[发明专利]一种汽轮机叶片水蚀缺陷监测与识别方法

权利要求书

1.一种汽轮机叶片水蚀缺陷监测与识别方法，其特征在于，包括以下步骤：

步骤一，采样建模入库

采样建模入库分为实验测量、数值模拟和数据训练三个阶段，具体如下：

(1-1)首先确定目标材料，然后加工出符合要求的试样，将试样进行水蚀实验，并获得试样各时刻的失重数据与水蚀缺陷三维显微形貌图；通过对实验数据的回归分析，得到撞击角度、撞击速度、液滴尺寸、试样粗糙度对水蚀失重和水蚀缺陷特征尺寸的影响程度和函数关系式，同时将实验所得的水蚀缺陷三维显微形貌图与实际汽轮机的水蚀形貌进行对比，修正函数关系式；

(1-2)基于实验所得函数关系式，利用有限元分析软件，建立带水蚀缺陷的叶片振动模型，并进行数值模拟分析，得到带不同位置、不同尺寸水蚀缺陷的叶片振动模型，建立一个水蚀缺陷组合X-振动信号波形图Y数据库；

(1-3)基于水蚀缺陷组合X-振动信号波形图Y数据库，整合并划分数据集，构建ResNet-GRU网络进行神经网络训练，根据不同的水蚀缺陷组合划分水蚀程度的评价机制，整体评估汽轮机运行的安全性等级；具体包括四个子步骤：

首先整合数据，将水蚀缺陷组合X及其对应的叶片振动信号波形图Y进行封装，然后按照训练集/验证集＝3.0的比例，将图片集分为训练集数据{X_t}_train、{Y_t}_train和验证集数据{X_t}_validation、{Y_t}_validation；

然后建立ResNet-GRU神经网络结构，由数值模拟得到的特征叶片振动信号波形图传入ResNet神经网络后，通过特征提取器的处理，形成包含振动信号波形图特征的数据，而经过处理后的输入信息传入到GRU神经网络中，进行迭代学习获得有效的特征；

接下来训练网络：通过Adam梯度下降算法，设置可变学习率优化交叉损失函数来训练网络；

最后基于神经网络预测得到的水蚀特征深度分布结果，建立水蚀缺陷评价机制，将带不同水蚀缺陷叶片的振动信号波形图，进一步归类在汽轮机运行的安全性等级下，且分为三个等级：异常、低效、危险运行；

步骤二，实际运行分析

利用现场设备采集叶片振动信号波形图，利用分析库中的评价机制，整体评估机组运行的安全等级，从而决定是否进行停机检修，更换叶片或强化层。

2.根据权利要求1所述的一种汽轮机叶片水蚀缺陷监测与识别方法，其特征在于，步骤一的实验测量阶段(1-1)中，由高速水蚀旋转实验得到经过加速水蚀测试的试样；由精密天平测量得到试样的失重数据；由单反数码相机拍摄得到试样表面的宏观侵蚀形貌；由3D超景深显微镜拍摄得到试样水蚀缺陷的三维显微形貌；通过截取水蚀缺陷三维显微形貌图的特征截面定义缺陷的特征宽度和特征深度。

3.根据权利要求2所述的一种汽轮机叶片水蚀缺陷监测与识别方法，其特征在于，对实验所得的试样失重数据以及试样特征截面尺寸进行数据回归分析，得到材料水蚀缺陷形貌的特征尺寸随时间的变化规律，以及反映各因素影响规律的函数关系式：

水蚀面积A＝W_S² (1)

特征深度

特征宽度

式中，A是材料表面的水蚀面积，W_S是水蚀缺陷的特征宽度；D_S是水蚀缺陷的特征深度，Emax是材料的最大侵蚀率，是水蚀状态系数，d是水滴加权平均直径，n为液滴尺寸指数，V是撞击速度，V₀是门槛速度，m是速度指数，θ是撞击角度，l角度指数，Ra是试样粗糙度，z是粗糙度指数，t是水滴作用时间，ρ是材料的密度；K是实验系数，C是水中声速；

同时对比实际汽轮机的水蚀形貌，对函数关系式进行修正，修正系数为μ，故特征宽度W＝μW_S，特征深度D＝μD_S。