CN113586177A - 基于单叶端定时传感器的叶片固有频率识别方法 - Google Patents

基于单叶端定时传感器的叶片固有频率识别方法 Download PDF

Info

Publication number
CN113586177A
CN113586177A CN202111017892.2A CN202111017892A CN113586177A CN 113586177 A CN113586177 A CN 113586177A CN 202111017892 A CN202111017892 A CN 202111017892A CN 113586177 A CN113586177 A CN 113586177A
Authority
CN
China
Prior art keywords
blade
frequency
sampling
aliasing
window
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
Application number
CN202111017892.2A
Other languages
English (en)
Other versions
CN113586177B (zh
Inventor
杨志勃
曹佳辉
陈雪峰
李浩琪
王增坤
田绍华
李文博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Publication of CN113586177A publication Critical patent/CN113586177A/zh
Application granted granted Critical
Publication of CN113586177B publication Critical patent/CN113586177B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
    • F01D21/00—Shutting-down of machines or engines, e.g. in emergency; Regulating, controlling, or safety means not otherwise provided for
    • F01D21/003—Arrangements for testing or measuring
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
    • F01D25/00—Component parts, details, or accessories, not provided for in, or of interest apart from, other groups
    • 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

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于单叶端定时传感器的叶片固有频率识别方法，方法中，利用单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，利用转速传感器获取转轴的转速；通过自适应变窗长的短时傅里叶变换得到频率分辨率一致的混叠频率，绘制出采样频率‑混叠频率图；根据幅值对SAF图中的共振点进行识别，得到极小值点对应的采样频率
Figure DDA0003240135860000012
通过最小二乘直线拟合对极小值点两边的线段斜率进行识别，并将斜率就近取整，并取绝对值作为EO值；将采样频率
Figure DDA0003240135860000013
与对应的EO值相乘得到叶片的固有频率估计
Figure DDA0003240135860000011
本方法可以从极度欠采样的信号中识别准确的频率，识别方法简单可靠，无需对信号进行重构，运算快速稳定，简单可行。

