CN113504311B - 基于多个叶端定时传感器的叶片检测方法 - Google Patents
基于多个叶端定时传感器的叶片检测方法 Download PDFInfo
- Publication number
- CN113504311B CN113504311B CN202110702530.0A CN202110702530A CN113504311B CN 113504311 B CN113504311 B CN 113504311B CN 202110702530 A CN202110702530 A CN 202110702530A CN 113504311 B CN113504311 B CN 113504311B
- Authority
- CN
- China
- Prior art keywords
- blade
- blades
- frequency
- data
- displacement
- 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
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/12—Analysing solids by measuring frequency or resonance of acoustic waves
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
-
- 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
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
-
- 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
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Discrete Mathematics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于多个叶端定时传感器的叶片检测方法,方法中,在不同叶端定时传感器采集得到的位移数据中截取两个叶片的同转速下的两段位移数据,两段所截取位移数据为1组,基于两个叶片的夹角对位移数据修正截取区间,以重新截取位移数据;每组内的两个位移数据进行相乘,通过低频滤波,然后进行离散傅里叶变换得到每组的幅频数据,将幅频数据进行线性叠加,得到两个叶片所截取区间的乘积向量总幅频图,在总幅频图中提取两个叶片的固定频率差,取不同的叶片组合,重复第二步骤至第四步骤操作,得到每个叶片和其他叶片的固定频率差,计算每个叶片和其他叶片的频率差值和,当其超出预定的频率差值和阈值则判断叶片为异常。
Description
技术领域
本发明属于叶片非接触无损检测领域,特别是一种基于多个叶端定时传感器的叶片检测方法。
背景技术
在现代工业中,广泛使用着各种类型的涡轮机械。涡轮机是航空、舰船及电力、能源工业广泛应用的重要装置,而叶片是涡轮机中完成功能转换的重要零件。工作中叶片容易发生振动,统计资料说明,叶片的损坏事故,绝大部分是由于振动引起的。以航空发动机为例,据统计振动故障率占发动机中总故障率的60%以上,而叶片振动故障率又占振动故障率的70%以上。可见叶片振动疲劳损伤故障是发动机中较为严重的问题,叶片事故不但降低了涡轮机械的可用率,而且还造成了巨大的直接和间接经济损失。为了保障叶片的安全运行,通常采用的是定期维修方法。但由于实际运行过程中影响叶片安全性的因素很多,且有些因素又无法定量估算,用这种维修方式,容易造成维修过剩和不足。因此对叶片状态实时在线监测就显得越来越迫切。传统的接触式测量方法很难做到同时监测同级的所有叶片,叶端定时测量技术(Blade Tip Timing,BTT)利用叶端定时传感器测量叶片末端的达到时间,并将实际达到时间与理论达到时间之差转换成叶端振动位移,是一种非接触在线测量旋转叶片振动的方法,叶端定时信号的是一种欠采样信号,欠采样的严重程度跟传感器数量有关。传统方法如压缩感知方法,对叶端定时信号进行分析时,对传感器的数量和安装的角度有所要求。但实际设备中,并没有足够的条件按照特定的要求安装。并且利用稀疏重构、多重信号分析等方法,运算复杂,耗时较长,无法用于在线的实时诊断。所以使用新的叶端定时信号分析方法,减小对传感器数量和位置的要求,简化计算过程,缩短计算耗时,对未来叶端定时技术在压气机、燃气轮机、航空发动机等设备中安装,并真正实现故障的在线诊断十分有必要。
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问题,本发明提出一种基于多个叶端定时传感器的叶片检测方法,只需要任意位置与数量的叶端定时传感器即可从严重欠采样信号准确提取两个叶片的固有频率差值,对叶片的健康状态给出更快速和更准确的评价。
本发明的目的是通过以下技术方案予以实现,一种基于多个叶端定时传感器的叶片检测方法包括以下步骤:
