一种汽轮机叶轮缺陷分类方法与流程

本发明涉及汽轮机叶轮超缺陷分类领域，尤其涉及一种基于rbf(径向基函数)神经网络的汽轮机叶轮缺陷分类方法。

背景技术：

自从1972年被首次发现以来，汽轮机中的应力腐蚀开裂一直是相关领域研究人员关注的问题。由于汽轮机长期工作在高温高压环境下，其叶轮部分在应力和腐蚀的同时作用下很容易形成缺陷^[1]，而其一旦产生，就会随着汽轮机的持续工作不断扩展，最终可能会使叶片飞裂，造成难以估量的人身和财产损失。因此，汽轮机的日常安全检测尤为重要。

研究表明，汽轮机叶轮轮缘拐角位置所受的应力最大，最容易形成裂纹^[2]。但该位置特殊，且汽轮机尺寸巨大(直径1-2米)不允许拆卸检测，普通方法难以有效探测到缺陷。超声相控阵技术具有检测速度快、扫查范围大、分辨率高、适用于复杂构件检测等优点，能够满足汽轮机叶轮缺陷检测中的要求，因此得到了广泛应用和研究^[3-5]。

缺陷定量是无损评价中的一项关键工作，获取缺陷的大小、角度等信息不仅可以更客观的评价当前被测对象的健康状况，更能预测该位置所受应力、裂纹的发展方向和工作寿命等^[6]。传统方法是通过回波幅值来确定缺陷大小，然而该方法误差很大，只能得到缺陷的当量尺寸，缺陷角度更是无法准确得到。因此，在对缺陷没有先验知识的情况下，通过提取超声回波信号特征进行人工智能识别有很重要的意义。

技术实现要素：

本发明提供了一种汽轮机叶轮缺陷分类方法，本发明通过提取一系列信号时域无量纲特征、小波包能量谱特征和小波包分形维数特征构建信号的特征向量，将其输入到神经网络中对缺陷大小和角度进行自动识别和分类，达到快速、准确、有效评估缺陷危害性的目的，详见下文描述：

一种汽轮机叶轮缺陷分类方法，所述缺陷分类方法基于径向基函数神经网络，所述缺陷分类方法包括以下步骤：

从缺陷回波信号中提取由偏斜度指标、峭度指标、峰值指标、波形指标、脉冲指标、以及裕度指标表示的6个时域无量纲特征；

对缺陷回波信号进行小波包分解，选取前四个频带的能量作为4个小波包特征；

将小波包分解与分形理论相结合，采用盒维数来表征不同的缺陷信号，获取4个分形盒维数；

将6个时域无量纲特征、4个小波包特征以及4个分形盒维数共计14个特征，组成特征向量，输入到rbf神经网络中进行人工智能缺陷分类识别。

其中，所述缺陷分类方法还包括：

搭建用于实验室分析的汽轮机叶轮超声相控阵缺陷检测系统，获取由被测试件缺陷位置反射的缺陷回波信号。

其中，所述输入到rbf神经网络中进行人工智能缺陷分类识别的步骤具体为：

选择高斯函数为径向基函数，进行rbf神经网络训练和识别。

本发明提供的技术方案的有益效果是：

1、在汽轮机叶轮缺陷超声检测中，难以仅通过回波信号准确判断缺陷大小和角度等信息，因此缺陷的智能识别有很重要的意义。本发明将rbf神经网络应用到汽轮机叶轮超声相控阵信号分类识别领域，取得了令人满意的效果；

2、本发明加工了适用于实验室检测的汽轮机叶轮模拟试块，在沟槽位置使用edm(电火花)加工了9种不同角度和大小的人工缺陷用于识别分类；

3、本发明提取了信号的偏斜度、峭度、峰值指标、波性指标、脉冲指标、以及裕度指标6个时域无量纲特征，充分挖掘了信号本身的特性；

4、本发明对信号进行了小波包分解，计算了各频带能量并提取主要的前四个能量频带作为信号特征，同时结合分形理论，计算了信号的小波包分形维数；

5、本发明对每个缺陷采集了大量样本，共提取了信号的14个特征值组成特征向量输入神经网络进行识别，结果表明，缺陷大小的识别误差为5.387％，缺陷角度识别误差为6.249％，具有很高的准确率，完全满足工业检测需求。

附图说明

图1为汽轮机叶轮缺陷分类方法的流程图；

图2为汽轮机叶轮模拟试块尺寸和三维模型示意图；

图3为超声相控阵实时检测校正b扫图；

图4为no.3缺陷时域信号图；

图5为所有缺陷信号小波包分解频带能量分布图；

图6(a)为缺陷大小评估结果图；

图6(b)为缺陷角度评估结果图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

径向基函数(rbf)神经网络是一种结构简单、训练快速、学习收敛速度快的前向型神经网络，在非线性逼近、分类能力和学习速度等方面均优于反向(bp)神经网络，已被广泛应用于缺陷模式识别领域。因此，本发明实施例使用rbf神经网络对汽轮机叶轮缺陷信号进行分类识别。

