CN113190786A - 一种大型旋转装备利用多维装配参数的振动预测方法 - Google Patents
一种大型旋转装备利用多维装配参数的振动预测方法 Download PDFInfo
- Publication number
- CN113190786A CN113190786A CN202110527259.1A CN202110527259A CN113190786A CN 113190786 A CN113190786 A CN 113190786A CN 202110527259 A CN202110527259 A CN 202110527259A CN 113190786 A CN113190786 A CN 113190786A
- Authority
- CN
- China
- Prior art keywords
- assembly
- hpc
- vibration
- vector
- hpt
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000013598 vector Substances 0.000 claims abstract description 88
- 230000004044 response Effects 0.000 claims abstract description 20
- 238000009826 distribution Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000004323 axial length Effects 0.000 claims description 15
- 238000000513 principal component analysis Methods 0.000 claims description 9
- 238000013016 damping Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 5
- 238000012847 principal component analysis method Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000009466 transformation Effects 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Testing Of Balance (AREA)
Abstract
本发明涉及机械装配技术相关领域,具体为一种大型旋转装备利用多维装配参数的振动预测方法,本发明考虑发动机结构特点和装配体之间的安装特点,提出将装配体状态下测量的几何偏心和不平衡矢量进行坐标变换等效,转化为组合转子状态下接近真实分布的不平衡量,建立起以组合转子自身的同轴度偏心与不平衡分布对发动机运行状态的振动响应求解方程,从而获取指定转速下不同测点的振动特征值;利用上述处理后的装配参数作为输入,振动特征值作为目标,建立起基于主成分分析法和XGBoost算法的预测模型,实现对航空发动机振动性能的预测和装配质量的评估;其中整个预测方法中数据处理与预测模型的算法稳定性好,对样本数量要求低。
Description
技术领域
本发明涉及机械装配技术相关领域,具体为一种大型旋转装备利用多维装配参数的振动预测方法。
背景技术
航空发动机这样的大型旋转装备具有典型的高温、高压、高转速和高可靠性等动态服役性能要求,高压转子旋转运行时会受到由于不平衡力作用产生不易溯源的振动作用,会严重影响组合转子性能和寿命。因此振动问题的诊断与根原因识别一直是大型旋转装备研究的重点问题。而装配作为精密装备的制造终端,对于大型旋转装备的制造与测试具有十分特殊的承启作用。然而现阶段的发动机装配控制指标只有装配体状态下的几何偏心和不平衡量,以及装配成组合转子的同轴度各项指标逐一控制,无法将装配体的过程装配指标与组合转子的最终装配指标综合评价,也不能通过多维装配参数预测运行过程中的振动特性,更不能利用振动特性提出不同装配性能指标的控制要求。
哈尔滨工业大学提出了基于BP神经网络的大型高速回转装备多级零部件装配方法和装置。该发明考虑转子间装配接触面的抗拉刚度和抗弯刚度的影响,通过旋转装配相位改变高速响应参数,当选取最优装配相位时,通过求解系统动力学方程得到高速振动响应幅值参数,使多级转子装配后高速响应幅值参数最优,实现对航空发动机多级转子高速响应的优化。然而不足之处在于:仅考虑装配过程的几何/刚度参数对装配相位优化的影响,并无建立与装配结果相应的振动结果进行装配质量评价。
