CN114136648A - 基于声阵列的航空发动机风扇动叶的气动激励辨识方法 - Google Patents
基于声阵列的航空发动机风扇动叶的气动激励辨识方法 Download PDFInfo
- Publication number
- CN114136648A CN114136648A CN202111224217.7A CN202111224217A CN114136648A CN 114136648 A CN114136648 A CN 114136648A CN 202111224217 A CN202111224217 A CN 202111224217A CN 114136648 A CN114136648 A CN 114136648A
- Authority
- CN
- China
- Prior art keywords
- blade
- frequency
- fan
- sound
- excitation
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/14—Testing gas-turbine engines or jet-propulsion engines
-
- 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
- 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
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了基于声阵列的航空发动机风扇动叶的气动激励辨识方法,所述方法包括如下步骤:S1:优化声阵列布局;S2:根据S1优化的声阵列布局,安装声压传感器,所述声压传感器为侧均压传感器;S3:利用GMC正则化重构声场,求解得到传声器安装壁面上的各阶周向模态幅值;S4:风扇动叶的同步振动辨识;S5:风扇动叶的非同步振动辨识。本发明通过风扇进口稀疏声阵列设计,利用风扇的声场重构,实现对风扇动叶的振动辨识方法。本发明是一种被动测量方法,节约发动机技术成本,发动机故障发生时,声音信号往往比较敏感,声学测试属于非接触式的,是解决航空发动机的故障的重要手段;同时也可对发动机的转静干涉噪声进行分析,具有较大的实际应用价值。
Description
技术领域
本发明属于声学测量领域,具体涉及基于声阵列的航空发动机风扇动叶的气动激励辨识方法。
背景技术
航空发动机中空气或燃气流动产生的、作用在结构上的载荷称为气动载荷。气动力作用在叶片的各个表面,但沿着叶高和叶宽方向的气动力分布都是不均匀的。压气机叶片在高速旋转时,易受到进气畸变、静叶尾迹、叶片排干扰、旋转失速等不稳定流动的影响,叶片的气动激励源繁多,造成叶片表面压力不均匀分布。流场内的压力差值直接影响着涡和各类波的产生,造成能量的耗散,影响压气机的效率。另一方面,压气机内部的非稳态流动将对叶片施加非定常作用力,使叶片产生振动,诱发叶片表面交变应力,造成叶片疲劳失效。
发动机叶片振动研究多是从叶片的振动响应角度去思考,通过测量工作状态下发动机叶片的动应力,使用Campbe l l图法来避开共振频率,目前,对其振动响应的监测的方式很多,如应变片法、频率调制法、激光全息法、激光多普勒法、叶尖定时法等。但实际操作中往往面临着一些问题,无法仅靠频率相近辨识共振,如使用应变片Campbe l l图辨识共振时,不同幅值峰值是否都是共振?不同条件下的共振有无害的问题;有些盘片耦合振动带来的固有频率的高密集性,以及复杂流场带来的气流激励的宽频性和多频性,导致实际上解决叶片的振动问题往往很复杂,所以必须结合激励源辨识对发动机叶片的振动进行研究。
目前,叶片振动的气动激励辨识多采用2D/Q3D非线性定常算法进行流场分析及激励辨识,由于其模型误差,往往需要结合测试结果综合分析。从监测角度,由于气动激励的非定常性和动态性,实际在解决发动机叶片断裂问题时,激励信号的获取和分析往往是困难的。叶尖定时测振技术的基本原理是在叶片顶端的机匣上安装叶尖定时传感器,利用传感器感受叶片的到来时间,由于叶片振动,叶片的到来时间会超前或滞后,通过不同的叶尖定时处理算法对该时间序列进行处理,即获取出叶片振动信息。这种方法目前是研究的热点。
发明内容
为了解决上述问题,以拓展风扇动叶振动的监测方法,为发动机的叶片故障诊断提供依据和手段,本发明提供了一种基于声阵列的航空发动机风扇动叶的气动激励辨识方法,
本发明的目的在于,提供一种基于声阵列的航空发动机风扇动叶的气动激励辨识方法,所述方法包括如下步骤:
S1:优化声阵列布局;
S2:根据S1优化的声阵列布局,安装声压传感器,所述声压传感器为侧均压传感器;
S3:利用GMC正则化重构声场,求解得到传声器安装壁面上的各阶周向模态幅值;
S4:风扇动叶的同步振动辨识;
S5:风扇动叶的非同步振动辨识。
本发明所提供的基于声阵列的航空发动机风扇动叶的气动激励辨识方法,还具有这样的特征,所述S1包括如下步骤:
S1.1:根据关注模态数确定所需的传感器数目;
S1.2:根据压缩感知的采样模型利用GMC正则化实现对原始声场的精确重构,根据遗传算法得到传感器误差数目与精度的关系曲线,其中正则化参数λ==0.7
S1.3:根据传感器误差数目与精度的关系曲线,优化传感器数目和安装角度。
本发明所提供的基于声阵列的航空发动机风扇动叶的气动激励辨识方法,还具有这样的特征,所述声压传感器齐平安装在进气道测量段的机匣上,其中声压传感器的声压信号采集率不小于100kHz,分析带宽不少于30kHz。
本发明所提供的基于声阵列的航空发动机风扇动叶的气动激励辨识方法,还具有这样的特征,所述S3包括如下步骤:
