；基于所述预设阈值和所述拟合直线，获得所述对应的叶尖定时到达时刻标签。
技术总结
本发明公开了一种用于叶片振动测量的叶尖定时到达时刻的获取方法及系统，所述方法包括以下步骤：获取叶尖位移时间采样序列，所述叶尖位移时间采样序列中每个采样点均包括采样时间和叶尖位移；将所述原始叶尖位移时间采样序列输入预训练好的神经网络模型中，所述神经网络模型输出叶尖定时到达时刻。本发明公开的基于降噪信号的卷积神经网络叶尖定时到达时刻计算方法中，首先对叶尖定时测量信号进行降噪处理，然后采用训练好的卷积神经网络输出结果，能够实现叶尖到达时刻的快速且准确的计算。算。算。
技术研发人员：张荻 朱光亚 刘铸锋 谢永慧
受保护的技术使用者：西安交通大学
技术研发日：2022.05.05
技术公布日：2022/7/29