中国航发湖南动力机械研究所提出了一种整机振动限制值的制定方法。该方法利用每款发动机转子的不平衡量来评估发动机整机振动值,经过一次发动机整机最大不平衡试验可得到整机振动限制值,可以在开展少量试验的情况下即可得到适合本型号发动机的整机振动限制值。然而不足之处在于:仅以不平衡信息来控制振动限制值,并未将装配同轴度对不平衡分布的影响考虑在内,使得评价角度过于单一,无法将振动测试与装配制造相联系进行关联分析。
大型旋转装备装配的过程指标与最终指标联合表达,能够在不进行大量重复试验的基础上,为振动特性提供稳定的预测估计值,也能够利用预测得到的振动特性反向评估装配体和组合转子的装配质量。因此,在发展大型旋转装备的同时,如何在装配性能与振动特性之间实现双向评价是制造/测试/诊断中亟需解决的重要技术问题。
发明内容
本发明的目的在于提供一种大型旋转装备利用多维装配参数的振动预测方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种大型旋转装备利用多维装配参数的振动预测方法,所述方法包括:
步骤1、获取航空发动机高压压气机转子HPC和高压涡轮转子HPT的主要结构尺寸和质量信息,以及高压组合转子同轴度测量位置的结构尺寸信息;
步骤2、获取发动机HPC和HPT的不平衡的几何偏心矢量和装配成组合转子的装配相位,以及组合转子状态下的同轴度偏心矢量;
步骤3、将HPC和HPT的不平衡矢量除以各自的质量,转换为质心偏移矢量;
步骤4、将不同装配体自身的几何偏心与装配相位进行矢量叠加,结合组合转子状态下的同轴度偏心矢量,获取前后支撑位置的回转中心线以及各个装配体自身几何偏心与中心线的旋转矢量;
步骤5、根据多级装配体所处的层级及对应的旋转矢量,将装配体不同测量位置处不平衡矢量和等效的质心偏移矢量转化到组合转子回转中心线上转换,形成基于组合转子回转中心线的等效不平衡质心偏移矢量;
步骤6、将基于组合转子回转中心线等效的不平衡质心偏移矢量根据各个装配体的不同质量,转化为组合转子状态下对应的不平衡矢量分布,与组合转子的同轴度偏心共同形成装配数据集;
步骤7、使用主成分分析方法PCA,归一化降低装配数据集的维度并去除其数据波动影响后,利用不平衡响应运动方程获取指定转速下不同测点振动特征值;
步骤8、将组合转子状态下的不平衡矢量和同轴度偏心作为输入参数,所对应的振动响应特征值作为目标参数,使用XGBoost算法形成基于多维装配性能参数的振动特征预测模型;
步骤9、将真实发动机装配体的组合转子的装配数据转化为预测模型输入参数,评价振动特征值是否符合限值要求,同时评价相应输入装配数据的整体质量。
优选的,所述步骤1中装配体主要结构尺寸信息,分别包括几何偏心和动平衡测量位置的轴向长度和径向半径,以及该装配体的自身轴向长度,所述步骤1中高压组合转子同轴度测量位置的结构尺寸信息包括测量位置的轴向长度和径向半径。
优选的,所述步骤2中组合转子的装配相位,指HPC和HPT几何偏心180°对角错位装配。
优选的,所述步骤4中获取组合转子状态下同轴度偏心矢量的具体步骤包括:
S1、在坐标系中,HPC的前端作为原点,将它的几何偏心大小按照偏心角度方向进行投影,得到HPC后止口的坐标位置;
S2、将HPT前止口的起始位置与HPC后止口位置重合,将HPT的几何偏心大小按照组合转子的装配相位角度在坐标系中进行投影,获取HPT末端的坐标位置;
S3、利用HPC的HPC和HPT的结构尺寸信息,获取组合转子前后轴承支点的回转中心线方向角,计算公式为:
其中,ηhpc和ηhpt分别为HPC/HPT自身与组合转子状态下的实际回转中心线的夹角,phpc为HPC自身的几何偏心大小,lhpc为HPC的轴向长度,lhpt为HPT的轴向长度。
优选的,所述步骤5中组合转子等效不平衡质心偏移矢量的算法步骤包括:
其中,Di,k为不平衡测量位置在组合转子回转中心下的偏移距离,di,k为HPC或HPT不平衡测量位置的轴向距离,为HPC或HPT测量得到的质心偏移角度,θpk为HPC状态下的几何偏心角度,为组合转子状态下的对应不平衡位置的质心偏移角度,为HPC或HPT在自身装配体状态下测量得到的质心偏移大小,为组合转子状态下的对应不平衡位置的质心偏移大小。
优选的,所述步骤6中的装配数据集包括:等效到组合转子状态下的HPC初始不平衡矢量、HPC最终不平衡矢量、HPT初始不平衡矢量、HPT最终不平衡矢量以及组合转子同轴度。
优选的,所述步骤7中使用PCA算法降低装配参数维度与波动影响时,使用最大似然估计保留装配参数中的有效特征,所述步骤7中指定转速为最大转速的120%以内的任意转速。
优选的,所述步骤7中不平衡响应运动方程表达式为:
上式中,M为转子系统的等效质量矩阵,C(t)为包含了陀螺矩阵的等效阻尼矩阵,K(t)为等效的刚度矩阵,为转子系统线加速度和角加速度向量,为转子系统的线速度和角速度向量,U为转子系统位移和转角向量,F(t)为不平衡引起的激振力向量。