Description

基于单叶端定时传感器的叶片固有频率识别方法
技术领域
本发明属于叶片无损检测领域，具体涉及一种基于单叶端定时传感器的叶片固有频率识别方法。
背景技术
叶片是旋转涡轮机械的关键部件之一，由于高转速、气流和外部冲击，叶片容易发生故障。通常叶片故障会随着时间逐渐加深，也就是说如果进行必要的监测，未检测到的轻微故障可能演变为致命故障。在实际应用中，固有频率是一个常用的故障诊断参数。它可以反映叶片的完整性和健康状态。因此，频率识别是叶片状态监测的一项重要任务。
目前，旋转叶片状态监测方法可分为接触式和非接触式两大类。典型的接触式测量方法需要在叶片表面粘贴应变计，并通过遥测或滑环传输信号，以在极其有限的使用寿命内监测少数叶片。仪表的耐久性和安装都是使用中的问题。为了克服接触测量的缺点，提出了许多非接触测量方法，其中叶尖定时(BTT)被认为是一种有效且有前景的无接触式旋转叶片监测技术。BTT技术可以记录叶片末端的位移，以此反映叶片的完整性和健康状态。然而，欠采样数据的识别和探头布局优化是阻碍BTT应用的难题。现有的参数识别方法大多对探头布局有严格的要求。换言之，探头布置不当可能导致BTT测量失败。总之，BTT的常识是“更多探头”和“最佳位置”有助于频率识别，然而，在大多数情况下，最佳探头布局和布置限制之间存在冲突。考虑到布局、成本和安全性的限制，基于单叶端定时传感器的叶片固有频率识别方法是是迫切需要的。
发明内容
鉴于以上内容，本发明的目的在于提出一种基于单叶端定时传感器的叶片固有频率识别方法，可以从极度欠采样的信号叶端定时信号中提取叶片的固有频率，实现叶片的健康监测。
为实现上述发明目的，本发明采用以下技术方案：
一种基于单叶端定时传感器的叶片固有频率识别方法包括以下步骤：
第一步骤，基于单个叶端定时传感器获取变工况下叶片的达到时间，利用转速传感器获取转轴的转速，并根据转速和叶片长度，将理论达到和实际达到时间差转换为叶端位移；
第二步骤，通过自适应变窗长的短时傅里叶变换(Adaptive Window LengthShort Time Fourier Transform，AWSTFT)得到频率分辨率一致的混叠频率，绘制采样频率-混叠频率图(Sampling-Aliasing Frequency，SAF)；
第三步骤，根据幅值对采样频率-混叠频率图中的共振点进行识别，得到共振点对应的采样频率fs c，通过最小二乘直线拟合对共振点两边的线段斜率进行识别，并将斜率就近取整，将其绝对值作为EO值；
第四步骤，将采样频率fs c与所述EO值相乘得到叶片的固有频率估计值
Figure BDA0003240135840000023
EO表示同步振动激励阶次，其是整数。
所述的一种基于单叶端定时传感器的叶片固有频率识别方法中，第一步骤中，
采用单叶端定时传感器记录变工况下获取每个叶片的达到时间脉冲，利用叶端定时传感器获取转轴的转频，
Figure BDA0003240135840000024
其中
Figure BDA0003240135840000025
表示i号叶片第k圈时的到达时间，
Figure BDA0003240135840000026
表示第k+1圈的转轴转频，
Figure BDA0003240135840000027
表示i号叶片第k+2圈时的到达传感器的时间，
Figure BDA0003240135840000028
表示i号叶片第k圈时的到达传感器的时间。
再根据转频fr和叶片长度R将理论达到和实际达到时间差转换为叶端位移，
Figure BDA0003240135840000031
其中
Figure BDA0003240135840000032
表示第i个叶片在第k圈
Figure BDA0003240135840000033
时刻的位移，R表示叶盘的半径，
Figure BDA0003240135840000034
表示i好叶片第k圈达到叶端定时传感器的时间，
Figure BDA0003240135840000035
其中θi表示i号叶片相对于转速传感器的角度，α是叶端定时传感器的安装角度。
所述的一种基于单叶端定时传感器的叶片固有频率识别方法中，第二步骤中，
设定采样频率步长Δfs，根据转速数据产生采样频率序列，确定短时傅里叶窗口位置中心位置：
Figure BDA0003240135840000036
其中
Figure BDA0003240135840000037
分别表示选定分析的转速范围的下界和上界，
Figure BDA0003240135840000038
其中fr表示采集到的转速向量，
