CN111503242B - 故障确定方法、装置和系统、计算机可读存储介质 - Google Patents
故障确定方法、装置和系统、计算机可读存储介质 Download PDFInfo
- Publication number
- CN111503242B CN111503242B CN201910090489.9A CN201910090489A CN111503242B CN 111503242 B CN111503242 B CN 111503242B CN 201910090489 A CN201910090489 A CN 201910090489A CN 111503242 B CN111503242 B CN 111503242B
- Authority
- CN
- China
- Prior art keywords
- lubricating oil
- fault
- information
- gearbox
- metal
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16H—GEARING
- F16H57/00—General details of gearing
- F16H57/01—Monitoring wear or stress of gearing elements, e.g. for triggering maintenance
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16H—GEARING
- F16H57/00—General details of gearing
- F16H57/04—Features relating to lubrication or cooling or heating
- F16H57/0405—Monitoring quality of lubricant or hydraulic fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16H—GEARING
- F16H57/00—General details of gearing
- F16H57/01—Monitoring wear or stress of gearing elements, e.g. for triggering maintenance
- F16H2057/012—Monitoring wear or stress of gearing elements, e.g. for triggering maintenance of gearings
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16H—GEARING
- F16H57/00—General details of gearing
- F16H57/01—Monitoring wear or stress of gearing elements, e.g. for triggering maintenance
- F16H2057/018—Detection of mechanical transmission failures
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Details Of Gearings (AREA)
Abstract
本公开涉及一种故障确定方法、装置和系统、计算机可读存储介质。该方法包括:获取齿轮箱的离线滑油金属屑末含量信息;所述根据离线滑油滤金属屑末含量信息和在线滑油金属屑末含量信息确定齿轮箱的故障信息包括:根据离线滑油滤金属屑末含量信息、离线滑油金属屑末含量信息和在线滑油金属屑末含量信息确定齿轮箱的滑油故障信息。本公开通过有效的行星齿轮箱故障监测,可以提高GTF整机可靠性和安全性。
Description
技术领域
本公开涉及故障监测领域,特别涉及一种故障确定方法、装置和系统、计算机可读存储介质。
背景技术
风扇齿轮箱(GTF)涡扇发动机具有大大优于传统涡扇发动机构型的油耗、噪音、和环境排放,因而各个主要商业发动机OEM都投入人力物力关注该构型的开发应用。相关技术以及量产了该构型的中型推力发动机,并持续研发更大推力级的GTF发动机;另一相关技术已经试验验证了Ultra Fan技术,这种技术可以被用于大型GTF发动机研发,也可以用来开发开式涡扇发动机。
发明内容
申请人发现:作为GTF构型和开式涡扇的核心子系统,行星齿轮箱对于发动机整机的可靠性、在役时间至关重要。
鉴于以上技术问题,本公开提供了一种故障确定方法、装置和系统、计算机可读存储介质,可以有效地进行行星齿轮箱故障监测,以提高GTF整机可靠性和安全性。
根据本公开的一个方面,提供一种故障确定方法,包括:
获取齿轮箱的在线滑油金属屑末含量信息;
获取齿轮箱离线过滤器的离线滑油滤金属屑末含量信息;
根据离线滑油滤金属屑末含量信息和在线滑油金属屑末含量信息确定齿轮箱的滑油故障信息。
在本公开的一些实施例中,所述故障确定方法还包括:
获取齿轮箱的离线滑油金属屑末含量信息;
所述根据离线滑油滤金属屑末含量信息和在线滑油金属屑末含量信息确定齿轮箱的故障信息包括:
根据离线滑油滤金属屑末含量信息、离线滑油金属屑末含量信息和在线滑油金属屑末含量信息确定齿轮箱的滑油故障信息。
在本公开的一些实施例中,所述故障确定方法还包括:
获取齿轮箱的离线油品信息;
所述根据离线滑油滤金属屑末含量信息、离线滑油金属屑末含量信息和在线滑油金属屑末含量信息确定齿轮箱的故障信息包括:
根据离线滑油滤金属屑末含量信息、离线油品信息、离线滑油金属屑末含量信息和在线滑油金属屑末含量信息确定齿轮箱的滑油故障信息。
在本公开的一些实施例中,所述故障确定方法还包括:
获取齿轮箱离线过滤器的过滤器压降信号;
所述根据离线滑油滤金属屑末含量信息、离线油品信息、离线滑油金属屑末含量信息和在线滑油金属屑末含量信息确定齿轮箱的故障信息包括:
根据过滤器压降信号、离线滑油滤金属屑末含量信息、离线油品信息、离线滑油金属屑末含量信息和在线滑油金属屑末含量信息确定齿轮箱的滑油故障信息。
在本公开的一些实施例中,所述故障确定方法还包括:
获取齿轮箱的动力学信号;
根据齿轮箱的动力学信号确定齿轮箱的机械故障信息;
通过融合齿轮箱的滑油故障信息和机械故障信息确定齿轮箱的故障信息。
在本公开的一些实施例中,所述故障确定方法还包括:
根据齿轮箱的故障信息确定故障发生的零部件。
在本公开的一些实施例中,所述根据离线滑油滤金属屑末含量信息和在线滑油金属屑末含量信息确定齿轮箱的滑油故障信息包括:
根据在线滑油金属屑末含量信息确定在线滑油齿轮箱故障信息;
根据离线滑油滤金属屑末含量信息确定滑油滤金属故障信息;
通过融合在线滑油齿轮箱故障信息和滑油滤金属故障信息确定齿轮箱的滑油故障信息。
在本公开的一些实施例中,所述根据离线滑油滤金属屑末含量信息、离线油品信息、离线滑油金属屑末含量信息和在线滑油金属屑末含量信息确定齿轮箱的滑油故障信息包括:
根据齿轮箱的离线滑油金属屑末含量信息确定离线滑油齿轮箱故障信息;
通过融合离线油品信息、离线滑油齿轮箱故障信息、在线滑油齿轮箱故障信息和滑油滤金属故障信息确定齿轮箱的滑油故障信息。
在本公开的一些实施例中,所述根据过滤器压降信号、离线滑油滤金属屑末含量信息、离线油品信息、离线滑油金属屑末含量信息和在线滑油金属屑末含量信息确定齿轮箱的滑油故障信息包括:
根据过滤器压降信号确定油滤故障信息;
通过融合油滤故障信息、离线油品信息、离线滑油齿轮箱故障信息、在线滑油齿轮箱故障信息和滑油滤金属故障信息确定齿轮箱的滑油故障信息。
在本公开的一些实施例中,所述根据在线滑油金属屑末含量信息确定在线滑油齿轮箱故障信息包括:
根据在线滑油金属屑末含量信息确定在线滑油金属屑末的时间变化率;
根据在线滑油金属屑末含量信息、在线滑油金属屑末的时间变化率所处的参数区间,确定对应的在线滑油齿轮箱故障等级信息。
在本公开的一些实施例中,所述根据在线滑油金属屑末含量信息确定在线滑油齿轮箱故障信息包括:
判断是否分粒度确定在线滑油齿轮箱故障信息;
在分粒度确定在线滑油齿轮箱故障信息的情况下,将小于预定尺寸的金属屑末作为小粒度金属屑末;
根据小粒度金属屑末含量信息确定小粒度金属屑末的时间变化率;
根据小粒度金属屑末的时间变化率确定齿轮箱的早期故障信息。
在本公开的一些实施例中,所述根据在线滑油金属屑末含量信息确定在线滑油齿轮箱故障信息还包括:
在分粒度确定在线滑油齿轮箱故障信息的情况下,将大于等于预定尺寸的金属屑末作为中大粒度金属屑末;
