基于FDM法的航空發(fā)動機轉(zhuǎn)子全周碰摩故障診斷研究

鄧國智

(西安航空職業(yè)技術(shù)學(xué)院 航空維修工程學(xué)院,陜西 西安 710089)

作為高速旋轉(zhuǎn)設(shè)施，航空發(fā)動機長時間處于高溫、高壓、高負(fù)荷狀態(tài)運轉(zhuǎn)，而轉(zhuǎn)子作為核心構(gòu)件，不僅故障發(fā)生率較高，且調(diào)整與維護工作難度大，很容易引發(fā)失衡、裂縫、碰摩等各種故障。早期結(jié)構(gòu)損傷不會導(dǎo)致結(jié)構(gòu)全面損毀，可會直接影響結(jié)構(gòu)安全性與穩(wěn)定性，所以采取有效故障診斷方法，科學(xué)監(jiān)控診斷轉(zhuǎn)子故障，防止發(fā)生嚴(yán)重事故具有十分重要的現(xiàn)實意義。在航空發(fā)動機中，轉(zhuǎn)子振動信號主要包括設(shè)施運行狀態(tài)特征信息，有效提取識別相似信息為故障診斷主要途徑[1]。因此，本文提出了基于FDM算法的轉(zhuǎn)子全周碰摩故障診斷方法。

1 FDM算法分析

1.1 算法原理

FDM算法先明確傅里葉既有頻帶函數(shù)(FIBFs)，以此為被分解信號單分量成分，再按照順序計算分析構(gòu)建滿足頻帶函數(shù)條件的區(qū)域性周期信號，基于Hilbert信號解析方法面向周期信號，開展自適應(yīng)解析，以獲得不同分量相應(yīng)傅里葉既有頻帶解析函數(shù)(AFIBFs)，進而分解信號為FIBFs分量與殘余分量總和[2]。

傅里葉分解FDM可表征多分量隨機信號通過特定連續(xù)單傅里葉既有頻帶分量與殘余分量總和，則：

(1)

式中：x(r)為多分量隨機信號；y(i)為頻帶分量；yi(r)為W個單傅里葉既有頻帶分量，即信號的FIBFs分量；z為殘余分量。

1.2 算法步驟

FDM算法具備兩種信號AFIBFs篩選方式，所以具有兩類FDM分解流程，則由低頻向高頻的正向篩選算法(FDM-LTH)與由高頻向低頻的反向篩選算法(FDM-HTL)，不同分解方法與時頻能量分布相應(yīng)，以映射信號特征信息。算法步驟[3]如下：

2 數(shù)值仿真

為驗證FDM算法科學(xué)有效性，構(gòu)建仿真信號[4]：

x1(r)=x11(r)+x12(r)
x11(r)=sin(400πr+180πr2)
x12(r)=(1+cos20πr)cos(200πr+3sin20πr)

(2)

式中:x1(r)為仿真信號；x11(r)為調(diào)頻信號；x12(r)為調(diào)頻調(diào)幅信號。合理設(shè)置采樣頻率即1 000 Hz，通過不同信號分解方法分解仿真信號，對不同結(jié)果進行比較分析，以此驗證FDM算法的實效性。

通過仿真信號分解結(jié)果可知，EWT(經(jīng)驗?zāi)B(tài)分解方法)法可有效分解調(diào)頻調(diào)幅信號，獲得模態(tài)分量與殘余分量，相應(yīng)仿真信號原始分量即x11(r)與x12(r)，分解結(jié)果中存在信號過分解分量，并且局部存在端點效應(yīng)，部分區(qū)域甚至存在嚴(yán)重的模態(tài)混疊，所以，根本不能有效分解調(diào)頻調(diào)幅信號。而VMD(完全非遞歸自適應(yīng)時頻分析法)法可分解仿真信號，以獲得分量相應(yīng)仿真信號原始分量，分解結(jié)果存在部分區(qū)域分解失效現(xiàn)象。但是FDM算法可自適應(yīng)有效分解仿真信號，獲得科學(xué)合理映射仿真信號原始分量的信號FIBFs，且未出現(xiàn)端點效應(yīng)與模態(tài)混疊問題，殘余量振幅接近于0，由此可知，F(xiàn)DM算法可分解調(diào)頻調(diào)幅類非線性非平穩(wěn)性信號[5]。

為深入討論FDM算法時頻分辨效果，進行仿真信號分解結(jié)果時頻能量分析，其中FDM-LTH與FDM-HTL算法時頻分辨效果良好，不存在冗余頻率分量，可直觀表示仿真信號所涵蓋的時頻特征信號，并揭示仿真信號部分時頻特征，其中高頻階段，F(xiàn)DM-LTH更具優(yōu)勢，時頻聚散性更強；低頻階段，F(xiàn)DM-HTL更具優(yōu)勢，視頻分辨率更強[6]。

3 轉(zhuǎn)子全周碰摩實驗分析

3.1 實驗儀器

基于轉(zhuǎn)子試驗器采集航空發(fā)動機轉(zhuǎn)子全周碰摩實驗故障樣本數(shù)據(jù)，進行FDM分解，以驗證FDM算法的有效性。其中，為順利開展實驗，在轉(zhuǎn)子機匣頂部位置需使用扳手?jǐn)Q緊碰摩螺釘，以促使其與渦輪葉片相接近，造成轉(zhuǎn)子機匣變形，生成渦輪葉片與機匣封嚴(yán)間隙位置的轉(zhuǎn)子全周碰摩故障[7]。