根据混叠频率分辨率ΔRf和转速计算每一个短时傅里叶窗口的窗长：
Figure BDA0003240135840000039
其中表示NL(m)第m个窗口的窗长，即参与傅里叶变换的数据长度，Fs(m)表示第m个采样序列，即第m个窗口位置的采样频率，[·]odd表示对数据就近取奇数的运算，
根据理想的窗口中心的采样频率计算实际最接近该采样频率的数据索引index：
Figure BDA00032401358400000310
其中
Figure BDA00032401358400000311
表示求使得后式取到最小值的index值，
以index为截取数据中心，以NL(m)为数据长度，截取位移数据x[index-(NL(m)-1)/2：index+(NL(m)-1)/2]进行快速傅里叶变换，
Figure BDA0003240135840000041
其中x(n)为采样得到的信号，i是虚数符号，
Figure BDA0003240135840000042
N为采集到的信号的长度，x中元素的个数，n是一个迭代数，从index-(NL(m)-1)/2遍历到index+(NL(m)-1)/2，即取遍x中的所有元素，k是一个0到N-1整数，X(k)表示离散傅里叶变换后的第k个数据，
对所有的采样序列重复上述操作，沿采样频率方向变窗长的短时傅里叶，
Figure BDA0003240135840000043
其中，
x(n)是离散的位移数据，N是窗内数据长度，h(t)是中心为t的窗函数，(·)*表示共轭操作，n是一个迭代数，m表示窗号，从0遍历到N-1，即取遍窗内所有数据，k是窗内的数据序列，
Figure BDA0003240135840000044
j为虚数符号，其等于
Figure BDA0003240135840000045
λ为窗长变换因子，
Figure BDA0003240135840000046
其中fs是采样频率，
由此得到二维幅值矩阵Ap×q，其中p表示采样频率序列长度，q表示混叠频率序列长度，混叠频率序列为：
Figure BDA0003240135840000047
其中round(·)表示对数进行四舍五入操作，
基于采样频率序列Fs、混叠频率序列Fh和二维幅值矩阵Ap×q绘制采样频率-混叠频率图。
所述的一种基于单叶端定时传感器的叶片固有频率识别方法中，第三步骤中，
将采样频率-混叠频率图根据混叠频率进行高频和低频分离，分离阈值H为：H＝(6～10)ΔRfHz。
所述的一种基于单叶端定时传感器的叶片固有频率识别方法中，第三步骤中，
从采样频率-混叠频率图中的低频部分中，将每个混叠频率的采样频率-幅值图画出，提取峰值点为共振点，峰值点的采样频率为共振点采样频率fs c。
所述的一种基于单叶端定时传感器的叶片固有频率识别方法中，第三步骤中，
从采样频率-混叠频率图中的高频部分中，通过混叠频率方向的遍历搜索，找到能量最大的连续n个点：
Figure BDA0003240135840000051
所得到的点的坐标为：
(Fs(k)，Fh(index(k)))，(Fs(k)，Fh(index(k)+1))，…，(Fs(k)，Fh(index(k)+n))，
其中n为2～5，找到后记录下坐标点的横坐标的采样频率和纵坐标的混叠频率，选定直线线段范围，对线段范围内的坐标点进行最小二乘拟合，得到直线的斜率：
Figure BDA0003240135840000052
其中
Figure BDA0003240135840000061
y＝[Fh(index(1)，Fh(index(2)，…，Fh(index(np)]T，k是最小二乘拟合出来的斜率，b是截距，
将k值就近取整，然后取绝对值，作为该共振点EO。
所述的一种基于单叶端定时传感器的叶片固有频率识别方法中，第四步骤中，
将所述共振点采样频率fs c和共振点EO相乘得到叶片的固有频率估计：
Figure BDA0003240135840000063
本发明只需要单叶端定时传感器以及转速数据，即可实现从严重欠采样的变工况叶端定时数据中提取叶片的固有频率，不需要进行额外的信号重构和更多的叶端定时传感器，运算快速稳定，简单可行，可实现旋转叶片的状态监测。
附图说明
参照下述说明，结合附图，可以对本发明有最佳的理解。
图1为本发明提出的一种基于单叶端定时传感器的叶片固有频率识别方法的步骤示意图；
图2为单叶端定时信号沿采样频率方向变窗长短时傅里叶变换的示意图；
图3为叶端定时实验装置图；
图4为1个叶端定时传感器采集的叶端定时信号时域图；
图5为1个叶端定时传感器采集的叶端定时信号频域图(转速在180Hz附近的)；
图6为利用本专利方法对单叶端定时传感器数据进行分析得到的采样-混叠频率(SAF)图；
图7为高低频分割后的SAF图；
图8为共振点提取结果；
图9为共振点斜率拟合结果。
具体实施方式
为更加清楚地表明本发明的目的、技术方案和优点，现结合附图1至图9及示例性实例，进一步详细地说明本发明。应当理解，此处所描述的示例性实例仅用以解释本发明，并不限定本发明的适用范围。
本发明提出一种基于单叶端定时传感器的叶片固有频率识别方法，这里需要强调的是，本发明所提的固有频率识别方法，只需要叶片位移和转速信息，无需其他先验信息，同时仅要求是变工况情况，匀加(减)速和非匀加(减)速工况都可适用，由于匀加(减)速工况是非匀加(减)速工况的一种特例，所以本文以下就以非匀变速工况为例进行分析。
方法包括下述步骤：
(1)利用1个叶端定时传感器获取旋转叶片的达到时间，利用转速传感器获取转速，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。
在本示例性实例中，具体为将单光纤型叶端定时传感器固定在机匣上，如图3所示，将初始转速设定为100Hz，，转速变化范围内100Hz-182.6Hz-100Hz，其中升速和降速过程就是S型曲线，表示转速的非均匀变化的。叶盘采用12叶片的整体式钛合金(TC4)叶盘，叶盘半径为R＝98mm。利用均布12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，利用转速传感器获取转轴的转速，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，由单传感器采集到的叶片1的位移和转轴转速如图4所示，直接选取该信号180Hz转频附近的数据进行傅里叶变换，得到的结果如图5所示，说明信号混叠十分严重，仅通过傅里叶变换无法得到准确的叶片固有频率。
(2)通过自适应变窗长的短时傅里叶变换(AWSTFT)得到频率分辨率一致的混叠频率，绘制出采样频率-混叠频率(SAF)图，其原理示意图如图2所示。
在本示例性实例中，具体选取混叠频率分辨率ΔRf＝0.6Hz，采样频率步长Δfs＝0.3Hz，选取分析频率范围为101Hz-181.6Hz。
由此产生混叠频率序列Fh＝[0，0.6，1.2，…，90.6]1×152，采样频率序列Fs＝[101，101.3，101.6，…，181.4]1×269，并且由公式(5)得到窗长序列。
根据采样频率序列，寻找对应的数据点，以该数据点为中点，加窗处理，窗长为对应的窗长序列，然后进行离散傅里叶变换，将得到的傅里叶结果取绝对值，即为幅值，填入混叠序列的对应位置。
如第1个窗的中心位置为采样频率101Hz，根据公式(6)计算转频最接近101Hz的数据索引index(1)＝396。根据公式(5)计算窗长：
Figure BDA0003240135840000081
所以选择索引为396-(169-1)/2到396+(169-1)/2的位移数据x(396-(169-1)/2：396+(169-1)/2)根据公式(7)进行快速离散傅里叶变换，将结果取绝对值，按列填入二维矩阵Ap×q(初始为0矩阵)。
第1个窗内数据参与傅里叶变换运算的结果的绝对值填入矩阵Ap×q后的结果为：
Figure BDA0003240135840000091
第2个窗内数据参与傅里叶变换运算的结果的绝对值填入Ap×q的第2列，以此类推。最终将得到的Ap×q按列归一化。
由混叠频率序列、采样频率序列、二维幅值矩阵Ap×q绘制出SAF图，如图6所示，即每一个混叠频率值和采样频率值的组合都对应Ap×q中的一个值。
(3)根据幅值对SAF图中的共振点进行识别，得到共振点对应的采样频率，通过最小二乘直线拟合对共振点两边的线段斜率进行识别，并将斜率就近取整，将其绝对值作为EO值。
在本示例性实例中，以混叠频率3Hz作为分隔点，将SAF图进行分割，得到高低频分离后的SAF图，如图7所示。
根据混叠频率序列Fh，在混叠频率3Hz及以下，有6个混叠频率成分，分别为0Hz，0.6Hz，1.2Hz，1.8Hz，2.4Hz，3.0Hz，根据分别绘制出他们的采样频率-幅值图，寻找图中的峰值，该峰值即为共振点，如图8所示。
根据公式(11)对分离后的高频的SAF图进行按列搜索连续的3个最大值，并记录下他们的对应的采样频率和混叠频率，根据公式(12)计算斜率，得到的结果如图9所示。
将拟合得到的结果就近取整，并取绝对值作为最终的EO值，本实例中拟合得到的斜率为：[-7.69 7.75 -6.88 6.90 -5.79 5.78 -4.77]，就近取整结果为[-8 8 -7 7 -6 6-5]，取绝对值为[8 8 7 7 6 6 5]，所以可以得到4个共振点的对应的EO为[8 7 6 5]。
(4)将采样频率fs c与对应的EO值相乘得到叶片的固有频率估计值
Figure BDA0003240135840000102
在本示例性实例中，将提取到的共振点对应的采样频率fs c＝[109.9，126.5，148.3，178.6]。对应的EO为[8 7 6 5]，对应相乘，即得到的叶片1的固有频率估计值。
表1叶片1固有频率估计结果
Figure BDA0003240135840000104
不同的共振点估计出来的固有频率往往是不同的，这是由于旋转硬化效应和误差的共同作用，一般可选取高采样率对应的估计结果的平均值作为最后的频率估计结果，如本实例中选择共振点148.3Hz和178.6Hz对应的估计结果889.8Hz和893.0Hz的平均值作为最终的结果，即最终固有频率估计结果为891.4Hz。这与对使用5个传感器采集到的数据进行改进的多重信号分类方法(Multiple Signal Classification，MUSIC)分析得到的结果894Hz是十分接近的，说明该方法是准确的。
【应用实例】
将单光纤型叶端定时传感器固定在机匣上，如图3所示，将初始转速设定为100Hz，，转速变化范围内100Hz-182.6Hz-100Hz，其中升速和降速过程就是S型曲线，表示转速的非均匀变化的。叶盘采用12叶片的整体式钛合金(TC4)叶盘，叶盘半径为R＝98mm。利用均布12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，利用转速传感器获取转轴的转速，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，由单传感器采集到的叶片1的位移和转轴转速如图4所示，直接选取该信号180Hz转频附近的数据进行傅里叶变换，得到的结果如图5所示，说明信号混叠十分严重，仅通过傅里叶变换无法得到准确的叶片固有频率。
选取混叠频率分辨率ΔRf＝0.6Hz，采样频率步长Δfs＝0.3Hz，选取分析频率范围为101Hz-181.6Hz。
由此产生混叠频率序列Fh＝[0，0.6，1.2，…，90.6]1×152，采样频率序列Fs＝[101，101.3，101.6，…，181.4]1×269，并且由公式(5)得到窗长序列。
根据采样频率序列，寻找对应的数据点，以该数据点为中点，加窗处理，窗长为对应的窗长序列，然后进行离散傅里叶变换，将得到的傅里叶结果取绝对值，即为幅值，填入混叠序列的对应位置。
如第1个窗的中心位置为采样频率101Hz，根据公式(6)计算转频最接近101Hz的数据索引index(1)＝396。根据公式(5)计算窗长：
Figure BDA0003240135840000111
所以选择索引为396-(169-1)/2到396+(169-1)/2的位移数据x(396-(169-1)/2：396+(169-1)/2)根据公式(7)进行快速离散傅里叶变换，将结果取绝对值，按列填入二维矩阵Ap×q(初始为0矩阵)。
第1个窗内数据参与傅里叶变换运算的结果的绝对值填入矩阵Ap×q后的结果为：
Figure BDA0003240135840000121
第2个窗内数据参与傅里叶变换运算的结果的绝对值填入Ap×q的第2列，以此类推。最终将得到的Ap×q按列归一化。
由混叠频率序列、采样频率序列、二维幅值矩阵Ap×q绘制出SAF图，如图6所示，即每一个混叠频率值和采样频率值的组合都对应Ap×q中的一个值。
在本示例性实例中，以混叠频率3Hz作为分隔点，将SAF图进行分割，得到高低频分离后的SAF图，如图7所示。
根据混叠频率序列Fh，在混叠频率3Hz及以下，有6个混叠频率成分，分别为0Hz，0.6Hz，1.2Hz，1.8Hz，2.4Hz，3.0Hz，根据分别绘制出他们的采样频率-幅值图，寻找图中的峰值，该峰值即为共振点，如图8所示。
根据公式(11)对分离后的高频的SAF图进行按列搜索连续的3个最大值，并记录下他们的对应的采样频率和混叠频率，根据公式(12)计算斜率，得到的结果如图9所示。
将拟合得到的结果就近取整，并取绝对值作为最终的EO值，本实例中拟合得到的斜率为：[-7.69 7.75 -6.88 6.90 -5.79 5.78 -4.77]，就近取整结果为[- 8 8 -7 7 -66 -5]，取绝对值为[8 8 7 7 6 6 5]，所以可以得到4个共振点的对应的EO为[8 7 6 5]。