S3.1:利用GMC正则化重构声场;
S3.2:对重构获得的模拟通道的声压信号进行傅里叶变换,得到幅值和相位信息;
S3.3:对关注的频率进行空间傅里叶变换,获得传声器安装壁面上的各阶周向模态幅值。
本发明所提供的基于声阵列的航空发动机风扇动叶的气动激励辨识方法,还具有这样的特征,所述S4包括:
S4.1:计算动叶的激励频率、发声的特征频率以及转静干涉的幅值最大模态;
S4.2:在叶片通过频率的峰值转速下,判断动叶的激励频率是否等于叶盘的激励频率,若相同,则判断转静模态数与叶盘同频率下的阶次是否相同,若相同,则判定为动叶同步振动。
本发明所提供的基于声阵列的航空发动机风扇动叶的气动激励辨识方法,还具有这样的特征,所述S5包括:
S5.1:假设为旋转不稳定现象,求取旋转不稳定的模态数;
S5.2:判断同频率下的叶盘阶次数与旋转不稳定的模态数是否相同,若相同则存在旋转不稳定所导致的动叶共振,若不相同,则进行下一步;
S5.3:假设风扇存在颤振或声共振,对测取的发声频率和叶片通过频率的调制频率进行模态分解,获得其幅值最大的模态数;
S5.4:判断同频率下的叶盘阶次数与调制频率的模态数是否相同,若相同,则存在颤振或声共振现象。
与现有技术相比,本发明具有如下有益效果
本发明通过风扇进口稀疏声阵列设计,利用风扇的声场重构,实现对风扇动叶的振动辨识方法。本发明是一种被动测量方法,节约了技发动机术成本,发动机故障发生时,声音信号往往比较敏感,声学测试属于非接触式的,是解决航空发动机的故障的重要手段;同时也可对发动机的转静干涉噪声进行分析,具有较大的实际应用价值。
附图说明:
为了更清楚地说明本发明的技术方案,下面将对实施例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。
图1为基于声阵列的航空发动机风扇动叶振动辨识工作流程图;
图2为进口声阵列优化示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,以下实施例结合附图对本发明所提供的辨识方法作具体阐述。
在本发明实施例的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明创造和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明创造的限制。
此外,术语“第一”、“第二”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明创造的描述中,除非另有说明,“多个”的含义是两个或两个以上。术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明创造中的具体含义。
如图1-2所示,提供了一种基于声阵列的航空发动机风扇动叶的气动激励辨识方法,所述方法包括如下步骤:
S1:优化声阵列布局;
S2:根据S1优化的声阵列布局,安装声压传感器,所述声压传感器为侧均压传感器;
S3:利用GMC正则化重构声场,求解得到传声器安装壁面上的各阶周向模态幅值;
S4:风扇动叶的同步振动辨识;
S5:风扇动叶的非同步振动辨识。
在部分实施例中,如图2所示,所述S1包括如下步骤:
S1.1:根据关注模态数确定所需的传感器数目K,基于压缩感知原理,使用K个非匀布传声器的频域信号,实现N个均布传声器测得的声场结构的重构,其中。稀疏随机矩阵可大概率满足RI P条件;
S1.2:根据压缩感知的采样模型利用GMC正则化实现对原始声场的精确重构,根据遗传算法得到传感器误差数目与精度的关系曲线,其中正则化参数λ=0.7
S1.3:根据传感器误差数目与精度的关系曲线,优化传感器数目和安装角度,即根据传感器个数组成串初始传感器阵列群体,然后计算群体中每个个体的适应值,应用复制、杂交和变异算子产生下一代传感器阵列群体。对优化后的阵列得到的模态幅值进行比较计算,如果相对误差小于5%,则停止迭代,获得最优化声阵列。
在部分实施例中,所述声压传感器齐平安装在进气道测量段的机匣上,声阵列按照优化设计的位置布局安装;同时为保证后续短时傅里叶变换的样本数据量,需要结合发动机的转速,其中声压传感器的声压信号采集率不小于100kHz,分析带宽不少于30kHz。测点布置不能影响流道,同时声压测量不能带入速度脉动,所以要齐平安装,不受其他结构干涉,同时避免受气流冲击。
在部分实施例中,所述S3包括如下步骤:
S3.1:利用GMC正则化重构声场;
S3.2:对重构获得的模拟通道的声压信号进行傅里叶变换,得到幅值和相位信息;
S3.3:对关注的频率进行空间傅里叶变换,获得传声器安装壁面上的各阶周向模态幅值。
在部分实施例中,所述S4包括:
S4.1:计算动叶的激励频率、发声的特征频率以及转静干涉的幅值最大模态;动叶的激励频率为风扇转频乘以静子叶片数,发声的特征频率为叶片通过频率及其倍频,动叶的气动激励形成的幅值最大模态为转静干涉模态;在转静干涉的激励中形成的叶片的振动,单级转静干涉时,转子每转一周,仅受到间隔相等、形状相同的V次尾迹激振,动叶所受激振力的频率为f=n*VfR,其声的特征频率为fS=h*BfR,同步振动模态数为m=hB±kV,此时模态数最大;
S4.2:在叶片通过频率的峰值转速下,判断动叶的激励频率是否等于叶盘的激励频率,若相同,则判断转静模态数与叶盘同频率下的振动阶次是否相同,若相同,则判定为动叶同步振动。
在部分实施例中,所述S5是风扇动叶的非同步振动辨识,叶片的非同步振动的问题,不论声共振还是旋转不稳定现象,脉动频谱上都是频谱上表现为频率为离散频率的异步压力脉动,先分析非同步频率信号,步骤如下:
S5.1:假设为旋转不稳定现象,求取旋转不稳定的模态数;根据叶盘的激励频率和测得的发声频率求取旋转不稳定的模态数;其声的特征频率为fs=fRI,根据旋转不稳定的激励频率为f=fRI±αfR,其中fRI为机匣上测到的涡频率,求的其涡流形成的模态数α,k1,k2为…,-1,0,1,…
S5.2:判断同频率下的叶盘振动阶次数与旋转不稳定的模态数是否相同,若相同则存在旋转不稳定所导致的动叶共振,若不相同,则进行下一步;其声的特征频率为fs=fRA,判断叶片声共振的激励频率是否为f=fRA±h*BfR
S5.3:假设风扇存在颤振或声共振,对测取的发声频率和叶片通过频率的调制频率进行模态分解,获得其幅值最大的模态数;测取的发声频率表现为窄带宽频;
S5.4:判断同频率下的叶盘振动阶次数与调制频率的模态数是否相同,若相同,则存在颤振或声共振现象。
以上,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.基于声阵列的航空发动机风扇动叶的气动激励辨识方法,其特征在于,所述方法包括如下步骤:
S1:优化声阵列布局;
S2:根据S1优化的声阵列布局,安装声压传感器,所述声压传感器为侧均压传感器;
S3:利用GMC正则化重构声场,求解得到传声器安装壁面上的各阶周向模态幅值;
S4:风扇动叶的同步振动辨识;
S5:风扇动叶的非同步振动辨识。
2.根据权利要求1所述的基于声阵列的航空发动机风扇动叶的气动激励辨识方法,其特征在于,所述S1包括如下步骤:
S1.1:根据关注模态数确定所需的传感器数目;
S1.2:根据压缩感知的采样模型利用GMC正则化实现对原始声场的精确重构,根据遗传算法得到传感器误差数目与精度的关系曲线,其中正则化参数λ=0.7
S1.3:根据传感器误差数目与精度的关系曲线,优化传感器数目和安装角度。
3.根据权利要求1所述的基于声阵列的航空发动机风扇动叶的气动激励辨识方法,其特征在于,所述声压传感器齐平安装在进气道测量段的机匣上,其中声压传感器的声压信号采集率不小于100kHz,分析带宽不少于30kHz。
4.根据权利要求1所述的基于声阵列的航空发动机风扇动叶的气动激励辨识方法,其特征在于,所述S3包括如下步骤:
S3.1:利用GMC正则化重构声场;
S3.2:对重构获得的模拟通道的声压信号进行傅里叶变换,得到幅值和相位信息;
S3.3:对关注的频率进行空间傅里叶变换,获得传声器安装壁面上的各阶周向模态幅值。
5.根据权利要求1所述的基于声阵列的航空发动机风扇动叶的气动激励辨识方法,其特征在于,所述S4包括:
S4.1:计算动叶的激励频率、发声的特征频率以及转静干涉的幅值最大模态;
S4.2:在叶片通过频率的峰值转速下,判断动叶的激励频率是否等于叶盘的激励频率,若相同,则判断转静模态数与叶盘同频率下的振动阶次是否相同,若相同,则判定为动叶同步振动。
6.根据权利要求1所述的基于声阵列的航空发动机风扇动叶的气动激励辨识方法,其特征在于,所述S5包括:
S5.1:假设为旋转不稳定现象,求取旋转不稳定的模态数;
S5.2:判断同频率下的叶盘振动阶次数与旋转不稳定的模态数是否相同,若相同则存在旋转不稳定所导致的动叶共振,若不相同,则进行下一步;
S5.3:假设风扇存在颤振或声共振,对测取的发声频率和叶片通过频率的调制频率进行模态分解,获得其幅值最大的模态数;
S5.4:判断同频率下的叶盘振动阶次数与调制频率的模态数是否相同,若相同,则存在颤振或声共振现象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111224217.7A CN114136648B (zh) | 2021-10-20 | 2021-10-20 | 基于声阵列的航空发动机风扇动叶的气动激励辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111224217.7A CN114136648B (zh) | 2021-10-20 | 2021-10-20 | 基于声阵列的航空发动机风扇动叶的气动激励辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114136648A true CN114136648A (zh) | 2022-03-04 |
CN114136648B CN114136648B (zh) | 2023-06-13 |
Family
ID=80395286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111224217.7A Active CN114136648B (zh) | 2021-10-20 | 2021-10-20 | 基于声阵列的航空发动机风扇动叶的气动激励辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114136648B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115306754A (zh) * | 2022-10-12 | 2022-11-08 | 中国航发四川燃气涡轮研究院 | 基于声阵列的轴流风扇气动失稳辨识方法 |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0914909D0 (en) * | 2008-08-27 | 2009-09-30 | Snecma | Method for reducing the vibration levels of a propeller of a turbine engine |
