CN110567574B - 一种旋转叶片叶端定时振动参数辨识方法与系统 - Google Patents
一种旋转叶片叶端定时振动参数辨识方法与系统 Download PDFInfo
- Publication number
- CN110567574B CN110567574B CN201910715714.3A CN201910715714A CN110567574B CN 110567574 B CN110567574 B CN 110567574B CN 201910715714 A CN201910715714 A CN 201910715714A CN 110567574 B CN110567574 B CN 110567574B
- Authority
- CN
- China
- Prior art keywords
- blade
- vibration
- rotating
- frequency
- undersampled
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本公开揭示了一种旋转叶片叶端定时振动参数辨识方法,包括:确定叶端定时传感器数目与周向安装位置;采集旋转叶片振动位移的欠采样信号;建立所述欠采样信号的稀疏表示模型,利用稀疏重构方法,确定叶片振动频率;基于稀疏重构方法确定的叶片振动频率及叶片的旋转频率得到叶片的振动阶次,基于所述叶片振动阶次及叶端定时传感器安装位置构建叶片振动方程设计矩阵,利用周向傅里叶方法辨识旋转叶片的振动幅值。本公开还提供了一种旋转叶片叶端定时振动参数辨识系统。本公开无需额外的先验信息,仅通过利用叶端定时传感器测得振动位移的欠采样信号即可辨识叶片振动的频率和幅值参数,简化了振动参数辨识步骤,辨识结果精度高。
Description
技术领域
本公开属于旋转机械叶片非接触式振动测试技术领域,具体涉及一种旋转叶片叶端定时振动参数辨识方法与系统。
背景技术
旋转叶片是航空发动机中的重要零部件。航空发动机工作所处的高温、高压、高转速的恶劣环境极易导致叶片振动,而叶片振动往往又会导致叶片产生高周疲劳裂纹或者其他损伤,反之,航空发动机叶片损伤又会改变叶片的振动状态。因此,对高速旋转叶片的振动频率、幅值等振动参数进行有效的辨识,可实现对叶片的振动状态监测从而及时发现叶片故障,避免更严重的事故发生。
叶端定时技术作为一种非接触测量技术,在航空发动机旋转叶片的健康监测上有着重要作用。叶端定时技术通过在发动机机匣上安装传感器,检测叶片到达传感器的时间,从而计算出叶片顶端振动位移的大小。现有的叶端定时后处理方法在叶片振动幅值的辨识上精度较低,而叶片振动的幅值参数对后续的叶片关键位置动应变的反推精度有着很大的影响,而叶片的应变状态对于评估叶片的剩余寿命有着重要作用。周向傅里叶方法是辨识叶片振动幅值的有效手段,但其设计矩阵的构造需要通过有限元分析提供先验信息,航空发动机工作时的复杂工况会导致叶片振动状态发生改变,使得先验信息与实际状况不相符,进而导致振动幅值参数的辨识误差。
在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解,因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。
发明内容
针对现有技术中存在的不足,本公开的目的在于提供一种旋转叶片叶端定时振动参数辨识方法与系统,通过利用叶端定时信号的稀疏表示重构叶片振动频率,并代替周向傅里叶方法所需要的先验信息,能够更准确的对叶片的振动参数进行辨识。
为实现上述目的,本公开提供以下技术方案:
一种旋转叶片叶端定时振动参数辨识方法,包括如下步骤:
S100:确定用于测量旋转叶片振动的叶端定时传感器个数n及叶端定时传感器的周向安装位置;
S200:基于所述叶端定时传感器采集旋转叶片振动位移的欠采样信号;
S300:建立所述欠采样信号的稀疏表示模型,并利用稀疏重构方法对所述欠采样信号进行重构形成重构信号,通过对所述重构信号进行傅里叶变换得到所述重构信号的非欠采样频谱图,其中,所述非欠采样频谱图中除去旋转叶片旋转频率外的幅值最高处所对应频率即为旋转叶片振动频率,且旋转叶片旋转频率与电机转频相同;
S400:根据所述旋转叶片振动频率及旋转频率获得旋转叶片的振动阶次,根据所述旋转叶片的振动阶次及所述叶端定时传感器的周向安装位置构建旋转叶片的振动方程设计矩阵,根据所述叶片的振动方程设计矩阵计算叶片振动参数并构建叶片振动方程,利用周向傅里叶方法辨识旋转叶片的振动幅值。
