CN105372029A - 一种基于叶尖定时技术发动机转子叶片振幅数据识别方法 - Google Patents

Abstract

一种基于叶尖定时技术发动机转子叶片振幅数据识别方法，其特征在于：包括叶片振幅变化趋势分离：叶片非振动引起的位移包括转子摆动；轴扭转；轴向移动；离心力引起叶片扭转；机械噪声；测试中使用轴定位信号时依据转速、转子直径计算叶片振幅；转子发生摆动时转子叶片跟随摆动，叶尖与传感器位置发生变化，叶片测量数据中出现常数分量；轴向移动、轴扭转使传感器测量叶尖位置发生变化，随之叶尖到达时刻变化，但轴向移动频率低于叶片振动频率，叶片测量数据出现缓慢变化量。本发明的优点：有效地提高叶片振幅测量信噪比，依据此振幅结果为准确分析叶片振动特性提供数据，使叶尖定时分析技术显著的进步。

Description

一种基于叶尖定时技术发动机转子叶片振幅数据识别方法

技术领域

本发明涉及发动机转子叶片振动测试领域，特别涉及了一种基于叶尖定时技术发动机转子叶片振幅数据识别方法。

背景技术

目前广泛将非接触叶片振动测试技术应用于航空发动机研制中。由于该方法为间断测量叶片振动数据，表征叶片振动的测量结果与传统方法完全不一致。采用该技术获取的发动机转子叶片振动数据，存在着与叶片振动不相关的数据，如离心负荷、气动负荷、机匣振动、转子轴扭转、电信号噪声等。基于叶尖定时技术测量的叶片振幅准确性，决定可否实现叶片振动频谱分析，乃至确定叶片振动特征。

发明内容

本发明的目的是针对发动机转子叶片振动叶尖定时方法测试数据中，存在着与叶片振动不相关的数据，如离心负荷、气动负荷、机匣振动、转子轴扭转、电信号机械噪声等，提出一种数据处理方法，从分析了叶片旋转过程中离心负荷、气动负荷对叶片振幅测量数据产生的变化趋势着手，运用非线性数据拟合与多项函数滑动平均方法抑制叶片振幅数据的随机变化，使含有噪声的叶尖振幅信号变得平滑。特提供了一种基于叶尖定时技术发动机转子叶片振幅数据识别方法。

本发明提供了一种基于叶尖定时技术发动机转子叶片振幅数据识别方法，其特征在于：所述的基于叶尖定时技术发动机转子叶片振幅数据识别方法，

叶片振幅变化趋势分离：

叶片非振动引起的位移包括转子摆动；轴扭转；轴向移动；离心力引起叶片扭转；机械噪声；

测试中使用轴定位信号时依据转速、转子直径计算叶片振幅。转子发生摆动时转子叶片跟随摆动，叶尖与传感器位置发生变化，通常转子摆动频率远低于叶片振动频率，叶片测量数据中出现常数分量。轴向移动、轴扭转使传感器测量叶尖位置发生变化，随之叶尖到达时刻变化，但轴向移动频率低于叶片振动频率，叶片测量数据出现缓慢变化量。

发动机旋转过程中转子叶片受气动力与离心力作用，叶片产生扭转引起叶尖偏移，该偏移量随转速变化。由于叶尖偏移使传感器测量位置改变，叶片到达时刻发生变化，该变化是非叶片振动引起。转速越高叶尖偏移量越大。

受离心力影响叶片位移数据如图2，红颜色线表示某发动机试车中压气机叶片位移数据。X轴转速；Y轴叶尖位移。

在发动机实测中采用3个以上传感器时，用两传感器测量数据之差可滤掉叶片非振动数据，处理后的2传感器数据差不能真实表示叶片振幅特征。

分析表明转子摆动；轴扭转；轴向移动；离心力引起叶片位移随转速近似线性变化，叶片振幅叠加其上。采用利用最小二乘法的切贝雪副夫多项式拟合式(1)，找出叶片振幅变化趋势，采用分段回归，借助3次多项式的样条函数进行数据分段拟合式(2),线性变化量分离。