根据中大粒度金属屑末含量信息确定中大粒度金属屑末的时间变化率;
根据中大粒度金属屑末的时间变化率确定齿轮箱的中晚期故障信息。
在本公开的一些实施例中,所述根据齿轮箱的离线滑油金属屑末含量信息确定离线滑油齿轮箱故障信息包括:
根据离线滑油金属屑末含量信息确定离线滑油金属屑末的时间变化率;
根据离线滑油金属屑末含量信息、离线滑油金属屑末的时间变化率所处的参数区间,确定对应的离线滑油齿轮箱故障等级信息。
在本公开的一些实施例中,通过融合离线滑油齿轮箱故障信息、在线滑油齿轮箱故障信息和滑油滤金属故障信息确定齿轮箱的滑油故障信息包括:
预先设定不同故障状态信息的不同置信度,其中,所述故障状态信息包括离线滑油齿轮箱故障信息、在线滑油齿轮箱故障信息和滑油滤金属故障信息;
如果滑油滤金属故障信息无效或者没有采集,则融合离线滑油齿轮箱故障信息和在线滑油齿轮箱故障信息确定齿轮箱的滑油故障信息;
如果离线滑油齿轮箱故障信息和在线滑油齿轮箱故障信息仅采集了一个,则不做融合;
如果置信度不同的故障状态信息互相违背,且置信度高的故障状态信息的故障程度更严酷,则忽略置信度相对较低的故障状态信息;
如果置信度不同的故障状态信息互相违背,且置信度低的故障状态信息的故障程度更严酷,则采用预定融合算法融合各个故障状态信息。
在本公开的一些实施例中,通过融合齿轮箱的滑油故障信息和机械故障信息确定齿轮箱的故障信息包括:
在所述滑油故障信息包括离线滑油齿轮箱故障信息的情况下,如果任意一个机械故障信息分量的故障程度低于离线滑油齿轮箱故障信息的故障程度,将所述机械故障信息分量的故障程度提升到离线滑油齿轮箱故障信息的故障程度;
如果任意一个机械故障信息分量的故障程度高于离线滑油齿轮箱故障信息的故障程度,则采用预定融合算法融合所述机械故障信息分量和离线滑油齿轮箱故障信息。
根据本公开的另一方面,提供一种故障确定装置,包括:
在线金属含量获取模块,用于获取齿轮箱的在线滑油金属屑末含量信息;
离线滑油滤金属含量获取模块,用于获取齿轮箱离线过滤器的离线滑油滤金属屑末含量信息;
滑油故障信息确定模块,用于根据离线滑油滤金属屑末含量信息和在线滑油金属屑末含量信息确定齿轮箱的滑油故障信息。
在本公开的一些实施例中,所述故障确定装置用于执行实现如上述任一实施例所述的故障确定方法的操作。
根据本公开的另一方面,提供一种故障确定装置,包括:
存储器,用于存储指令;
处理器,用于执行所述指令,使得所述故障确定装置用于执行实现如上述任一实施例所述的故障确定方法的操作。
根据本公开的另一方面,提供一种故障确定系统,包括如上述任一实施例所述的故障确定装置。
根据本公开的另一方面,提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储有计算机指令,所述指令被处理器执行时实现如上述任一实施例所述的故障确定方法。
本公开通过有效的行星齿轮箱故障监测,可以提高GTF整机可靠性和安全性。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本公开故障确定系统一些实施例的示意图。
图2为本公开故障确定方法一些实施例的示意图。
图3为本公开一些实施例中确定在线滑油齿轮箱故障信息的示意图。
图4为本公开故障确定方法另一些实施例的示意图。
图5为本公开一些实施例中采用离线滑油金属屑末判断是否有齿轮故障的示意图。
图6为本公开一些实施例中油滤沉积物金属分析、油滤压差分析齿轮故障的示意图。
图7为本公开故障确定方法又一些实施例的示意图。
图8为本公开故障确定方法又一些实施例的示意图。
图9为本公开故障确定装置一些实施例的示意图。
图10为本公开故障确定装置另一些实施例的示意图。
图11为本公开故障确定装置又一些实施例的示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
图1为本公开故障确定系统一些实施例的示意图。如图1所示,所述故障确定系统可以包括加速度计、输出轴扭矩传感器、输出轴转速传感器、输入轴扭矩传感器、输入轴转速传感器、金属屑末传感器、油滤(滑油过滤器)和故障确定装置,其中:
加速度计、输出轴扭矩传感器、输出轴转速传感器、输入轴扭矩传感器、输入轴转速传感器、金属屑末传感器、油滤分别设置在行星齿轮箱的特定位置。
故障确定装置分别与加速度计、输出轴扭矩传感器、输出轴转速传感器、输入轴扭矩传感器、输入轴转速传感器、金属屑末传感器和油滤连接。
故障确定装置,用于对多个动力学状态参数(振动信号、N2转速、扭矩等)、滑油金属含量对应的多个在线/离线状态参数、及滑油滤压差测量进行故障信息融合,确定齿轮箱的故障。
基于本公开上述实施例提供的故障确定系统,综合考虑了航空发动机机械故障导致动力学状态参数变化和滑油(在线和离线)金属含量变化,采用多个动力学状态参数(振动信号、N2转速、扭矩等)、滑油金属含量对应的多个在线/离线状态参数、及滑油滤压差测量进行故障信息融合,从而提高了行星齿轮系统故障诊断、早期故障诊断算法的鲁棒性和监测精度,降低了误诊率。
本公开上述实施例通过监测PHM系统综合考虑动力学信号(振动、加速度计测量)、滑油在线离线金属监测、及油滤金属沉积物测量结果,可以有效地进行行星齿轮箱故障监测,从而提高了GTF整机可靠性和安全性。
图2为本公开故障确定方法一些实施例的示意图。优选的,本实施例可由故障确定装置执行。该方法包括以下步骤:
步骤21,获取齿轮箱的在线滑油金属屑末含量信息。
在本公开的一些实施例中,假设金属总共分四档,则MM=4。
ii=1的情况下,对应颗粒<5微米;ii=2的情况下,5微米<对应颗粒<20微米;ii=3的情况下,20微米<对应颗粒<50微米;ii=4的情况下,50微米<对应颗粒<100微米。
如果只收集了齿轮箱滑油出口油滤的上游处滑油金属屑末x u(t),则以xu(t)及其时间变化率为状态指示参数;如果收集了齿轮箱滑油出口油滤上游处滑油金属屑末(铁磁性)信号和齿轮箱滑油入口油滤的下游处滑油金属屑末则定义作为状态指示参数。
步骤22,获取齿轮箱离线过滤器的离线滑油滤金属屑末含量信息。
在本公开的一些实施例中,步骤22可以包括:收集离线滑油滤金属屑末含量监测数据,针对每一种与机械故障、磨损相关的金属设置阈值。阈值也分为4档;由于油滤采集的金属量及其时间导数并不直接反映滑油里金属含量,故我们从以上逻辑得到的是滑油金属含量的“状态指示”,不是“健康指示”,故采用“CI-Condition Indicator”。由于油滤金属采样频率一般远低于在线和离线金属监测采样,油滤金属检测结果仅用于齿轮箱系统故障诊断,不用于早期诊断;计算滑油滤金属屑末含量的健康指示CIFilterMetal。
步骤23,根据离线滑油滤金属屑末含量信息和在线滑油金属屑末含量信息确定齿轮箱的滑油故障信息,其中,所述齿轮箱的滑油故障的定义可以为“滑油及滑油滤金属屑末分析所体现的齿轮箱可能故障”。
在本公开的一些实施例中,步骤23可以包括:
步骤231,根据在线滑油金属屑末含量信息确定在线滑油齿轮箱故障信息。
在本公开的一些实施例中,步骤231可以包括:
步骤2311,根据在线滑油金属屑末含量信息确定在线滑油金属屑末的时间变化率。
步骤2312,根据在线滑油金属屑末含量信息、在线滑油金属屑末的时间变化率所处的参数区间,确定对应的在线滑油齿轮箱故障等级信息。
在本公开的一些实施例中,金属屑末监测信号和金属屑末时间变化率都被视为齿轮箱机械状态参数,采用统计方法确定其“预警值”(需要关注-“黄色预警”)和“报警值”(超出正常范围-“桔色预警”),及“报修值”(需要立即确认、干预-“红色预警”)。如果只收集了则以及其时间变化率为状态指示参数,如果收集了和则以及其时间变化率为状态指示参数。也就是说,和都是滑油状态指示参数。
在本公开的一些实施例中,步骤2312可以包括:通过预定融合算法融合所述及两者的自从最近一次维护、维修以来运行时间导数(ii=1:MM),可以得到齿轮箱实时滑油金属颗粒健康指示HILubeMetal-onL和早期实时滑油金属颗粒健康指示
在本公开的一些实施例中,所述预定融合算法可以是加权平均算法、模糊算法、或者其他逻辑算法。
图3为本公开一些实施例中确定在线滑油齿轮箱故障信息的示意图。如图3所示,本公开采用在线滑油金属屑末判断是否有齿轮故障的步骤(例如步骤231)可以包括:
步骤1,判断是否分粒度确定在线滑油齿轮箱故障信息;如果是,则执行步骤2和5;否则,执行步骤8。
在本公开的一些实施例中,根据各个粒度上金属颗粒的预警状态决定与故障或者早期故障关联;一般来讲,颗粒越小则故障越早期,晚期故障会有更多相对大的颗粒。