US20140100798A1 (en) * | 2012-10-05 | 2014-04-10 | Siemens Energy, Inc. | Turbine blade fatigue life analysis using non-contact measurement and dynamical response reconstruction techniques |
CA2875070A1 (en) * | 2013-12-18 | 2015-06-18 | Siemens Energy, Inc. | Active temperature monitoring in gas turbine combustors |
CA2888426A1 (en) * | 2014-05-31 | 2015-11-30 | The Boeing Company | Noise source decomposition system and method using an adaptable aperture phased array |
WO2017028920A1 (en) * | 2015-08-19 | 2017-02-23 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Ultrasonic measurements for reconstructing an image of an object |
CN107727228A (zh) * | 2017-07-11 | 2018-02-23 | 中国人民解放军空军工程大学 | 基于共振加强奇异值分解的声场模态分析方法 |
CN109409341A (zh) * | 2018-12-10 | 2019-03-01 | 中国航发四川燃气涡轮研究院 | 一种近场的航空发动机噪声源辨识方法 |
CN109870282A (zh) * | 2019-03-26 | 2019-06-11 | 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 |
CN110068439A (zh) * | 2019-04-25 | 2019-07-30 | 西安交通大学 | 转子叶片多模态振动激励装置及其激励方法 |
CN110285879A (zh) * | 2019-07-29 | 2019-09-27 | 天津大学 | 基于电涡流传感器带冠叶片非接触式振动检测装置和方法 |
CN110567574A (zh) * | 2019-08-02 | 2019-12-13 | 西安交通大学 | 一种旋转叶片叶端定时振动参数辨识方法与系统 |
CN110792563A (zh) * | 2019-11-04 | 2020-02-14 | 北京天泽智云科技有限公司 | 基于卷积生成对抗网络的风电机组叶片故障音频监测方法 |
CN111263291A (zh) * | 2020-01-19 | 2020-06-09 | 西北工业大学太仓长三角研究院 | 一种基于高阶麦克风阵列的声场重构方法 |
CN112069962A (zh) * | 2020-08-28 | 2020-12-11 | 中国航发贵阳发动机设计研究所 | 一种基于图像识别强噪声背景下振动频谱的方法 |
CN112098105A (zh) * | 2020-08-10 | 2020-12-18 | 北京化工大学 | 基于机匣宽频振动信号的燃气轮机叶片故障监测预警方法 |
CN112179669A (zh) * | 2020-09-21 | 2021-01-05 | 西北工业大学 | 基于发动机整机试验的喷流噪声测试方法 |
CN112179662A (zh) * | 2020-09-21 | 2021-01-05 | 西北工业大学 | 与转子同步锁相旋转传声器阵列声模态测量装置和方法 |
CN112378670A (zh) * | 2020-11-10 | 2021-02-19 | 北京航空航天大学 | 一种基于改进粒子滤波的火箭发动机故障检测方法 |
CN113108893A (zh) * | 2021-03-22 | 2021-07-13 | 北京科技大学 | 一种基于声压和质点振速的声场重构系统及方法 |
CN113392543A (zh) * | 2021-05-26 | 2021-09-14 | 江天电机有限公司 | 一种异步电机噪声源的高精度识别方法 |
CN113421537A (zh) * | 2021-06-09 | 2021-09-21 | 南京航空航天大学 | 一种旋翼飞行器的全局主动降噪方法 |
-
2021
- 2021-10-20 CN CN202111224217.7A patent/CN114136648B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0914909D0 (en) * | 2008-08-27 | 2009-09-30 | Snecma | Method for reducing the vibration levels of a propeller of a turbine engine |
US20140100798A1 (en) * | 2012-10-05 | 2014-04-10 | Siemens Energy, Inc. | Turbine blade fatigue life analysis using non-contact measurement and dynamical response reconstruction techniques |