其中,当考虑稳态不平衡响应时,等效阻尼矩阵C,等效刚度矩阵K和激振力向量F均为不随时间变化,只与指定转速有关的定常矩阵;当考虑瞬态不平衡响应时,等效阻尼矩阵、等效刚度矩阵和激振力向量均随时间t改变而发生变化。
优选的,所述步骤7中的不同测点振动特征值,包括:高压振动分量、低压振动分量、共振峰值、临界转速幅值、相干性和幅频相位。
优选的,所述步骤9中评价振动特征值是否符合限值要求,需要给出振动特征值分布范围,预测结果不在分布范围内,则返回装配质量不合格;预测结果在分布范围内,则装配质量合格。
与现有技术相比,本发明的有益效果是:本发明考虑发动机结构特点和装配体之间的安装特点,提出将装配体状态下测量的几何偏心和不平衡矢量进行坐标变换等效,转化为组合转子状态下接近真实分布的不平衡量,建立起以组合转子自身的同轴度偏心与不平衡分布对发动机运行状态的振动响应求解方程,从而获取指定转速下不同测点的振动特征值;利用上述处理后的装配参数作为输入,振动特征值作为目标,建立起基于主成分分析法和XGBoost算法的预测模型,实现对航空发动机振动性能的预测和装配质量的评估;其中整个预测方法中数据处理与预测模型的算法稳定性好,对样本数量要求低。
附图说明
图1为本发明的流程框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
请参阅图1,本发明提供一种技术方案:一种大型旋转装备利用多维装配参数的振动预测方法,方法包括:
步骤1、获取航空发动机高压压气机转子HPC和高压涡轮转子HPT的主要结构尺寸和质量信息,以及高压组合转子同轴度测量位置的结构尺寸信息;
步骤2、获取发动机HPC和HPT的不平衡的几何偏心矢量和装配成组合转子的装配相位,以及组合转子状态下的同轴度偏心矢量;
步骤3、将HPC和HPT的不平衡矢量除以各自的质量,转换为质心偏移矢量;
步骤4、将不同装配体自身的几何偏心与装配相位进行矢量叠加,结合组合转子状态下的同轴度偏心矢量,获取前后支撑位置的回转中心线以及各个装配体自身几何偏心与中心线的旋转矢量;
步骤5、根据多级装配体所处的层级及对应的旋转矢量,将装配体不同测量位置处不平衡矢量和等效的质心偏移矢量转化到组合转子回转中心线上转换,形成基于组合转子回转中心线的等效不平衡质心偏移矢量;
步骤6、将基于组合转子回转中心线等效的不平衡质心偏移矢量根据各个装配体的不同质量,转化为组合转子状态下对应的不平衡矢量分布,与组合转子的同轴度偏心共同形成装配数据集;
步骤7、使用主成分分析方法PCA,归一化降低装配数据集的维度并去除其数据波动影响后,利用不平衡响应运动方程获取指定转速下不同测点振动特征值;
步骤8、将组合转子状态下的不平衡矢量和同轴度偏心作为输入参数,所对应的振动响应特征值作为目标参数,使用XGBoost算法形成基于多维装配性能参数的振动特征预测模型;
步骤9、将真实发动机装配体的组合转子的装配数据转化为预测模型输入参数,评价振动特征值是否符合限值要求,同时评价相应输入装配数据的整体质量。
进一步的,步骤1中装配体主要结构尺寸信息,分别包括几何偏心和动平衡测量位置的轴向长度和径向半径,以及该装配体的自身轴向长度,步骤1中高压组合转子同轴度测量位置的结构尺寸信息包括测量位置的轴向长度和径向半径。
进一步的,步骤2中组合转子的装配相位,指HPC和HPT几何偏心180°对角错位装配。
进一步的,步骤4中获取组合转子状态下同轴度偏心矢量的具体步骤包括:
S1、在坐标系中,HPC的前端作为原点,将它的几何偏心大小按照偏心角度方向进行投影,得到HPC后止口的坐标位置;
S2、将HPT前止口的起始位置与HPC后止口位置重合,将HPT的几何偏心大小按照组合转子的装配相位角度在坐标系中进行投影,获取HPT末端的坐标位置;
S3、利用HPC的HPC和HPT的结构尺寸信息,获取组合转子前后轴承支点的回转中心线方向角,计算公式为:
其中,ηhpc和ηhpt分别为HPC/HPT自身与组合转子状态下的实际回转中心线的夹角,phpc为HPC自身的几何偏心大小,lhpc为HPC的轴向长度,lhpt为HPT的轴向长度。
进一步的,步骤5中组合转子等效不平衡质心偏移矢量的算法步骤包括:
其中,Di,k为不平衡测量位置在组合转子回转中心下的偏移距离,di,k为HPC或HPT不平衡测量位置的轴向距离,为HPC或HPT测量得到的质心偏移角度,θpk为HPC状态下的几何偏心角度,为组合转子状态下的对应不平衡位置的质心偏移角度,为HPC或HPT在自身装配体状态下测量得到的质心偏移大小,为组合转子状态下的对应不平衡位置的质心偏移大小。
进一步的,步骤6中的装配数据集包括:等效到组合转子状态下的HPC初始不平衡矢量、HPC最终不平衡矢量、HPT初始不平衡矢量、HPT最终不平衡矢量以及组合转子同轴度。
进一步的,步骤7中使用PCA算法降低装配参数维度与波动影响时,使用最大似然估计保留装配参数中的有效特征,步骤7中指定转速为最大转速的120%以内的任意转速。
进一步的,步骤7中不平衡响应运动方程表达式为:
上式中,M为转子系统的等效质量矩阵,C(t)为包含了陀螺矩阵的等效阻尼矩阵,K(t)为等效的刚度矩阵,为转子系统线加速度和角加速度向量,为转子系统的线速度和角速度向量,U为转子系统位移和转角向量,F(t)为不平衡引起的激振力向量。
其中,当考虑稳态不平衡响应时,等效阻尼矩阵C,等效刚度矩阵K和激振力向量F均为不随时间变化,只与指定转速有关的定常矩阵;当考虑瞬态不平衡响应时,等效阻尼矩阵、等效刚度矩阵和激振力向量均随时间t改变而发生变化
进一步的,步骤7中的不同测点振动特征值,包括:高压振动分量、低压振动分量、共振峰值、临界转速幅值、相干性和幅频相位。
进一步的,步骤9中评价振动特征值是否符合限值要求,需要给出振动特征值分布范围,预测结果不在分布范围内,则返回装配质量不合格;预测结果在分布范围内,则装配质量合格。
本发明考虑发动机结构特点和装配体之间的安装特点,提出将装配体状态下测量的几何偏心和不平衡矢量进行坐标变换等效,转化为组合转子状态下接近真实分布的不平衡量,建立起以组合转子自身的同轴度偏心与不平衡分布对发动机运行状态的振动响应求解方程,从而获取指定转速下不同测点的振动特征值;利用上述处理后的装配参数作为输入,振动特征值作为目标,建立起基于主成分分析法和XGBoost算法的预测模型,实现对航空发动机振动性能的预测和装配质量的评估;其中整个预测方法中数据处理与预测模型的算法稳定性好,对样本数量要求低。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种大型旋转装备利用多维装配参数的振动预测方法,其特征在于,所述方法包括:
步骤1、获取航空发动机高压压气机转子HPC和高压涡轮转子HPT的主要结构尺寸和质量信息,以及高压组合转子同轴度测量位置的结构尺寸信息;
步骤2、获取发动机HPC和HPT的不平衡的几何偏心矢量和装配成组合转子的装配相位,以及组合转子状态下的同轴度偏心矢量;
步骤3、将HPC和HPT的不平衡矢量除以各自的质量,转换为质心偏移矢量;
步骤4、将不同装配体自身的几何偏心与装配相位进行矢量叠加,结合组合转子状态下的同轴度偏心矢量,获取前后支撑位置的回转中心线以及各个装配体自身几何偏心与中心线的旋转矢量;
步骤5、根据多级装配体所处的层级及对应的旋转矢量,将装配体不同测量位置处不平衡矢量和等效的质心偏移矢量转化到组合转子回转中心线上转换,形成基于组合转子回转中心线的等效不平衡质心偏移矢量;
步骤6、将基于组合转子回转中心线等效的不平衡质心偏移矢量根据各个装配体的不同质量,转化为组合转子状态下对应的不平衡矢量分布,与组合转子的同轴度偏心共同形成装配数据集;
步骤7、使用主成分分析方法PCA,归一化降低装配数据集的维度并去除其数据波动影响后,利用不平衡响应运动方程获取指定转速下不同测点振动特征值;
步骤8、将组合转子状态下的不平衡矢量和同轴度偏心作为输入参数,所对应的振动响应特征值作为目标参数,使用XGBoost算法形成基于多维装配性能参数的振动特征预测模型;
步骤9、将真实发动机装配体的组合转子的装配数据转化为预测模型输入参数,评价振动特征值是否符合限值要求,同时评价相应输入装配数据的整体质量。
2.根据权利要求1所述的一种大型旋转装备利用多维装配参数的振动预测方法,其特征在于:所述步骤1中装配体主要结构尺寸信息,分别包括几何偏心和动平衡测量位置的轴向长度和径向半径,以及该装配体的自身轴向长度,所述步骤1中高压组合转子同轴度测量位置的结构尺寸信息包括测量位置的轴向长度和径向半径。
3.根据权利要求1所述的一种大型旋转装备利用多维装配参数的振动预测方法,其特征在于:所述步骤2中组合转子的装配相位,指HPC和HPT几何偏心180°对角错位装配。
4.根据权利要求1所述的一种大型旋转装备利用多维装配参数的振动预测方法,其特征在于,所述步骤4中获取组合转子状态下同轴度偏心矢量的具体步骤包括:
S1、在坐标系中,HPC的前端作为原点,将它的几何偏心大小按照偏心角度方向进行投影,得到HPC后止口的坐标位置;
S2、将HPT前止口的起始位置与HPC后止口位置重合,将HPT的几何偏心大小按照组合转子的装配相位角度在坐标系中进行投影,获取HPT末端的坐标位置;
S3、利用HPC的HPC和HPT的结构尺寸信息,获取组合转子前后轴承支点的回转中心线方向角,计算公式为:
其中,ηhpc和ηhpt分别为HPC/HPT自身与组合转子状态下的实际回转中心线的夹角,phpc为HPC自身的几何偏心大小,lhpc为HPC的轴向长度,lhpt为HPT的轴向长度。
6.根据权利要求1所述的一种大型旋转装备利用多维装配参数的振动预测方法,其特征在于,所述步骤6中的装配数据集包括:等效到组合转子状态下的HPC初始不平衡矢量、HPC最终不平衡矢量、HPT初始不平衡矢量、HPT最终不平衡矢量以及组合转子同轴度。
