CN110186549A - 基于叶尖定时传感器的叶片振动识别方法 - Google Patents
基于叶尖定时传感器的叶片振动识别方法 Download PDFInfo
- Publication number
- CN110186549A CN110186549A CN201910467567.2A CN201910467567A CN110186549A CN 110186549 A CN110186549 A CN 110186549A CN 201910467567 A CN201910467567 A CN 201910467567A CN 110186549 A CN110186549 A CN 110186549A
- Authority
- CN
- China
- Prior art keywords
- blade
- value
- vibration
- tip
- timing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
- G01H9/004—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means using fibre optic sensors
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明属于发动机叶片振动测量领域,为识别转子叶片整体振动事件、识别转子相邻两叶片的振动事件、识别转子特定某一叶片的振动事件;本发明采取的技术方案是,基于光纤叶尖定时传感器的旋转叶片振动识别方法,步骤如下:第一步从叶尖定时BTT测量数据中识别出叶片整体振动事件;第二步是从叶尖定时BTT测量数据中识别出相邻两叶片振动事件;第三步从叶尖定时BTT测量数据中识别出特定的某一叶片振动事件;第四步通过迭代的方法来优化各叶片振动事件识别的计算过程。本发明主要应用于于发动机叶片振动测量场合。
Description
技术领域
本发明属于发动机叶片振动测量领域,特别是关于一种基于光纤叶尖定时传感器的旋转叶片振动识别装置。
背景技术
航空发动机旋转叶片振动的实时监测对于保证设备安全运行非常重要。叶片振动体现了零部件本身的应力变化,可用于评估监控设备的工作状态,及早发现疲劳等故障。基于叶尖定时(Blade Tip Timing,BTT)的叶片振动测量技术相对传统的粘贴应变片方法具有非接触、测量所有叶片、测试改装简单等优势,国内外均对其进行了深入的研究。光纤传感器具有响应速度快,测量灵敏度高,噪声小等优点,尤其适用于测量航空发动机叶片的微小振动,目前成为国内外航空发动机地面试验的标配技术。然而,由于航空发动机的实际工况恶劣,叶尖定时测振技术面临着信号欠采样、噪声大等问题,国内外学者研究了多种叶尖定时(BTT)数据处理算法以及滤波去噪方法,如单自由度分析法、最小二乘法等法。此类方法能够有效的重建出幅值、频率或相位等振动信息。但在实际应用时,需借助专业人员的丰富经验,首先对测量数据进行识别是否发生振动或只是噪声信号,然后选取合适范围的数据进行处理。但是这种对叶尖定时(BTT)测量数据进行振动信号识别采用专业人员的人眼判断或通过阈值触发方法易造成误触发或漏检,例如图2中针对0号叶尖定时传感器的数据对叶片振动事件进行识别的实验实例,实验过程中转速为5000rpm(每分钟转数)到8500rpm的6号与7号叶片振动实时位移数据如图2所示。两个叶片在氮气气激下均发生了几次一阶同步振动,两个叶片的振动振幅和固有频率不同,且波形中存在噪声。如果采用简单的阈值法或人眼判断均可能对某些振动事件漏判或误判。上述的缺陷限制了叶尖定时(BTT)技术的推广应用,如实现快速实时信号分析、长期监测海量数据自动化处理等,而只能局限于研制阶段的试验测试、人工离线数据精细分析,因此自动化、抗干扰的振动实时识别技术是叶尖定时(BTT)实现工程化大规模运用,长期监测需要解决的难题之一。
目前,对叶尖定时(BTT)测量数据进行振动信号识别主要采用专业人员的人眼判断或通过阈值触发方法。阈值触发,即认为数据大于预设阈值即认为发生振动。但由于叶尖定时(BTT)测量数据中噪声甚至大于有效振动信号,阈值触发法易造成误触发或漏检。罗罗公司根据不同传感器的叶尖定时(BTT)数据间的“相关性”方法,来对叶片振动事件进行识别和定位。在一定程度上,该方法可客观的评价振动事件的发生,但是此种振动识别方法的缺陷在于因为传感器数量至少需要4支,且不同传感器间存在差异性,不同叶片在不同时刻发生振动,所以上述方法受限较多,无法识别出具体某一叶片是否发生了振动。
发明内容
为克服现有技术的不足,本发明旨在:
(1)基于光纤式叶尖定时传感器能够准确、高分辨的测量叶片间夹角变化的基础上,利用一根光纤叶尖定时传感器的得到的叶片间夹角分布数据,提供一种通过相邻圈数转子叶片间夹角分布特征的相关方法(IAD)来识别转子叶片整体振动事件。