3.2 時頻分析

轉(zhuǎn)子全周碰摩實驗參數(shù)具體如表1所示。

表1 轉(zhuǎn)子全周碰摩實驗參數(shù)

基于試驗器機匣某一測點的轉(zhuǎn)子加速度振動信號進行實驗研究，以分析轉(zhuǎn)子全周碰摩故障，通過重力加速度統(tǒng)量綱量化加速度，選擇轉(zhuǎn)子全周碰摩試驗所采集轉(zhuǎn)子振動信號數(shù)據(jù)開展時頻分析。

其中，轉(zhuǎn)子碰摩呈現(xiàn)非線性非平穩(wěn)性特點，振動信號存在明顯非周期沖擊性，表征為顯著調(diào)頻調(diào)幅非平穩(wěn)性。轉(zhuǎn)子機匣單點-轉(zhuǎn)子全周碰摩故障振動信號存在明顯頻譜周期沖擊性，其中1 450 Hz沖擊頻率狀態(tài)下，頻譜能量分布緊密，而周期沖擊頻譜即渦輪葉片通過轉(zhuǎn)子機匣的既有頻率，是轉(zhuǎn)速頻率與渦輪葉片數(shù)目乘積，轉(zhuǎn)子全周碰摩振動信號的高頻譜階段沖擊頻率的2、3倍頻位置，有明顯調(diào)幅沖擊響應(yīng)，是轉(zhuǎn)子全周碰摩獨特的高頻階段沖擊性。1 450 Hz沖擊頻率狀態(tài)下，兩端存在四組等間隔邊譜帶簇，頻率即轉(zhuǎn)速頻率值，而局部放大區(qū)域頻譜中，2、3倍頻位置兩端同時出現(xiàn)基于轉(zhuǎn)速頻率作為隔離帶的邊譜頻譜帶，以此生成同等間距邊譜帶簇，而此現(xiàn)象表明了轉(zhuǎn)子全周碰摩故障特征，也證明了所采集振動信號中存在轉(zhuǎn)子全周碰摩故障。

據(jù)此，通過振動信號頻譜分析可知轉(zhuǎn)子全周碰摩故障沖擊頻率特征，以及故障特征，然而轉(zhuǎn)子單葉片碰摩弱故障特性頻率倍強大的噪聲背景所影響，難以明確辨別[8]。

3.3 診斷流程

FDM算法可有效分解調(diào)頻調(diào)幅類非線性非平穩(wěn)性信號，面向仿真信號分解結(jié)果進行Hilbert譜分析，可提取仿真信號分量信號頻譜特征信息，以此為基礎(chǔ)進行仿真。基于FDM法的航空發(fā)動機轉(zhuǎn)子全周碰摩故障診斷流程[9]具體如圖1所示。

圖1 故障診斷流程

3.4 診斷結(jié)果分析

基于相關(guān)系數(shù)準(zhǔn)則的轉(zhuǎn)子全周碰摩故障診斷方法，有效提取振動信號分量Hilbert譜故障特征頻率，以此對基于FDM算法與Hilbert譜分析的轉(zhuǎn)子全周碰摩故障診斷實效性加以驗證。以EWT、VMD、FDM算法為例診斷轉(zhuǎn)子全周碰摩故障，獲得不同信號分解故障特征信息提取結(jié)果[10]，具體如圖2～圖6所示。

圖2 原始振動信號故障特征

圖3 EWT提取結(jié)果

圖4 VMD提取結(jié)果

圖5 FDM-LTH提取結(jié)果

圖6 FDM-HTL提取結(jié)果

通過提取結(jié)果可以看出，EWT與VMD算法提取結(jié)果包括一定的故障特征頻率基頻、二倍頻，然而提取結(jié)果存在局部噪聲頻率，即A、B、C位置。而FDM算法提取結(jié)果包括轉(zhuǎn)速頻率基頻、二倍頻、三倍頻、四倍頻、五倍頻，不存在噪聲頻率，與原始振動信號故障特征比較而言，其相對完善，可有效呈現(xiàn)轉(zhuǎn)子全周碰摩故障特征。

4 結(jié) 論

總之，基于FDM法的航空發(fā)動機轉(zhuǎn)子全周碰摩故障診斷方法，不僅可高效提取轉(zhuǎn)子系統(tǒng)機匣-轉(zhuǎn)子全周碰摩故障特征信息，還可面向振動信號進行頻譜分析，以有效提取碰摩沖擊頻率故障特征信號，基于自適應(yīng)信號分解方式方法，分離獲得最大程度包括故障特征信號的分量，同時針對備選分量做Hilbert包絡(luò)譜分析，從而獲取轉(zhuǎn)子單葉片碰摩故障特征頻率成分。通過基于EWT、VMD、FDM算法的故障特征頻率提取實驗結(jié)果比較分析，得知基于FDM算法的故障診斷方法時頻分辨率較高，且能夠科學(xué)合理提取轉(zhuǎn)子全周碰摩故障特征信息。