实施例1

一种汽轮机叶轮缺陷分类方法，参见图1，该缺陷分类方法基于径向基函数神经网络，该缺陷分类方法包括以下步骤：

101：从缺陷回波信号中提取由偏斜度指标、峭度指标、峰值指标、波形指标、脉冲指标、以及裕度指标表示的6个时域无量纲特征；

102：对缺陷回波信号进行小波包分解，选取前四个频带的能量作为4个小波包特征；

103：将小波包分解与分形理论相结合，采用盒维数来表征不同的缺陷信号，获取4个分形盒维数；

104：将6个时域无量纲特征、4个小波包特征以及4个分形盒维数共计14个特征，组成特征向量，输入到rbf神经网络中进行人工智能缺陷分类识别。

综上所述，本发明实施例通过上述步骤101-步骤104提取一系列缺陷回波信号时域无量纲特征、小波包能量谱特征和小波包分形维数特征构，共同建缺陷回波信号的特征向量，将特征向量输入到神经网络中对缺陷大小和角度进行自动识别和分类，达到快速、准确、有效评估缺陷危害性。

实施例2

201：搭建用于实验室分析的汽轮机叶轮超声相控阵缺陷检测系统，获取由被测试件缺陷位置反射的超声相控阵信号用于后续分析；

该步骤的详细操作为：

1)截取汽轮机叶轮一小部分并制作等比例的模拟试块，材料为20#钢，构件尺寸和三维模型如图2所示。使用edm加工技术在试件两侧沟槽拐角的位置加工9个裂纹缺陷，裂纹尺寸和角度见表1。

表1检测试块edm裂纹尺寸及角度

其中，上述三维模型、加工9个裂纹缺陷的操作为本领域技术人员所公知，本发明实施例对此不做赘述；且，上述的尺寸仅起说明作用，本发明实施例对此不做限制。

2)搭建超声相控阵缺陷检测系统；

其中，该检测系统包括：m2m公司生产的multi2000超声相控阵检测仪、含36度树脂楔块的olympus公司生产的5l-64-38线性相控阵探头、含edm加工裂纹的模拟试块和上位机。

本发明实施例仅是对检测仪、相控阵探头的型号进行了说明，其余部分的器件均为本领域技术人员所公知，整个检测系统的结构也是本领域技术人员所熟知，本发明实施例对此不做赘述。

3)采用线性扫描对缺陷进行检测；

其中，探头中心频率为5mhz，采样频率为100mhz，仪器检测结果如图3所示。具体实现时，还可以采用其他的探头中心频率和采样频率，本发明实施例对此不做限制。

4)所有缺陷检测完毕，提取9个裂纹位置的缺陷回波信号进行后续分析。

其中，本发明实施例对相控阵检测仪、换能器等的型号不做限制，只要能完成上述功能的器件均可。

202：从缺陷回波信号中提取6个时域无量纲特征；

具体实现时，用偏斜度指标s、峭度指标k、峰值指标cf、波形指标sf、脉冲指标if、以及裕度指标clf，这6个参数表示6个时域无量纲特征。

该步骤的详细操作为：

1)设信号序列为x＝[x1,x2,…xn,…xn]，n为信号长度，首先提取信号的偏斜度指标s，该指标可以反映信号偏离正态分布的程度：

其中，表示信号的平均值，σ是标准偏差。

2)提取信号的峭度指标k，该指标反映信号的陡峭程度：

3)提取信号的峰值指标cf：

4)提取信号的波形指标sf：

5)提取信号的脉冲指标if：

6)提取信号的裕度指标clf：

7)以3号缺陷的一个样本为例，其时域信号如图4所示，使用步骤1)到步骤6)中公式计算得到s＝0.3283，k＝28.6977，cf＝0.0626，sf＝2.7780，if＝0.1739，clf＝0.3326。

203：对缺陷回波信号进行小波包分解，提取各个频带的能量，选取前四个频带的能量作为4个小波包特征向量；

小波包分解可以将信号频带进行多层次划分，能够根据信号特征自适应地选择相应频带使之与信号频谱匹配，本发明实施例提供了一种比小波分解更为精细的刻画信号高频部分的方法，从而提高了时频分辨率。本发明实施例通过对缺陷回波信号进行小波包分解，提取各个频带的能量，构建特征向量。

该步骤的详细操作为：

1)对缺陷回波信号做4层小波包分解，得到16个频带的分解系数：s1,s2,…si,…s16；

2)计算每个频带的能量，并将其按照从低频到高频排列为ei(i＝1,2,…16)；

其中，l为各频带系数个数，sil为si频带中第l个系数的幅值。

3)求各频带归一化能量

4)使用sym4(近似对称的紧支集正交小波)小波基对9个缺陷信号进行小波包分解，得到各自的16个归一化频带能量结果如图5所示。

即图5中包括编号no.1-no.9共9个子图，每个子图由16个柱状图组成，因部分归一化频带能量很低，在图中不能明显看出对应的柱状图。从9个子图中可以看出各缺陷的能量主要集中在前四个频带(即前四个柱状图)，因此本发明实施例提取前四个频带的能量作为小波包特征。

204：将小波包分解与分形理论相结合，采用分形维数计算中应用最广泛、计算较简便的盒维数来表征不同的缺陷信号，获取4个分形盒维数；

分形理论可以用来分析非平稳、非线性、不规则的信号，可对信号从整体到局部、从宏观至微观逐层刻画。本发明实施例将小波包分解与分形理论相结合，采用分形维数计算中应用最广泛、计算较简便的盒维数来表征不同的缺陷信号。该步骤的详细操作为：

1)缺陷回波信号x的盒维数dimbx的计算是一个用正方形网格覆盖信号的过程：

其中，δ是单元格边长，nδ(x)是完全覆盖信号所需的最小网格数。

2)由于实际计算中只能取有限的δ，可通过求一系列的nδl(x)和δl，然后在双对数坐标中使用最小二乘法拟合直线，所得直线斜率的负数就是分形盒维数。

其中，δ为信号的采样间隔，l＝1,2,3…l(l＜n)依次为各单元格的边长；nδl(x)为实际应用中覆盖长度为vl的信号所需的最小网格数；双对数坐标、最小二乘法均为本领域技术人员所公知，本发明实施例对此不做赘述。

3)计算203中得到的小波包前四个能量频带的分形盒维数，分别记为d1、d2、d3、d4。

205：将步骤202到步骤205中提取的共计14个特征组成特征向量，输入到rbf神经网络中进行人工智能缺陷分类识别；

即，步骤202中获取到的6个时域无量纲特征、步骤203中的4个小波包特征，以及步骤204中的4个分形盒维数，总计14个特征组成本步骤205中的特征向量，输入到rbf神经网络中。

该步骤的详细操作为：

1)本发明实施例对每一个缺陷共采集240个样本信号，其中192个用来训练神经网络，其余用来测试评估；

本发明实施例对采集的样本信号的数量、选取用来训练神经网络的样本信号的数量不做限制，仅以240、以及192为例进行说明，具体实现时，根据实际应用中的需要进行设定。

2)对每个样本做步骤202到步骤204中的分析，提取所有特征组成向量t＝[s,k,cf,sf,if,clf,e1',e2',e3',e4',d1,d2,d3,d4]，将其作为神经网络的输入；

3)选择高斯函数为径向基函数，进行rbf神经网络训练和识别，图6(a)所示为其中一次测试中缺陷大小的评估结果，图6(b)为缺陷角度的评估结果，从中可看出评估值与目标值很接近。

4)对所有48个测试样本进行识别，并计算评估结果与目标值的百分比均方根误差：

其中，pn为测试样本值，qn为神经网络输出的评估值。

通过上述公式计算，可以得出缺陷大小识别误差为5.387％，缺陷角度识别误差为6.249％，均具有很高的准确率。

综上所述，本发明实施例通过上述步骤201-步骤205提取一系列缺陷回波信号时域无量纲特征、小波包能量谱特征和小波包分形维数特征，共同构建缺陷回波信号的特征向量，将特征向量输入到神经网络中对缺陷大小和角度进行自动识别和分类，达到快速、准确、有效评估缺陷危害性。

以上所述仅为本发明的较佳理想例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。

参考文献

[1]moritaa,kagawah,sugawaram,etal.evaluationofcorrosionfatiguecrackpropagationlifeatlow-pressuresteamturbinerotorgroove[j].engineeringfracturemechanics,2006,73(12):1615-1628.

[2]yangs,yoonb,kimy.usingphasedarrayultrasonictechniquefortheinspectionofstraddlemount-typelow-pressureturbinedisc[j].ndt&einternational,2009,42(2):128-132.

[3]陈世利,常文爽,靳世久.汽轮机轮缘超声相控阵检测中缺陷方向识别[j].纳米技术与精密工程,2013,11(4):328-333.

[4]张益成,邱进杰,蔡家藩,等.核电枞树型汽轮机叶片根部的超声相控阵检测技术[j].无损检测,2014,36(9):38-41.

[5]黄桥生,陈红冬,龙毅,等.汽轮机枞树型叶根超声相控阵检测新技术[j].现代电子技术,2012,35(19):114-116.

[6]paismj,vianafac,kimnh.enablinghigh-orderintegrationoffatiguecrackgrowthwithsurrogatemodeling[j].internationaljournaloffatigue,2012,43(10):150-159.

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。