优选的,步骤S100中,所述叶端定时传感器个数n通过所述叶片多模态振动时的模态数目m确定,其中,n≥2m+1。
优选的,步骤S100中,所述叶端定时传感器的周向安装位置根据设计矩阵H的条件数确定;所述设计矩阵H的表达式为:
其中,EOm为第m个振动阶次,θn为第n个叶端定时传感器与转速传感器间的安装角度;
所述条件数为设计矩阵H二范数与设计矩阵的逆矩阵H-1二范数的乘积,即cond(H)=||H||·||H-1||。
优选的,所述步骤S300包括如下步骤:
S301:记录n个叶端定时传感器测得的同一叶片振动位移V(r×n)×1所对应的时刻t(r ×n)×1,设定对欠采样信号进行重构后的重构信号的非欠采样频率确定重构信号中各数据点所对应的时刻TN×1,其中,为重构信号的数据点个数,r为叶片旋转的圈数,t0为采样时长;
S302:记录欠采样信号各数据点所对应时刻t(r×n)×1在重构信号各数据点所对应时刻TN×1中所对应的位置序号pos(r×n)×1,将一个N×N的单位阵所对应的pos(r×n)×1行取出作为观测矩阵Φ(r×n)×N;
S303:构建N维的离散余弦字典DN×N,由所述观测矩阵Φ(r×n)×N和所述离散余弦字典DN×N共同构成稀疏变换矩阵A(r×n)×N=Φ(r×n)×N·DN×N;
S306:对所述重构信号YN×1进行傅里叶变换,得到重构信号的非欠采样频谱图,其中,与设定的电机旋转频率相同的即为叶片旋转频率fω,除去旋转叶片旋转频率外的其余频率即为旋转叶片振动频率fB。
优选的,步骤S400中,所述旋转叶片的振动阶次为:
其中,fB为旋转叶片振动频率,fω为旋转叶片旋转频率。
优选的,所述步骤S400包括如下步骤:
优选的,步骤S402中,所述叶片振动方程表示为:
其中,m为叶片多模态振动的模态数目,t为振动方程的自变量,表示振动的时刻,C为振动方程的位移常偏量,Ai,Bi分别为第i个叶片振动模态下的振动参数,且与步骤S402中叶片振动参数x的关系为x=(A1 B1 A2 … Ai Bi … Bm C)T,EQi为第i个振动阶次,fω为叶片旋转频率,上标T表示矢量的转置。
本公开还提供一种旋转叶片叶端定时振动参数辨识系统,包括:
传感器布局模块,用于确定用于测量旋转叶片振动的叶端定时传感器个数n及叶端定时传感器的周向安装位置;信号采集模块,用于基于所述叶端定时传感器采集旋转叶片振动位移的欠采样信号;
频率辨识模块,用于建立所述欠采样信号的稀疏表示模型,并利用稀疏重构方法对所述欠采样信号进行重构形成重构信号,通过对所述重构信号进行傅里叶变换得到所述重构信号的非欠采样频谱图,其中,所述非欠采样频谱图中除去旋转叶片旋转频率外的幅值最高处所对应频率即为旋转叶片振动频率,且旋转叶片旋转频率与电机转频相同;
振幅辨识模块,用于根据所述旋转叶片振动频率及旋转频率获得旋转叶片的振动阶次,根据所述旋转叶片的振动阶次及所述叶端定时传感器的周向安装位置构建旋转叶片的振动方程设计矩阵,根据所述叶片的振动方程设计矩阵计算叶片振动参数并构建叶片振动方程,利用周向傅里叶方法辨识旋转叶片的振动幅值。
优选的,所述欠采样信号的稀疏表示模型表示为:
其中,表示在式取到最小值时SN ×1的取值,v(r×n)×1为n个叶端定时传感器测得的同一叶片振动位移,A(r×n)N为由观测矩阵Φ(r×n)×N和离散余弦字典DN×N共同构成的稀疏变换矩阵,SN×1为叶端定时信号在离散余弦字典DN×N下的稀疏系数,λ为正则化参数。
优选的,所述重构信号表示为:
优选的,所述叶片振动方程表示为:
其中,m为叶片多模态振动的模态数目,t为振动方程的自变量,表示振动的时刻,C为振动方程的位移常偏量,Ai,Bi分别为第i个叶片振动模态下的振动参数,且与步骤S402中叶片振动参数x的关系为x=(A1 B1 A2 … Ai Bi … Bm C)T,EQi为第i个振动阶次,fω为叶片旋转频率,上标T表示矢量的转置。
与现有技术相比,本公开带来的有益效果为:
1、本公开无需额外的有限元分析步骤以提供先验信息,更适用于航空发动机等工作环境多变的情况,能够满足叶片振动参数的实时检测的要求;
2、本公开仅利用叶端定时传感器测得的振动位移的欠采样信号即可辨识叶片振动的频率和幅值,简化了振动参数辨识步骤,辨识结果精度高。
附图说明
图1是本公开提供的一种旋转叶片叶端定时振动参数辨识方法流程图;