第一步骤中,利用np个叶端定时传感器获取旋转叶片的实际达到时间,并根据旋转叶片的转速和叶片长度,理论到达时间和实际达到时间之差转换为叶端的位移数据;
第二步骤中,在不同叶端定时传感器采集得到的位移数据中截取两个叶片的同转速下的两段位移数据,两段所截取位移数据为1组共得到np组,
第三步骤中,基于两个叶片的夹角θa,b对np组所述位移数据修正截取区间,以重新截取位移数据;
第四步骤中,np组数据中每组内的两个位移数据进行相乘,通过低频滤波,然后进行离散傅里叶变换得到每组的幅频数据,将np个幅频数据进行线性叠加,得到所述两个叶片所截取区间的乘积向量总幅频图,在总幅频图中提取两个叶片的固定频率差,
第五步骤中,取不同的叶片组合,重复第二步骤至第四步骤操作,得到每个叶片和其他nb-1个叶片的固定频率差,计算每个叶片和其他nb-1个叶片的频率差值和,当其超出预定的频率差值和阈值判断叶片异常。
所述的方法中,第一步骤中,np个叶端定时传感器获取均匀升速或均匀减速的旋转叶片的实际达到时间t,并根据叶片的转速fr和叶片长度R将理论到达和实际达到时间差转换为叶端位移,表达式如下:tk,i,j表示第i个叶片在第j圈的实际到达第k号传感器的时间,表示理论到达第k号传感器的时间,d(tk,i,j)表示用第k号传感器采集到的第i个叶片在第j圈tk,i,j时刻的位移,其中,
其中θi表示以转速传感器安装位置为基准,第i个叶片的角度。αk表示以转速传感器安装位置为基准,第k个传感器的角度,nj为第j圈时的转速。
所述的方法中,叶片的旋转过程为预定加速度的升速或减速过程,在旋转过程中使用周向均布的气嘴喷气模拟气体激励。
所述的方法中,两个位移数据截取的区间相同,均为[N,M],采样频率fs为:其中fr k为第k圈对应的转速,M-N+1为所截取的数据长度。其中这里截取的区间[N,M]代表的是截取位移向量中的第N个到第M个元素,这个截取的任意的。
所述的方法中,其中,通过Ma,Mb的大小关系获得a和b两个叶片固有频率相对大小信息,其中,
其中Ma表示a号叶片共振峰的峰值对应的位置序号,Mb表示b号叶片共振峰的峰值对应的位置序号。叶片的位移是一个一维向量,每个元素的在向量中的位置就是其索引。fa表示a号叶片的固有频率,fb表示b号叶片的固有频率。|fa-fb|是叶片a和叶片b固有频率差值的绝对值,其可对乘积向量作傅里叶变换,从幅频图中得到。
所述的方法中,若第i和第j号叶片夹角大于180°,将第i和第j号叶片中较小编号的叶片对应的数据选取区间向前平移1个单位。
所述的方法中,第四步骤中,将每组内的两个位移数据和进行向量乘法得到信号Dsk,i,j,对信号Dsk,i,j进行低通滤波,然后进行离散傅里叶变换得到每组的幅频数据,将这组得到的幅频数据进行线性叠加,得到指定两个叶片截取区域的乘积信号的总幅频图,在总幅频图上提取两个叶片的固定频率差,其中,其中np表示叶端定时传感器数量,ADsk,i,j为叶片i和j组合的第k个乘积信号的DFT频谱分析幅值数据;ADsi,j为叶片i和j组合的所有累积信号的幅值总和。
所述的方法中,第五步骤中,选取不同的叶片组合共种组合,重复第二步骤至第四步骤操作,得到每个叶片和其他nb-1个叶片的固定频率差,计算每个叶片和其他nb-1个叶片的频率差值和,当其超出预定的频率差值和阈值判断叶片异常。
本发明方法对叶端定时传感器的布置位置没有要求,通过截取多个叶端定时传感器提取到的两个叶片位移信号,进行乘积后进行离散傅里叶变换,并将np个幅频数据进行线性叠加,得到总幅频图,并从中提取两个叶片的差频成分,通过比较不同叶片之间的差频关系,判断叶片是否存在故障,不需要进行额外的信号重构,非均匀和欠采样问题,方法简单,快速稳定,可实现对叶片异常的在线诊断。
上述说明仅是本发明技术方案的概述,为了能够使得本发明的技术手段更加清楚明白,达到本领域技术人员可依照说明书的内容予以实施的程度,并且为了能够让本发明的上述和其它目的、特征和优点能够更明显易懂,下面以本发明的具体实施方式进行举例说明。
附图说明
通过阅读下文优选的具体实施方式中的详细描述,本发明各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。说明书附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。显而易见地,下面描述的附图仅仅是本发明的一些实施例,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。而且在整个附图中,用相同的附图标记表示相同的部件。
在附图中:
图1为基于多个叶端定时传感器的叶片检测方法的叶端位移实验图;
图2为单叶端定时传感器时所截取的1号和2号叶片位移去均值后的位移图;
图3为单叶端定时传感器时所截取的1号和2号叶片位移相乘后的信号 Ds1,2时域图;
图4为单叶端定时传感器时所截取的1号和2号叶片位移相乘后的信号 Ds1,2的离散傅里叶变换幅频图;
图5为2均布叶端定时传感器时所截取的1号和2号叶片位移去均值后的位移图;
图6为2均布叶端定时传感器时所截取的1号和2号叶片位移相乘后的信号 Ds1,2时域图;
图7为2均布叶端定时传感器时所截取的1号和2号叶片位移相乘后的信号 Ds1,2的离散傅里叶变换幅频图;
图8为在3非均布叶端定时传感器的1号传感器数据中所截取的1号和2 号叶片位移去均值后的位移图;
图9为在3非均布叶端定时传感器的1号传感器数据中所截取的1号和2 号叶片位移相乘后的信号Ds1,2时域图;
图10为在3非均布叶端定时传感器的1号传感器数据中所截取的1号和2 号叶片位移相乘后的信号Ds1,2的离散傅里叶变换幅频图;
图11为在3非均布叶端定时传感器的2号传感器数据中所截取的1号和2 号叶片位移去均值后的位移图;
图12为在3非均布叶端定时传感器的2号传感器数据中所截取的1号和2 号叶片位移相乘后的信号Ds1,2时域图;
图13为在3非均布叶端定时传感器的2号传感器数据中所截取的1号和2 号叶片位移相乘后的信号Ds1,2的离散傅里叶变换幅频图;
图14为在3非均布叶端定时传感器的3号传感器数据中所截取的1号和2 号叶片位移去均值后的位移图;
图15为在3非均布叶端定时传感器的3号传感器数据中所截取的1号和2 号叶片位移相乘后的信号Ds1,2时域图;
图16为在3非均布叶端定时传感器的3号传感器数据中所截取的1号和2 号叶片位移相乘后的信号Ds1,2的离散傅里叶变换幅频图;
图17为在3非均布叶端定时传感器所截取的1号叶片和2号叶片位移相乘后的信号Ds1,2的总幅频图;
图18为本发明专利所提出的任意位置与数量的叶端定时传感器信号叶片异常诊断分析方法的分析过程图。
以下结合附图和实施例对本发明作进一步的解释。
具体实施方式
下面将参照附图图1至图18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来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。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。
基于多个叶端定时传感器的叶片检测方法包括,
(1)利用叶端定时传感器获取旋转叶片的达到时间,并将其转换为位移数据,叶片定时传感器安装位置无需指定,叶端定时传感器数量大于等于1即可,可布置在机匣上的任意角度,位置不指定。
在本示例性实例中,为了说明本专利所提出的方法对传感器安装方式和传感器数量没有特殊要求,可适用于所有叶端定时传感器布置模式,本示例性实例对单叶端定时传感器采样模式、2均布叶端定时传感器采样模式、3叶端定时传感器非均布采样模式数据分别进行分析。
具体为采用单叶端定时传感器、2均布叶端定时传感器、3个非均布叶端定时传感器(实际角度为[158°,168°,288°])对旋转叶片进行叶端到达时间采样。将初始转速设定为60Hz,转速加速度为0.5Hz/s,转速变化范围内 60Hz-100Hz-60Hz,其中100Hz匀速段时间为20s。叶盘采用6叶片的整体式铝合金叶盘,叶盘半径为R=68mm,叶片厚度d=1mm,叶片宽度w=20mm。在机匣上均布4个喷嘴,喷射0.5Mpa的高压气体,利用单叶端定时传感器获取旋转叶片的达到时间,并根据转速和叶片长度,将理论到达和实际达到时间差转换为叶端位移。
(2)在不同叶端定时传感器采集得到的位移数据中选择所要分析的两个叶片的近似同转速下的两段位移数据,2段所截取数据为1组,共能得到np组,其中np为安装的叶端定时传感器数量。
在本示例性实例中,具体为选取叶片1和叶片2的由同一个叶端定时传感器采集到的位移数据,所截取的数据位置序号范围为[4719,4959],所截取的位移数据如图2所示,对应的转速变化范围为:84.66Hz~85.19Hz,近似采样频率fs=85.09Hz。对于单叶端定时传感器采样模式,仅有1组。对于3非均布传感器采样模式,需要对每个叶端定时传感器采集到的叶片1和叶片2位移数据都重复上述操作,共得到3组数据,所截取的位移数据如图8、图11和图 14所示。对于2均布传感器采样模式,组合选择将两个传感器采集到的位移数据分别分析,则分析过程与3非均布传感器采样模式相同,得到2组数据,如果选择将两个传感器数据融合,则采样率fs=170Hz,所截取的数据位移范围为 [9720,9960],所截取的位移数据如图5所示。本示例性实例在对2均布传感器数据分析时,采用传感器数据融合的方式。3种传感器布局的所截取的1号和2 号叶片位移数据如图2、图5、图8、图11和图14所示。
在本示例性实例中,具体为在6叶片叶盘中,叶片1和叶片2的静态夹角θ12=60°<180°,所以数据截取范围无需调整。
(4)将np组数据中每组内的两个位移向量进行相乘,通过低频滤波,然后进行离散傅里叶变换得到每组的幅频数据,将np个幅频数据进行线性叠加,得到指定两个叶片所截取区域的乘积向量总幅频图,在总幅频图中提取两个叶片的频率差。
在本示例性实例中,具体包括以下步骤:
a)单叶端定时传感器采样模式和2均布传感器采样模式(数据融合)
stepl:将上一步得到的1组数据内的两个位移数据进行矩阵乘法,得到1 个相乘信号,如图3和图6所示。
b)3非均布叶端定时传感器采样模式
step1:将上一步得到的3组数据每组内的两个位移数据进行矩阵乘法,得到3个相乘信号,如图9、图12和图15所示。
Step3将低通滤波后的3个相乘信号进行离散傅里叶变换,得到频谱数据,将频谱数据中的幅值数据进行线性叠加,得到叶片1和2差频信号的总幅频图,如图17所示。在总幅频图上提取两个叶片的频率差。
(5)选取不同的叶片组合,重复(2)~(4)操作,得到每个叶片和其他nb-1 个叶片的频率差,计算每个叶片和其他nb-1个叶片的频率差值和ΔSFi,根据设定了频率差值和阈值H,判断叶片是否存在异常。
叶片1 | 叶片2 | 叶片3 | 叶片4 | 叶片5 | 叶片6 | |
叶片1 | - | √ | √ | √ | √ | √ |
叶片2 | - | - | √ | √ | √ | √ |
叶片3 | - | - | - | √ | √ | √ |
叶片4 | - | - | - | - | √ | √ |
叶片5 | - | - | - | - | - | √ |
叶片6 | - | - | - | - | - | - |
选取对上述的15种组合,重复(2)~(4)过程,总共得到每个组合的叶片固有频率差,得到以下频率差表格,计算每个叶片和其他的5个叶片的频率差值和,由于在此步骤中,本实例中的3种传感器布局方案的操作流程完全一致,为避免繁杂,这里仅呈现3非均布传感器采样模式下的分析结果。
通过上述的差频分析可知,叶片1和叶片5 的频率明显低于其他叶片,该实例中选定的H=40Hz,ΔSF1=49.5>H,ΔSF5=49.6>H,所以判定1号叶片和5号叶片存在异常,导致固有频率明显降低。
【应用实例】
在本示例性实例中,为了说明本专利所提出的方法对传感器安装方式和传感器数量没有特殊要求,可适用于所有叶端定时传感器布置模式,本示例性实例对单叶端定时传感器采样模式、2均布叶端定时采样模式、3叶端定时传感器非均布采样模式数据分别进行分析。
如图1所示的叶端定时试验台,具体为采用单叶端定时传感器、2均布叶端定时传感器、3个非均布叶端定时传感器(实际角度为[158°,168°,288°])对旋转叶片进行叶端到达时间采样,本文方法并没有用到传感器安装的具体角度数据,所以对传感器安装角度无特殊要求,将初始转速设定为60Hz,转速加速度为0.5Hz/s,转速变化范围内60Hz-100Hz-60Hz,其中100Hz匀速段时间为20s。叶盘采用6叶片的整体式铝合金叶盘,叶盘半径为R=68mm,叶片厚度 d=1mm,叶片宽度w=20mm。在机匣上均布4个喷嘴,喷射0.5Mpa的高压气体,利用单叶端定时传感器获取旋转叶片的达到时间,并根据转速和叶片长度,将理论到达和实际达到时间差转换为叶端位移。
选取叶片1和叶片2的由同一个叶端定时传感器采集到的位移数据,所截取的数据位置序号范围为[4719,4959],所截取的位移数据如图2所示,对应的转速变化范围为:84.66Hz~85.19Hz,近似采样频率fs=85.09Hz。对于单叶端定时传感器采样模式,仅有1组。对于3非均布传感器采样模式,需要对每个叶端定时传感器采集到的叶片1和叶片2位移数据都重复上述操作,共得到3组数据,所截取的位移数据如图8、图11和图14所示。对于2均布传感器采样模式,组合选择将两个传感器采集到的位移数据分别分析,则分析过程与3非均布传感器采样模式相同,得到2组数据,如果选择将两个传感器数据融合,则采样率fs=170Hz,所截取的数据位移范围为[9720,9960],所截取的位移数据如图5所示。本示例性实例在对2均布传感器数据分析时,采用传感器数据融合的方式。3种传感器布局的所截取的1号和2号叶片位移数据如图2、图5、图8、图11和图14所示。
在6叶片叶盘中,叶片1和叶片2的静态夹角θ12=60°<180°,所以数据截取范围无需调整。
接下来需要对3种叶端定时传感器布局得到的数据分类讨论
a)单叶端定时传感器采样模式和2均布传感器采样模式(数据融合)
stepl:将上一步得到的1组数据内的两个位移数据进行矩阵乘法,得到1 个相乘信号,如图3和图6所示。
b)3非均布叶端定时传感器采样模式
step1:将上一步得到的3组数据每组内的两个位移数据进行矩阵乘法,得到3个相乘信号,如图9、图12和图15所示。
Step3将低通滤波后的3个相乘信号进行离散傅里叶变换,得到频谱数据,将频谱数据中的幅值数据进行线性叠加,得到叶片1和2差频信号的总幅频图,如图17所示。在总幅频图上提取两个叶片的频率差。
叶片1 | 叶片2 | 叶片3 | 叶片4 | 叶片5 | 叶片6 | |
叶片1 | - | √ | √ | √ | √ | √ |
叶片2 | - | - | √ | √ | √ | √ |
叶片3 | - | - | - | √ | √ | √ |
叶片4 | - | - | - | - | √ | √ |
叶片5 | - | - | - | - | - | √ |
叶片6 | - | - | - | - | - | - |