CA2875070A1 (en) * | 2013-12-18 | 2015-06-18 | Siemens Energy, Inc. | Active temperature monitoring in gas turbine combustors |
CA2888426A1 (en) * | 2014-05-31 | 2015-11-30 | The Boeing Company | Noise source decomposition system and method using an adaptable aperture phased array |
WO2017028920A1 (en) * | 2015-08-19 | 2017-02-23 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Ultrasonic measurements for reconstructing an image of an object |
CN107727228A (zh) * | 2017-07-11 | 2018-02-23 | 中国人民解放军空军工程大学 | 基于共振加强奇异值分解的声场模态分析方法 |
CN109409341A (zh) * | 2018-12-10 | 2019-03-01 | 中国航发四川燃气涡轮研究院 | 一种近场的航空发动机噪声源辨识方法 |
CN109870282A (zh) * | 2019-03-26 | 2019-06-11 | 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 |
CN110068439A (zh) * | 2019-04-25 | 2019-07-30 | 西安交通大学 | 转子叶片多模态振动激励装置及其激励方法 |
CN110285879A (zh) * | 2019-07-29 | 2019-09-27 | 天津大学 | 基于电涡流传感器带冠叶片非接触式振动检测装置和方法 |
CN110567574A (zh) * | 2019-08-02 | 2019-12-13 | 西安交通大学 | 一种旋转叶片叶端定时振动参数辨识方法与系统 |
CN110792563A (zh) * | 2019-11-04 | 2020-02-14 | 北京天泽智云科技有限公司 | 基于卷积生成对抗网络的风电机组叶片故障音频监测方法 |
CN111263291A (zh) * | 2020-01-19 | 2020-06-09 | 西北工业大学太仓长三角研究院 | 一种基于高阶麦克风阵列的声场重构方法 |
CN112098105A (zh) * | 2020-08-10 | 2020-12-18 | 北京化工大学 | 基于机匣宽频振动信号的燃气轮机叶片故障监测预警方法 |
CN112069962A (zh) * | 2020-08-28 | 2020-12-11 | 中国航发贵阳发动机设计研究所 | 一种基于图像识别强噪声背景下振动频谱的方法 |
CN112179669A (zh) * | 2020-09-21 | 2021-01-05 | 西北工业大学 | 基于发动机整机试验的喷流噪声测试方法 |
CN112179662A (zh) * | 2020-09-21 | 2021-01-05 | 西北工业大学 | 与转子同步锁相旋转传声器阵列声模态测量装置和方法 |
CN112378670A (zh) * | 2020-11-10 | 2021-02-19 | 北京航空航天大学 | 一种基于改进粒子滤波的火箭发动机故障检测方法 |
CN113108893A (zh) * | 2021-03-22 | 2021-07-13 | 北京科技大学 | 一种基于声压和质点振速的声场重构系统及方法 |
CN113392543A (zh) * | 2021-05-26 | 2021-09-14 | 江天电机有限公司 | 一种异步电机噪声源的高精度识别方法 |
CN113421537A (zh) * | 2021-06-09 | 2021-09-21 | 南京航空航天大学 | 一种旋翼飞行器的全局主动降噪方法 |
Non-Patent Citations (6)
Title |
---|
DONG, X: "Numerical simulations of flutter mechanism for high-speed wide-chord transonic fan" * |
LI, Z: "Generalized minimax-concave regularization for aero-engine fan acoustic mode measurements" * |
LI, Z: "Reweighted generalized minimax-concave sparse regularization for duct acoustic mode detection with adaptive threshold" * |
张效溥;田杰;孙宗翰;欧阳华;: "基于任意传感器排布的叶尖定时信号压缩感知辨识方法" * |
王同庆: "高速压气机不稳定流动声测量技术研究" * |
赵奉同;景晓东;沙云东;王晓宇;栾孝驰;: "压气机内部噪声特征与转子叶片声固耦合机理分析" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115306754A (zh) * | 2022-10-12 | 2022-11-08 | 中国航发四川燃气涡轮研究院 | 基于声阵列的轴流风扇气动失稳辨识方法 |