$y=\frac{1}{2}{\mathrm{\γ}}_0{T}_0\left(x\right)+{\mathrm{\γ}}_1{T}_1\left(x\right)+{\mathrm{\γ}}_2{T}_2\left(x\right)+......+{\mathrm{\γ}}_m{T}_m\left(x\right)+e---\left(1\right)$

ξ_i-1≤x_ik≤ξ_i

r＝0，1，2；i＝1,2,......n；k＝1,2,.....N

参数{β_ij}用最小二乘法求得其估计参数

运用以上拟合方法将发动机实测数据中叶尖位移随转速变化有效地分离，使叶尖位移数据在基线上下变化。如图3所示。

随机噪声数据中识别叶片振幅：

发动机实测数据中包含较多随机变化起伏成分，数据的变化规律较复杂，不知其函数形式，但是仍要消除实测数据中非叶片振幅的随机变化数据，利用点点函数值表示出叶片振幅变化规律。采用平滑与滤波的方法从随机性数据中分离叶片振幅确定性的数据。平滑与滤波的方法为滑动平均法。滑动平均基本原理，动态测试数据由确定性成分f(t)，随机成分X(t)组成，如公式(3)，前者为测量结果，后者为起伏的测试误差或噪声X(t)＝e(t)。

y(t)＝f(t)+X(t)(3)

经采样离散化表示为y_k＝f_k+e_kk＝1,2,3,......N(2)

{y_k}动态测试数据，{f_k}平滑滤波数据

对非平稳的数据{y_t}在适当的小区间上视为接近平稳，做局部平均以减小{e_k}所造成的随机起伏。沿全长N个数据的逐一小区间上进行不断的局部平均，得到较平滑的测量结果{f_k}，滤掉频繁起伏的随机误差。每m个相邻数据的算术平均值，基本滑动平均公式为式(4)

$f_k={\stackrel{\‾}{y}}_k=\underset{i=p}{\overset{p}{\mathrm{\Σ}}}{w}_i{y}_{k+i},k=q+1,q+2,.........N-p---\left(4\right)$

通过在小区间不同的局部平均方法，可得到多种滑动平均方法。式8表示为滑动平均一般算式。

w_i为权系数,p,q为小于m的整数

当p＝q＝n时为中心滑动平均。

当为端点平均。但m值、w_i影响平滑效果与随机变动的抑制程度，式(5)端点等权平均公式。

$f_k=y_k=\frac{1}{m}\underset{i=0}{\overset{m-1}{\mathrm{\Σ}}}{y}_{k+i},k=\mathrm{1,2},......N-m+1---\left(5\right)$

发动机实测数据处理中采用了等权中心滑动平均与多项式拟合的2种滑动平均方法。

等权中心滑动平均公式5，m值取值越小时，经平滑处理后的数据仍然存在随机噪声数据，信噪比较低。当m值取值越大，经处理的数据确定数据变化被平滑掉。图4等权中心滑动平均处理结果。红线为原始数据，黄线为经滑动平均处理数据。

多项式拟合的滑动平均方法，在局部加权区间上，对m个相邻数据范围内，以r阶多项式的最小二乘拟合，公式(6)。

y_k+i＝a₀+a₁i+a₂i²+....+a_r+e_k+i(6)

y＝Nα+e

$N=\left[\begin{array}{ccccc}1& x_0& {x_0}^2& ..& {x_0}^r\\ 1& x_1& {x_1}^2& ...& x_{1}r\\ 1& x_2& {x_2}^2& ...& {x_2}^r\\ .& .& .& .& .\\ 1& x_{m-1}& {x_{m-1}}^2& & {x_{m-1}}^r\end{array}\right]---\left(7\right)$

$\mathrm{\α}=\left[\begin{array}{c}{a}_0\\ a_1\\ a_2\\ .\\ a_r\end{array}\right].---\left(8\right)$