在本公开的一些实施例中,可以将颗粒度分为大和中、小两档:ii=1:XX(预定尺寸),小粒度;ii=XX+1:MM,中大粒度;当然,如果金属屑末传感器无法提供多粒度测量结果,则该步骤无效。
步骤2,在分粒度确定在线滑油齿轮箱故障信息的情况下,将小于预定尺寸XX的金属屑末作为小粒度金属屑末。
步骤3,根据小粒度金属屑末含量信息确定小粒度金属屑末的时间变化率。
步骤4,判断小粒度金属屑末含量及其时间变化率是否指示有早期齿轮机械故障;之后执行步骤10。
步骤5,在分粒度确定在线滑油齿轮箱故障信息的情况下,将大于等于预定尺寸的金属屑末作为中大粒度金属屑末。
步骤6,根据中大粒度金属屑末含量信息确定中大粒度金属屑末的时间变化率。
步骤7,判断中大粒度金属屑末含量及其时间变化率是否指示有中晚期齿轮机械故障;之后执行步骤10。
步骤8,采用单一粒度在线滑油金属屑末含量判断是否有早期、中晚期齿轮机械故障。
步骤9,计算金属屑末的时间变化率。
步骤10,得到在线滑油早期故障健康指示、在线滑油故障健康指示。
在本公开的一些实施例中,本公开采用在线滑油金属屑末判断是否有齿轮故障的步骤(例如步骤231)可以包括:
步骤a,针对每个粒度,都有相应的黄色、橙色、红色预警值;各个粒度的预警值由运行数据决定,且不同粒度有不同的阈值;
HILubeMetal-OnL=0。
HILubeMetal-OnL=1,轻度滑油金属故障(“黄色”)。
则HILubeMetal-OnL=2,滑油金属故障(“橙色”)。
则HILubeMetal-OnL=3,滑油金属故障(“红色”)。
即,滑油金属含量无故障,且滑油金属含量无早期故障。
即,滑油金属含量无故障,但是滑油金属含量有早期故障。
即,滑油金属含量需要观察但不用立即采取行动。
即,滑油金属含量有故障但不用立即采取行动。
即,滑油金属含量有较严重故障且需立即采取行动。
在本公开的一些实施例中,可以增加阈值的层次,以便细化相应的故障等级划分。
步骤232,根据离线滑油滤金属屑末含量信息确定滑油滤金属故障信息。
在本公开的一些实施例中,如图1所示的离线收集过滤器金属沉积物分析结果并记录,金属含量:nni(t),其中,i=1,2,3…,Nm,Nm是监测金属总量,包含铁、镍、铜等多类系统磨损件含金属。这里有别于步骤21和步骤231获取的在线金属屑末监测结果,离线可以检出主要的被油滤收集的磨损金属含量,而不仅仅是铁磁性金属颗粒总量。
步骤233,通过融合在线滑油齿轮箱故障信息和滑油滤金属故障信息确定齿轮箱的滑油故障信息。
基于本公开上述实施例提供的故障确定方法,通过融合在线滑油齿轮箱故障信息和滑油滤金属故障信息确定齿轮箱的滑油故障信息,提高了行星齿轮系统故障诊断、早期故障诊断算法的鲁棒性和监测精度,降低了误诊率。
图4为本公开故障确定方法另一些实施例的示意图。优选的,本实施例可由故障确定装置执行。该方法包括以下步骤:
步骤41,获取齿轮箱的在线滑油金属屑末含量信息;根据在线滑油金属屑末含量信息确定在线滑油齿轮箱故障信息。
在本公开的一些实施例中,步骤41的具体步骤与图2实施例的步骤21和步骤231、以及图3实施例相同或类似,这里不再详述。
步骤42,获取齿轮箱离线过滤器的离线滑油滤金属屑末含量信息;根据离线滑油滤金属屑末含量信息确定滑油滤金属故障信息。
在本公开的一些实施例中,步骤42可以包括:
步骤421,离线收集过滤器金属沉积物分析结果(并记录,金属含量:nni(t),i=1,2,3…,Nm,Nm是监测金属总量,包含铁、镍、铜等多类系统磨损件含金属;离线可以检出主要的被油滤收集的磨损金属含量,而不仅仅是铁磁性金属颗粒总量。
步骤422,以运行时间为横坐标,计算过滤器沉积金属含量(nni(t),i=1,2,3…,Nm)的时间变化率并记录,以运行时间t为准;过滤器收集金属信号和过滤器收集金属时间变化率都被视为齿轮箱机械故障、早期机械故障状态参数;对于离线过滤器收集金属及其时间变化率,采用统计方法确定其“预警值”(需要关注)、“报警值”(超出正常范围)、及“报修值”(需要立即确认、干预)。
在本公开的一些实施例中,步骤422可以包括:
由于油滤采集的金属量及其时间导数并不直接反映滑油里金属含量,故我们从以上逻辑得到的是滑油金属含量的“状态指示”,不是“健康指示”,故采用“CI-ConditionIndicator”。由于油滤金属采样频率一般远低于在线和离线金属监测采样,油滤金属检测结果仅用于齿轮箱系统故障诊断,不用于早期诊断。
步骤423,离线收集油品监测结果(包含油品及金属屑末监测,金属含量:mi(t),i=1,2,3…,Nm,;酸粒子数TAN(t),酸度Ph(t),水含量Wat(t)))等状态指示并记录(CI-Condition Indicator)、步骤43,获取齿轮箱离线过滤器的过滤器压降信号;根据过滤器压降信号确定油滤故障信息。
在本公开的一些实施例中,油滤故障信息可以为油滤健康指示。
在本公开的一些实施例中,步骤43可以包括:按照如图1所示的方式收集并记录过滤器压降信号(DP(t)),以过滤器压降信号(DP(t))为过滤器状态参数,采用统计方法确定其“关注值”(“黄色”预警,需要关注)和“报修值”(“红色”预警,需要立即确认、干预);得到油滤健康指示(HIFilter)。
步骤44,获取齿轮箱的离线油品信息;获取齿轮箱的离线滑油金属屑末含量信息;根据离线滑油金属屑末含量信息确定离线滑油齿轮箱故障信息。
图5为本公开一些实施例中采用离线滑油金属屑末判断是否有齿轮故障的示意图。如图5所示,采用离线滑油金属屑末判断是否有齿轮故障的方法(例如图4实施例的步骤44)可以包括:
步骤441,收集并记录离线滑油样品金属屑末和油品监测信息(离线滑油油品信息);之后执行步骤442和步骤444。
步骤442,记录离线滑油油品信息。其中离线滑油油品信息包括但不限于氧化度(Oxidation)、酸碱度(PH)、粘性系数(Viscosity)和酸粒子数目(Total Acid Number,TAN)、水含量Wat(t)等状态指示。
步骤443,根据各个参数是否超过相应阈值,判断离线滑油样品的油品。
在本公开的一些实施例中,步骤443可以包括:采用统计方法确定各个油品指标“预警值”(需要关注)和“报警值”(超出正常范围),及“报修值”(需要立即确认、干预)。
步骤444,记录离线滑油金属屑末信息,其中,所述离线滑油金属屑末信息包括各个主要齿轮系零部件金属,包括但不限于包括铁、铜、镍等。
在本公开的一些实施例中,离线过滤器金属沉积物分析及油品金属屑末监测结果中关注的金属包含铁、镍、铜等;一般来讲其中铁为最重要的金属零部件磨损指标金属,镍和铜次之;取决于设计和材料选择,离线过滤器金属沉积物分析及油品金属屑末监测的对象金属应相应调整。
步骤445,计算各个离线滑油金属屑末随运行时间的变化率。
在本公开的一些实施例中,步骤445可以包括:以运行时间为横坐标,计算离线油品监测结果中金属屑末监测的时间变化率( 以运行时间t为准)并记录;离线油品监测结果中金属屑末监测信号和离线油品监测结果中金属屑末监测时间变化率都被视为齿轮箱机械状态参数。
步骤446,判断离线滑油金属含量及其时间变化率是否超过“黄色”和“红色”阈值。
在本公开的一些实施例中,步骤446可以包括:采用统计方法确定其“早期预警值”(“蓝色”预警,有可能有早期磨损、机械故障)、“预警值”(“黄色”预警,需要关注)和“报警值”(“橙色”预警,超出正常范围),及“报修值”(“红色”预警,需要立即确认、干预)。
步骤447,得到离线滑油齿轮箱故障信息,其中,所述离线滑油齿轮箱故障信息包括离线滑油早期故障健康指示和离线滑油故障健康指示,其中,所述离线滑油早期故障健康指示和离线滑油故障健康指示包括特定零部件的磨损、故障“标记”金属相应的健康指示。
在本公开的一些实施例中,步骤447可以包括:
在本公开的一些实施例中,离线滑油金属含量健康指示HILubeMetal-OffL和在线滑油金属含量健康指示、早期健康指示
在本公开的一些实施例中,所述方法还可以包括:采用预定融合算法融合离线油品监测结果(包含油品及金属屑末监测,金属含量:mi(t),i=1,2,3…,Nm,;酸粒子数TAN(t),酸度Ph(t),水含量Wat(t)),得到发动机润滑油油品状态指示(HIlubricant)。
在本公开的一些实施例中,预定融合算法可以采用“AND”逻辑。
在本公开的一些实施例中,步骤447还可以包括:对于主要齿轮箱部件,如轴承滚道、轴承滚子、齿轮、以及柔性轴、保持架等部件有特有的特征合金金属成分,则对相应的离线滑油检测标记金属单独建立相应的状态指示:
步骤45,通过融合油滤故障信息、离线油品信息、离线滑油齿轮箱故障信息、在线滑油齿轮箱故障信息和滑油滤金属故障信息确定齿轮箱的滑油故障信息。