(2)基于光纤式叶尖定时传感器能够准确、高分辨的测量叶片间夹角变化的基础上,利用一根光纤叶尖定时传感器的得到的叶片间夹角分布数据,提供一种通过相邻圈数转子叶片间夹角分布特征的相关方法(IAD)来识别转子相邻两叶片的振动事件。
(3)基于光纤式叶尖定时传感器能够准确、高分辨的测量叶片间夹角变化的基础上,利用一根光纤叶尖定时传感器的得到的叶片间夹角分布数据,提供一种通过相邻圈数转子叶片间夹角分布特征的相关方法(IAD)来识别转子特定某一叶片的振动事件。
(4)基于(2)(3)所述的叶片振动事件识别的方法,提供一种各叶片振动事件识别的计算过程的优化方法。此种方法通过迭代式计算简化计算量,能够使嵌入式、实时和自动化的处理应用更加易于实现,同时一旦自动识别振动事件,通过模型拟合可以实时分析叶片振动幅值和频率,无需人工干预。
为此,本发明采取的技术方案是,基于叶尖定时传感器的叶片振动识别方法,步骤如下:
第一步从叶尖定时BTT测量数据中识别出叶片整体振动事件
利用光纤叶尖定时传感器得到所有叶片到达传感器的时间,进而检测任意两个相邻叶片间夹角的微小变化,叶尖传感器获得了叶片扫过传感器的到达时间序列{tk},转速同步传感器OPR获得旋转周期T,通过分析tk与预期到达时间t'k的时间差△tk=tk-t'k,结合转子半径、旋转周期T即可获得叶尖定时BTT测量数据,也即获得转子叶片间夹角θk,则
进一步的,基于上述的叶尖定时BTT测量数据来识别判断叶片整体是否发生振动,则提出以下算法模型。若转子叶片没有发生振动,设前一转时叶片间夹角的分布特征为其中θkp为前一转第k号叶片和第k+1号叶片之间的夹角,n为最后一个叶片的数量编号;若转子叶片发生振动,则必然导致叶片间夹角分布发生变化。设当前转数下的实时叶片间夹角分布特征是用皮尔逊相关系数rpc可表示夹角分布特征的变化情况:
所述的可以通过增大变化量改进(2)式,其中a1为放大系数,a1在正常非振动状态下等于1,则:
rpc=1-(1-corr(φp,φc))×a1 (3)
所述的由(3)式可知,无振动时夹角分布特征与初始夹角分布相同,即rpc约为1;当叶片发生振动时,(3)式中取前一段或前几圈数据平均值;
第二步是从叶尖定时BTT测量数据中识别出相邻两叶片振动事件
由第一步的通过叶尖定时传感器获得叶尖定时BTT测量数据,获得转子叶片间夹角θk,其中θkc为只代入第k号叶片的当前时刻的夹角值,然后计算获得因k号叶片振动导致的分布特征变化情况,其中a2为放大系数:
所述的(1)式可知k、k+1号叶片振动都将导致θkc变化,因此(4)式定位至相邻两个的叶片;
进一步的,Th2为的判断阈值,当相邻两个叶片没有发生振动时,无限接近于1,用(4)式判断小于阈值Th2时,即表征第k、k+1号两相邻叶片发生振动;
第三步从叶尖定时BTT测量数据中识别出特定的某一叶片振动事件
由第一步的通过叶尖定时传感器获得叶尖定时BTT测量数据,获得转子叶片间夹角θk,通过(5)式来用于识别特定某个叶片振动事件,由(4)式先根据初步提取可能的振动信号,其中a3为放大系数:
进一步的,设Th3为改进判断阈值,采用上述的(5)式进行识别判断,当ik>Th3时则可以判断第k号叶片发生振动。
所述的阈值Th3的选取步骤如下:首先,计算旋转叶片在无振动期间的一段时间内的ik取值和在叶片扰度噪声达到最大时ik的取值,并且同时记录和的值,其次,根据叶尖定时BTT数据信噪比和叶片半径,设定要检测的最小振动幅值,然后计算在振动时引起相邻两个叶片夹角的变化值用来更新的值;最后,根据已更新的的值来重新计算ik值,计算得到的值用来作为阈值Th3;
第四步通过迭代的方法来优化各叶片振动事件识别的计算过程
根据如下皮尔逊相关系数公式(6):
进一步的,(4)式中可通过的已计算值来减小运算量;的几个计算分量为H1,H2,H3,H4,H5,其中H1,H2,H3,H4,H5分别代表第0号叶片的5个计算分量∑xi,∑xi 2,∑xiyi,∑yi,∑yi 2,只要计算出的各个计算分量H1 H2 H3 H4 H5。
自动正确识别振动事件,可对BTT数据进行模型拟合来重建叶片振动幅值和频率等信息,具体采用最小二乘拟合的方法对叶尖定时BTT数据进行分析。
所述的(3)式中,任意某一叶片或几个叶片发生振动,都导致rpc值变化,用来识别叶片的整体振动事件;Th1为rpc的判断阈值,当通过(3)式判断rpc小于阈值Th1时,即表征转子叶片的整体发生振动。
所述的阈值Th1的选取步骤如下:首先,计算旋转叶片在无振动期间的一段时间内的rpc的取值和在叶片扰度噪声达到最大时rpc的取值,并且同时记录和的值。其次,根据叶尖定时BTT数据信噪比和叶片半径,设定要检测的最小振动幅值,然后计算在振动时引起相邻两个叶片夹角的变化值用来更新的值,最后,根据已更新的的值来重新计算rpc的值,计算得到的值即可用来作为阈值Th1。
所述的阈值Th2的选取步骤如下:首先,计算旋转叶片在无振动期间的一段时间内的的取值和在叶片扰度噪声达到最大时的取值,并且同时记录和的值;其次,根据叶尖定时BTT数据信噪比和叶片半径,设定要检测的最小振动幅值,然后计算在振动时引起相邻两个叶片夹角的变化值用来更新的值;最后,根据已更新的的值来重新计算的值,计算得到的值即可用来作为阈值Th2。