将提取到的共振点对应的采样频率fs c＝[109.9，126.5，148.3，178.6]，对应的EO为[8 7 6 5]，对应相乘，即得到的叶片1的固有频率估计值。
表1叶片1固有频率估计结果
Figure BDA0003240135840000131
不同的共振点估计出来的固有频率往往是不同的，这是由于旋转硬化效应和误差的共同作用，一般可选取高采样率对应的估计结果的平均值作为最后的频率估计结果，如本实例中选择共振点148.3Hz和178.6Hz对应的估计结果889.8Hz和893.0Hz的平均值作为最终的结果，即最终固有频率估计结果为891.4Hz。这与对使用5个传感器采集到的数据进行改进的多重信号分类方法(Multiple Signal Classification，MUSIC)分析得到的结果894Hz是十分接近的，说明该方法是准确的。
在一个实施例中，方法包括，
利用单个叶端定时传感器获取变工况下旋转叶片的达到时间，利用转速传感器获取转轴转速(在叶端定时传感器误触发率和丢包率小的情况下，可利用叶端定时传感器代替转速传感器)，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。
通过自适应变窗长的短时傅里叶变换(AWSTFT)得到频率分辨率一致的混叠频率，绘制出采样频率-混叠频率(SAF)图。
根据幅值对SAF图中的共振点进行识别，得到共振点对应的采样频率，通过最小二乘直线拟合对共振点两边的线段斜率进行识别，并将斜率就近取整，将其绝对值作为EO值。
将采样频率fs c与对应的EO值相乘得到叶片的固有频率估计值
Figure BDA0003240135840000141
以上所述仅为本发明的较佳实例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于单叶端定时传感器的叶片固有频率识别方法，包括以下步骤：
第一步骤，基于单个叶端定时传感器获取变工况下叶片的达到时间，利用转速传感器获取转轴的转速，并根据转速和叶片长度，将理论达到和实际达到时间差转换为叶端位移；
第二步骤，通过自适应变窗长的短时傅里叶变换得到频率分辨率一致的混叠频率，绘制采样频率-混叠频率图；
第三步骤，根据幅值对采样频率-混叠频率图中的共振点进行识别，得到共振点对应的采样频率fs c，通过最小二乘直线拟合对共振点两边的线段斜率进行识别，并将斜率就近取整，将其绝对值作为EO值；
第四步骤，将采样频率fs c与所述EO值相乘得到叶片的固有频率估计值
Figure FDA0003240135830000011
EO表示同步振动激励阶次，其是整数。
2.根据权利要求1所述的一种基于单叶端定时传感器的叶片固有频率识别方法，其中，优选的，第一步骤中，
采用单叶端定时传感器记录变工况下获取每个叶片的达到时间脉冲，利用叶端定时传感器获取转轴的转频，
Figure FDA0003240135830000012
其中
Figure FDA0003240135830000013
表示i号叶片第k圈时到达传感器的时间，
Figure FDA0003240135830000014
表示第k+1圈的转轴转频，
Figure FDA0003240135830000015
表示i号叶片第k+2圈时的到达传感器的时间，
Figure FDA0003240135830000016
表示i号叶片第k圈时的到达传感器的时间，
再根据转频fr和叶片长度R将理论达到和实际达到时间差转换为叶端位移，
Figure FDA0003240135830000017
其中
Figure FDA0003240135830000018
表示第i个叶片在第k圈
Figure FDA0003240135830000021
时刻的位移，R表示叶盘的半径，
Figure FDA0003240135830000022
表示i好叶片第k圈达到叶端定时传感器的时间，
Figure FDA0003240135830000023
其中θi表示i号叶片相对于转速传感器的角度，α是叶端定时传感器的安装角度。
3.根据权利要求1所述的一种基于单叶端定时传感器的叶片固有频率识别方法，其中，第二步骤中，
设定采样频率步长Δfs，根据转速数据产生采样频率序列，确定短时傅里叶窗口位置中心位置：
Figure FDA0003240135830000024
其中
Figure FDA0003240135830000025
分别表示选定分析的转速范围的下界和上界，
Figure FDA0003240135830000026
其中fr表示采集到的转速向量，
根据混叠频率分辨率ΔRf和转速计算每一个短时傅里叶窗口的窗长：
Figure FDA0003240135830000027
其中表示NL(m)第m个窗口的窗长，即参与傅里叶变换的数据长度，Fs(m)表示第m个采样序列，即第m个窗口位置的采样频率，[·]odd表示对数据就近取奇数的运算，
根据理想的窗口中心的采样频率计算实际最接近该采样频率的数据索引index：
Figure FDA0003240135830000028
其中
Figure FDA0003240135830000029
表示求使得后式取到最小值的index值，
以index为截取数据中心，以NL(m)为数据长度，截取位移数据x[index-(NL(m)-1)/2：index+(NL(m)-1)/2]进行快速傅里叶变换，
Figure FDA0003240135830000031
其中x(n)为采样得到的信号，i是虚数符号，
Figure FDA0003240135830000032
N为采集到的信号的长度，x中元素的个数，n是一个迭代数，从index-(NL(m)-1)/2遍历到index+(NL(m)-1)/2，即取遍x中的所有元素，k是一个0到N-1整数，X(k)表示离散傅里叶变换后的第k个数据，
对所有的采样序列重复上述操作，沿采样频率方向变窗长的短时傅里叶，
Figure FDA0003240135830000033
其中，
x(n)是离散的位移数据，N是窗内数据长度，h(t)是中心为t的窗函数，(·)*表示共轭操作，n是一个迭代数，m表示窗号，从0遍历到N-1，即取遍窗内所有数据，k是窗内的数据序列，
Figure FDA0003240135830000034
j为虚数符号，其等于
Figure FDA0003240135830000035
λ为窗长变换因子，
Figure FDA0003240135830000036
其中fs是采样频率，
由此得到二维幅值矩阵Ap×q，其中p表示采样频率序列长度，q表示混叠频率序列长度，混叠频率序列为：
Figure FDA0003240135830000037
其中round(·)表示对数进行四舍五入操作，
基于采样频率序列Fs、混叠频率序列Fh和二维幅值矩阵Ap×q绘制采样频率-混叠频率图。
4.根据权利要求3所述的一种基于单叶端定时传感器的叶片固有频率识别方法，其中，第三步骤中，
将采样频率-混叠频率图根据混叠频率进行高频和低频分离，分离阈值H为：H＝(6～10)ΔRfHz。
5.根据权利要求3所述的一种基于单叶端定时传感器的叶片固有频率识别方法，其中，第三步骤中，
从采样频率-混叠频率图中的低频部分中，将每个混叠频率的采样频率-幅值图画出，提取峰值点为共振点，峰值点的采样频率为共振点采样频率fs c。
6.根据权利要求3所述的一种基于单叶端定时传感器的叶片固有频率识别方法，其中，第三步骤中，
从采样频率-混叠频率图中的高频部分中，通过混叠频率方向的遍历搜索，找到能量最大的连续n个点：
Figure FDA0003240135830000041
所得到的点的坐标为：
(Fs(k)，Fh(index(k)))，(Fs(k)，Fh(index(k)+1))，…，(Fs(k)，Fh(index(k)+n))，
其中n为2～5，找到后记录下坐标点的横坐标的采样频率和纵坐标的混叠频率，选定直线线段范围，对线段范围内的坐标点进行最小二乘拟合，得到直线的斜率：
Figure FDA0003240135830000042
其中
Figure FDA0003240135830000051
y＝[Fh(index(1)，Fh(index(2)，…，Fh(index(np)]T，k是最小二乘拟合出来的斜率，b是截距，
将k值就近取整，然后取绝对值，作为该共振点EO。
7.根据权利要求6所述的一种基于单叶端定时传感器的叶片固有频率识别方法，其中第四步骤中，
将所述共振点采样频率fs c和共振点EO相乘得到叶片的固有频率估计：
Figure FDA0003240135830000052
CN202111017892.2A 2021-08-10 2021-08-31 基于单叶端定时传感器的叶片固有频率识别方法 Active CN113586177B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202110916051 2021-08-10
CN2021109160519 2021-08-10

Publications (2)

Publication Number Publication Date
CN113586177A true CN113586177A (zh) 2021-11-02
CN113586177B CN113586177B (zh) 2022-08-09

Family

ID=78240902

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111017892.2A Active CN113586177B (zh) 2021-08-10 2021-08-31 基于单叶端定时传感器的叶片固有频率识别方法

Country Status (1)

Country Link
CN (1) CN113586177B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114720110A (zh) * 2022-04-11 2022-07-08 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
CN114812794A (zh) * 2022-01-12 2022-07-29 天津大学 一种扫频速率引起的叶尖定时参数辨识误差修正方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3826754C1 (de) * 1987-10-28 1998-06-10 Daimler Benz Aerospace Ag Verfahren zur Zielklassifizierung
JP2013061224A (ja) * 2011-09-13 2013-04-04 Toshiba Corp 翼振動計測装置
DE102012222202A1 (de) * 2012-12-04 2014-06-05 Robert Bosch Gmbh Verfahren zur Überwachung einer Rotation eines Verdichterrades
CN104748953A (zh) * 2013-12-26 2015-07-01 通用电气公司 监控转子叶片的健康状况的方法和系统
CN104748952A (zh) * 2013-12-26 2015-07-01 通用电气公司 监控转子叶片的健康状况的方法和系统
CN109790757A (zh) * 2016-06-27 2019-05-21 比勒陀利亚大学 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
CN110259524A (zh) * 2019-05-31 2019-09-20 天津大学 测量带冠叶片同步振动及节径的装置和方法
CN112326987A (zh) * 2020-10-29 2021-02-05 厦门大学 基于水下声信号的海上风机非接触式叶轮转速监测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3826754C1 (de) * 1987-10-28 1998-06-10 Daimler Benz Aerospace Ag Verfahren zur Zielklassifizierung
JP2013061224A (ja) * 2011-09-13 2013-04-04 Toshiba Corp 翼振動計測装置
DE102012222202A1 (de) * 2012-12-04 2014-06-05 Robert Bosch Gmbh Verfahren zur Überwachung einer Rotation eines Verdichterrades
CN104748953A (zh) * 2013-12-26 2015-07-01 通用电气公司 监控转子叶片的健康状况的方法和系统
CN104748952A (zh) * 2013-12-26 2015-07-01 通用电气公司 监控转子叶片的健康状况的方法和系统
CN109790757A (zh) * 2016-06-27 2019-05-21 比勒陀利亚大学 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
CN110259524A (zh) * 2019-05-31 2019-09-20 天津大学 测量带冠叶片同步振动及节径的装置和方法
CN112326987A (zh) * 2020-10-29 2021-02-05 厦门大学 基于水下声信号的海上风机非接触式叶轮转速监测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
许敬晖等: "基于压缩感知的叶端定时信号参数辨识方法", 《航空学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114812794A (zh) * 2022-01-12 2022-07-29 天津大学 一种扫频速率引起的叶尖定时参数辨识误差修正方法
CN114812794B (zh) * 2022-01-12 2024-03-22 天津大学 一种扫频速率引起的叶尖定时参数辨识误差修正方法
CN114720110A (zh) * 2022-04-11 2022-07-08 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
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

Also Published As

Publication number Publication date
CN113586177B (zh) 2022-08-09

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
CN113586177B (zh) 基于单叶端定时传感器的叶片固有频率识别方法
CN110763462B (zh) 一种基于同步压缩算子的时变振动信号故障诊断方法
CN105866250B (zh) 基于振动的通风机叶片裂纹识别方法
CN103575523A (zh) 基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法
CN110851963A (zh) 叶端定时传感器的机匣周向布置方法
CN111256993A (zh) 一种风电机组主轴承故障类型诊断方法及系统
CN112461934B (zh) 一种基于声发射的航空发动机叶片裂纹源定位方法
CN111175033A (zh) 一种变转速下的同步振动叶端定时信号重构方法
Lin et al. A review and strategy for the diagnosis of speed-varying machinery
CN113565584B (zh) 一种叶端定时信号时频滤波方法
CN109635399A (zh) 一种振动加速度信号的加窗积分转换方法
CN109540279B (zh) 机床高速铣削过程欠采样动态信号的逆压缩感知恢复方法
CN114383718B (zh) 一种基于燃机外机匣振动信号的高频叶片通过频率提取方法
CN116361733A (zh) 一种故障诊断方法、装置、系统以及存储介质
CN112781723B (zh) 一种基于频谱方差的谐波成分检测方法
Sheng et al. Compressed sensing-based blade tip-timing vibration reconstruction under variable speeds
CN112903271A (zh) 一种转子叶片非接触式异步振动参数辨识方法
CN113565585B (zh) 单叶端定时传感器变工况旋转叶片固有频率提取方法
Gillich et al. Problem of detecting damage through natural frequency changes
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
CN106226049B (zh) 一种基于波形指标的旋转机械故障诊断方法
CN106017921B (zh) 一种基于峰值指标的旋转机械故障诊断方法
CN115586260B (zh) 基于连续压缩感知的叶端定时信号无网格频谱估计方法
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

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