图6为本公开一些实施例中油滤沉积物金属分析、油滤压差分析齿轮故障的示意图。如图6所示,本发明采用离线过滤器金属沉积物和油滤压差综合分析判断是否可能有齿轮故障的方法(例如图4实施例的步骤45)可以包括:
步骤601,收集并记录滑油滤压差监测信息。
在本公开的一些实施例中,步骤601可以包括:采用如图1所示的方式收集并记录过滤器压降信号(DP(t)),以过滤器压降信号(DP(t))为过滤器状态参数,采用统计方法确定其“关注值”(“黄色”预警,需要关注)和“报修值”(“红色”预警,需要立即确认、干预);得到油滤健康指示(HIFilter)。
步骤602,根据滑油滤压差信号判断油滤是否堵塞并需要更换。
步骤603,如果油滤状态为“红色”预警,即DP(t)值达到“报修值”的情况下,执行步骤604。
步骤604,更换油滤,并重新采集离线滑油油样,并检测离线滑油金属含量;之后执行步骤605和步骤606。
步骤605,调整离线、在线金属监测监控指示值,忽略目前的油滤金属状态指示。
步骤606,收集并记录离线滑油油滤样品金属屑末监测信息。
步骤607,记录离线滑油滤金属屑末信息,其中,所述离线滑油滤金属屑末信息包含各个主要齿轮系零部件金属,所述齿轮系零部件金属至少包含铁、铜、镍等金属。
步骤608,计算各个滑油滤离线金属屑末随运行时间的变化率。
步骤609,判断离线滑油滤金属含量及其时间变化率是否超过“黄色”和“红色”阈值。
步骤610,得到离线滑油滤早期故障健康指示、离线滑油滤故障健康指示,其中,所述离线滑油滤早期故障健康指示和离线滑油滤故障健康指示可以包括特定零部件的磨损、故障“标记”金属相应的健康指示。
在本公开的一些具体实施例中,在油滤状态为“红色”预警的情况下,步骤603-步骤610具体可以包括:
步骤(1),如果HIFilter=2,立即更换滑油滤;并忽略油滤金属含量状态指示CIFilterMetal。
步骤(2),在更换油滤后首次飞行后监测离线滑油金属屑末和油滤,并采用阈值判断是否正常。
步骤(4),如果HILubeMetal-OffL和HILubeMetal-OnL至少有一个等于1,则:
HILubeMetal-OffL和HILubeMetal-OnL均被设为0,即,如果油滤需要更换则在新的离在线滑油监测结果出来之前忽略升高的离线和在线滑油金属含量。
步骤(5),如果HILubeMetal-OffL和HILubeMetal-onL至少有一个大于1但小于2,但振动信号未发现异常在更换油滤后重新收集油样并计算HILubeMetal-offL和HILubeMetal-OnL。
步骤611,如果油滤状态为“黄色”预警,即DP(t)值达到“关注值”的情况下,执行步骤605。
在本公开的一些具体实施例中,在油滤状态为“黄色”预警的情况下,步骤611和步骤605具体可以包括:
步骤[1],如果HIFilter=1,则忽略油滤金属含量状态指示CIFilterMetal。
步骤[3],如果HILubeMetal-OffL和HILubeMetal-OnL至少有一个等于1,则:
HILubeMetal-OffL和HILubeMetal-onL均被设为0,即,在新的离在线滑油监测结果出来之前忽略升高的离线和在线滑油金属含量。
步骤612,如果油滤状态为“绿色”状态的情况下,执行步骤613。
步骤613,维持目前的在线滑油监测健康指示、离线滑油监测健康指示、以及油滤金属状态指示。
基于本公开上述实施例提供的故障确定方法,综合考虑了滑油(在线和离线)金属含量变化,采用多滑油金属含量对应的多个在线/离线状态参数、及滑油滤压差测量进行故障信息融合,从而提高了行星齿轮系统故障诊断、早期故障诊断算法的鲁棒性和监测精度,降低了误诊率。
本公开上述实施例对于滑油滤压差进行监测,可以根据运营、实验台数据,采用统计方法设置压差阈值,分为正常、需要关注、需要更换三档。
本公开上述实施例通过监测PHM系统综合考虑滑油在线离线金属监测、及油滤金属沉积物测量结果,可以有效地进行行星齿轮箱故障监测,从而提高了GTF整机可靠性和安全性。
图7为本公开故障确定方法又一些实施例的示意图。优选的,本实施例可由故障确定装置执行。该方法包括以下步骤:
步骤71,根据离线滑油滤金属屑末含量信息、离线油品信息、离线滑油金属屑末含量信息和在线滑油金属屑末含量信息确定齿轮箱的滑油故障信息。
在本公开的一些实施例中,步骤71可以采用图2-图6任一实施例所述的故障确定方法确定齿轮箱的滑油故障信息。
在本公开的一些实施例中,步骤71可以包括:通过融合离线油品信息、离线滑油齿轮箱故障信息、在线滑油齿轮箱故障信息和滑油滤金属故障信息确定齿轮箱的滑油故障信息。
在本公开的一些实施例中,所述通过融合离线滑油齿轮箱故障信息、在线滑油齿轮箱故障信息和滑油滤金属故障信息确定齿轮箱的滑油故障信息的步骤可以包括:
步骤711,针对对应同类故障的“同质”状态、健康指示,建立“置信顺序”,即,预先设定“同质”的不同故障状态信息的不同置信度,其中,所述“同质”故障状态信息包括离线滑油齿轮箱故障信息、在线滑油齿轮箱故障信息和滑油滤金属故障信息。
在本公开的一些实施例中,在线(HILubeMetal-OnL)、离线滑油金属颗粒监测结果(HILubeMetal-OffL)和滑油油滤金属颗粒监测结果(CIFilterMetal)都是“同质”状态、健康指示。
例如:如果两个状态指示结果相悖,以置信度高的状态指示为主;举例来讲,离线金属颗粒检测结果可信度大于在线金属检测结果,那么离线金属颗粒检测结果作为凭据其重要性大于在线金属检测结果。这个逻辑的实现可以通过加权平均,模糊理论,证据理论或者其他特征、决策融合算法、和其它算法来实现。
在本公开的一些实施例中,与离线金属颗粒检测和在线金属检测结果同质的状态指示还有离线过滤器收集金属,离线过滤器收集金属的“置信顺序”低于离线金属颗粒检测但也高于在线金属检测。即,这两个状态指示的置信度均高于金属在线监测结果:离线金属颗粒检测>离线过滤器收集金属置信度>在线金属检测。
步骤712,如果滑油滤金属故障信息(离线过滤器收集金属监测结果)无效或者没有采集,则融合离线滑油齿轮箱故障信息和在线滑油齿轮箱故障信息确定齿轮箱的滑油故障信息,即,采用离线金属颗粒检测、在线金属检测的结果(融合参数相应作调整)融合得到最终滑油金属屑状态指示。
步骤713,如果离线滑油齿轮箱故障信息和在线滑油齿轮箱故障信息仅采集了一个,则不做融合。
步骤714,如果置信度不同的“同质”故障状态信息互相违背,且置信度高的故障状态信息(状态指示结果)的故障程度更严酷,则忽略置信度相对较低的“同质”故障状态信息。
步骤715,如果置信度不同的“同质”故障状态信息互相违背,且置信度低的故障状态信息(状态指示结果)的故障程度更严酷,则采用预定融合算法融合各个故障状态信息。
在本公开的一些实施例中,通过融合齿轮箱的滑油故障信息和机械故障信息确定齿轮箱的故障信息包括:
在所述滑油故障信息包括离线滑油齿轮箱故障信息的情况下,如果任意一个机械故障信息分量的故障程度低于离线滑油齿轮箱故障信息的故障程度,将所述机械故障信息分量的故障程度提升到离线滑油齿轮箱故障信息的故障程度;
如果任意一个机械故障信息分量的故障程度高于离线滑油齿轮箱故障信息的故障程度,则采用预定融合算法融合所述机械故障信息分量和离线滑油齿轮箱故障信息。
在本公开的一些实施例中,步骤715中,采用预定融合算法融合各个故障状态信息的步骤可以包括:
<1>如果HILubeMetal-OffL=2,HILubeMetal-OnL=1,CIFilterMetal=0,
由于离线滑油金属监测HILubeMetal-OffL置信度高于在线检测和油滤金属分析,且离线滑油金属监测结果最严酷,故融合得到齿轮箱磨损健康之式为:HIGearBoxWearMetal=2。
<2>如果HILubeMetal-OffL=2,HILubeMetal-OnL=1,CIFilterMetal=1,
由于离线滑油金属监测HILubeMetal-OffL置信度高于在线检测和油滤金属分析,且离线滑油金属监测结果最严酷,故融合得到齿轮箱磨损健康之式为(以加权平均算法为例):
HIGearBoxWearMetal=α HILubeMetal-OffL+β CIFilterMetal+γHILubeMetal-OnL,
α+β+γ=1,andα>β>γ
如果设HIGearBoxWearMetal严重故障的阈值(“红色”阈值)为1.5,则HIGearBoxWear最终值为2,即,齿轮箱滑油含有高含量磨损金属,齿轮箱可能有严重磨损。
<3>如果HILubeMetal-offL=0,HILubeMetal-OnL=1,CIFilterMetal=2,
融合得到齿轮箱磨损健康之式为(仍以如上述加权平均算法为例):
如果设HIGearBoxWearMetal的阈值(橙色阈值)为0.75,则HIGearBoxWearMetal最终值为1,即,齿轮箱滑油含有磨损金属、需要进一步观察,齿轮箱可能有磨损。
<4>如果HILubeMetal-OffL=1,HILubeMetal-OnL=2,CIFilterMetal=1,
融合得到齿轮箱磨损健康之式为(仍以如上述加权平均算法为例):
如果设HIGearBoxWearMetal的阈值(橙色阈值)为0.75,则HIGearBoxWearMetal最终值为1,也就是说,齿轮箱滑油含有磨损金属、需要进一步观察,齿轮箱可能有磨损。
<5>如果HILubeMetal-OffL=3,HILubeMetal-OnL=2,CIFilterMetal=1,
由于离线滑油金属监测HILubeMetal-OffL置信度高于在线检测和油滤金属分析,且离线滑油金属监测结果最严酷,故
HIGearBoxWearMetal=3。
步骤72,获取齿轮箱的动力学信号。
步骤73,根据齿轮箱的动力学信号确定齿轮箱的机械故障信息。
在本公开的一些实施例中,以机械故障、早期机械故障状态指示向量各个分量为状态参数,采用统计方法确定其“预警值”(需要关注)和“报警值”(“黄色”预警,超出正常范围),及“报修值”(“红色”预警,需要立即确认、干预);齿轮箱的机械故障、早期机械故障状态指示向量各个分量涵盖了齿轮齿面掉块和偏磨及齿根裂纹、齿轮传扭支架裂纹、轴故障包括裂纹、轴承故障等。
第一、指示齿轮箱、轴承、轴等零部件故障的时域状态指示,包括但不限于RMS,波峰因子等。
第二、指示轴承内外圈及滚子故障的特征频率处振幅,特征频率和振幅由FFT、包络谱分析计算。
第三、指示轴承、齿轮故障的中高频段能量谱。
第四、指示齿轮故障的频域状态指示,包括但不限于啮合频率及其边频、啮合频率高次谐波及相应边频处振幅和能量谱。
第五、指示碰磨、不对中、不平衡、动力失稳等故障的频域状态指示,包括但不限于相应特征频率处的振幅、能量等。
第1、指示齿轮箱、轴承、轴等零部件故障的时域状态指示,包括但不限于RMS,波峰因子等。
第2、对故障状态信号进行时频域混合分析,这里所指的时频域分析包括但不限于短时傅里叶变换,小波分析,希尔伯特-黄(EMD);计算等效局部“频率”,采用相应幅值作为早期健康指示。
步骤74,通过融合齿轮箱的滑油故障信息和机械故障信息确定齿轮箱的故障信息。
在本公开的一些实施例中,步骤74可以包括:融合齿轮箱的机械故障、早期机械故障状态指示向量和滑油金属屑含量健康指示(HIGearBoxWearMetal),从而获取齿轮箱的机械故障早期机械故障健康指示向量其中,所述融合算法适用于没有离线滑油故障标记金属的机械故障;即,该算法不适用于有离线滑油故障标记金属的机械故障。
在本公开的另一些实施例中,对于有离线滑油故障标记金属的机械故障对应的故障状态指示分量,步骤74可以包括:融合齿轮箱的机械故障、早期机械故障状态指示向量和滑油金属屑含量健康指示(HIGearBoxWearMetal)从而获取齿轮箱的机械故障早期机械故障健康指示向量融合的算法包括但不限于加权平均、逻辑、以及模糊算法。
在本公开的一些具体实施例中,步骤74可以包括:
第一、如果任何一个分量的严酷度(severity)低于相应的离线滑油故障标记金属的健康指示(的分量),并且油滤健康指示(HIFilter)低于“红色”水平,则将相应分量的综合健康指示严酷度水平提升至对应离线滑油故障标记金属的健康指示同等水平。
则采用加权平均法计算融合两者,离线滑油故障标记金属的健康指示权重宜调低,然后采用阈值得到一个融合健康指示量;
另外,将离线滑油故障标记金属的健康指示(的分量)降低一个水平。如果该分量的严酷度(severity)低于相应的离线滑油故障标记金属的健康指示(的分量),则将相应分量的严酷度水平提升至对应离线滑油故障标记金属的健康指示同等水平。
步骤743,融合齿轮箱的机械故障、早期机械故障状态指示向量和滑油金属屑含量健康指示(HIGearBoxWearMetal),得到最终的齿轮箱故障信息,所述齿轮箱故障信息可以包括机械故障早期机械故障健康指示向量
步骤75,根据齿轮箱的故障信息确定故障发生的零部件。
基于本公开上述实施例提供的故障确定方法,采用在线和离线滑油金属检测、离线滑油滤金属检测,结合动力学信号(振动、转速、扭矩等)及油滤压差传感器信号进行齿轮箱综合诊断;综合采用在线、离线滑油金属检测结果、油滤金属离线分析结果进行滑油金属含量分析;融合由动力学信号(振动、转速、扭矩等)提取的故障特征和基于离线滑油故障标记金属的健康指示,决定齿轮箱机械健康状况,并隔离齿轮箱故障。
由此本公开上述实施例综合考虑了航空发动机机械故障导致动力学状态参数变化和滑油(在线和离线)金属含量变化,采用多个动力学状态参数(振动信号、N2转速、扭矩等)、滑油金属含量对应的多个在线/离线状态参数、及滑油滤压差测量进行故障信息融合,从而提高了行星齿轮系统故障诊断、早期故障诊断算法的鲁棒性和监测精度,降低了误诊率。
图8为本公开故障确定方法又一些实施例的示意图。优选的,本实施例可由故障确定装置执行。该方法包括以下步骤:
步骤801,对加速度计、扭矩、输入输出扭矩差等数据进行时频域、小波分析、频域分析、时域分析等分析获取时频域混合状态参数、时域状态参数和频域状态参数。
步骤802,判断时频域混合状态参数是否超过早期故障阈值;判断时域状态参数是否超过相应故障阈值;判断频域状态参数是否超过相应故障阈值。
步骤803,在时频域混合状态参数未超过早期故障阈值、时域状态参数未超过相应故障阈值、且频域状态参数未超过相应故障阈值的情况下,齿轮箱机械健康状况=0;之后执行步骤804和步骤841,其中,步骤841为融合齿轮箱的机械故障和滑油金属屑含量健康指示的步骤。
步骤804,将齿轮箱机械健康状况计入齿轮箱机械健康样本。
步骤805,在时频域混合状态参数超过早期故障阈值、时域状态参数未超过相应故障阈值、且频域状态参数未超过相应故障阈值的情况下,齿轮箱机械健康状况=alpha1(“黄色”预警);之后执行步骤807和步骤841。
步骤806,在时域状态参数未超过相应故障阈值、且频域状态参数未超过相应故障阈值(“橙色”阈值和“红色”阈值)的情况下,齿轮箱机械健康状况=alpha2(“橙色”预警),或齿轮箱机械健康状况=alpha3(“红色”预警);之后执行步骤807和步骤841。
步骤807,将齿轮箱机械健康状况计入齿轮箱机械非健康样本。
步骤811,获取在线金属屑末监测数据。
步骤812,计算齿轮箱入库和出库金属检出率差值。
步骤813,计算相应的在线滑油金属含量时间变化率。
步骤814,根据齿轮箱入库和出库金属检出率差值、在线滑油金属含量时间变化率判断是否有早期、中晚期齿轮机械故障。
步骤815,得到在线滑油早期故障健康指示、在线滑油故障健康指示;之后执行步骤841。
本发明上述实施例中步骤811-步骤815可以包括:收集在线滑油金属屑末含量信息,并计算其随着运营时间的时间变化率,根据金属屑末粒度分为两档,作为早期和晚、中期齿轮箱机械故障的健康、状态指示原始数据;如无法区分粒度,则单一粒度在线金属屑监测结果及其随着运营时间的时间变化率也可以作为齿轮箱机械故障的健康、状态指示原始数据;根据运营、实验台数据,采用统计方法设置在线滑油金属屑末含量及其时间变化率的阈值;阈值可以分为4档:“蓝色(blue)”阈值、“黄色(yellow)阈值”、“橙色(orange)阈值”、“红色(red)”阈值;并据此计算在线滑油金属屑末含量的健康指示、早期健康指示HILubeMetal-OnL和
步骤821,收集并记录离线滑油样品金属屑末和油品监测信息;之后执行步骤822和步骤824。
步骤822,判断各个参数否超过相应阈值。
步骤823,根据各个参数是否超过相应阈值,判断离线滑油样品的油品。
步骤824,记录离线滑油金属(包含故障标志金属)含量。
步骤825,计算各个离线滑油金属屑末随运行时间的变化率。
步骤826,判断离线滑油金属含量及其时间变化率是否超过“黄色”和“红色”阈值。
步骤827,得到离线滑油齿轮箱故障信息,其中,所述离线滑油齿轮箱故障信息包括离线滑油早期故障健康指示和离线滑油故障健康指示;之后执行步骤841。
本发明上述实施例中步骤821-步骤827可以包括:收集离线滑油金属屑末含量监测数据(图3),并计算其随着运营时间的时间变化率,针对每一种与机械故障、磨损相关的金属设置阈值;阈值也分为4档;并据此计算离线滑油金属屑末含量的健康指示、早期健康指示HILubeMetal-OffL和
步骤831,进行滑油油滤金属屑末监测、滑油油滤压差监测。
步骤832,判断滑油油滤状态是否正常。在滑油油滤状态不正常的情况下,调整离线、在线金属监控指示(即,重新执行步骤815和步骤827),并重新收集离线滑油油样。
步骤841,融合齿轮箱的机械故障、早期机械故障状态指示向量和滑油金属屑含量健康指示(HIGearBoxWearMetal),得到最终的齿轮箱故障信息,所述齿轮箱故障信息可以包括机械故障早期机械故障健康指示向量进行故障隔离,确定故障零部件。
在本公开的一些实施例中,步骤841中的故障融合可以采用图2-图7任一实施例的故障融合方式实现。
本发明上述实施例可以通过融合在线滑油金属屑末监测健康指示和早期健康指示、离线滑油金属屑末监测健康指示、油滤金属屑末监测状态指示、油滤压差状态指示等,得到滑油金属含量(早期)故障健康指示。
本发明上述实施例可以通过融合离线油品监测结果(包含油品及金属屑末监测,金属含量:mi(t),i=1,2,3…,Nm,;酸粒子数TAN(t),酸度Ph(t),水含量Wat(t)),得到发动机润滑油油品状态指示(HIlubricant)。
本公开上述实施例可以通过监测PHM系统综合考虑动力学信号(振动、加速度计测量)、滑油在线离线金属监测、及油滤金属沉积物测量结果,可以有效地进行行星齿轮箱故障监测,从而提高了GTF整机可靠性和安全性。
图9为本公开故障确定装置一些实施例的示意图。如图9所示,所述故障确定装置可以包括在线金属含量获取模块91、离线滑油滤金属含量获取模块92和滑油故障信息确定模块93,其中:
在线金属含量获取模块91,用于获取齿轮箱的在线滑油金属屑末含量信息。
离线滑油滤金属含量获取模块92,用于获取齿轮箱离线过滤器的离线滑油滤金属屑末含量信息。
滑油故障信息确定模块93,用于根据离线滑油滤金属屑末含量信息和在线滑油金属屑末含量信息确定齿轮箱的滑油故障信息。
在本公开的一些实施例中,所述故障确定装置用于执行实现如上述任一实施例(例如图2-图3任一实施例)所述的故障确定方法的操作。
基于本公开上述实施例提供的故障确定装置,通过融合在线滑油齿轮箱故障信息和滑油滤金属故障信息确定齿轮箱的滑油故障信息,提高了行星齿轮系统故障诊断、早期故障诊断算法的鲁棒性和监测精度,降低了误诊率。
图10为本公开故障确定装置另一些实施例的示意图。与图9所示实施例相比,在图10所示实施例中,所述故障确定装置还可以包括离线金属含量获取模块94、离线油品信息获取模块95、离线滑油滤压降信息获取模块96、动力学信号获取模块97和故障信息融合模块98,其中:
离线金属含量获取模块94,用于获取齿轮箱的离线滑油金属屑末含量信息。
离线油品信息获取模块95,用于获取齿轮箱的离线油品信息。
离线滑油滤压降信息获取模块96,用于获取齿轮箱离线过滤器的过滤器压降信号。
滑油故障信息确定模块93,用于根据过滤器压降信号、离线滑油滤金属屑末含量信息、离线油品信息、离线滑油金属屑末含量信息和在线滑油金属屑末含量信息确定齿轮箱的滑油故障信息。
动力学信号获取模块97,用于获取齿轮箱的动力学信号;根据齿轮箱的动力学信号确定齿轮箱的机械故障信息。
故障信息融合模块98,用于通过融合齿轮箱的滑油故障信息和机械故障信息确定齿轮箱的故障信息。
在本公开的一些实施例中,所述故障确定装置用于执行实现如上述任一实施例(例如图2-图8任一实施例)所述的故障确定方法的操作。
在本公开的一些实施例中,所述故障确定装置可以为图1实施例中故障确定系统的故障确定装置。
基于本公开上述实施例提供的故障确定方法,采用在线和离线滑油金属检测、离线滑油滤金属检测,结合动力学信号(振动、转速、扭矩等)及油滤压差传感器信号进行齿轮箱综合诊断;综合采用在线、离线滑油金属检测结果、油滤金属离线分析结果进行滑油金属含量分析;融合由动力学信号(振动、转速、扭矩等)提取的故障特征和基于离线滑油故障标记金属的健康指示,决定齿轮箱机械健康状况,并隔离齿轮箱故障。
由此本公开上述实施例综合考虑了航空发动机机械故障导致动力学状态参数变化和滑油(在线和离线)金属含量变化,采用多个动力学状态参数(振动信号、N2转速、扭矩等)、滑油金属含量对应的多个在线/离线状态参数、及滑油滤压差测量进行故障信息融合,从而提高了行星齿轮系统故障诊断、早期故障诊断算法的鲁棒性和监测精度,降低了误诊率。
图11为本公开故障确定装置又一些实施例的示意图。如图9所示,所述故障确定装置可以包括存储器111和处理器112,其中:
存储器111,用于存储指令。
处理器112,用于执行所述指令,使得所述故障确定装置用于执行实现如上述任一实施例(例如图2-图8任一实施例)所述的故障确定方法的操作。
本公开上述实施例可以通过监测PHM系统综合考虑动力学信号(振动、加速度计测量)、滑油在线离线金属监测、及油滤金属沉积物测量结果,可以有效地进行行星齿轮箱故障监测,从而提高了GTF整机可靠性和安全性。
根据本公开的另一方面,提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储有计算机指令,所述指令被处理器执行时实现如上述任一实施例(例如图2-图8任一实施例)所述的故障确定方法。
基于本公开上述实施例提供的计算机可读存储介质,采用在线和离线滑油金属检测、离线滑油滤金属检测,结合动力学信号(振动、转速、扭矩等)及油滤压差传感器信号进行齿轮箱综合诊断;综合采用在线、离线滑油金属检测结果、油滤金属离线分析结果进行滑油金属含量分析;融合由动力学信号(振动、转速、扭矩等)提取的故障特征和基于离线滑油故障标记金属的健康指示,决定齿轮箱机械健康状况,并隔离齿轮箱故障。
由此本公开上述实施例综合考虑了航空发动机机械故障导致动力学状态参数变化和滑油(在线和离线)金属含量变化,采用多个动力学状态参数(振动信号、N2转速、扭矩等)、滑油金属含量对应的多个在线/离线状态参数、及滑油滤压差测量进行故障信息融合,从而提高了行星齿轮系统故障诊断、早期故障诊断算法的鲁棒性和监测精度,降低了误诊率。
在上面所描述的故障确定装置可以实现为用于执行本申请所描述功能的通用处理器、可编程逻辑控制器(PLC)、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。
至此,已经详细描述了本公开。为了避免遮蔽本公开的构思,没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述,完全可以明白如何实施这里公开的技术方案。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指示相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
本公开的描述是为了示例和描述起见而给出的,而并不是无遗漏的或者将本公开限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用,并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。
Claims (18)
1.一种故障确定方法,其特征在于,包括:
获取齿轮箱的在线滑油金属屑末含量信息;
获取齿轮箱离线过滤器的离线滑油滤金属屑末含量信息;
根据离线滑油滤金属屑末含量信息和在线滑油金属屑末含量信息确定齿轮箱的滑油故障信息;
其中,所述根据离线滑油滤金属屑末含量信息和在线滑油金属屑末含量信息确定齿轮箱的滑油故障信息包括:通过融合齿轮箱的滑油故障信息和机械故障信息确定齿轮箱的故障信息;
其中,通过融合齿轮箱的滑油故障信息和机械故障信息确定齿轮箱的故障信息包括:
在所述滑油故障信息包括离线滑油齿轮箱故障信息的情况下,如果任意一个机械故障信息分量的故障程度低于离线滑油齿轮箱故障信息的故障程度,将所述机械故障信息分量的故障程度提升到离线滑油齿轮箱故障信息的故障程度;
如果任意一个机械故障信息分量的故障程度高于离线滑油齿轮箱故障信息的故障程度,则采用预定融合算法融合所述机械故障信息分量和离线滑油齿轮箱故障信息。
2.根据权利要求1所述的故障确定方法,其特征在于,还包括:
获取齿轮箱的离线滑油金属屑末含量信息;
所述根据离线滑油滤金属屑末含量信息和在线滑油金属屑末含量信息确定齿轮箱的故障信息包括:
根据离线滑油滤金属屑末含量信息、离线滑油金属屑末含量信息和在线滑油金属屑末含量信息确定齿轮箱的滑油故障信息。
3.根据权利要求2所述的故障确定方法,其特征在于,还包括:
获取齿轮箱的离线油品信息;
所述根据离线滑油滤金属屑末含量信息、离线滑油金属屑末含量信息和在线滑油金属屑末含量信息确定齿轮箱的故障信息包括:
根据离线滑油滤金属屑末含量信息、离线油品信息、离线滑油金属屑末含量信息和在线滑油金属屑末含量信息确定齿轮箱的滑油故障信息。
4.根据权利要求3所述的故障确定方法,其特征在于,还包括:
获取齿轮箱离线过滤器的过滤器压降信号;
所述根据离线滑油滤金属屑末含量信息、离线油品信息、离线滑油金属屑末含量信息和在线滑油金属屑末含量信息确定齿轮箱的故障信息包括:
根据过滤器压降信号、离线滑油滤金属屑末含量信息、离线油品信息、离线滑油金属屑末含量信息和在线滑油金属屑末含量信息确定齿轮箱的滑油故障信息。
5.根据权利要求1-4中任一项所述的故障确定方法,其特征在于,还包括:
获取齿轮箱的动力学信号;
根据齿轮箱的动力学信号确定齿轮箱的机械故障信息;
通过融合齿轮箱的滑油故障信息和机械故障信息确定齿轮箱的故障信息。
6.根据权利要求5所述的故障确定方法,其特征在于,还包括:
根据齿轮箱的故障信息确定故障发生的零部件。
7.根据权利要求1-4中任一项所述的故障确定方法,其特征在于,所述根据离线滑油滤金属屑末含量信息和在线滑油金属屑末含量信息确定齿轮箱的滑油故障信息包括:
根据在线滑油金属屑末含量信息确定在线滑油齿轮箱故障信息;
根据离线滑油滤金属屑末含量信息确定滑油滤金属故障信息;
通过融合在线滑油齿轮箱故障信息和滑油滤金属故障信息确定齿轮箱的滑油故障信息。
8.根据权利要求7所述的故障确定方法,其特征在于,所述根据离线滑油滤金属屑末含量信息、离线油品信息、离线滑油金属屑末含量信息和在线滑油金属屑末含量信息确定齿轮箱的滑油故障信息包括:
根据齿轮箱的离线滑油金属屑末含量信息确定离线滑油齿轮箱故障信息;
通过融合离线油品信息、离线滑油齿轮箱故障信息、在线滑油齿轮箱故障信息和滑油滤金属故障信息确定齿轮箱的滑油故障信息。
9.根据权利要求8所述的故障确定方法,其特征在于,所述根据过滤器压降信号、离线滑油滤金属屑末含量信息、离线油品信息、离线滑油金属屑末含量信息和在线滑油金属屑末含量信息确定齿轮箱的滑油故障信息包括:
根据过滤器压降信号确定油滤故障信息;
通过融合油滤故障信息、离线油品信息、离线滑油齿轮箱故障信息、在线滑油齿轮箱故障信息和滑油滤金属故障信息确定齿轮箱的滑油故障信息。
10.根据权利要求7所述的故障确定方法,其特征在于,所述根据在线滑油金属屑末含量信息确定在线滑油齿轮箱故障信息包括:
根据在线滑油金属屑末含量信息确定在线滑油金属屑末的时间变化率;
根据在线滑油金属屑末含量信息、在线滑油金属屑末的时间变化率所处的参数区间,确定对应的在线滑油齿轮箱故障等级信息。
11.根据权利要求7所述的故障确定方法,其特征在于,所述根据在线滑油金属屑末含量信息确定在线滑油齿轮箱故障信息包括:
判断是否分粒度确定在线滑油齿轮箱故障信息;
在分粒度确定在线滑油齿轮箱故障信息的情况下,将小于预定尺寸的金属屑末作为小粒度金属屑末;
根据小粒度金属屑末含量信息确定小粒度金属屑末的时间变化率;
根据小粒度金属屑末的时间变化率确定齿轮箱的早期故障信息。
12.根据权利要求11所述的故障确定方法,其特征在于,所述根据在线滑油金属屑末含量信息确定在线滑油齿轮箱故障信息还包括:
在分粒度确定在线滑油齿轮箱故障信息的情况下,将大于等于预定尺寸的金属屑末作为中大粒度金属屑末;
根据中大粒度金属屑末含量信息确定中大粒度金属屑末的时间变化率;
根据中大粒度金属屑末的时间变化率确定齿轮箱的中晚期故障信息。
13.根据权利要求8所述的故障确定方法,其特征在于,所述根据齿轮箱的离线滑油金属屑末含量信息确定离线滑油齿轮箱故障信息包括:
根据离线滑油金属屑末含量信息确定离线滑油金属屑末的时间变化率;
根据离线滑油金属屑末含量信息、离线滑油金属屑末的时间变化率所处的参数区间,确定对应的离线滑油齿轮箱故障等级信息。
14.一种故障确定方法,其特征在于,包括:
获取齿轮箱的在线滑油金属屑末含量信息;
获取齿轮箱离线过滤器的离线滑油滤金属屑末含量信息;
根据离线滑油滤金属屑末含量信息和在线滑油金属屑末含量信息确定齿轮箱的滑油故障信息;
其中,所述根据离线滑油滤金属屑末含量信息和在线滑油金属屑末含量信息确定齿轮箱的滑油故障信息包括:通过融合离线滑油齿轮箱故障信息、在线滑油齿轮箱故障信息和滑油滤金属故障信息确定齿轮箱的滑油故障信息;
其中,通过融合离线滑油齿轮箱故障信息、在线滑油齿轮箱故障信息和滑油滤金属故障信息确定齿轮箱的滑油故障信息包括:
预先设定不同故障状态信息的不同置信度,其中,所述故障状态信息包括离线滑油齿轮箱故障信息、在线滑油齿轮箱故障信息和滑油滤金属故障信息;
如果滑油滤金属故障信息无效或者没有采集,则融合离线滑油齿轮箱故障信息和在线滑油齿轮箱故障信息确定齿轮箱的滑油故障信息;
如果离线滑油齿轮箱故障信息和在线滑油齿轮箱故障信息仅采集了一个,则不做融合;
如果置信度不同的故障状态信息互相违背,且置信度高的故障状态信息的故障程度更严酷,则忽略置信度相对较低的故障状态信息;
如果置信度不同的故障状态信息互相违背,且置信度低的故障状态信息的故障程度更严酷,则采用预定融合算法融合各个故障状态信息。
15.一种故障确定装置,其特征在于,包括:
在线金属含量获取模块,用于获取齿轮箱的在线滑油金属屑末含量信息;
离线滑油滤金属含量获取模块,用于获取齿轮箱离线过滤器的离线滑油滤金属屑末含量信息;
滑油故障信息确定模块,用于根据离线滑油滤金属屑末含量信息和在线滑油金属屑末含量信息确定齿轮箱的滑油故障信息;
其中,所述故障确定装置用于执行实现如权利要求1-14中任一项所述的故障确定方法的操作。
16.一种故障确定装置,其特征在于,包括:
存储器,用于存储指令;
处理器,用于执行所述指令,使得所述故障确定装置用于执行实现如权利要求1-14中任一项所述的故障确定方法的操作。
17.一种故障确定系统,其特征在于,包括如权利要求15或16所述的故障确定装置。
18.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述指令被处理器执行时实现如权利要求1-14中任一项所述的故障确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910090489.9A CN111503242B (zh) | 2019-01-30 | 2019-01-30 | 故障确定方法、装置和系统、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910090489.9A CN111503242B (zh) | 2019-01-30 | 2019-01-30 | 故障确定方法、装置和系统、计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111503242A CN111503242A (zh) | 2020-08-07 |
CN111503242B true CN111503242B (zh) | 2021-12-28 |
Family
ID=71865217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910090489.9A Active CN111503242B (zh) | 2019-01-30 | 2019-01-30 | 故障确定方法、装置和系统、计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111503242B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113702059A (zh) * | 2021-09-17 | 2021-11-26 | 中国联合重型燃气轮机技术有限公司 | 一种用于燃气轮机的滑油过滤器 |
CN114856820B (zh) * | 2022-05-16 | 2024-04-09 | 太仓点石航空动力有限公司 | 基于滑油系统健康管理的故障分析方法、系统和设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105241949A (zh) * | 2015-10-16 | 2016-01-13 | 中国航空工业集团公司北京长城航空测控技术研究所 | 滑油金属屑末在线监测器的检测电路及载波信号解调方法 |
CN105781672A (zh) * | 2016-04-06 | 2016-07-20 | 哈尔滨飞机工业集团有限责任公司 | 一种直升机发动机滑油中金属屑的在线处置系统 |