本发明的特点及有益效果是:
本发明能克服如下缺点:(1)本发明能克服现有技术中对叶尖定时(BTT)测量数据进行振动信号识别中通过专业人员的人眼或阈值触发方法来判断易造成漏检或误触发的缺陷,以及探头的数量在实际应用中受到严格限制的缺陷。(2)本发明能克服现有技术中无法识别出叶片振动事件中具体某一叶片发生了振动的缺陷。(3)本发明能克服在现有的实际应用中,对测量数据进行识别是否发生振动或只是噪声信号需借助专业人员的丰富经验,然后选取合适范围的数据进行离线分析处理的缺陷。
本发明具有如下优点:(1)仅利用一根光纤叶尖定时传感器所得到的叶片间夹角分布数据,然后通过相邻圈数转子叶片间夹角分布特征的相关方法(IAD)来识别转子的叶片振动事件,此方法能够实现自动识别出叶片整体振动事件。(2)仅利用一根光纤叶尖定时传感器的得到的叶片间夹角分布数据,然后通过相邻圈数转子叶片间夹角分布特征的相关方法(IAD)来识别转子相邻两叶片的振动事件,此方法能够实现自动识别出相邻两个叶片的振动事件。(3)仅利用一根光纤叶尖定时传感器的得到的叶片间夹角分布数据,然后通过相邻圈数转子叶片间夹角分布特征的相关方法(IAD)来识别转子特定某一叶片的振动事件,此方法能够实现自动识别出某一特定叶片的振动事件。(4)各叶片振动事件识别的计算过程的迭代优化方法能简化计算量,能够使嵌入式、实时和自动化的处理应用更加易于实现,同时一旦自动识别振动事件,通过模型拟合的方法可以实时分析叶片振动幅值和频率,无需人工干预。
附图说明:
图1示出本发明的叶片间夹角分布特征示意图。其中k代表转子叶片的编号(k=0,1,,,n),θk为第k号转子叶片与第k+1号转子叶片之间的夹角,tk为第k号叶片到达叶尖定时传感器的时间,T为转速同步传感器的信号周期。
图2示出本发明的由0号叶尖定时传感器得到的6号叶片和7号叶片振动的位移与转速波形示意图。
图3示出本发明的利用式(3)辨识转子整体振动的结果示意图。
图4示出本发明的利用式(4)对6号叶片和7号叶片振动事件的识别示意图。
图5示出本发明的利用式(5)特定对6号叶片振动事件的识别示意图。
图6示出本发明的利用式(5)特定对7号叶片振动事件的识别示意图。
图7示出本发明的6号叶片振动事件通过模型拟合的结果示意图。
具体实施方式
为克服现有技术的前述不足,本发明主要解决的技术问题是:(1)克服现有技术中对叶尖定时(BTT)测量数据进行振动事件的识别主要采用专业人员的人眼判断或通过阈值触发方法易造成漏检或误触发的缺陷,以及探头的数量在实际应用中受到严格限制的缺陷。利用一根光纤叶尖定时传感器的得到的叶片间夹角分布数据,提供一种通过相邻圈数转子叶片间夹角分布特征的相关方法(IAD)来识别转子叶片整体振动事件。
(2)克服现有技术中对叶尖定时(BTT)测量数据进行振动事件的识别主要采用专业人员的人眼判断或通过阈值触发方法易造成漏检或误触发的缺陷,以及探头的数量在实际应用中受到严格限制的缺陷。利用一根光纤叶尖定时传感器的得到的叶片间夹角分布数据,提供一种通过相邻圈数转子叶片间夹角分布特征的相关方法(IAD)来识别转子相邻两叶片的振动事件。
(3)克服现有技术中对叶尖定时(BTT)测量数据进行振动事件识别主要采用专业人员的人眼判断或通过阈值触发方法易造成漏检或误触发的缺陷,以及探头的数量在实际应用中受到严格限制的缺陷。利用一根光纤叶尖定时传感器的得到的叶片间夹角分布数据,提供一种通过相邻圈数转子叶片间夹角分布特征的相关方法(IAD)来识别转子特定某一叶片的振动事件。
(4)针对目前在实际应用时,对测量数据进行识别是否发生振动或只是噪声信号需借助专业人员的丰富经验,然后再选取合适范围的数据进行离线分析处理的不足。基于(2)(3)所述的叶片振动事件识别的方法,提供一种各叶片振动事件识别的计算过程的优化方法。此种方法通过迭代式计算简化计算量,能够使嵌入式、实时和自动化的处理应用更加易于实现,同时一旦自动识别振动事件,通过模型拟合的方法可以实时分析叶片振动幅值和频率,无需人工干预。
为达到上述目标,本发明采取的技术方案是,一种基于光纤叶尖定时传感器的旋转叶片振动识别方法,包括下列步骤:
第一步是提出从叶尖定时(BTT)测量数据中能够准确的识别出叶片整体振动事件的方法。
进一步的,利用光纤叶尖定时传感器可以得到所有叶片到达传感器的时间,进而可以检测任意两个相邻叶片间夹角的微小变化。如图1所示,叶尖传感器获得了叶片扫过传感器的到达时间序列{tk},转速同步传感器(OPR)获得旋转周期T。通过分析tk与预期到达时间t′k的时间差△tk=tk-t'k,结合转子半径、旋转周期T即可获得叶尖定时(BTT)测量数据。也即可获得转子叶片间夹角θk,则