选取对上述的15种组合,重复(2)~(4)过程,总共得到每个组合的叶片固有频率差,得到以下频率差表格,计算每个叶片和其他的5个叶片的频率差值和,由于在此步骤中,本实例中的3种传感器布局方案的操作流程完全一致,为避免繁杂,这里仅呈现3非均布传感器采样模式下的分析结果。
通过上述的差频分析可知,叶片1和叶片5的频率明显低于其他叶片,该实例中选定的H=40Hz,ΔSF1=49.5>H,ΔSF5=49.6>H,所以判定1号叶片和5号叶片存在故障,导致固有频率明显降低。
实际该叶盘中1号叶片和5号叶片存在裂纹,固有频率偏低。本实例说明本专利所提出的任意位置与数量叶端定时传感器信号叶片异常诊断分析方法的有效性。
尽管以上结合附图对本发明的实施方案进行了描述,但本发明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发明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,这些均属于本发明保护之列。
Claims (9)
1.一种基于多个叶端定时传感器的叶片检测方法,所述方法包括以下步骤:
第一步骤(S1)中,利用np个叶端定时传感器获取旋转叶片的实际达到时间,并根据旋转叶片的转速和叶片长度,理论到达时间和实际达到时间之差转换为叶端的位移数据;
第二步骤(S2)中,在不同叶端定时传感器采集得到的位移数据中截取两个叶片的同转速下的两段位移数据,两段所截取位移数据为1组共得到np组,
第三步骤(S3)中,基于两个叶片的夹角θa,b对np组所述位移数据修正截取区间,以重新截取位移数据;
第四步骤(S4)中,np组数据中每组内的两个位移数据进行相乘,通过低频滤波,然后进行离散傅里叶变换得到每组的幅频数据,将np个幅频数据进行线性叠加,得到所述两个叶片所截取区间的乘积向量总幅频图,在总幅频图中提取两个叶片的固定频率差,
第五步骤(S5)中,取不同的叶片组合,重复第二步骤至第四步骤操作,得到每个叶片和其他nb-1个叶片的固定频率差,计算每个叶片和其他nb-1个叶片的频率差值和,当其超出预定的频率差值和阈值判断叶片异常。
3.根据权利要求2所述的方法,其中,叶片的旋转过程为预定加速度的升速或减速过程,在旋转过程中使用周向均布的气嘴喷气模拟气体激励。
7.根据权利要求4所述的方法,其中,若第i和第j号叶片夹角大于180°,将第i和第j号叶片中较小编号的叶片对应的数据选取区间向前平移1个单位。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2021105427304 | 2021-05-18 | ||
CN202110542730 | 2021-05-18 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113504311A CN113504311A (zh) | 2021-10-15 |
CN113504311B true CN113504311B (zh) | 2022-08-09 |
Family
ID=78010808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110702530.0A Active CN113504311B (zh) | 2021-05-18 | 2021-06-24 | 基于多个叶端定时传感器的叶片检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113504311B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733600A (zh) * | 2020-12-03 | 2021-04-30 | 西安交通大学 | 一种无转速参考信号的叶片故障诊断方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2374670B (en) * | 2001-04-17 | 2004-11-10 | Rolls Royce Plc | Analysing vibration of rotating blades |
GB0822859D0 (en) * | 2008-12-16 | 2009-01-21 | Rolls Royce Plc | Timing analysis |
US9395270B2 (en) * | 2012-10-19 | 2016-07-19 | Florida Power & Light Company | Method and system for monitoring rotor blades in combustion turbine engine |
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 |
CN109870283B (zh) * | 2019-03-26 | 2020-06-09 | 西安交通大学 | 叶端定时传感器信号序列转位移序列的方法及系统 |