{a_j}为r次多项式的待定系数，用最小二乘法估计的此系数。

数据处理中若r取得过小确定性成分被平滑掉，若r取得过大会使随机噪声抑制不够。

发动机实测数据处理中采用了3阶多项式拟合滑动平均方法，处理结果表明多项式最小二乘拟合优于等权中心滑动，处理结果如图5，图中白线为平滑处理的数据，红线发动机实测数据。

数据处理方法验证

通过发动机台架实测数据分析，认识到叶片旋转过程中离心负荷、气动负荷对叶片振幅测量数据产生的影响。叶片振幅识别首先去除离心负荷、气动负荷引起的振幅变化，然后利用滑动平均方法对滤掉叶片振幅噪声数据。得到确定性的叶片振幅数据。

在发动机实测数据对于具有共振特征的叶片振幅变化，可应用滑动平均处理方法，信噪比37％，经中心平滑处理的结果，信噪比16％，多项式滑动平均处理的结果信噪比4％。由此可见实测数据处理效果，很大程度上取决于参数选定，从处理结果看出多项式最小二乘拟合方法能有效地滤掉叶片振幅噪声。

非接触测试叶尖振动数据的特点，测量得到叶尖周向的位移包括转子摆动；轴扭转；轴向移动；离心力引起叶片扭转；机械噪声，叶片振动位移。

采用非线性数据拟合与滑动平均方法解决叶片振动数据的解藕问题，运用该方法分析了发动机台架试车实测数据，证实该方法能较准确的从发动机带有随机噪声的实测数据中解藕叶片振动幅值。在复杂的机械振动与流固耦合影响情况下，解释叶片到达时刻数据的测量不确定性，使现有的叶尖定时技术既能确定叶片振动特性又能判断叶片振动水平。

本发明的优点：

本发明所述的基于叶尖定时技术发动机转子叶片振幅数据识别方法，分析发动机台架试车压气机叶片实测数据，有效地提高叶片振幅测量信噪比，依据此振幅结果为准确分析叶片振动特性提供数据，使叶尖定时分析技术显著的进步。

附图说明

下面结合附图及实施方式对本发明作进一步详细的说明：

图1为数据处理步骤示意图；

图2为某发动机试车中测试压气机叶片位移数据示意图；

图3为消除离心负荷影响叶片位移示意图；

图4为等权中心滑动平均处理噪声结果示意图；

图5为发动机实测数据结果示意图；

图6为滑动平均方法滤掉叶片振幅示意图。

具体实施方式

实施例1

本实施例提供了一种基于叶尖定时技术发动机转子叶片振幅数据识别方法，其特征在于：所述的基于叶尖定时技术发动机转子叶片振幅数据识别方法，

叶片振幅变化趋势分离：

叶片非振动引起的位移包括转子摆动；轴扭转；轴向移动；离心力引起叶片扭转；机械噪声；

测试中使用轴定位信号时依据转速、转子直径计算叶片振幅。转子发生摆动时转子叶片跟随摆动，叶尖与传感器位置发生变化，通常转子摆动频率远低于叶片振动频率，叶片测量数据中出现常数分量。轴向移动、轴扭转使传感器测量叶尖位置发生变化，随之叶尖到达时刻变化，但轴向移动频率低于叶片振动频率，叶片测量数据出现缓慢变化量。

发动机旋转过程中转子叶片受气动力与离心力作用，叶片产生扭转引起叶尖偏移，该偏移量随转速变化。由于叶尖偏移使传感器测量位置改变，叶片到达时刻发生变化，该变化是非叶片振动引起。转速越高叶尖偏移量越大。

受离心力影响叶片位移数据如图2，红颜色线表示某发动机试车中压气机叶片位移数据。X轴转速；Y轴叶尖位移。

在发动机实测中采用3个以上传感器时，用两传感器测量数据之差可滤掉叶片非振动数据，处理后的2传感器数据差不能真实表示叶片振幅特征。

分析表明转子摆动；轴扭转；轴向移动；离心力引起叶片位移随转速近似线性变化，叶片振幅叠加其上。采用利用最小二乘法的切贝雪副夫多项式拟合式(1)，找出叶片振幅变化趋势，采用分段回归，借助3次多项式的样条函数进行数据分段拟合式(2),线性变化量分离。