进一步的,基于上述的叶尖定时(BTT)测量数据来识别判断叶片整体是否发生振动,则提出以下算法模型。若转子叶片没有发生振动,设前一转时叶片间夹角的分布特征为其中θkp为前一转第k号叶片和第k+1号叶片之间的夹角,n为最后一个叶片的数量编号;若转子叶片发生振动,则必然导致叶片间夹角分布发生变化。设当前转数下的实时叶片间夹角分布特征是用皮尔逊相关系数rpc可表示夹角分布特征的变化情况:
所述的可以通过增大变化量改进(2)式,其中a1为放大系数,a1在正常非振动状态下等于1,则:
rpc=1-(1-corr(φp,φc))×a1 (3)
所述的由(3)式可知,无振动时夹角分布特征与初始夹角分布相同,即rpc约为1;当叶片发生振动时,rpc的值变小。实际的工作环境的变化会导致夹角分布特征的变化(非叶片振动引起的),但是环境导致的特征变化相对叶片振动导致的特征变化来说是较缓慢的,类似于直流漂移,相邻时刻的相对变化较小。所以由于相邻时间或相邻圈数的叶片间角度变化很小,故(3)式中可取前一段或前几圈数据平均值。
所述的(3)式中,任意某一叶片或几个叶片发生振动,都导致rpc值变化,所以可以用来识别叶片的整体振动事件。
进一步的,设Th1为rpc的判断阈值。当通过(3)式判断rpc小于阈值Th1时,即可表征转子叶片的整体发生振动。
所述的阈值Th1的选取步骤如下:首先,计算旋转叶片在无振动期间的一段时间内的rpc的取值和在叶片扰度噪声达到最大时rpc的取值,并且同时记录和的值。其次,根据叶尖定时(BTT)数据信噪比和叶片半径,设定要检测的最小振动幅值,然后计算在振动时引起相邻两个叶片夹角的变化值用来更新的值。最后,根据已更新的的值来重新计算rpc的值,计算得到的值即可用来作为阈值Th1。
第二步是提出从叶尖定时(BTT)测量数据中能够准确的识别出相邻两叶片振动事件的方法。
进一步的,由上述第一步的通过叶尖定时传感器获得叶尖定时(BTT)测量数据,也即获得转子叶片间夹角θk。
进一步的,设其中θkc为只代入第k号叶片的当前时刻的夹角值。然后计算获得因k号叶片振动导致的分布特征变化情况。其中a2为放大系数:
所述的(1)式可知k、k+1号叶片振动都将导致θkc变化,因此(4)式可定位至相邻两个的叶片。
进一步的,设Th2为的判断阈值。当相邻两个叶片没有发生振动时,无限接近于1。用(4)式判断小于阈值Th2时,即表征第k、k+1号两相邻叶片发生振动。
所述的阈值Th2的选取步骤如下:首先,计算旋转叶片在无振动期间的一段时间内的的取值和在叶片扰度噪声达到最大时的取值,并且同时记录和的值。其次,根据叶尖定时(BTT)数据信噪比和叶片半径,设定要检测的最小振动幅值,然后计算在振动时引起相邻两个叶片夹角的变化值用来更新的值。最后,根据已更新的的值来重新计算的值,计算得到的值即可用来作为阈值Th2。
第三步是提出从叶尖定时(BTT)测量数据中能够准确的识别出特定的某一叶片振动事件的方法。
进一步的,由上述第一步的通过叶尖定时传感器获得叶尖定时(BTT)测量数据,也即获得转子叶片间夹角θk。
进一步的,因为叶片的振动不影响的数值,故所述的(4)式可以消除k+1号叶片的影响。本发明通过(5)式来用于识别特定某个叶片振动事件。由(4)式先根据初步提取可能的振动信号。其中a3为放大系数:
进一步的,设Th3为改进判断阈值。采用上述的(5)式进行识别判断,当ik>Th3时则可以判断第k号叶片发生振动。
所述的阈值Th3的选取步骤如下:首先,计算旋转叶片在无振动期间的一段时间内的ik取值和在叶片扰度噪声达到最大时ik的取值,并且同时记录和的值。其次,根据叶尖定时(BTT)数据信噪比和叶片半径,设定要检测的最小振动幅值,然后计算在振动时引起相邻两个叶片夹角的变化值用来更新的值。最后,根据已更新的的值来重新计算ik值,计算得到的值即可用来作为阈值Th3。
第四步是根据以上所述,提出通过迭代的方法来优化各叶片振动事件识别的计算过程的方法。
根据如下皮尔逊相关系数公式(6):
进一步的,(4)式中可通过的已计算值来减小运算量。假设的几个计算分量为H1,H2,H3,H4,H5,其中H1,H2,H3,H4,H5分别代表第0号叶片的5个计算分量∑xi,∑xi 2,∑xiyi,∑yi,∑yi 2。则与的关系如下表1所示。
进一步的,只要计算出的各个计算分量H1 H2 H3 H4 H5,其余所有叶片的计算量可有效的缩减。优化后的计算过程意味着本发明提出的相邻圈数转子叶片间夹角分布特征(IAD)相关方法适用于计算量较小的各叶片振动事件的识别,满足实时、嵌入式和自动化处理应用的要求。
进一步的,一旦自动正确识别振动事件,可对BTT数据进行模型拟合来重建叶片振动幅值和频率等信息。本发明中采用最小二乘拟合的方法对叶尖定时(BTT)数据进行分析。
表1叶片振动识别迭代计算表
下面结合附图和实例对本发明做进一步说明。
采用8个叶片,4支叶尖定时光纤传感器和1支转速同步传感器的模拟转子的振动系统进行同步振动仿真。在拉升转速扫频时,当叶片固有频率与转速成整数倍时,叶片将发生同步振动。
第一步,叶片整体振动事件识别。由0号叶尖定时光纤传感器得到的叶尖定时(BTT)测量数据,根据式(3)可对转子所有叶片的总体振动情况进行识别。本实验中给出了和之间的5个转数,识别结果如图3所示。所有8个叶片在不同转速下,由于氮气气激发生了一阶弯曲振动。设Th1=0.98,本实验通过判断rpc<Th1,正确识别了叶片振动的整体情况。从图6中可以看出,只要有一个或多个叶片在振动,式(3)都可以用来识别叶片整体振动事件。
第二步,相邻两个叶片振动事件的识别。由0号叶尖定时光纤传感器得到的的叶尖定时(BTT)测量数据,由式(4)对叶尖定时(BTT)测量数据处理后可得相邻两个叶片事件的识别结果,如图4所示。本实验中,设Th2=0.98,当6号叶片或7号叶片发生振动时,rpc 6的数值显著下降,利用式(4)通过判断成功地识别了2000到2500转的相邻两个叶片的振动事件。
第三步,特定某一叶片振动事件的识别。由0号叶尖定时光纤传感器的到的的叶尖定时(BTT)测量数据,利用式(5)对叶尖定时(BTT)测量数据处理后来识别特定叶片的振动事件,6号叶片的识别结果如图5所示。本实验中,设Th3为0.04。由图5表明,利用式(5)的相邻圈数转子叶片间夹角分布特征的相关方法(IAD)可以准确识别所有振动事件,消除相邻叶片的干扰。其中,在识别1500到2500转之间的信号时,即使是熟练的人员也可能会出现错误,特别是判断1700转左右的大信号不是真实的叶片振动事件时候。这可能是由转轴或转速同步传感器(OPR)引起的,虽然它并不影响转子的夹角分布,但是本发明提出的方法可以有效地消除这种干扰。利用式(5)对7号叶片进行振动识别的结果如图6所示,此处正确的识别出了7号叶片本身的振动事件以及2600、3300、4000转时的耦合振动事件。这些耦合振动事件是由相邻6号叶片的大振动引起的。因此式(5)也具备识别此类微小耦合振动信号的能力。
第四步,通过模型拟合可以实时分析叶片振动幅值和频率。一旦上述的正确地实时识别了叶片振动事件,就可以通过叶尖定时(BTT)数据分析来重建振动幅值和频率,本文采用最小二乘拟合方法对叶尖定时(BTT)数据进行拟合建模。
对6号叶片在4000转左右信号进行振动辨识,其模型拟合结果如图7所示。振幅最大为8201rpm时,振动倍频数(EO)为13,一阶振动频率为1777.02Hz。同时将结果通过坎贝尔曲线分析证明了6号叶片的振动事件识别是正确的。
提请注意:请审核每个外文字符至少有一处中文注释,且同一字符前后文含义、取值范围完全一致。
本发明硬件部分只采用了光纤叶尖定时传感器,没有十分突出的特点,不适宜申请实用新型。
Claims (5)
1.一种基于叶尖定时传感器的叶片振动识别方法,其特征是,步骤如下:
第一步从叶尖定时BTT测量数据中识别出叶片整体振动事件
利用光纤叶尖定时传感器得到所有叶片到达传感器的时间,进而检测任意两个相邻叶片间夹角的微小变化,叶尖传感器获得了叶片扫过传感器的到达时间序列{tk},转速同步传感器OPR获得旋转周期T,通过分析tk与预期到达时间t'k的时间差△tk=tk-t'k,结合转子半径、旋转周期T获得叶尖定时BTT测量数据,也即获得转子叶片间夹角θk,则
基于上述的叶尖定时BTT测量数据来识别判断叶片整体是否发生振动,则提出以下算法模型:若转子叶片没有发生振动,设前一转时叶片间夹角的分布特征为其中θkp为前一转第k号叶片和第k+1号叶片之间的夹角,n为最后一个叶片的数量编号;若转子叶片发生振动,则必然导致叶片间夹角分布发生变化;当前转数下的实时叶片间夹角分布特征是用皮尔逊相关系数rpc表示夹角分布特征的变化情况:
所述的可以通过增大变化量改进(2)式,其中a1为放大系数,a1在正常非振动状态下等于1,则:
rpc=1-(1-corr(φp,φc))×a1 (3)
所述的由(3)式可知,无振动时夹角分布特征与初始夹角分布相同,即rpc约为1;当叶片发生振动时,(3)式中取前一段或前几圈数据平均值;
第二步是从叶尖定时BTT测量数据中识别出相邻两叶片振动事件
由第一步的通过叶尖定时传感器获得叶尖定时BTT测量数据,获得转子叶片间夹角θk,其中θkc为只代入第k号叶片的当前时刻的夹角值,然后计算获得因k号叶片振动导致的分布特征变化情况,其中a2为放大系数:
所述的(1)式知k、k+1号叶片振动都将导致θkc变化,因此(4)式定位至相邻两个的叶片;
进一步的,Th2为的判断阈值,当相邻两个叶片没有发生振动时,无限接近于1,用(4)式判断小于阈值Th2时,即表征第k、k+1号两相邻叶片发生振动;
第三步从叶尖定时BTT测量数据中识别出特定的某一叶片振动事件
由第一步的通过叶尖定时传感器获得叶尖定时BTT测量数据,获得转子叶片间夹角θk,通过(5)式来用于识别特定某个叶片振动事件,由(4)式先根据初步提取可能的振动信号,其中a3为放大系数:
进一步的,设Th3为改进判断阈值,采用上述的(5)式进行识别判断,当ik>Th3时则可以判断第k号叶片发生振动;
第四步通过迭代的方法来优化各叶片振动事件识别的计算过程
根据如下皮尔逊相关系数公式(6):