图2(a)至图2(b)是旋转叶片叶端振动稳态阶段信号图,其中,图2(a)是不含噪声的振动信号,图2(b)是含5dB噪声的振动信号;
图3是叶端定时传感器采样图;
图4是欠采样稀疏重构信号频谱图;
图5是本公开提供的一种旋转叶片叶端定时振动参数辨识系统的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的具体实施例。虽然附图中显示了本发明的具体实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
需要说明的是,在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解,技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异作为区分组件的方式,而是以组件在功能上的差异作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语,故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式,然所述描述乃以说明书的一般原则为目的,并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。
为便于对本发明实施例的理解,下面将结合附图以具体实施例为例做进一步的解释说明,且各个附图并不构成对本发明实施例的限定。
如图1所示,本公开提供一种旋转叶片叶端定时振动参数辨识方法,包括如下步骤:
S100:确定用于测量旋转叶片振动的叶端定时传感器个数n及叶端定时传感器的周向安装位置;
S200:基于所述叶端定时传感器采集旋转叶片振动位移的欠采样信号;
S300:建立所述欠采样信号的稀疏表示模型,并利用稀疏重构方法对所述欠采样信号进行重构形成重构信号,通过对所述重构信号进行傅里叶变换得到所述重构信号的非欠采样频谱图,其中,所述非欠采样频谱图中除去旋转叶片旋转频率外的幅值最高处所对应频率即为旋转叶片振动频率,且旋转叶片旋转频率与电机转频相同;
S400:根据所述旋转叶片振动频率及旋转频率获得旋转叶片的振动阶次,根据所述旋转叶片的振动阶次及所述叶端定时传感器的周向安装位置构建旋转叶片的振动方程设计矩阵,根据所述叶片的振动方程设计矩阵计算叶片振动参数并构建叶片振动方程,利用周向傅里叶方法辨识旋转叶片的振动幅值。
上述实施例与现有技术相比,一方面无需额外的有限元分析步骤以提供先验信息,更适用于航空发动机等工作环境多变的情况,并且能够满足叶片振动参数的实时检测的要求;另一方面仅通过利用叶端定时传感器测得振动位移的欠采样信号即可辨识叶片振动的频率和幅值,简化了振动参数辨识步骤,提高了辨识结果的精度。
另一个实施例中,步骤S100中,所述叶端定时传感器个数n通过所述叶片多模态振动时的模态数目m确定,其中,n≥2m+1。
另一个实施例中,步骤S100中,所述叶端定时传感器的周向安装位置根据设计矩阵H的条件数确定;所述设计矩阵H的表达式为:
其中,EOm为第m个振动阶次,θn为第n个叶端定时传感器与转速传感器间的安装角度;
所述条件数为设计矩阵H二范数与设计矩阵的逆矩阵H-1二范数的乘积,即cond(H)=||H||·||H-1||。
本实施例中,假设叶片振动为正弦振动,其振动方程可表示为y=Hx,其中,y为n个叶端定时传感器在叶片旋转一圈时测得的叶片同步振动位移矢量yn×1=(y1 y2 ... yn)T,x为2m+1个待辨识的叶片振动参数矢量x(2m+1)×1=(A1 B1 A2 … Bm C)T,H为设计矩阵:
其中,EOm为第m个振动阶次,θn为第n个叶端定时传感器与转速传感器间的安装角度。随机生成R组传感器布局方案,选取其中设计矩阵条件数最小的一组作为叶端定时传感器周向安装位置或采用优化算法对叶端定时传感器安装位置进行布局,其中条件数表示设计矩阵H二范数与设计矩阵的逆矩阵H-1二范数的乘积,即条件数cond(H)=||H||·||H-1||。
另一个实施例中,所述步骤S300包括如下步骤:
S301:记录n个叶端定时传感器测得的同一叶片振动位移y(r×n)×1所对应的时刻t(r ×n)×1,设定对欠采样信号进行重构后的重构信号的非欠采样频率确定重构信号中各数据点所对应的时刻TN×1,其中,为重构信号的数据点个数,r为叶片旋转的圈数,t0为采样时长;