$y=\frac{1}{2}{\mathrm{\γ}}_0{T}_0\left(x\right)+{\mathrm{\γ}}_1{T}_1\left(x\right)+{\mathrm{\γ}}_2{T}_2\left(x\right)+......+{\mathrm{\γ}}_m{T}_m\left(x\right)+e---\left(1\right)$

ξ_i-1≤x_ik≤ξ_i

r＝0，1，2；i＝1,2,......n；k＝1,2,.....N

参数{β_ij}用最小二乘法求得其估计参数

运用以上拟合方法将发动机实测数据中叶尖位移随转速变化有效地分离，使叶尖位移数据在基线上下变化。如图3所示。

随机噪声数据中识别叶片振幅：

发动机实测数据中包含较多随机变化起伏成分，数据的变化规律较复杂，不知其函数形式，但是仍要消除实测数据中非叶片振幅的随机变化数据，利用点点函数值表示出叶片振幅变化规律。采用平滑与滤波的方法从随机性数据中分离叶片振幅确定性的数据。平滑与滤波的方法为滑动平均法。滑动平均基本原理，动态测试数据由确定性成分f(t)，随机成分X(t)组成，如公式(3)，前者为测量结果，后者为起伏的测试误差或噪声X(t)＝e(t)。

y(t)＝f(t)+X(t)(3)

经采样离散化表示为y_k＝f_k+e_kk＝1,2,3,......N(2)

{y_k}动态测试数据，{f_k}平滑滤波数据

对非平稳的数据{y_t}在适当的小区间上视为接近平稳，做局部平均以减小{e_k}所造成的随机起伏。沿全长N个数据的逐一小区间上进行不断的局部平均，得到较平滑的测量结果{f_k}，滤掉频繁起伏的随机误差。每m个相邻数据的算术平均值，基本滑动平均公式为式(4)

$f_k={\stackrel{\‾}{y}}_k=\underset{i=p}{\overset{p}{\mathrm{\Σ}}}{w}_i{y}_{k+i},k=q+1,q+2,.........N-p---\left(4\right)$

通过在小区间不同的局部平均方法，可得到多种滑动平均方法。式8表示为滑动平均一般算式。

w_i为权系数,p,q为小于m的整数

当p＝q＝n时为中心滑动平均。

当为端点平均。但m值、w_i影响平滑效果与随机变动的抑制程度，式(5)端点等权平均公式。

$f_k=y_k=\frac{1}{m}\underset{i=0}{\overset{m-1}{\mathrm{\Σ}}}{y}_{k+i},k=\mathrm{1,2},......N-m+1$

$\left(5\right)$

发动机实测数据处理中采用了等权中心滑动平均与多项式拟合的2种滑动平均方法。

等权中心滑动平均公式5，m值取值越小时，经平滑处理后的数据仍然存在随机噪声数据，信噪比较低。当m值取值越大，经处理的数据确定数据变化被平滑掉。图4等权中心滑动平均处理结果。红线为原始数据，黄线为经滑动平均处理数据。

多项式拟合的滑动平均方法，在局部加权区间上，对m个相邻数据范围内，以r阶多项式的最小二乘拟合，公式(6)。

y_k+i＝a₀+a₁i+a₂i²+....+a_r+e_k+i(6)

y＝Nα+e

$N=\left[\begin{array}{ccccc}1& x_0& {x_0}^2& ..& {x_0}^r\\ 1& x_1& {x_1}^2& ...& x_{1}r\\ 1& x_2& {x_2}^2& ...& {x_2}^r\\ .& .& .& .& .\\ 1& x_{m-1}& {x_{m-1}}^2& & {x_{m-1}}^r\end{array}\right]---\left(7\right)$