CN115306754B (zh) * | 2022-10-12 | 2023-02-17 | 中国航发四川燃气涡轮研究院 | 基于声阵列的轴流风扇气动失稳辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114136648B (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Choi et al. | Experiments on the unsteady flow field and noise generation in a centrifugal pump impeller | |
Moreau et al. | Back-scattering correction and further extensions of Amiet's trailing-edge noise model. Part II: Application | |
CN111579060B (zh) | 一种基于叶尖定时技术高精度的旋转叶片振动测量方法 | |
US8121813B2 (en) | System and method for clearance estimation between two objects | |
Salhi et al. | Modal parameter identification of mistuned bladed disks using tip timing data | |
CN109101769B (zh) | 一种基于压缩感知的叶端定时传感器数目确定方法 | |
CN102288362B (zh) | 一种振动叶片表面非定常压力测试系统及测试方法 | |
CN110851963A (zh) | 叶端定时传感器的机匣周向布置方法 | |
Hurault et al. | Experimental investigations on the wall pressure measurement on the blade of axial flow fans | |
Carolus et al. | A low pressure axial fan for benchmarking prediction methods for aerodynamic performance and sound | |
CN103216461B (zh) | 轴流式压气机的失速先兆识别方法 | |
CN114136648B (zh) | 基于声阵列的航空发动机风扇动叶的气动激励辨识方法 | |
CN112733600A (zh) | 一种无转速参考信号的叶片故障诊断方法 | |
Laratro et al. | Self-noise and directivity of simple airfoils during stall: An experimental comparison | |
Kielb et al. | Experimental study of aerodynamic and structural damping in a full-scale rotating turbine | |
Canepa et al. | Effect of the rotor–stator gap variation on the tonal noise generated by axial-flow fans | |
Bornassi et al. | Blade synchronous vibration measurements of a new upgraded heavy duty gas turbine MGT-70 (3) by using tip-timing method | |
Sturm et al. | Application of an Analytical Noise Models Using Numerical and Experimental Fan Data | |
Xu et al. | Optimal placement of blade tip timing sensors considering multi-mode vibration using evolutionary algorithms | |
CN112763103B (zh) | 一种转子叶片的非接触动应力标定方法 | |
CN113029481A (zh) | 一种针对叶片扭转振动的测量方法 | |
CN111174903B (zh) | 一种透平机械故障的诊断方法 | |
Fan et al. | An improved multiple per revolution-based blade tip timing method and its applications on large-scale compressor blades | |
Kiss | Forced response system identification of gas turbine fan flutter | |
Manwaring et al. | Inlet distortion generated forced response of a low aspect ratio transonic fan |
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 |