S302:记录欠采样信号各数据点所对应时刻t(r×n)×1在重构信号各数据点所对应时刻TN×1中所对应的位置序号pos(r×n)×1,将一个N×N的单位阵所对应的pos(r×n)×1行取出作为观测矩阵Φ(r×n)×N;
S303:构建N维的离散余弦字典DN×N,由所述观测矩阵Φ(r×n)×N和所述离散余弦字典DN×N共同构成稀疏变换矩阵A(r×n)×N=Φ(r×n)×N·DN×N;
S306:对所述重构信号YN×1进行傅里叶变换,得到重构信号的非欠采样频谱图,其中,与设定的电机旋转频率相同的即为叶片旋转频率fω,除去旋转叶片旋转频率外的其余频率即为旋转叶片振动频率fB。
另一个实施例中,所述步骤S400包括如下步骤:
另一个实施例中,步骤S402中,所述叶片振动方程表示为:
其中,m为叶片多模态振动的模态数目,t为振动方程的自变量,表示振动的时刻,C为振动方程的位移常偏量,Ai,Bi分别为第i个叶片振动模态下的振动参数,且与步骤S402中叶片振动参数x的关系为x=(A1 B1 A2 … Ai Bi … BmC)T,EOi为第i个振动阶次,fω为叶片旋转频率,上标T表示矢量的转置。
为了进一步理解本发明,下面通过具体实施例对本发明做进一步描述,需要强调的是,下列描述仅仅是示例性的,而不应作为对本发明的限定。
在一个具体的实施例中,一种旋转叶片叶端定时振动参数辨识方法包括以下步骤:
1、在MATLAB环境下建立单自由度叶片仿真模型,假设叶片质量m1=1kg,叶片的刚度k1=8.1×105N/m,则叶片的固有频率设定叶片的旋转频率fω=100Hz,外加激振力p(t)=8.1sin(2π·4·100t),即叶片的振动阶次EO=4,使用Newmark-β数值方法求解仿真叶片振动响应如图2(a)所示,采用随机的高斯白噪声模拟测量过程中的不确定性,测量不确定性的大小通过信噪比定量表示,其中Psignal,Pnoise为信号和噪声的有效功率。令SNR=5dB,加噪叶片振动信号如图2(b)所示。
2、针对单模态的叶片振动,传感器数目n≥2m+1=2×1+1=3,因此至少采用三支叶端定时传感器进行信号的采集。随机生成10000组传感器布局方案,选择其中使得设计矩阵条件数最小的一组θ=(33.55°,243.68°,274.06°),则叶片振动方程的设计矩阵
3、根据叶端定时采样原理,当MATLAB仿真运行时间时,记录下这一时刻的叶片振动位移,将其视作叶端定时传感器采样信号,其中,r为叶片旋转圈数,fω为叶片旋转频率,θn为第n个传感器与转速传感器之间的夹角,仿真叶端定时传感器对含噪信号采样结果如图3所示。
4.2、记录采样信号各点在重构信号中所对应的位置序号pos900×1,将一个6000×6000的单位阵所对应的pos900×1行取出,作为观测矩阵Φ900×6000;
4.3、构建离散余弦字典D6000×6000,由观测矩阵Φ900×6000和离散余弦字典共同构成稀疏变换矩阵A900×6000=Φ900×6000·D6000×6000;
4.5、根据重构出的信号Y6000×1在字典矩阵D6000×6000下的表示是稀疏的这一特点,可将重构信号表示为其中,表示字典矩阵D6000×6000的转置,为遍历可行域得到的最优解,重构信号的频谱图如图4所示,其中100.3Hz频率与叶片转频相近,这一谱线由叶端定时采样特点决定,而辨识出的400.3Hz的振动频率与外加的激振力频率的相对误差0.075%,稀疏重构方法能精准辨识叶片振动频率。
6、利用周向傅里叶方法计算叶片振动幅值,具体包括如下步骤:
6.3、叶片的振动方程为:
由上述具体实施例可知,本公开所述技术方案能够高精度的辨识叶片振动的频率和幅值。
另一个实施例中,如图5所示,本公开还提供一种旋转叶片叶端定时振动参数辨识系统,包括:
传感器布局模块,用于确定用于测量旋转叶片振动的叶端定时传感器个数n及叶端定时传感器的周向安装位置;信号采集模块,用于基于所述叶端定时传感器采集旋转叶片振动位移的欠采样信号;
频率辨识模块,用于建立所述欠采样信号的稀疏表示模型,并利用稀疏重构方法对所述欠采样信号进行重构形成重构信号,通过对所述重构信号进行傅里叶变换得到所述重构信号的非欠采样频谱图,其中,所述非欠采样频谱图中除去旋转叶片旋转频率外的幅值最高处所对应频率即为旋转叶片振动频率,且旋转叶片旋转频率与电机转频相同;