进一步的,(4)式中通过的已计算值来减小运算量;的几个计算分量为H1,H2,H3,H4,H5,其中H1,H2,H3,H4,H5分别代表第0号叶片的5个计算分量∑xi,∑xi 2,∑xiyi,∑yi,∑yi 2,只要计算出的各个计算分量H1H2H3H4H5。
2.如权利要求1所述的基于叶尖定时传感器的叶片振动识别方法,其特征是,自动正确识别振动事件,可对BTT数据进行模型拟合来重建叶片振动幅值和频率信息,具体采用最小二乘拟合的方法对叶尖定时BTT数据进行分析。
3.如权利要求1所述的基于叶尖定时传感器的叶片振动识别方法,其特征是,所述的阈值Th3的选取步骤如下:首先,计算旋转叶片在无振动期间的一段时间内的ik取值和在叶片扰度噪声达到最大时ik的取值,并且同时记录和的值,其次,根据叶尖定时BTT数据信噪比和叶片半径,设定要检测的最小振动幅值,然后计算在振动时引起相邻两个叶片夹角的变化值用来更新的值;最后,根据已更新的的值来重新计算ik值,计算得到的值用来作为阈值Th3;
所述(3)式中,任意某一叶片或几个叶片发生振动,都导致rpc值变化,用来识别叶片的整体振动事件;Th1为rpc的判断阈值,当通过(3)式判断rpc小于阈值Th1时,即表征转子叶片的整体发生振动。
4.如权利要求1所述的基于叶尖定时传感器的叶片振动识别方法,其特征是,所述的阈值Th1的选取步骤如下:首先,计算旋转叶片在无振动期间的一段时间内的rpc的取值和在叶片扰度噪声达到最大时rpc的取值,并且同时记录和的值。其次,根据叶尖定时BTT数据信噪比和叶片半径,设定要检测的最小振动幅值,然后计算在振动时引起相邻两个叶片夹角的变化值用来更新的值,最后,根据已更新的的值来重新计算rpc的值,计算得到的值即可用来作为阈值Th1。
5.如权利要求1所述的基于叶尖定时传感器的叶片振动识别方法,其特征是,所述的阈值Th2的选取步骤如下:首先,计算旋转叶片在无振动期间的一段时间内的的取值和在叶片扰度噪声达到最大时的取值,并且同时记录和的值;其次,根据叶尖定时BTT数据信噪比和叶片半径,设定要检测的最小振动幅值,然后计算在振动时引起相邻两个叶片夹角的变化值用来更新的值;最后,根据已更新的的值来重新计算的值,计算得到的值即可用来作为阈值Th2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910467567.2A CN110186549A (zh) | 2019-05-31 | 2019-05-31 | 基于叶尖定时传感器的叶片振动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910467567.2A CN110186549A (zh) | 2019-05-31 | 2019-05-31 | 基于叶尖定时传感器的叶片振动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110186549A true CN110186549A (zh) | 2019-08-30 |
Family
ID=67719305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910467567.2A Pending CN110186549A (zh) | 2019-05-31 | 2019-05-31 | 基于叶尖定时传感器的叶片振动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110186549A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909827A (zh) * | 2019-12-17 | 2020-03-24 | 天津市津能风电有限责任公司 | 一种适用于风机叶片声音信号的降噪方法 |
CN111239432A (zh) * | 2020-02-10 | 2020-06-05 | 西安交通大学 | 基于叶端定时的叶片到达时间测量方法及其采集系统 |
CN111486113A (zh) * | 2020-03-18 | 2020-08-04 | 北京化工大学 | 一种动叶可调式轴流风机喘振预警方法及装置 |
CN112880811A (zh) * | 2021-01-15 | 2021-06-01 | 大连理工大学 | 一种移动直线拟合的无键相叶尖定时测振方法 |
WO2021208125A1 (zh) * | 2020-04-13 | 2021-10-21 | 北京化工大学 | 一种旋转叶片五维度振动的测量方法和测量装置 |
CN114485894A (zh) * | 2021-12-17 | 2022-05-13 | 武汉科技大学 | 一种基于叶尖定时的旋转叶片振动测试系统及测试方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN85107694A (zh) * | 1984-10-22 | 1986-12-03 | 西屋电气公司 | 涡轮机叶片振动探测装置 |
EP0757786A1 (en) * | 1994-04-28 | 1997-02-12 | Electric Power Research Institute | Method and apparatus for isolating and identifying periodic doppler signals |
JP2000321122A (ja) * | 1999-05-12 | 2000-11-24 | Natl Aerospace Lab | 回転動翼振動計測装置 |
CN101563588A (zh) * | 2006-12-21 | 2009-10-21 | Mtu飞机发动机有限公司 | 用于非接触式叶片振动测量的装置和方法 |
CN102735326A (zh) * | 2011-04-14 | 2012-10-17 | 中国特种设备检测研究院 | 一种烟气轮机叶片振动实时在线监测装置 |
CN105300513A (zh) * | 2015-11-20 | 2016-02-03 | 天津大学 | 多只叶尖定时传感器叶片振动共振倍频数辨识方法和装置 |
CN105372029A (zh) * | 2014-09-01 | 2016-03-02 | 中国航空工业集团公司沈阳发动机设计研究所 | 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 |
CN105973448A (zh) * | 2016-02-02 | 2016-09-28 | 南京航空航天大学 | 一种旋转叶片振动测量方法与系统 |
CN206019842U (zh) * | 2016-09-13 | 2017-03-15 | 中国航空动力机械研究所 | 叶片振动模拟装置及具有其的测试系统 |
CN108088553A (zh) * | 2017-11-28 | 2018-05-29 | 中国航发沈阳发动机研究所 | 模拟发动机工作状态转子叶片振幅与转速信号的方法 |
-
2019
- 2019-05-31 CN CN201910467567.2A patent/CN110186549A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN85107694A (zh) * | 1984-10-22 | 1986-12-03 | 西屋电气公司 | 涡轮机叶片振动探测装置 |
EP0757786A1 (en) * | 1994-04-28 | 1997-02-12 | Electric Power Research Institute | Method and apparatus for isolating and identifying periodic doppler signals |
JP2000321122A (ja) * | 1999-05-12 | 2000-11-24 | Natl Aerospace Lab | 回転動翼振動計測装置 |
CN101563588A (zh) * | 2006-12-21 | 2009-10-21 | Mtu飞机发动机有限公司 | 用于非接触式叶片振动测量的装置和方法 |
CN102735326A (zh) * | 2011-04-14 | 2012-10-17 | 中国特种设备检测研究院 | 一种烟气轮机叶片振动实时在线监测装置 |
CN105372029A (zh) * | 2014-09-01 | 2016-03-02 | 中国航空工业集团公司沈阳发动机设计研究所 | 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 |
CN105300513A (zh) * | 2015-11-20 | 2016-02-03 | 天津大学 | 多只叶尖定时传感器叶片振动共振倍频数辨识方法和装置 |
CN105973448A (zh) * | 2016-02-02 | 2016-09-28 | 南京航空航天大学 | 一种旋转叶片振动测量方法与系统 |
CN206019842U (zh) * | 2016-09-13 | 2017-03-15 | 中国航空动力机械研究所 | 叶片振动模拟装置及具有其的测试系统 |
CN108088553A (zh) * | 2017-11-28 | 2018-05-29 | 中国航发沈阳发动机研究所 | 模拟发动机工作状态转子叶片振幅与转速信号的方法 |
Non-Patent Citations (2)
Title |
---|
YE DECHAO, ET AL: "Identification of Vibration Events in Rotating Blades Using a Fiber Optical Tip Timing Sensor", 《SENSORS》 * |
李孟麟 等: "基于叶尖定时的旋转机械叶片振动信号重建", 《机械工程学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909827A (zh) * | 2019-12-17 | 2020-03-24 | 天津市津能风电有限责任公司 | 一种适用于风机叶片声音信号的降噪方法 |
CN111239432A (zh) * | 2020-02-10 | 2020-06-05 | 西安交通大学 | 基于叶端定时的叶片到达时间测量方法及其采集系统 |
CN111239432B (zh) * | 2020-02-10 | 2021-05-28 | 西安交通大学 | 基于叶端定时的叶片到达时间测量方法及其采集系统 |
CN111486113A (zh) * | 2020-03-18 | 2020-08-04 | 北京化工大学 | 一种动叶可调式轴流风机喘振预警方法及装置 |
WO2021208125A1 (zh) * | 2020-04-13 | 2021-10-21 | 北京化工大学 | 一种旋转叶片五维度振动的测量方法和测量装置 |
CN112880811A (zh) * | 2021-01-15 | 2021-06-01 | 大连理工大学 | 一种移动直线拟合的无键相叶尖定时测振方法 |
CN112880811B (zh) * | 2021-01-15 | 2022-03-29 | 大连理工大学 | 一种移动直线拟合的无键相叶尖定时测振方法 |
CN114485894A (zh) * | 2021-12-17 | 2022-05-13 | 武汉科技大学 | 一种基于叶尖定时的旋转叶片振动测试系统及测试方法 |
CN114485894B (zh) * | 2021-12-17 | 2023-10-27 | 武汉科技大学 | 一种基于叶尖定时的旋转叶片振动测试系统及测试方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110186549A (zh) | 基于叶尖定时传感器的叶片振动识别方法 | |
Wu et al. | An adaptive online blade health monitoring method: From raw data to parameters identification | |
CN100523765C (zh) | 大型发电机定子槽楔松动振动检测方法及装置 | |
CN102155984B (zh) | 一种风机通用振动信号测量系统 | |
CN203629869U (zh) | 水轮机空化监测与分析系统 | |
CN103674234B (zh) | 一种风力发电机组振动异常的状态预警方法及系统 | |
CN102507205B (zh) | 一种检测航空发动机风扇叶片颤振故障的方法 | |
CN105509876B (zh) | 欠采样叶端定时振动信号重构方法及其装置 | |
CN102706560B (zh) | 一种风力发电机组的状态监测方法和装置 | |
WO2020019531A1 (zh) | 汽轮机叶片裂纹评估系统及汽轮机叶片裂纹预警方法 | |
CN108956075A (zh) | 动叶片裂纹在线诊断方法 | |
CN108731896B (zh) | 一种用于燃气轮机压气机动叶片的振动监测装置 | |
Xu et al. | Fan fault diagnosis based on symmetrized dot pattern analysis and image matching | |
CN110160765A (zh) | 一种基于声音或振动信号的冲击特征识别方法及系统 | |
CN208751816U (zh) | 一种用于燃气轮机压气机动叶片的振动监测装置 | |
CN110285045B (zh) | 一种核电厂rcp主泵振动相位监测系统和方法 | |
CN105352713A (zh) | 通过检测叶片静位移实现检测叶片疲劳裂纹的方法 | |
Lin et al. | A review and strategy for the diagnosis of speed-varying machinery | |
CN105466550A (zh) | 非均匀欠采样叶端定时振动信号重构方法及其装置 | |
CN112067701A (zh) | 基于声学诊断的风机叶片远程听诊方法 | |
CN111946559A (zh) | 一种风机基础和塔架结构检测方法 | |
CN105203794A (zh) | 发电机转速测量系统及方法 | |
CN212454697U (zh) | 一种风力发电机组叶片运行状态检测装置 | |
CN115539139A (zh) | 一种汽轮机安全性的监测方法 | |
CN105987809A (zh) | 基于随机共振的离心式压缩机半开式叶轮裂纹检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190830 |