CN111175033B (zh) * | 2020-01-10 | 2021-08-13 | 中国人民解放军国防科技大学 | 一种变转速下的同步振动叶端定时信号重构方法 |
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 |
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 |
-
2021
- 2021-06-24 CN CN202110702530.0A patent/CN113504311B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733600A (zh) * | 2020-12-03 | 2021-04-30 | 西安交通大学 | 一种无转速参考信号的叶片故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113504311A (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108168891B (zh) | 滚动轴承微弱故障信号特征的提取方法及设备 | |
EP2237003B1 (en) | Method for analysing vibration in rotor blades | |
Lei et al. | Fault diagnosis of rotating machinery using an improved HHT based on EEMD and sensitive IMFs | |
US20090082976A1 (en) | Methods of Analysing Apparatus | |
EP1273763B1 (en) | Apparatus and method for detecting a damaged rotary machine aerofoil | |
CN112461934B (zh) | 一种基于声发射的航空发动机叶片裂纹源定位方法 | |
CN102966526B (zh) | 基于轴向振动分析的压缩机低频流体激振类故障诊断方法 | |
Ali et al. | Observations of changes in acoustic emission parameters for varying corrosion defect in reciprocating compressor valves | |
Xie et al. | Comprehensive fatigue estimation and fault diagnosis based on Refined Generalized Multi-Scale Entropy method of centrifugal fan blades | |
CN111413404A (zh) | 基于叶尖定时和支持向量机原理的叶片裂纹在线测量方法 | |
CN107976482B (zh) | 在寿命考核试验中的盘类零件的裂纹在位监测系统和方法 | |
CN107478729A (zh) | 流体机械叶片多裂纹的声发射检测方法 | |
CN105829983A (zh) | 用于检测机器的当前的损伤状态的设备以及方法 | |
Wu et al. | Blade tip timing: from raw data to parameters identification | |
CN113504311B (zh) | 基于多个叶端定时传感器的叶片检测方法 | |
CN116861320A (zh) | 基于短时傅里叶同步压缩变换的转子故障诊断方法 | |
CN113533529B (zh) | 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 | |
CN113504310B (zh) | 基于单个叶端定时传感器的叶片固有频率识别方法 | |
CN113530617B (zh) | 基于叶端定时传感器提取叶片间固有频率差值方法 | |
CN113533530B (zh) | 单个叶端定时传感器的叶片固有频率检测方法 | |
CN113530616B (zh) | 基于多个叶端定时传感器的叶片间固有频率差值提取方法 | |
CN114757071A (zh) | 一种基于振动参数周期预测叶盘振动节径数的方法 | |
Thanagasundram et al. | Autoregressive based diagnostics scheme for detection of bearing faults | |
CN113404555B (zh) | 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) | 基于单个叶端定时传感器的叶片检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |