本發(fā)明涉及汽輪機(jī)葉輪超缺陷分類領(lǐng)域，尤其涉及一種基于rbf(徑向基函數(shù))神經(jīng)網(wǎng)絡(luò)的汽輪機(jī)葉輪缺陷分類方法。

背景技術(shù)：

自從1972年被首次發(fā)現(xiàn)以來(lái)，汽輪機(jī)中的應(yīng)力腐蝕開(kāi)裂一直是相關(guān)領(lǐng)域研究人員關(guān)注的問(wèn)題。由于汽輪機(jī)長(zhǎng)期工作在高溫高壓環(huán)境下，其葉輪部分在應(yīng)力和腐蝕的同時(shí)作用下很容易形成缺陷^[1]，而其一旦產(chǎn)生，就會(huì)隨著汽輪機(jī)的持續(xù)工作不斷擴(kuò)展，最終可能會(huì)使葉片飛裂，造成難以估量的人身和財(cái)產(chǎn)損失。因此，汽輪機(jī)的日常安全檢測(cè)尤為重要。

研究表明，汽輪機(jī)葉輪輪緣拐角位置所受的應(yīng)力最大，最容易形成裂紋^[2]。但該位置特殊，且汽輪機(jī)尺寸巨大(直徑1-2米)不允許拆卸檢測(cè)，普通方法難以有效探測(cè)到缺陷。超聲相控陣技術(shù)具有檢測(cè)速度快、掃查范圍大、分辨率高、適用于復(fù)雜構(gòu)件檢測(cè)等優(yōu)點(diǎn)，能夠滿足汽輪機(jī)葉輪缺陷檢測(cè)中的要求，因此得到了廣泛應(yīng)用和研究^[3-5]。

缺陷定量是無(wú)損評(píng)價(jià)中的一項(xiàng)關(guān)鍵工作，獲取缺陷的大小、角度等信息不僅可以更客觀的評(píng)價(jià)當(dāng)前被測(cè)對(duì)象的健康狀況，更能預(yù)測(cè)該位置所受應(yīng)力、裂紋的發(fā)展方向和工作壽命等^[6]。傳統(tǒng)方法是通過(guò)回波幅值來(lái)確定缺陷大小，然而該方法誤差很大，只能得到缺陷的當(dāng)量尺寸，缺陷角度更是無(wú)法準(zhǔn)確得到。因此，在對(duì)缺陷沒(méi)有先驗(yàn)知識(shí)的情況下，通過(guò)提取超聲回波信號(hào)特征進(jìn)行人工智能識(shí)別有很重要的意義。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供了一種汽輪機(jī)葉輪缺陷分類方法，本發(fā)明通過(guò)提取一系列信號(hào)時(shí)域無(wú)量綱特征、小波包能量譜特征和小波包分形維數(shù)特征構(gòu)建信號(hào)的特征向量，將其輸入到神經(jīng)網(wǎng)絡(luò)中對(duì)缺陷大小和角度進(jìn)行自動(dòng)識(shí)別和分類，達(dá)到快速、準(zhǔn)確、有效評(píng)估缺陷危害性的目的，詳見(jiàn)下文描述：

一種汽輪機(jī)葉輪缺陷分類方法，所述缺陷分類方法基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，所述缺陷分類方法包括以下步驟：

從缺陷回波信號(hào)中提取由偏斜度指標(biāo)、峭度指標(biāo)、峰值指標(biāo)、波形指標(biāo)、脈沖指標(biāo)、以及裕度指標(biāo)表示的6個(gè)時(shí)域無(wú)量綱特征；

對(duì)缺陷回波信號(hào)進(jìn)行小波包分解，選取前四個(gè)頻帶的能量作為4個(gè)小波包特征；

將小波包分解與分形理論相結(jié)合，采用盒維數(shù)來(lái)表征不同的缺陷信號(hào)，獲取4個(gè)分形盒維數(shù)；

將6個(gè)時(shí)域無(wú)量綱特征、4個(gè)小波包特征以及4個(gè)分形盒維數(shù)共計(jì)14個(gè)特征，組成特征向量，輸入到rbf神經(jīng)網(wǎng)絡(luò)中進(jìn)行人工智能缺陷分類識(shí)別。

其中，所述缺陷分類方法還包括：

搭建用于實(shí)驗(yàn)室分析的汽輪機(jī)葉輪超聲相控陣缺陷檢測(cè)系統(tǒng)，獲取由被測(cè)試件缺陷位置反射的缺陷回波信號(hào)。

其中，所述輸入到rbf神經(jīng)網(wǎng)絡(luò)中進(jìn)行人工智能缺陷分類識(shí)別的步驟具體為：

選擇高斯函數(shù)為徑向基函數(shù)，進(jìn)行rbf神經(jīng)網(wǎng)絡(luò)訓(xùn)練和識(shí)別。

本發(fā)明提供的技術(shù)方案的有益效果是：

1、在汽輪機(jī)葉輪缺陷超聲檢測(cè)中，難以僅通過(guò)回波信號(hào)準(zhǔn)確判斷缺陷大小和角度等信息，因此缺陷的智能識(shí)別有很重要的意義。本發(fā)明將rbf神經(jīng)網(wǎng)絡(luò)應(yīng)用到汽輪機(jī)葉輪超聲相控陣信號(hào)分類識(shí)別領(lǐng)域，取得了令人滿意的效果；

2、本發(fā)明加工了適用于實(shí)驗(yàn)室檢測(cè)的汽輪機(jī)葉輪模擬試塊，在溝槽位置使用edm(電火花)加工了9種不同角度和大小的人工缺陷用于識(shí)別分類；

3、本發(fā)明提取了信號(hào)的偏斜度、峭度、峰值指標(biāo)、波性指標(biāo)、脈沖指標(biāo)、以及裕度指標(biāo)6個(gè)時(shí)域無(wú)量綱特征，充分挖掘了信號(hào)本身的特性；

4、本發(fā)明對(duì)信號(hào)進(jìn)行了小波包分解，計(jì)算了各頻帶能量并提取主要的前四個(gè)能量頻帶作為信號(hào)特征，同時(shí)結(jié)合分形理論，計(jì)算了信號(hào)的小波包分形維數(shù)；

5、本發(fā)明對(duì)每個(gè)缺陷采集了大量樣本，共提取了信號(hào)的14個(gè)特征值組成特征向量輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別，結(jié)果表明，缺陷大小的識(shí)別誤差為5.387％，缺陷角度識(shí)別誤差為6.249％，具有很高的準(zhǔn)確率，完全滿足工業(yè)檢測(cè)需求。

附圖說(shuō)明

圖1為汽輪機(jī)葉輪缺陷分類方法的流程圖；

圖2為汽輪機(jī)葉輪模擬試塊尺寸和三維模型示意圖；

圖3為超聲相控陣實(shí)時(shí)檢測(cè)校正b掃圖；

圖4為no.3缺陷時(shí)域信號(hào)圖；

圖5為所有缺陷信號(hào)小波包分解頻帶能量分布圖；

圖6(a)為缺陷大小評(píng)估結(jié)果圖；

圖6(b)為缺陷角度評(píng)估結(jié)果圖。

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面對(duì)本發(fā)明實(shí)施方式作進(jìn)一步地詳細(xì)描述。

徑向基函數(shù)(rbf)神經(jīng)網(wǎng)絡(luò)是一種結(jié)構(gòu)簡(jiǎn)單、訓(xùn)練快速、學(xué)習(xí)收斂速度快的前向型神經(jīng)網(wǎng)絡(luò)，在非線性逼近、分類能力和學(xué)習(xí)速度等方面均優(yōu)于反向(bp)神經(jīng)網(wǎng)絡(luò)，已被廣泛應(yīng)用于缺陷模式識(shí)別領(lǐng)域。因此，本發(fā)明實(shí)施例使用rbf神經(jīng)網(wǎng)絡(luò)對(duì)汽輪機(jī)葉輪缺陷信號(hào)進(jìn)行分類識(shí)別。

實(shí)施例1

一種汽輪機(jī)葉輪缺陷分類方法，參見(jiàn)圖1，該缺陷分類方法基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，該缺陷分類方法包括以下步驟：

101：從缺陷回波信號(hào)中提取由偏斜度指標(biāo)、峭度指標(biāo)、峰值指標(biāo)、波形指標(biāo)、脈沖指標(biāo)、以及裕度指標(biāo)表示的6個(gè)時(shí)域無(wú)量綱特征；

102：對(duì)缺陷回波信號(hào)進(jìn)行小波包分解，選取前四個(gè)頻帶的能量作為4個(gè)小波包特征；

103：將小波包分解與分形理論相結(jié)合，采用盒維數(shù)來(lái)表征不同的缺陷信號(hào)，獲取4個(gè)分形盒維數(shù)；

104：將6個(gè)時(shí)域無(wú)量綱特征、4個(gè)小波包特征以及4個(gè)分形盒維數(shù)共計(jì)14個(gè)特征，組成特征向量，輸入到rbf神經(jīng)網(wǎng)絡(luò)中進(jìn)行人工智能缺陷分類識(shí)別。

綜上所述，本發(fā)明實(shí)施例通過(guò)上述步驟101-步驟104提取一系列缺陷回波信號(hào)時(shí)域無(wú)量綱特征、小波包能量譜特征和小波包分形維數(shù)特征構(gòu)，共同建缺陷回波信號(hào)的特征向量，將特征向量輸入到神經(jīng)網(wǎng)絡(luò)中對(duì)缺陷大小和角度進(jìn)行自動(dòng)識(shí)別和分類，達(dá)到快速、準(zhǔn)確、有效評(píng)估缺陷危害性。

實(shí)施例2

201：搭建用于實(shí)驗(yàn)室分析的汽輪機(jī)葉輪超聲相控陣缺陷檢測(cè)系統(tǒng)，獲取由被測(cè)試件缺陷位置反射的超聲相控陣信號(hào)用于后續(xù)分析；

該步驟的詳細(xì)操作為：

1)截取汽輪機(jī)葉輪一小部分并制作等比例的模擬試塊，材料為20#鋼，構(gòu)件尺寸和三維模型如圖2所示。使用edm加工技術(shù)在試件兩側(cè)溝槽拐角的位置加工9個(gè)裂紋缺陷，裂紋尺寸和角度見(jiàn)表1。

表1檢測(cè)試塊edm裂紋尺寸及角度

其中，上述三維模型、加工9個(gè)裂紋缺陷的操作為本領(lǐng)域技術(shù)人員所公知，本發(fā)明實(shí)施例對(duì)此不做贅述；且，上述的尺寸僅起說(shuō)明作用，本發(fā)明實(shí)施例對(duì)此不做限制。

2)搭建超聲相控陣缺陷檢測(cè)系統(tǒng)；

其中，該檢測(cè)系統(tǒng)包括：m2m公司生產(chǎn)的multi2000超聲相控陣檢測(cè)儀、含36度樹(shù)脂楔塊的olympus公司生產(chǎn)的5l-64-38線性相控陣探頭、含edm加工裂紋的模擬試塊和上位機(jī)。

本發(fā)明實(shí)施例僅是對(duì)檢測(cè)儀、相控陣探頭的型號(hào)進(jìn)行了說(shuō)明，其余部分的器件均為本領(lǐng)域技術(shù)人員所公知，整個(gè)檢測(cè)系統(tǒng)的結(jié)構(gòu)也是本領(lǐng)域技術(shù)人員所熟知，本發(fā)明實(shí)施例對(duì)此不做贅述。

3)采用線性掃描對(duì)缺陷進(jìn)行檢測(cè)；

其中，探頭中心頻率為5mhz，采樣頻率為100mhz，儀器檢測(cè)結(jié)果如圖3所示。具體實(shí)現(xiàn)時(shí)，還可以采用其他的探頭中心頻率和采樣頻率，本發(fā)明實(shí)施例對(duì)此不做限制。

4)所有缺陷檢測(cè)完畢，提取9個(gè)裂紋位置的缺陷回波信號(hào)進(jìn)行后續(xù)分析。

其中，本發(fā)明實(shí)施例對(duì)相控陣檢測(cè)儀、換能器等的型號(hào)不做限制，只要能完成上述功能的器件均可。

202：從缺陷回波信號(hào)中提取6個(gè)時(shí)域無(wú)量綱特征；

具體實(shí)現(xiàn)時(shí)，用偏斜度指標(biāo)s、峭度指標(biāo)k、峰值指標(biāo)cf、波形指標(biāo)sf、脈沖指標(biāo)if、以及裕度指標(biāo)clf，這6個(gè)參數(shù)表示6個(gè)時(shí)域無(wú)量綱特征。

該步驟的詳細(xì)操作為：

1)設(shè)信號(hào)序列為x＝[x1,x2,…xn,…xn]，n為信號(hào)長(zhǎng)度，首先提取信號(hào)的偏斜度指標(biāo)s，該指標(biāo)可以反映信號(hào)偏離正態(tài)分布的程度：

其中，表示信號(hào)的平均值，σ是標(biāo)準(zhǔn)偏差。

2)提取信號(hào)的峭度指標(biāo)k，該指標(biāo)反映信號(hào)的陡峭程度：

3)提取信號(hào)的峰值指標(biāo)cf：

4)提取信號(hào)的波形指標(biāo)sf：

5)提取信號(hào)的脈沖指標(biāo)if：

6)提取信號(hào)的裕度指標(biāo)clf：

7)以3號(hào)缺陷的一個(gè)樣本為例，其時(shí)域信號(hào)如圖4所示，使用步驟1)到步驟6)中公式計(jì)算得到s＝0.3283，k＝28.6977，cf＝0.0626，sf＝2.7780，if＝0.1739，clf＝0.3326。

203：對(duì)缺陷回波信號(hào)進(jìn)行小波包分解，提取各個(gè)頻帶的能量，選取前四個(gè)頻帶的能量作為4個(gè)小波包特征向量；

小波包分解可以將信號(hào)頻帶進(jìn)行多層次劃分，能夠根據(jù)信號(hào)特征自適應(yīng)地選擇相應(yīng)頻帶使之與信號(hào)頻譜匹配，本發(fā)明實(shí)施例提供了一種比小波分解更為精細(xì)的刻畫(huà)信號(hào)高頻部分的方法，從而提高了時(shí)頻分辨率。本發(fā)明實(shí)施例通過(guò)對(duì)缺陷回波信號(hào)進(jìn)行小波包分解，提取各個(gè)頻帶的能量，構(gòu)建特征向量。

該步驟的詳細(xì)操作為：

1)對(duì)缺陷回波信號(hào)做4層小波包分解，得到16個(gè)頻帶的分解系數(shù)：s1,s2,…si,…s16；

2)計(jì)算每個(gè)頻帶的能量，并將其按照從低頻到高頻排列為ei(i＝1,2,…16)；

其中，l為各頻帶系數(shù)個(gè)數(shù)，sil為si頻帶中第l個(gè)系數(shù)的幅值。

3)求各頻帶歸一化能量

4)使用sym4(近似對(duì)稱的緊支集正交小波)小波基對(duì)9個(gè)缺陷信號(hào)進(jìn)行小波包分解，得到各自的16個(gè)歸一化頻帶能量結(jié)果如圖5所示。

即圖5中包括編號(hào)no.1-no.9共9個(gè)子圖，每個(gè)子圖由16個(gè)柱狀圖組成，因部分歸一化頻帶能量很低，在圖中不能明顯看出對(duì)應(yīng)的柱狀圖。從9個(gè)子圖中可以看出各缺陷的能量主要集中在前四個(gè)頻帶(即前四個(gè)柱狀圖)，因此本發(fā)明實(shí)施例提取前四個(gè)頻帶的能量作為小波包特征。

204：將小波包分解與分形理論相結(jié)合，采用分形維數(shù)計(jì)算中應(yīng)用最廣泛、計(jì)算較簡(jiǎn)便的盒維數(shù)來(lái)表征不同的缺陷信號(hào)，獲取4個(gè)分形盒維數(shù)；

分形理論可以用來(lái)分析非平穩(wěn)、非線性、不規(guī)則的信號(hào)，可對(duì)信號(hào)從整體到局部、從宏觀至微觀逐層刻畫(huà)。本發(fā)明實(shí)施例將小波包分解與分形理論相結(jié)合，采用分形維數(shù)計(jì)算中應(yīng)用最廣泛、計(jì)算較簡(jiǎn)便的盒維數(shù)來(lái)表征不同的缺陷信號(hào)。該步驟的詳細(xì)操作為：

1)缺陷回波信號(hào)x的盒維數(shù)dimbx的計(jì)算是一個(gè)用正方形網(wǎng)格覆蓋信號(hào)的過(guò)程：

其中，δ是單元格邊長(zhǎng)，nδ(x)是完全覆蓋信號(hào)所需的最小網(wǎng)格數(shù)。

2)由于實(shí)際計(jì)算中只能取有限的δ，可通過(guò)求一系列的nδl(x)和δl，然后在雙對(duì)數(shù)坐標(biāo)中使用最小二乘法擬合直線，所得直線斜率的負(fù)數(shù)就是分形盒維數(shù)。

其中，δ為信號(hào)的采樣間隔，l＝1,2,3…l(l＜n)依次為各單元格的邊長(zhǎng)；nδl(x)為實(shí)際應(yīng)用中覆蓋長(zhǎng)度為vl的信號(hào)所需的最小網(wǎng)格數(shù)；雙對(duì)數(shù)坐標(biāo)、最小二乘法均為本領(lǐng)域技術(shù)人員所公知，本發(fā)明實(shí)施例對(duì)此不做贅述。

3)計(jì)算203中得到的小波包前四個(gè)能量頻帶的分形盒維數(shù)，分別記為d1、d2、d3、d4。

205：將步驟202到步驟205中提取的共計(jì)14個(gè)特征組成特征向量，輸入到rbf神經(jīng)網(wǎng)絡(luò)中進(jìn)行人工智能缺陷分類識(shí)別；

即，步驟202中獲取到的6個(gè)時(shí)域無(wú)量綱特征、步驟203中的4個(gè)小波包特征，以及步驟204中的4個(gè)分形盒維數(shù)，總計(jì)14個(gè)特征組成本步驟205中的特征向量，輸入到rbf神經(jīng)網(wǎng)絡(luò)中。

該步驟的詳細(xì)操作為：

1)本發(fā)明實(shí)施例對(duì)每一個(gè)缺陷共采集240個(gè)樣本信號(hào)，其中192個(gè)用來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，其余用來(lái)測(cè)試評(píng)估；

本發(fā)明實(shí)施例對(duì)采集的樣本信號(hào)的數(shù)量、選取用來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)的樣本信號(hào)的數(shù)量不做限制，僅以240、以及192為例進(jìn)行說(shuō)明，具體實(shí)現(xiàn)時(shí)，根據(jù)實(shí)際應(yīng)用中的需要進(jìn)行設(shè)定。

2)對(duì)每個(gè)樣本做步驟202到步驟204中的分析，提取所有特征組成向量t＝[s,k,cf,sf,if,clf,e1',e2',e3',e4',d1,d2,d3,d4]，將其作為神經(jīng)網(wǎng)絡(luò)的輸入；

3)選擇高斯函數(shù)為徑向基函數(shù)，進(jìn)行rbf神經(jīng)網(wǎng)絡(luò)訓(xùn)練和識(shí)別，圖6(a)所示為其中一次測(cè)試中缺陷大小的評(píng)估結(jié)果，圖6(b)為缺陷角度的評(píng)估結(jié)果，從中可看出評(píng)估值與目標(biāo)值很接近。

4)對(duì)所有48個(gè)測(cè)試樣本進(jìn)行識(shí)別，并計(jì)算評(píng)估結(jié)果與目標(biāo)值的百分比均方根誤差：

其中，pn為測(cè)試樣本值，qn為神經(jīng)網(wǎng)絡(luò)輸出的評(píng)估值。

通過(guò)上述公式計(jì)算，可以得出缺陷大小識(shí)別誤差為5.387％，缺陷角度識(shí)別誤差為6.249％，均具有很高的準(zhǔn)確率。

綜上所述，本發(fā)明實(shí)施例通過(guò)上述步驟201-步驟205提取一系列缺陷回波信號(hào)時(shí)域無(wú)量綱特征、小波包能量譜特征和小波包分形維數(shù)特征，共同構(gòu)建缺陷回波信號(hào)的特征向量，將特征向量輸入到神經(jīng)網(wǎng)絡(luò)中對(duì)缺陷大小和角度進(jìn)行自動(dòng)識(shí)別和分類，達(dá)到快速、準(zhǔn)確、有效評(píng)估缺陷危害性。

以上所述僅為本發(fā)明的較佳理想例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。

本發(fā)明實(shí)施例對(duì)各器件的型號(hào)除做特殊說(shuō)明的以外，其他器件的型號(hào)不做限制，只要能完成上述功能的器件均可。

參考文獻(xiàn)

[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]陳世利,常文爽,靳世久.汽輪機(jī)輪緣超聲相控陣檢測(cè)中缺陷方向識(shí)別[j].納米技術(shù)與精密工程,2013,11(4):328-333.

[4]張益成,邱進(jìn)杰,蔡家藩,等.核電樅樹(shù)型汽輪機(jī)葉片根部的超聲相控陣檢測(cè)技術(shù)[j].無(wú)損檢測(cè),2014,36(9):38-41.

[5]黃橋生,陳紅冬,龍毅,等.汽輪機(jī)樅樹(shù)型葉根超聲相控陣檢測(cè)新技術(shù)[j].現(xiàn)代電子技術(shù),2012,35(19):114-116.

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

本領(lǐng)域技術(shù)人員可以理解附圖只是一個(gè)優(yōu)選實(shí)施例的示意圖，上述本發(fā)明實(shí)施例序號(hào)僅僅為了描述，不代表實(shí)施例的優(yōu)劣。

以上所述僅為本發(fā)明的較佳實(shí)施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。