$\mathrm{\α}=\left[\begin{array}{c}{a}_0\\ a_1\\ a_2\\ .\\ a_r\end{array}\right].---\left(8\right)$

{a_j}为r次多项式的待定系数，用最小二乘法估计的此系数。

数据处理中若r取得过小确定性成分被平滑掉，若r取得过大会使随机噪声抑制不够。

发动机实测数据处理中采用了3阶多项式拟合滑动平均方法，处理结果表明多项式最小二乘拟合优于等权中心滑动，处理结果如图5，图中白线为平滑处理的数据，红线发动机实测数据。

数据处理方法验证

通过发动机台架实测数据分析，认识到叶片旋转过程中离心负荷、气动负荷对叶片振幅测量数据产生的影响。叶片振幅识别首先去除离心负荷、气动负荷引起的振幅变化，然后利用滑动平均方法对滤掉叶片振幅噪声数据。得到确定性的叶片振幅数据。

在发动机实测数据对于具有共振特征的叶片振幅变化，可应用滑动平均处理方法，信噪比37％，经中心平滑处理的结果，信噪比16％，多项式滑动平均处理的结果信噪比4％。由此可见实测数据处理效果，很大程度上取决于参数选定，从处理结果看出多项式最小二乘拟合方法能有效地滤掉叶片振幅噪声。

非接触测试叶尖振动数据的特点，测量得到叶尖周向的位移包括转子摆动；轴扭转；轴向移动；离心力引起叶片扭转；机械噪声，叶片振动位移。

采用非线性数据拟合与滑动平均方法解决叶片振动数据的解藕问题，运用该方法分析了发动机台架试车实测数据，证实该方法能较准确的从发动机带有随机噪声的实测数据中解藕叶片振动幅值。在复杂的机械振动与流固耦合影响情况下，解释叶片到达时刻数据的测量不确定性，使现有的叶尖定时技术既能确定叶片振动特性又能判断叶片振动水平。

Claims (2)

1.一种基于叶尖定时技术发动机转子叶片振幅数据识别方法，其特征在于：所述的基于叶尖定时技术发动机转子叶片振幅数据识别方法，包括叶片振幅变化趋势分离：

叶片非振动引起的位移包括转子摆动；轴扭转；轴向移动；离心力引起叶片扭转；机械噪声；

测试中使用轴定位信号时依据转速、转子直径计算叶片振幅；转子发生摆动时转子叶片跟随摆动，叶尖与传感器位置发生变化，通常转子摆动频率远低于叶片振动频率，叶片测量数据中出现常数分量；轴向移动、轴扭转使传感器测量叶尖位置发生变化，随之叶尖到达时刻变化，但轴向移动频率低于叶片振动频率，叶片测量数据出现缓慢变化量；

发动机旋转过程中转子叶片受气动力与离心力作用，叶片产生扭转引起叶尖偏移，该偏移量随转速变化；由于叶尖偏移使传感器测量位置改变，叶片到达时刻发生变化，该变化是非叶片振动引起；转速越高叶尖偏移量越大；

在发动机实测中采用3个以上传感器时，用两传感器测量数据之差可滤掉叶片非振动数据，处理后的2传感器数据差不能真实表示叶片振幅特征；

分析表明转子摆动；轴扭转；轴向移动；离心力引起叶片位移随转速近似线性变化，叶片振幅叠加其上；采用利用最小二乘法的切贝雪副夫多项式拟合式(1)，找出叶片振幅变化趋势，采用分段回归，借助3次多项式的样条函数进行数据分段拟合式(2),线性变化量分离；

$y=\frac{1}{2}{\mathrm{\γ}}_0{T}_0\left(x\right)+{\mathrm{\γ}}_1{T}_1\left(x\right)+{\mathrm{\γ}}_2{T}_2\left(x\right)+......+{\mathrm{\γ}}_m{T}_m\left(x\right)+e---\left(1\right)$