7.根据权利要求1所述的一种大型旋转装备利用多维装配参数的振动预测方法,其特征在于:所述步骤7中使用PCA算法降低装配参数维度与波动影响时,使用最大似然估计保留装配参数中的有效特征,所述步骤7中指定转速为最大转速的120%以内的任意转速。
9.根据权利要求1所述的一种大型旋转装备利用多维装配参数的振动预测方法,其特征在于,所述步骤7中的不同测点振动特征值,包括:高压振动分量、低压振动分量、共振峰值、临界转速幅值、相干性和幅频相位。
10.根据权利要求1所述的一种大型旋转装备利用多维装配参数的振动预测方法,其特征在于:所述步骤9中评价振动特征值是否符合限值要求,需要给出振动特征值分布范围,预测结果不在分布范围内,则返回装配质量不合格;预测结果在分布范围内,则装配质量合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110527259.1A CN113190786B (zh) | 2021-05-13 | 2021-05-13 | 一种大型旋转装备利用多维装配参数的振动预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110527259.1A CN113190786B (zh) | 2021-05-13 | 2021-05-13 | 一种大型旋转装备利用多维装配参数的振动预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113190786A true CN113190786A (zh) | 2021-07-30 |
CN113190786B CN113190786B (zh) | 2024-03-15 |
Family
ID=76981756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110527259.1A Active CN113190786B (zh) | 2021-05-13 | 2021-05-13 | 一种大型旋转装备利用多维装配参数的振动预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113190786B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114329806A (zh) * | 2021-11-02 | 2022-04-12 | 上海海事大学 | 基于bp神经网络的发动机转子螺栓装配质量评估方法 |
CN116950729A (zh) * | 2023-09-19 | 2023-10-27 | 华能山东发电有限公司烟台发电厂 | 一种汽轮机叶片故障检测方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070124113A1 (en) * | 2005-11-28 | 2007-05-31 | Honeywell International, Inc. | Fault detection system and method using multiway principal component analysis |
CA2899238A1 (en) * | 2013-01-25 | 2014-07-31 | Peter Ireland | Energy efficiency improvements for turbomachinery |
CN108570553A (zh) * | 2018-04-02 | 2018-09-25 | 上海海事大学 | 一种基于应变振型的振动时效激振频率的确定方法 |
CN109724327A (zh) * | 2018-12-13 | 2019-05-07 | 青岛海尔空调器有限总公司 | 控制空调器压缩机转速波动的方法 |
CN109829236A (zh) * | 2019-01-31 | 2019-05-31 | 浙江工业大学 | 一种基于XGBoost特征提取的压缩机故障诊断方法 |
CN109960870A (zh) * | 2019-03-21 | 2019-07-02 | 哈尔滨工业大学 | 基于接触面积极大化测调的大型高速回转装备多级零部件刚度预测方法 |
KR20190132841A (ko) * | 2018-05-21 | 2019-11-29 | 주식회사 티스마트 | 복합 신호를 이용한 회전기계설비 진단장치 |
CN111259330A (zh) * | 2020-01-13 | 2020-06-09 | 北京化工大学 | 一种基于振动信号的旋转机械早期预警方法 |
CN111413030A (zh) * | 2019-01-07 | 2020-07-14 | 哈尔滨工业大学 | 基于刚度矢量空间投影极大化的大型高速回转装备测量与神经网络学习调控方法及其装置 |