振幅辨识模块,用于根据所述旋转叶片振动频率及旋转频率获得旋转叶片的振动阶次,根据所述旋转叶片的振动阶次及所述叶端定时传感器的周向安装位置构建旋转叶片的振动方程设计矩阵,根据所述叶片的振动方程设计矩阵计算叶片振动参数并构建叶片振动方程,利用周向傅里叶方法辨识旋转叶片的振动幅值。
尽管以上结合附图对本公开的实施方案进行了描述,但本公开并不局限于上述的具体实施方案和应用领域,上述的具体实施方案仅仅是示意性的、指导性的,而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本公开权利要求所保护的范围的情况下,还可以做出很多种的形式,这些均属于本公开保护之列。
Claims (9)
1.一种旋转叶片叶端定时振动参数辨识方法,包括如下步骤:
S100:确定用于测量旋转叶片振动的叶端定时传感器个数n及叶端定时传感器的周向安装位置;
S200:基于所述叶端定时传感器采集旋转叶片振动位移的欠采样信号;
S300:建立所述欠采样信号的稀疏表示模型,并利用稀疏重构方法对所述欠采样信号进行重构形成重构信号,通过对所述重构信号进行傅里叶变换得到所述重构信号的非欠采样频谱图,其中,所述非欠采样频谱图中除去旋转叶片旋转频率外的幅值最高处所对应频率即为旋转叶片振动频率,且旋转叶片旋转频率与电机转频相同;
S301:记录n个叶端定时传感器测得的同一叶片振动位移y(r×n)×1所对应的时刻t(r×n)×1,设定对欠采样信号进行重构后的重构信号的非欠采样频率确定重构信号中各数据点所对应的时刻TN×1,其中,为重构信号的数据点个数,r为叶片旋转的圈数,t0为采样时长;
S302:记录欠采样信号各数据点所对应时刻t(r×n)×1在重构信号各数据点所对应时刻TN ×1中所对应的位置序号pos(r×n)×1,将一个N×N的单位阵所对应的pos(r×n)×1行取出作为观测矩阵Φ(r×n)×N;
S303:构建N维的离散余弦字典DN×N,由所述观测矩阵Φ(r×n)×N和所述离散余弦字典DN×N共同构成稀疏变换矩阵A(r×n)×N=Φ(r×n)×N·DN×N;
S306:对所述重构信号YN×1进行傅里叶变换,得到重构信号的非欠采样频谱图,其中,与设定的电机旋转频率相同的即为叶片旋转频率fω,除去旋转叶片旋转频率外的其余频率即为旋转叶片振动频率fB;
S400:根据所述旋转叶片振动频率及旋转频率获得旋转叶片的振动阶次,根据所述旋转叶片的振动阶次及所述叶端定时传感器的周向安装位置构建旋转叶片的振动方程设计矩阵,根据所述叶片的振动方程设计矩阵计算叶片振动参数并构建叶片振动方程,利用周向傅里叶方法辨识旋转叶片的振动幅值。
2.根据权利要求1所述的方法,其特征在于,步骤S100中,所述叶端定时传感器个数n通过所述叶片多模态振动时的模态数目m确定,其中,n≥2m+1。
7.一种旋转叶片叶端定时振动参数辨识系统,包括:
传感器布局模块,用于确定用于测量旋转叶片振动的叶端定时传感器个数n及叶端定时传感器的周向安装位置;信号采集模块,用于基于所述叶端定时传感器采集旋转叶片振动位移的欠采样信号;
频率辨识模块,用于建立所述欠采样信号的稀疏表示模型,并利用稀疏重构方法对所述欠采样信号进行重构形成重构信号,通过对所述重构信号进行傅里叶变换得到所述重构信号的非欠采样频谱图,其中,所述非欠采样频谱图中除去旋转叶片旋转频率外的幅值最高处所对应频率即为旋转叶片振动频率,且旋转叶片旋转频率与电机转频相同;
振幅辨识模块,用于根据所述旋转叶片振动频率及旋转频率获得旋转叶片的振动阶次,根据所述旋转叶片的振动阶次及所述叶端定时传感器的周向安装位置构建旋转叶片的振动方程设计矩阵,根据所述叶片的振动方程设计矩阵计算叶片振动参数并构建叶片振动方程,利用周向傅里叶方法辨识旋转叶片的振动幅值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910715714.3A CN110567574B (zh) | 2019-08-02 | 2019-08-02 | 一种旋转叶片叶端定时振动参数辨识方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910715714.3A CN110567574B (zh) | 2019-08-02 | 2019-08-02 | 一种旋转叶片叶端定时振动参数辨识方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110567574A CN110567574A (zh) | 2019-12-13 |
CN110567574B true CN110567574B (zh) | 2020-11-06 |
Family
ID=68774646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910715714.3A Active CN110567574B (zh) | 2019-08-02 | 2019-08-02 | 一种旋转叶片叶端定时振动参数辨识方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110567574B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353129B (zh) * | 2020-02-10 | 2021-12-28 | 西安交通大学 | 叶端定时数据存储矩阵化处理方法 |
CN111626167A (zh) * | 2020-05-20 | 2020-09-04 | 西安交通大学 | 基于叶端定时和改进多重信号分类的叶片裂纹辨识方法 |
CN112100874B (zh) * | 2020-07-24 | 2022-12-06 | 西安交通大学 | 基于数字孪生的转子叶片健康监测方法和监测系统 |
CN112179480B (zh) * | 2020-08-26 | 2021-11-19 | 西安交通大学 | 一种谐波叠加拟合叶尖定时振动参数识别的方法、系统及电子设备 |
CN112304616B (zh) * | 2020-10-22 | 2021-09-03 | 中国特种设备检测研究院 | 一种适用于旋转叶片叶尖定时信号的时-频处理方法 |
CN112611448B (zh) * | 2020-11-23 | 2023-05-26 | 浙江上风高科专风实业股份有限公司 | 一种无线振动传感器的频谱重构方法 |
CN113029481B (zh) * | 2021-02-25 | 2023-03-03 | 中国人民解放军国防科技大学 | 一种针对叶片扭转振动的测量方法 |
CN113504310B (zh) * | 2021-05-18 | 2022-12-02 | 西安交通大学 | 基于单个叶端定时传感器的叶片固有频率识别方法 |
CN113404555B (zh) * | 2021-05-18 | 2022-06-21 | 西安交通大学 | 一种基于多个叶端定时传感器的叶片固有频率识别方法 |
CN113504309B (zh) * | 2021-05-18 | 2022-10-28 | 西安交通大学 | 基于单个叶端定时传感器的叶片检测方法 |
CN113533529B (zh) * | 2021-05-18 | 2022-10-28 | 西安交通大学 | 单个或均布叶端定时传感器提取叶片间固有频率差值方法 |
CN113565585B (zh) * | 2021-08-10 | 2022-06-21 | 西安交通大学 | 单叶端定时传感器变工况旋转叶片固有频率提取方法 |
CN114136648B (zh) * | 2021-10-20 | 2023-06-13 | 中国航发四川燃气涡轮研究院 | 基于声阵列的航空发动机风扇动叶的气动激励辨识方法 |
CN114111997B (zh) * | 2021-11-22 | 2022-08-12 | 大连理工大学 | 一种基于叶端定时欠采样信号特性的叶片同步共振频率恢复方法 |
CN114720110B (zh) * | 2022-04-11 | 2022-11-29 | 大连理工大学 | 一种基于叶端定时传感器循环多尺度逆向优化布局的频率识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016091233A1 (en) * | 2014-12-11 | 2016-06-16 | Výzkumný A Zkušební Ústav Plzeň S.R.O. | Method of monitoring residual life of turbomachinery rotor blades |
CN106645424A (zh) * | 2016-12-09 | 2017-05-10 | 四川西南交大铁路发展股份有限公司 | 一种钢轨裂纹在线监测噪声滤除和裂纹判定方法及其系统 |