ξ_i-1≤x_ik≤ξ_i

r＝0，1，2；i＝1,2,......n；k＝1,2,.....N

参数{β_ij}用最小二乘法求得其估计参数

运用以上拟合方法将发动机实测数据中叶尖位移随转速变化有效地分离，使叶尖位移数据在基线上下变化。

2.按照权利要求1所述的基于叶尖定时技术发动机转子叶片振幅数据识别方法，其特征在于：所述的基于叶尖定时技术发动机转子叶片振幅数据识别方法还包括，随机噪声数据中识别叶片振幅；

发动机实测数据中包含较多随机变化起伏成分，数据的变化规律较复杂，不知其函数形式，但是仍要消除实测数据中非叶片振幅的随机变化数据，利用点点函数值表示出叶片振幅变化规律；采用平滑与滤波的方法从随机性数据中分离叶片振幅确定性的数据；平滑与滤波的方法为滑动平均法；滑动平均基本原理，动态测试数据由确定性成分f(t)，随机成分X(t)组成，如公式(3)，前者为测量结果，后者为起伏的测试误差或噪声X(t)＝e(t)；

y(t)＝f(t)+X(t)(3)

经采样离散化表示为y_k＝f_k+e_kk＝1,2,3,......N(2)

{y_k}动态测试数据，{f_k}平滑滤波数据

对非平稳的数据{y_t}在适当的小区间上视为接近平稳，做局部平均以减小{e_k}所造成的随机起伏；沿全长N个数据的逐一小区间上进行不断的局部平均，得到较平滑的测量结果{f_k}，滤掉频繁起伏的随机误差；每m个相邻数据的算术平均值，基本滑动平均公式为式(4)

$f_k={\stackrel{\‾}{y}}_k=\underset{i=p}{\overset{p}{\mathrm{\Σ}}}{w}_i{y}_{k+i},k=q+1,q+2,.........N-p---\left(4\right)$

通过在小区间不同的局部平均方法，可得到多种滑动平均方法；式8表示为滑动平均一般算式；

w_i为权系数,p,q为小于m的整数

当p＝q＝n时为中心滑动平均；

当为端点平均；但m值、w_i影响平滑效果与随机变动的抑制程度，式(5)端点等权平均公式；

$f_k=y_k=\frac{1}{m}\underset{i=0}{\overset{m-1}{\mathrm{\Σ}}}{y}_{k+i},k=\mathrm{1,2},......N-m+1---\left(5\right)$

发动机实测数据处理中采用了等权中心滑动平均与多项式拟合的2种滑动平均方法；

等权中心滑动平均公式5，m值取值越小时，经平滑处理后的数据仍然存在随机噪声数据，信噪比较低；当m值取值越大，经处理的数据确定数据变化被平滑掉；图4等权中心滑动平均处理结果；红线为原始数据，黄线为经滑动平均处理数据；

多项式拟合的滑动平均方法，在局部加权区间上，对m个相邻数据范围内，以r阶多项式的最小二乘拟合，公式(6)；

y_k+i＝a₀+a₁i+a₂i²+....+a_r+e_k+i(6)

y＝Nα+e

$N=\left[\begin{array}{ccccc}1& x_0& {x_0}^2& ..& {x_0}^r\\ 1& x_1& {x_1}^2& ...& x_{1}r\\ 1& x_2& {x_2}^2& ...& {x_2}^r\\ .& .& .& .& .\\ 1& x_{m-1}& {x_{m-1}}^2& & {x_{m-1}}^r\end{array}\right]---\left(7\right)$

$\mathrm{\α}=\left[\begin{array}{c}{a}_0\\ a_1\\ a_2\\ .\\ a_r\end{array}\right].---\left(8\right)$

{a_j}为r次多项式的待定系数，用最小二乘法估计的此系数；

数据处理中若r取得过小确定性成分被平滑掉，若r取得过大会使随机噪声抑制不够；

发动机实测数据处理中采用了3阶多项式拟合滑动平均方法，处理结果表明多项式最小二乘拟合优于等权中心滑动。