CN111460677A (zh) * | 2020-04-14 | 2020-07-28 | 大连理工大学 | 一种基于几何代数理论建立转子堆叠精度预测模型的方法 |
-
2021
- 2021-05-13 CN CN202110527259.1A patent/CN113190786B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070124113A1 (en) * | 2005-11-28 | 2007-05-31 | Honeywell International, Inc. | Fault detection system and method using multiway principal component analysis |
CA2899238A1 (en) * | 2013-01-25 | 2014-07-31 | Peter Ireland | Energy efficiency improvements for turbomachinery |
CN108570553A (zh) * | 2018-04-02 | 2018-09-25 | 上海海事大学 | 一种基于应变振型的振动时效激振频率的确定方法 |
KR20190132841A (ko) * | 2018-05-21 | 2019-11-29 | 주식회사 티스마트 | 복합 신호를 이용한 회전기계설비 진단장치 |
CN109724327A (zh) * | 2018-12-13 | 2019-05-07 | 青岛海尔空调器有限总公司 | 控制空调器压缩机转速波动的方法 |
CN111413030A (zh) * | 2019-01-07 | 2020-07-14 | 哈尔滨工业大学 | 基于刚度矢量空间投影极大化的大型高速回转装备测量与神经网络学习调控方法及其装置 |
CN109829236A (zh) * | 2019-01-31 | 2019-05-31 | 浙江工业大学 | 一种基于XGBoost特征提取的压缩机故障诊断方法 |
CN109960870A (zh) * | 2019-03-21 | 2019-07-02 | 哈尔滨工业大学 | 基于接触面积极大化测调的大型高速回转装备多级零部件刚度预测方法 |
CN111259330A (zh) * | 2020-01-13 | 2020-06-09 | 北京化工大学 | 一种基于振动信号的旋转机械早期预警方法 |
CN111460677A (zh) * | 2020-04-14 | 2020-07-28 | 大连理工大学 | 一种基于几何代数理论建立转子堆叠精度预测模型的方法 |
Non-Patent Citations (4)
Title |
---|
GUAN SHAOHUA 等: "Armature suspension and stability in multistage synchronous induction coil launcher", 《IEEE TRANSACTIONS ON PLASMA SCIENCE》, vol. 48, no. 1, 25 December 2019 (2019-12-25), pages 319 - 325, XP011767266, DOI: 10.1109/TPS.2019.2958080 * |
YAN LIPING 等: "A fault diagnosis method for gas turbines based on improved data preprocessing and an optimization deep belief network", 《MEASUREMENT SCIENCE AND TECHNOLOGY》, vol. 31, no. 1, 25 October 2019 (2019-10-25), pages 1 - 19, XP020348675, DOI: 10.1088/1361-6501/ab3862 * |
任兴民 等: "考虑转速及碰摩的带冠涡轮叶片动力特性研究", 《西北工业大学学报》, vol. 31, no. 06, 15 December 2013 (2013-12-15), pages 926 - 930 * |
徐波: "基于机器学习的旋转机械故障诊断方法的研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》, no. 08, 15 August 2019 (2019-08-15), pages 029 - 20 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114329806A (zh) * | 2021-11-02 | 2022-04-12 | 上海海事大学 | 基于bp神经网络的发动机转子螺栓装配质量评估方法 |