CN108051078A (zh) * | 2017-12-12 | 2018-05-18 | 湖南工业大学 | 一种转速非恒定时叶片振动叶端定时在线监测方法及装置 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0822859D0 (en) * | 2008-12-16 | 2009-01-21 | Rolls Royce Plc | Timing analysis |
CN103471703B (zh) * | 2013-09-30 | 2014-09-24 | 中国人民解放军国防科学技术大学 | 一种高速叶片欠采样叶端振动信号的无混叠重构方法 |
CN104166804B (zh) * | 2014-08-20 | 2018-01-30 | 中国科学技术大学 | 一种基于时频域单源点稀疏成分分析的工作模态辨识方法 |
CN104697623B (zh) * | 2014-10-24 | 2018-07-17 | 南京航空航天大学 | 变速激励下叶片异步振动参数识别方法 |
CN105424160B (zh) * | 2015-11-20 | 2019-03-08 | 天津大学 | 实现叶片同步振动参数辨识的方法 |
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 |
CN105466550B (zh) * | 2015-12-04 | 2018-08-28 | 中国人民解放军国防科学技术大学 | 非均匀欠采样叶端定时振动信号重构方法及其装置 |
CN105509876B (zh) * | 2015-12-04 | 2018-08-28 | 中国人民解放军国防科学技术大学 | 欠采样叶端定时振动信号重构方法及其装置 |
CN105912854B (zh) * | 2016-04-11 | 2018-05-15 | 西安交通大学 | 一种机械结构动载荷识别的稀疏表征方法 |
CN107196661B (zh) * | 2017-05-16 | 2019-11-12 | 中国人民解放军国防科学技术大学 | 用于转子系统的振动信号处理的信号重构方法 |
CN109883720B (zh) * | 2019-03-22 | 2021-04-13 | 西安交通大学 | 用于辨识叶片多模态振动的叶端定时传感器的布置方法 |
CN109870282B (zh) * | 2019-03-26 | 2020-04-28 | 西安交通大学 | 基于压缩感知的叶片振动特征辨识方法及系统 |
-
2019
- 2019-08-02 CN CN201910715714.3A patent/CN110567574B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016091233A1 (en) * | 2014-12-11 | 2016-06-16 | Výzkumný A Zkušební Ústav Plzeň S.R.O. | Method of monitoring residual life of turbomachinery rotor blades |
CN106645424A (zh) * | 2016-12-09 | 2017-05-10 | 四川西南交大铁路发展股份有限公司 | 一种钢轨裂纹在线监测噪声滤除和裂纹判定方法及其系统 |
CN108051078A (zh) * | 2017-12-12 | 2018-05-18 | 湖南工业大学 | 一种转速非恒定时叶片振动叶端定时在线监测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110567574A (zh) | 2019-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110567574B (zh) | 一种旋转叶片叶端定时振动参数辨识方法与系统 | |
Wang et al. | An improved multiple signal classification for nonuniform sampling in blade tip timing | |
WO2020192621A1 (zh) | 一种基于叶端定时的转子叶片动应变场测量方法及其系统 | |
CN109790757B (zh) | 使用叶片尖端定时(btt)测量转子叶片尖端偏转的方法和系统 | |
CN109883380B (zh) | 一种基于叶端定时的转子叶片位移场测量方法及其系统 | |
CN110851963A (zh) | 叶端定时传感器的机匣周向布置方法 | |
Chen et al. | Non-contact crack detection of high-speed blades based on principal component analysis and Euclidian angles using optical-fiber sensors | |
Rzadkowski et al. | Analysis of middle bearing failure in rotor jet engine using tip-timing and tip-clearance techniques | |
Diamond et al. | Improved blade tip timing measurements during transient conditions using a state space model | |
CN112461934B (zh) | 一种基于声发射的航空发动机叶片裂纹源定位方法 | |
Cao et al. | Rotating blade frequency identification by single-probe blade tip timing | |
CN111183345B (zh) | 用于搜索能够影响旋转机械动力传输装置的缺陷的方法和装置 | |
US9657588B2 (en) | Methods and systems to monitor health of rotor blades | |
CN111397877B (zh) | 一种旋转机械拍振故障检测与诊断方法 | |
CN113586177B (zh) | 基于单叶端定时传感器的叶片固有频率识别方法 | |
Wu et al. | An expert system for the diagnosis of faults in rotating machinery using adaptive order-tracking algorithm | |
Cao et al. | Blade tip timing signal filtering method based on sampling aliasing frequency map | |
Zhang et al. | Five dimensional movement measurement method for rotating blade based on blade tip timing measuring point position tracking | |
Wang et al. | An OPR-free blade tip timing method for rotating blade condition monitoring | |
CN112502860B (zh) | 液体火箭发动机频率特性测量方法 | |
Wu et al. | An order-tracking technique for the diagnosis of faults in rotating machineries using a variable step-size affine projection algorithm | |
Grądzki et al. | Rotor blades diagnosis method based on differences in phase shifts | |
CN114486252B (zh) | 一种矢量模极大值包络的滚动轴承故障诊断方法 | |
Chen et al. | Deep learning for compressed sensing-based blade vibration reconstruction from sub-sampled tip-timing signals | |
Sekhar | On-Line Rotor Fault Identification |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |