CN114564996B - 航空发动机喘振先兆在线检测方法及装置 - Google Patents
航空发动机喘振先兆在线检测方法及装置 Download PDFInfo
- Publication number
- CN114564996B CN114564996B CN202210201846.6A CN202210201846A CN114564996B CN 114564996 B CN114564996 B CN 114564996B CN 202210201846 A CN202210201846 A CN 202210201846A CN 114564996 B CN114564996 B CN 114564996B
- Authority
- CN
- China
- Prior art keywords
- signal
- time
- surge
- frequency
- noise
- 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
- 239000002243 precursor Substances 0.000 title claims abstract description 64
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000004458 analytical method Methods 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 41
- 230000003068 static effect Effects 0.000 claims abstract description 33
- 238000005070 sampling Methods 0.000 claims abstract description 30
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 20
- 238000001228 spectrum Methods 0.000 claims description 27
- 230000009466 transformation Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 abstract 1
- 230000008859 change Effects 0.000 description 11
- 238000012360 testing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011897 real-time detection Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- 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
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Control Of Positive-Displacement Air Blowers (AREA)
Abstract
本发明公开了一种航空发动机喘振先兆在线检测方法,通过对航空发动机的压气机出口静压低频采样信号进行时频分析来获取喘振先兆特征,并根据所述喘振先兆特征与预设阈值的比较结果实现喘振先兆在线检测;所述时频分析包括:模态分解、Hilbert变换、时频谱分析这三个步骤;所述模态分解为带自适应噪声的改进完备集成经验模态分解方法。本发明还公开了一种航空发动机喘振先兆在线检测装置。相比现有技术,本发明可以极低成本实现在线喘振先兆预警,且预警时间大幅提高。
Description
技术领域
本发明涉及一种航空发动机喘振先兆在线检测方法,属于航空发动机健康监测及控制技术领域。
背景技术
航空发动机压气机喘振是指气流沿压气机轴线方向发生的低频率(5~30Hz)、高振幅(强烈的压强和流量波动)的气流振荡现象,它是旋转失速在流量进一步减少后的结果。
研究学者根据压气机喘振机理和信号特征提出了许多喘振检测方法,如快速傅里叶变换、小波分析法、相关度法、时间序列分析法、压差脉动法和均方根法等。但目前上述这些方法对分布在压气机上的传感器数量和位置具有很高的要求,如需要在压气机周向均匀布置多个压力传感器以提取对喘振敏感性较强的压力信号。虽然有研究表明采用信号转换方法,对压气机单通道传感器的动压信号进行圆周方向重构,可以解决传感器数量有限、采集误差大的问题。但其传感器采样频率达6kHz,而在机载环境下,发动机控制器的计算周期一般是5~20ms(50~200Hz),这很难达到高频喘振信号检测的要求。因此,从机载应用角度针对发动机在翼运行时,控制系统只能依靠有限的机载测量参数进行喘振的检测和预处理,当前研究报道了一种基于压气机出口静压(Ps3,采样频率为50Hz)变化率的喘振检测方法[王玉东.基于压气机出口静压变化率的喘振检测方法[J].航空动力学报,2020,35(06):1131-1139.],此方法主要通过导数离散算法实时计算压气机出口静压的一阶和二阶变化率,并基于转速等辅助参数形成联合判喘逻辑实现喘振的检测,即首先通过检测高压转速和压气机出口静压一阶变化率是否同时穿越阈值来初步确认喘振,再在计时周期内通过判断压气机出口静压二阶变化率或高压转速变化率是否穿越阈值来最终确定喘振。其测试结果表明系统响应时间短,检测时间低于半个喘振周期,实时检测成功率达到100%,虚警率低至0%,通过调节判喘阈值可实现喘振先兆的检测。但该方法需要设置较多的判断阈值(转速及转速变化率,静压一阶和二阶变化率的阈值),而且这些阈值严重依赖于大量的发动机逼喘试验数据,试验成本高,且具有极大的试验风险。
发明内容
本发明所要解决的技术问题在于克服现有技术不足,提供一种航空发动机喘振先兆在线检测方法,可以极低成本实现在线喘振先兆预警,且预警时间大幅提高。
本发明具体采用以下技术方案解决上述技术问题:
一种航空发动机喘振先兆在线检测方法,通过对航空发动机的压气机出口静压低频采样信号进行时频分析来获取喘振先兆特征,并根据所述喘振先兆特征与预设阈值的比较结果实现喘振先兆在线检测;所述时频分析包括:模态分解、Hilbert变换、时频谱分析这三个步骤;所述模态分解为带自适应噪声的改进完备集成经验模态分解方法,具体包括以下步骤:
步骤1、k=1,i=1,在原始信号x(t)中加入噪声β0E1(w(i)(t)),并通过EMD算法对加入噪声的信号x(i)(t)=x(t)+β0E1(w(i)(t))计算局部均值以获得第一个残差信号r1(t):r1(t)=<M(x(i)(t))>;其中,ε0为原始信号与第一次加入的噪声的信噪比的倒数,ε0为分析信号与第一次加入的噪声的信噪比的倒数,w(i)(t)表示第i次加入的零均值单位方差的高斯白噪声,常数βk=εkstd(rk(t)),β>0,ε为信噪比的倒数,std表示求标准差函数,Ek(·)是产生对信号进行EMD后获得的第k个模态分量的算子,M(·)是产生当前信号局部均值的算子,<·>表示平均值计算符号;
步骤6、判断残差信号(rk)是否满足模态分解的结束条件:如果满足,则结束;否则返回到步骤4。
进一步地,在进行所述时频分析之前,先在航空发动机的压气机出口静压低频采样信号的首、尾分别添加一段数据段,并对添加了数据段的压气机出口静压低频采样信号进行模态分解、Hilbert变换,然后从Hilbert变换后所得到的时频谱的首、尾分别去除首、尾所添加数据段对应的时频谱,最后对所得到的时频谱进行时频谱分析。
进一步优选地,首、尾所添加的数据段中的数据值全部填充压气机出口静压低频采样信号的首、尾数据值。
优选地,所述喘振先兆特征为喘振先兆强度SPI,SPI值越大表明出现喘振的概率越大,其定义如下:
其中,A(t)为Hilbert时频谱分析得到的当前时刻的幅值序列,Ind1和Ind2为当前时刻时频谱中低频段幅值序列索引,3≤Ind1≤Ind2≤50。
基于同一发明构思还可以得到以下技术方案:
一种航空发动机喘振先兆在线检测装置,包括时频分析单元和在线检测单元,时频分析单元用于通过对航空发动机的压气机出口静压低频采样信号进行时频分析来获取喘振先兆特征,在线检测单元用于根据所述喘振先兆特征与预设阈值的比较结果实现喘振先兆在线检测;所述时频分析单元包括:模态分解模块、Hilbert变换模块、时频谱分析模块这三个模块;所述模态分解模块使用带自适应噪声的改进完备集成经验模态分解方法,具体包括以下步骤:
步骤1、k=1,i=1,在原始信号x(t)中加入噪声β0E1(w(i)(t)),并通过EMD算法对加入噪声的信号x(i)(t)=x(t)+β0E1(w(i)(t))计算局部均值以获得第一个残差信号r1(t):r1(t)=<M(x(i)(t))>;其中,ε0为原始信号与第一次加入的噪声的信噪比的倒数,w(i)(t)表示第i次加入的零均值单位方差的高斯白噪声,常数βk=εkstd(rk(t)),β>0,ε为信噪比的倒数,std表示求标准差函数,Ek(·)是产生对信号进行EMD后获得的第k个模态分量的算子,M(·)是产生当前信号局部均值的算子,<·>表示平均值计算符号;
步骤6、判断残差信号(rk)是否满足模态分解的结束条件:如果满足,则结束;否则返回到步骤4。
进一步地,所述时频分析单元还包括:
数据段添加模块,设置于模态分解模块之前,用于在进行所述时频分析之前,先在航空发动机的压气机出口静压低频采样信号的首、尾分别添加一段数据段;数据段去除模块,设置于Hilbert变换模块与时频谱分析模块之间,用于从Hilbert变换后所得到的时频谱的首、尾分别去除首、尾所添加数据段对应的时频谱。
进一步优选地,首、尾所添加的数据段中的数据值全部填充压气机出口静压低频采样信号的首、尾数据值。
优选地,所述喘振先兆特征为喘振先兆强度SPI,SPI值越大表明出现喘振的概率越大,其定义如下:
其中,A(t)为Hilbert时频谱分析得到的当前时刻的幅值序列,Ind1和Ind2为当前时刻时频谱中低频段幅值序列索引,3≤Ind1≤Ind2≤50。
相比现有技术,本发明具有以下有益效果:
(1)本发明克服了现有技术无法实现对航空发动机机载环境下低频采样信号实时进行喘振先兆准确检测的难题,实现了机载环境下,基于低采样率压气机出口静压实时测量数据实现喘振先兆信号的准确检测。
(2)本发明解决了传统Hilbert-Huang变换算法中存在的模态混叠、难以实现信号重构、噪声残留、杂散模态以及端点效应等诸多不足问题,保证了对信号进行时频分析结果的准确性。
(3)本发明的检测成功率达100%,喘振先兆预警时间长达0.05~0.3s,为机载环境下的压气机主动稳定控制提供了更好的条件和更坚实的基础。
附图说明
图1为改进Hilbert-Huang变换时频分析算法的流程示意图;
图2为检测信号首尾数据处理方法原理图;
图3为滑动窗口原理图;
图4为本发明航空发动机喘振先兆在线检测装置的结构框架示意图;
图5为逻辑判断模块原理流程图。
图6为本发明所述方法试验检测结果图。
具体实施方式
针对现有技术无法实现对航空发动机机载环境下低频采样信号实时进行喘振先兆准确检测的难题,本发明的解决思路是通过对航空发动机的压气机出口静压低频采样信号进行时频分析来获取喘振先兆特征,并根据所述喘振先兆特征与预设阈值的比较结果实现喘振先兆在线检测,从而实现机载环境下,基于低采样率实时测量数据实现喘振先兆信号的准确检测。
本发明所提出的航空发动机喘振先兆在线检测方法,具体如下:
通过对航空发动机的压气机出口静压低频采样信号进行时频分析来获取喘振先兆特征,并根据所述喘振先兆特征与预设阈值的比较结果实现喘振先兆在线检测;所述时频分析包括:模态分解、Hilbert变换、时频谱分析这三个步骤;所述模态分解为带自适应噪声的改进完备集成经验模态分解方法,具体包括以下步骤:
步骤1、k=1,i=1,在原始信号x(t)中加入噪声β0E1(w(i)(t)),并通过EMD算法对加入噪声的信号x(i)(t)=x(t)+β0E1(w(i)(t))计算局部均值以获得第一个残差信号r1(t):r1(t)=<M(x(i)(t))>;其中,ε0为原始信号与第一次加入的噪声的信噪比的倒数,w(i)(t)表示第i次加入的零均值单位方差的高斯白噪声,常数βk=εkstd(rk(t)),β>0,ε为信噪比的倒数,std表示求标准差函数,Ek(·)是产生对信号进行EMD后获得的第k个模态分量的算子,M(·)是产生当前信号局部均值的算子,<·>表示平均值计算符号;
步骤6、判断残差信号(rk)是否满足模态分解的结束条件:如果满足,则结束;否则返回到步骤4。
本发明所提出的航空发动机喘振先兆在线检测装置,包括时频分析单元和在线检测单元,时频分析单元用于通过对航空发动机的压气机出口静压低频采样信号进行时频分析来获取喘振先兆特征,在线检测单元用于根据所述喘振先兆特征与预设阈值的比较结果实现喘振先兆在线检测;所述时频分析单元包括:模态分解模块、Hilbert变换模块、时频谱分析模块这三个模块;所述模态分解模块使用带自适应噪声的改进完备集成经验模态分解方法,具体包括以下步骤:
步骤1、k=1,i=1,在原始信号x(t)中加入噪声β0E1(w(i)(t)),并通过EMD算法对加入噪声的信号x(i)(t)=x(t)+β0E1(w(i)(t))计算局部均值以获得第一个残差信号r1(t):r1(t)=<M(x(i)(t))>;其中,ε0为原始信号与第一次加入的噪声的信噪比的倒数,w(i)(t)表示第i次加入的零均值单位方差的高斯白噪声,常数βk=εkstd(rk(t)),β>0,ε为信噪比的倒数,std表示求标准差函数,Ek(·)是产生对信号进行EMD后获得的第k个模态分量的算子,M(·)是产生当前信号局部均值的算子,<·>表示平均值计算符号;
步骤6、判断残差信号(rk)是否满足模态分解的结束条件:如果满足,则结束;否则返回到步骤4。
为了便于公众理解,下面结合附图来对本发明技术方案进行进一步详细说明:
研究发现压气机在稳态运行时,信号能量在频带上分布均匀,而在气动不稳定状态下,能量集中在喘振频率和失速频率上,信号脉冲强度显著增加。因此可考虑采用Hilbert-Huang变换时频分析法来对压气机出口静压低频采样信号进行处理,以快速准确地从中提取鲜明的喘振先兆特征。然而,传统的Hilbert-Huang变换时频分析法是通过经验模态分解(EMD)算法计算获得信号的本征模态函数(IMF),此算法容易出现严重的模态混叠和端点效应现象,对时频分析结果具有很大影响,极易造成喘振先兆的误判。因而,传统Hilbert-Huang变换时频分析法不能被应用于航空发动机机载环境下低频采样信号中喘振先兆的实时分析与检测。为此,本发明进一步提出了一种改进Hilbert-Huang变换时频分析法,其基本流程如图1所示,主要包括模态分解、Hilbert变换、时频谱分析三个部分。其中模态分解采用全新设计的带自适应噪声的改进完备集成经验模态分解(简称ICEEMDAN)算法实现,该算法首先将对零均值高斯白噪声进行经验模态分解获得的噪声本征模态函数加入原始分析信号中,然后求解加入噪声的信号的局部均值,得到剩余信号残差并计算信号模态,最后通过循环计算得到原始分析信号的本征模态函数。它解决了当前模态分解方法中存在的模态混叠、难以实现信号重构、噪声残留以及杂散模态等诸多不足问题。
ICEEMDAN算法的具体实现如下:
在t时刻,定义x(t)为原始信号,设Ek(·)是产生对信号进行EMD后获得的第k个模态分量的算子,M(·)是产生当前信号局部均值的算子。于是有:E1(·)=x(t)-M(·)。然后,设w(i)(t)表示第i次加到原始信号中的零均值单位方差的高斯白噪声。常数βk=εkstd(rk(t))(β>0,ε为信噪比的倒数,std表示取标准差)。令<·>表示平均值计算符号。则本发明对信号进行模态分解的具体步骤如下:
Step1:k=1,i=1,通过EMD算法对加入的噪声β0E1(w(i)(t))后的信号x(i)(t)=x(t)+β0E1(w(i)(t))进行计算局部均值以获得第一个残差信号r1(t):
r1(t)=<M(x(i)(t))>
Step4:k=k+1,i=i+1,计算第k个残差信号rk(t):
rk(t)=<M(rk-1(t)+βk-1Ek(w(i)(t)))>
Step6:判断残差信号rk是否满足模态分解的结束条件:如果满足,则结束;否则返回到Step4。
由于本发明所提出的改进Hilbert-Huang变换时频分析法中仍具有经验模态分解过程,时频谱存在端点效应现象。为解决这一问题,本发明进一步通过对原始分析信号首尾添加一定长度的数据段,组合成新的分析信号,然后对此新的分析信号进行时频谱分析,获得时间-幅值-频率,最后再删去首尾添加的数据段对应的时频谱,剩下的则为原始分析信号的时频谱,其原理如图2所示,具体为:在进行所述时频分析之前,先在航空发动机的压气机出口静压低频采样信号的首、尾分别添加一段数据段,并对添加了数据段的压气机出口静压低频采样信号进行模态分解、Hilbert变换,然后从Hilbert变换后所得到的时频谱的首、尾分别去除首、尾所添加数据段对应的时频谱,最后对所得到的时频谱进行时频谱分析。其中首尾所添加数据段的具体长度以及具体数据值可根据实际情况灵活设定;优选的方案为:首、尾所添加的数据段中的数据值全部填充压气机出口静压低频采样信号的首、尾数据值。
考虑对压气机喘振先兆的检测是对机载环境下实时压力数据的处理,本发明采用滑动窗口的方式来实现机载环境下低采样率压气机出口静压信号进行实时采样,如图3所示。
图4显示了本发明航空发动机喘振先兆在线检测装置的一种具体结构,其基本工作流程具体如下:
Step1:在机载环境下,压力传感器采集发动机压气机出口静压并以低采样率(50~200Hz)存储压力数据;
Step2:数据处理:设置滑动窗口(wlen为窗口大小,hop为窗口移动距离),并对窗口中数据(原始分析数据)首尾添加合适长度的数据段,变成新的分析数据,即头部数据段(N1)的数据值全部填充原始分析数据的第一个数据的值,尾部数据段(N2)的数据值全部填充原始分析数据的最后一个数据值。其中,N1和N2大小的选择主要根据实际测试获得,它需满足原始数据段不会出现端点效应,但又不能取值过大导致计算量变大的条件。于是新的分析数据长度变为N1+N+N2。
Step3:对加长数据使用ICEEMDAN算法进行模态分解,得到本征模态函数;
Step4:根据本征模态函数进行Hilbert变换,获得由时间-频率-幅值组成的时频谱;
Step5:删去首尾添加的数据段对应的时频谱,则剩下的为原始分析信号的时频谱,并对其进行时频谱分析;
Step6:计算SPI:
定义如下式所示的喘振先兆强度(SPI)来表征压气机的稳定性状况,SPI值越大表明出现喘振的概率越大,统计Hilbert时频谱中当前时刻能反映喘振先兆特征的低频段幅值序列之和来表征当前时刻的喘振先兆强度SPI:
其中,A(t)为Hilbert时频谱分析得到的当前时刻的幅值序列,Ind1和Ind2为当前时刻时频谱中低频段幅值序列索引(Ind1<Ind2),模态分解过程中获得的能反映喘振先兆特征的本征模态信号对应于Hilbert时频谱中的幅值序列均在低频段内,即幅值序列索引值在3~50之间;在索引值为1~2之间反映的是残差信号的幅值变化特征,无法区分喘振先兆,所以不计在内,故而有3≤Ind1≤Ind2≤50。
Step7:逻辑判断,其具体算法如图5所示:
①初始设置参数:喘振先兆判断阈值SPIthr,计时周期D,sFlag=0,Flag=0,m=0,n=0。
②根据Step6计算的SPI与SPIthr比较,如果SPI≥SPIthr,是,则sFlag=1,进入⑥;如果否,则sFlag=0,进入③。
③如果m==1,则计时开始,n=n+1,进入④;否,则进入⑥。
④如果n>D,进入⑥;否则进入⑤。
⑤sFlag=1。
⑥n=0,m=sFlag。
⑦输出sFlag的值,并返回m和n的值到③。
Step8:根据sFlag值发出喘振先兆预警信号。
为了验证本发明的技术效果,将其与参考文献[王玉东.基于压气机出口静压变化率的喘振检测方法[J].航空动力学报,2020,35(06):1131-1139.]所提出的方法进行对比,对比结果如图6所示。从图6可看出,本发明方法均能提前检测出喘振先兆并发出预警信号。同时通过多组不同发动机逼喘实验数据均验证了本发明方法的有效性和通用性,统计得出喘振先兆预警时间裕度范围可达0.05~0.3s,且判别成功率100%。
Claims (6)
1.一种航空发动机喘振先兆在线检测方法,其特征在于,通过对航空发动机的压气机出口静压低频采样信号进行时频分析来获取喘振先兆特征,并根据所述喘振先兆特征与预设阈值的比较结果实现喘振先兆在线检测;所述喘振先兆特征为喘振先兆强度SPI,SPI值越大表明出现喘振的概率越大,其定义如下:
其中,A(t)为Hilbert时频谱分析得到的当前时刻的幅值序列,Ind1和Ind2为当前时刻时频谱中低频段幅值索引,3≤Ind1≤Ind2≤50;
所述时频分析包括:模态分解、Hilbert变换、时频谱分析这三个步骤;所述模态分解为带自适应噪声的改进完备集成经验模态分解方法,具体包括以下步骤:
步骤1、k=1,i=1,在原始信号x(t)中加入噪声β0E1(w(i)(t)),并通过EMD算法对加入噪声的信号x(i)(t)=x(t)+β0E1(w(i)(t))计算局部均值以获得第一个残差信号r1(t):r1(t)=M(x(i)(t));其中,ε0为原始信号与第一次加入的噪声的信噪比的倒数,w(i)(t)表示第i次加入的零均值单位方差的高斯白噪声,常数βk=εkstd(rk(t)),β>0,ε为信噪比的倒数,std表示求标准差函数,Ek(·)是产生对信号进行EMD后获得的第k个模态分量的算子,M(·)是产生当前信号局部均值的算子,·表示平均值计算符号;
步骤4、k=k+1,i=i+1,计算第k个残差信号rk(t):rk(t)=M(rk-1(t)+βk-1Ek(w(i)(t)));
步骤6、判断残差信号rk是否满足模态分解的结束条件:如果满足,则结束;否则返回到步骤4。
2.如权利要求1所述航空发动机喘振先兆在线检测方法,其特征在于,在进行所述时频分析之前,先在航空发动机的压气机出口静压低频采样信号的首、尾分别添加一段数据段,并对添加了数据段的压气机出口静压低频采样信号进行模态分解、Hilbert变换,然后从Hilbert变换后所得到的时频谱的首、尾分别去除首、尾所添加数据段对应的时频谱,最后对所得到的时频谱进行时频谱分析。
3.如权利要求2所述航空发动机喘振先兆在线检测方法,其特征在于,首、尾所添加的数据段中的数据值全部填充压气机出口静压低频采样信号的首、尾数据值。
4.一种航空发动机喘振先兆在线检测装置,其特征在于,包括时频分析单元和在线检测单元,时频分析单元用于通过对航空发动机的压气机出口静压低频采样信号进行时频分析来获取喘振先兆特征,在线检测单元用于根据所述喘振先兆特征与预设阈值的比较结果实现喘振先兆在线检测;所述喘振先兆特征为喘振先兆强度SPI,SPI值越大表明出现喘振的概率越大,其定义如下:
其中,A(t)为Hilbert时频谱分析得到的当前时刻的幅值序列,Ind1和Ind2为当前时刻时频谱中低频段幅值序列索引,3≤Ind1≤Ind2≤50;
所述时频分析单元包括:模态分解模块、Hilbert变换模块、时频谱分析模块这三个模块;所述模态分解模块使用带自适应噪声的改进完备集成经验模态分解方法,具体包括以下步骤:
步骤1、k=1,i=1,在原始信号x(t)中加入噪声β0E1(w(i)(t)),并通过EMD算法对加入噪声的信号x(i)(t)=x(t)+β0E1(w(i)(t))计算局部均值以获得第一个残差信号r1(t):r1(t)=M(x(i)(t));其中,ε0为原始信号与第一次加入的噪声的信噪比的倒数,w(i)(t)表示第i次加入的零均值单位方差的高斯白噪声,常数βk=εkstd(rk(t)),β>0,ε为信噪比的倒数,std表示求标准差函数,Ek(·)是产生对信号进行EMD后获得的第k个模态分量的算子,M(·)是产生当前信号局部均值的算子,·表示平均值计算符号;
步骤4、k=k+1,i=i+1,计算第k个残差信号rk(t):rk(t)=M(rk-1(t)+βk-1Ek(w(i)(t)));
步骤6、判断残差信号rk是否满足模态分解的结束条件:如果满足,则结束;否则返回到步骤4。
5.如权利要求4所述航空发动机喘振先兆在线检测装置,其特征在于,所述时频分析单元还包括:
数据段添加模块,设置于模态分解模块之前,用于在进行所述时频分析之前,先在航空发动机的压气机出口静压低频采样信号的首、尾分别添加一段数据段;
数据段去除模块,设置于Hilbert变换模块与时频谱分析模块之间,用于从Hilbert变换后所得到的时频谱的首、尾分别去除首、尾所添加数据段对应的时频谱。
6.如权利要求5所述航空发动机喘振先兆在线检测装置,其特征在于,首、尾所添加的数据段中的数据值全部填充压气机出口静压低频采样信号的首、尾数据值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210201846.6A CN114564996B (zh) | 2022-03-03 | 2022-03-03 | 航空发动机喘振先兆在线检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210201846.6A CN114564996B (zh) | 2022-03-03 | 2022-03-03 | 航空发动机喘振先兆在线检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114564996A CN114564996A (zh) | 2022-05-31 |
CN114564996B true CN114564996B (zh) | 2023-04-28 |
Family
ID=81717673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210201846.6A Active CN114564996B (zh) | 2022-03-03 | 2022-03-03 | 航空发动机喘振先兆在线检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114564996B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116127294B (zh) * | 2023-04-17 | 2023-06-30 | 中国航发四川燃气涡轮研究院 | 一种基于窗口叠加算法的经验模态分解失稳判定方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107356427A (zh) * | 2017-07-10 | 2017-11-17 | 成都航空职业技术学院 | 一种基于经验模态分解的电机铁芯异常检测方法 |
CN108345033B (zh) * | 2018-01-26 | 2019-07-26 | 中国石油大学(华东) | 一种微地震信号时频域初至检测方法 |
CN110112757B (zh) * | 2019-05-17 | 2022-04-12 | 福州大学 | 基于sure小波消噪和改进hht的低频振荡分析方法 |
CN110443419A (zh) * | 2019-08-01 | 2019-11-12 | 太原理工大学 | 基于iceemdan与极限学习机的中长期径流预测方法 |
CN112528553A (zh) * | 2020-11-06 | 2021-03-19 | 南京航空航天大学 | 基于深度卷积生成对抗网络的发动机喘振信号模拟方法 |
CN112580267A (zh) * | 2021-01-13 | 2021-03-30 | 南京航空航天大学 | 基于多分支特征融合网络的航空发动机喘振预测方法 |
CN113608259B (zh) * | 2021-07-16 | 2024-03-26 | 长江大学 | 一种基于iceemdan约束广义s变换的地震薄层检测方法 |
CN113669166B (zh) * | 2021-08-20 | 2022-03-22 | 南京航空航天大学 | 一种航空发动机控制方法及装置 |
-
2022
- 2022-03-03 CN CN202210201846.6A patent/CN114564996B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114564996A (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106640722B (zh) | 一种压气机气动稳定性诊断和控制的装置及方法 | |
CN102095560B (zh) | 基于噪声测试的机械故障判别方法 | |
CN114564996B (zh) | 航空发动机喘振先兆在线检测方法及装置 | |
CN112580267A (zh) | 基于多分支特征融合网络的航空发动机喘振预测方法 | |
WO2022165737A1 (zh) | 一种船舶机械设备早期微弱故障信号特征诊断方法 | |
CN110632465A (zh) | 一种基于hht一化迭代的高压直流输电线路故障测距方法 | |
CN117503204B (zh) | 一种超声ai数字诊疗系统 | |
CN109581268B (zh) | 一种光纤电流互感器故障诊断方法及装置 | |
CN104457643B (zh) | 一种轨道几何检测数据的脉冲噪声滤波方法及装置 | |
CN110455243A (zh) | 一种基于rms的旋转叶片叶尖间隙测量系统及方法 | |
CN110925233A (zh) | 一种基于声学信号的压气机喘振故障诊断方法 | |
CN108398260B (zh) | 基于混合概率方法的齿轮箱瞬时角速度的快速评估方法 | |
CN112145373A (zh) | 一种风力发电机测风仪风速的校正方法 | |
CN114646935A (zh) | 一种海杂波分布参数估计方法 | |
CN111173687B (zh) | 一种风电风机叶片裂纹损伤在线监测装置及方法 | |
CN111523231B (zh) | 一种基于EEMD和Prony方法的次同步振荡分析方法 | |
CN110657864B (zh) | 一种传感器响应时间测量方法 | |
AU2018402492B2 (en) | Method for testing spray flow of diaphragm pump of plant protection unmanned aerial vehicle based on microphone | |
CN114033736B (zh) | 一种基于气压脉动信号风机故障监测系统 | |
CN112800103B (zh) | 一种scada数据挖掘的风电机组功率曲线的获取系统及方法 | |
CN114757071A (zh) | 一种基于振动参数周期预测叶盘振动节径数的方法 | |
CN205404125U (zh) | 一种用于发动机台架试验的失火故障诊断装置 | |
CN111319787B (zh) | 一种直升机动部件振动监测数据有效性评估方法 | |
CN114542402A (zh) | 一种基于多参量分析的风电叶片故障类型在线诊断方法及系统 | |
CN114036973A (zh) | 基于动态在线序列的极限学习机的串联电弧故障识别方法 |
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 |