CN114329806B (zh) * | 2021-11-02 | 2024-03-08 | 上海海事大学 | 基于bp神经网络的发动机转子螺栓装配质量评估方法 |
CN116950729A (zh) * | 2023-09-19 | 2023-10-27 | 华能山东发电有限公司烟台发电厂 | 一种汽轮机叶片故障检测方法及系统 |
CN116950729B (zh) * | 2023-09-19 | 2024-02-27 | 华能山东发电有限公司烟台发电厂 | 一种汽轮机叶片故障检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113190786B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11860066B2 (en) | Dynamic strain field measuring method and system for rotor blade based on blade tip timing | |
US12007309B2 (en) | Non-contact dynamic strain field measuring method and system for rotating blade | |
CN113190786A (zh) | 一种大型旋转装备利用多维装配参数的振动预测方法 | |
CN101915607B (zh) | 汽轮发电机组轴系振动的相位差辅助诊断方法及其系统 | |
CN103913272A (zh) | 一种汽轮发电机组转子质量不平衡故障的定量诊断方法 | |
CN101750216A (zh) | 次同步振荡引起的汽轮发电机轴系疲劳损伤在线分析方法 | |
CN106441896A (zh) | 滚动轴承故障模式识别及状态监测的特征向量提取方法 | |
CN109115408B (zh) | 一种基于离心力方程的大型水电机组动平衡试验方法 | |
CN110598229B (zh) | 基于蒙特卡罗偏差评估的大型高速回转装备多级零部件优化方法 | |
CN111507043A (zh) | 一种基于叶端定时的转子叶片动应力场测量方法及其系统 | |
CN113323816A (zh) | 一种基于叶片载荷分析的叶片检测方法 | |
CN117113200B (zh) | 转子故障诊断方法、装置、电子设备及介质 | |
CN108534996B (zh) | 一种基于微振动瀑布图的飞轮刚度参数提取方法 | |
CN114323608A (zh) | 一种汽轮机转子的脱落部件轴向位置判定方法 | |
CN110288022A (zh) | 一种提取参数非线性关系的水电机组振动故障诊断算法 | |
CN104062072A (zh) | 一种基于微分搜索算法的轴系动平衡多目标优化方法 | |
CN113987861A (zh) | 一种基于局部载荷状态一致的多参数疲劳试验谱编制方法 | |
Wang et al. | The method for identifying rotating blade asynchronous vibration and experimental verification | |
CN114139345B (zh) | 一种基于试验数据相关性的涡轴发动机输出轴功率预测方法 | |
Weibo et al. | A novel rotor dynamic balancing method based on blade tip clearance measurement without the once per revolution sensor | |
US20230115206A1 (en) | Sign detection device and sign detection method | |
CN111174903A (zh) | 一种透平机械故障的诊断方法 | |
Larin | Forced vibrations of bladings with the random technological mistuning | |
CN111046579B (zh) | 基于粒子群算法的大型高速回转装备误差分离优化方法 | |
Yun et al. | A new dynamic balancing method of spindle based on the identification energy transfer coefficient |
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 |