CN107402130A (zh) * | 2017-08-18 | 2017-11-28 | 清华大学天津高端装备研究院 | 一种风电齿轮箱故障等级评价方法 |
CN108008453A (zh) * | 2017-11-23 | 2018-05-08 | 中国航发沈阳黎明航空发动机有限责任公司 | 一种燃气轮机滑油系统金属屑末在线监测系统 |
CN109579894A (zh) * | 2018-09-20 | 2019-04-05 | 西人马联合测控(泉州)科技有限公司 | 一种滑油金属屑末传感器的标定方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9879824B2 (en) * | 2013-04-15 | 2018-01-30 | Bell Helicopter Textron Inc. | Debris detector for non-ferrous bearings |
US9316630B2 (en) * | 2013-11-08 | 2016-04-19 | Sikorsky Aircraft Corporation | Anti-clog and non-metallic debris detector for lubrication system inlet |
-
2019
- 2019-01-30 CN CN201910090489.9A patent/CN111503242B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105241949A (zh) * | 2015-10-16 | 2016-01-13 | 中国航空工业集团公司北京长城航空测控技术研究所 | 滑油金属屑末在线监测器的检测电路及载波信号解调方法 |
CN105781672A (zh) * | 2016-04-06 | 2016-07-20 | 哈尔滨飞机工业集团有限责任公司 | 一种直升机发动机滑油中金属屑的在线处置系统 |
CN107402130A (zh) * | 2017-08-18 | 2017-11-28 | 清华大学天津高端装备研究院 | 一种风电齿轮箱故障等级评价方法 |
CN108008453A (zh) * | 2017-11-23 | 2018-05-08 | 中国航发沈阳黎明航空发动机有限责任公司 | 一种燃气轮机滑油系统金属屑末在线监测系统 |
CN109579894A (zh) * | 2018-09-20 | 2019-04-05 | 西人马联合测控(泉州)科技有限公司 | 一种滑油金属屑末传感器的标定方法及系统 |
Non-Patent Citations (2)
Title |
---|
一种航空发动机滑油金属屑检测系统;林凯,赵建平,郝建;《信息通信》;20170331(第171期);第60-63页 * |
滑油中金属屑分析在航空发动机状态监控中的应用;姚红宇;《失效分析与预防》;20060831;第1卷(第3期);第81-82页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111503242A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ebersbach et al. | The investigation of the condition and faults of a spur gearbox using vibration and wear debris analysis techniques | |
Miller et al. | In-line oil debris monitor for aircraft engine condition assessment | |
Dempsey et al. | Integrating oil debris and vibration gear damage detection technologies using fuzzy logic | |
US10823700B2 (en) | Active oil debris monitor particle detection and monitoring system | |
CN111503242B (zh) | 故障确定方法、装置和系统、计算机可读存储介质 | |
Dempsey | A comparison of vibration and oil debris gear damage detection methods applied to pitting damage | |
EP3198157A1 (en) | Lubricant condition assessment system | |
EP3696543A2 (en) | Active oil debris monitor particle detection and monitoring system | |
Dempsey | Gear damage detection using oil debris analysis | |
Lahdelma et al. | Generalised lp norms in vibration analysis of process equipments | |
Dempsey et al. | Investigation of gear and bearing fatigue damage using debris particle distributions | |
Sheng et al. | Non-destructive testing of marine diesel engines using integration of ferrographic analysis and spectrum analysis | |
Lewicki et al. | Gear fault detection effectiveness as applied to tooth surface pitting fatigue damage | |
WO2023286437A1 (ja) | 潤滑油の診断方法、潤滑油の診断装置および潤滑油の診断システム | |
CN215179439U (zh) | 一种基于多源传感器的油液磨粒在线智能监测装置 | |
CN112112792B (zh) | 电动给水泵组状态检修方法、系统以及终端 | |
RU2285907C1 (ru) | Способ оценки технического состояния двигателей, машин и механизмов | |
Siegel et al. | Investigation and evaluation of condition indicators, variable selection, and health indication methods and algorithms for rotorcraft gear components | |
EP0834070B1 (en) | Method and apparatus for monitoring a lubricant | |
Dempsey et al. | Tapered roller bearing damage detection using decision fusion analysis | |
Dempsey et al. | Investigation of spur gear fatigue damage using wear debris | |
Wang et al. | Fault prediction method based on linear weighted summation | |
Dempsey et al. | Transmission bearing damage detection using decision fusion analysis | |
Gonçalves et al. | Predictive maintenance of a worm reducer with an unbalanced load | |
Ozogan et al. | Tribological failure detection and condition monitoring for diesel engines |
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 |