CN116558840B - 一种航空发动机叶片监测方法、装置、设备、存储介质 - Google Patents

一种航空发动机叶片监测方法、装置、设备、存储介质 Download PDF

Info

Publication number
CN116558840B
CN116558840B CN202310847699.4A CN202310847699A CN116558840B CN 116558840 B CN116558840 B CN 116558840B CN 202310847699 A CN202310847699 A CN 202310847699A CN 116558840 B CN116558840 B CN 116558840B
Authority
CN
China
Prior art keywords
blade
frequency
signal
target
information
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
Application number
CN202310847699.4A
Other languages
English (en)
Other versions
CN116558840A (zh
Inventor
李修文
唐德尧
金贻涛
曾承志
黄贵发
龚妙
杨荣华
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.)
Beijing Tangzhi Science & Technology Development Co ltd
Tangzhi Science & Technology Hunan Development Co ltd
Original Assignee
Beijing Tangzhi Science & Technology Development Co ltd
Tangzhi Science & Technology Hunan Development Co ltd
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 Beijing Tangzhi Science & Technology Development Co ltd, Tangzhi Science & Technology Hunan Development Co ltd filed Critical Beijing Tangzhi Science & Technology Development Co ltd
Priority to CN202310847699.4A priority Critical patent/CN116558840B/zh
Publication of CN116558840A publication Critical patent/CN116558840A/zh
Application granted granted Critical
Publication of CN116558840B publication Critical patent/CN116558840B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/16—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring distance of clearance between spaced objects
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H17/02—Frequency selective networks
    • H03H17/0248—Filters characterised by a particular frequency response or filtering method
    • H03H17/026—Averaging filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本申请公开了一种航空发动机叶片监测方法、装置、设备、存储介质，涉及航空发动机技术领域，包括：采集包含航空发动机叶片内容的复杂振动信号、叶片的级数、每级的叶片数、叶片所在轴的转频的叶片信息；将叶片信息输入至分级叶片信号提取模型，以便分级叶片信号提取模型对叶片信息进行目标级的叶片信息提取，以输出对应目标级的叶片信号；基于叶片信号进行叶片间距提取，以获取目标级的航空发动机叶片的叶片间距，基于叶片间距与预设间距阈值的大小关系判断对应的航空发动机叶片是否存在故障。通过振动加速度传感器获取航空发动机叶片的复杂振动信号，且通过自动提取目标级的叶片振动信号，对该叶片振动信号进行叶片间距识别，方便叶片故障定位。

Description

一种航空发动机叶片监测方法、装置、设备、存储介质
技术领域
本发明涉及航空发动机技术领域，特别涉及一种航空发动机叶片监测方法、装置、设备、存储介质。
背景技术
航空发动机叶片的正常运行至关重要，一旦发生故障，危害极大。发动机叶片故障的原因有：风扇叶片断裂，压气机叶片产生疲劳裂纹、涡轮叶片断裂等。传统的叶片检测方法需要将发动机拆卸并送回维修中心进行检测，这将导致长时间的停机和高昂的维修成本。目前叶片检测主要以孔探检测，孔探仪可以通过发动机外壳的空隙就可以进入内部进行检测，从而避免了拆卸发动机外壳的损失，大大缩短了维修时间和降低了维修成本。但这种检测方法需要在发动机上的机匣上预留相应的孔，影响发动机设计，且存在一定的隐患。此外，现有的这种检测方法无法适用于发动机正常运行时的在线检测，只可应用于地面检修，检测能力有限。
综上，如何实现在发动机运行过程中实时航空发动机叶片状态监测，保障发动机的正常运行，及时发现运行过程的叶片故障，避免事故的发生是本领域有待解决的技术问题。
发明内容
有鉴于此，本发明的目的在于提供一种航空发动机叶片监测方法、装置、设备、存储介质，能够实现在发动机运行过程中实时航空发动机叶片状态监测，保障发动机的正常运行，及时发现运行过程的叶片故障，避免事故的发生。其具体方案如下：
第一方面，本申请公开了一种航空发动机叶片监测方法，包括：
一种航空发动机叶片监测方法，包括：
采集包含航空发动机叶片内容的复杂振动信号、叶片的级数、每级的叶片数、叶片所在轴的转频的叶片信息；
将所述叶片信息输入至分级叶片信号提取模型，以便所述分级叶片信号提取模型对所述叶片信息进行目标级的叶片信息提取，以输出对应目标级的叶片信号；
基于所述叶片信号进行叶片间距提取，以获取所述目标级的航空发动机叶片的叶片间距，以便基于所述叶片间距与预设间距阈值的大小关系判断对应的航空发动机叶片是否存在故障。
可选的，所述采集包含航空发动机叶片内容的复杂振动信号，包括：
通过一个振动加速度传感器采集航空发动机不同叶轮的各个叶片的复杂振动信号。
可选的，所述采集包含航空发动机叶片内容的复杂振动信号、叶片的级数、每级的叶片数、叶片所在轴的转频的叶片信息之后，还包括：
利用形态学平均滤波器对所述叶片信息进行预处理，以获取降噪且增强后的叶片信息。
可选的，所述利用形态学平均滤波器对所述叶片信息进行预处理，以获取降噪且增强后的叶片信息，包括：
基于所述叶片信息的信号形状确定目标结构元素，并对所述叶片信息进行关于所述目标结构元素的形态开运算和/或形态闭运算的形态滤波；
构建降噪效果评价函数筛选最优目标结构元素参数，并对所述降噪效果评价函数进行计算，以获取降噪且增强后的叶片信息。
可选的，所述基于所述叶片信息的信号形状确定目标结构元素，包括：
基于提取的信号特征，确定目标结构元素为：
；
其中，为目标结构元素参数，/>和/>分为目标结构元素中正弦一倍频幅值和正弦二倍频幅值，/>和/>分为目标结构元素中正弦一倍频相位和正弦二倍频相位，/>表示结构元素分布在域/>的自变量。
可选的，所述将所述叶片信息输入至分级叶片信号提取模型，以便所述分级叶片信号提取模型对所述叶片信息进行目标级的叶片信息提取，以输出对应目标级的叶片信号，包括：
将所述叶片信息输入至分级叶片信号提取模型；通过所述分级叶片信号提取模型对所述叶片信息进行傅里叶变换，以获取频域振动信号，然后对所述频域振动信号进行目标级的叶片信息提取，以输出包含通过频率和转频边频的目标级的叶片信号。
可选的，所述通过所述分级叶片信号提取模型对所述叶片信息进行傅里叶变换，以获取频域振动信号，然后对所述频域振动信号进行目标级的叶片信息提取，以输出包含通过频率和转频边频的目标级的叶片信号，包括：
通过所述分级叶片信号提取模型将除设定的目标级对应的频域振动信号外的其他频域振动信号置为零，并对所述目标级对应的频域振动信号通过傅里叶反变换输出包含通过频率和转频边频的目标级的时域叶片信号。
可选的，所述通过所述分级叶片信号提取模型将除设定的目标级对应的频域振动信号外的其他频域振动信号置为零，对所述目标级对应的频域振动信号通过傅里叶反变换输出包含通过频率和转频边频的目标级的时域叶片信号，包括：
选择待保留叶片的叶片级数、所述待保留叶片的边频以及预设边频误差；
根据所述待保留叶片的第一预设转频边频保留确定原则，获取所述待保留叶片与前一叶片的前一距离，所述待保留叶片与当前叶片的第一当前距离；
当所述前一距离小于或等于所述第一当前距离时，则保留所述待保留叶片的边频以及预设边频误差；
根据所述待保留叶片的第二预设转频边频保留确定原则，获取所述待保留叶片与当前叶片的第二当前距离，所述待保留叶片与后一叶片的后一距离；
当所述后一距离小于或等于所述第二当前距离时，则保留所述待保留叶片的边频以及预设边频误差。
可选的，所述通过所述分级叶片信号提取模型将除设定的目标级对应的频域振动信号外的其他频域振动信号置为零，对所述目标级对应的频域振动信号通过傅里叶反变换输出包含通过频率和转频边频的目标级的时域叶片信号过程中，还包括：
设置航空发动机的轴转频为，轴具有/>级叶片，每级叶片片数为，/>，则每级叶片的通过频率为，与转频组成序列为/>，其中，/>；
定义第倍转频频域幅值为/>：
；
其中，根据实际情况制定，/>，/>表示为正整数，/>表示为到/>之间的整数，/>表示为傅里叶变换后频域的最小分辨率值；/>表示频谱函数，用于指谱线在频谱中对应的幅值大小；
选择要提取的第级叶片/>的信息，其中/>，保留该叶片/>频率及其±/>，其他频域幅值全部置为0；
左边第/>阶转频边频的保留确定原则，此时/>，
则通过获取与前一叶片的距离；
通过得到与当前叶片的距离；
其中，、/>分别为/>中的最大值和最小值；
当满足时保留此边频及其±/>；
右边第/>阶转频边频的保留确定原则为：
当时，直接取右边/>阶，/>的具体数值为用户自行设置，保留的边频为：，保留边频及其±/>；
当时，此时/>，则通过得到与当前叶片的距离；
通过得到与后一叶片的距离；
其中：、/>分别为/>中的最大值和最小值；
当满足时保留此边频及其±/>。
可选的，所述基于所述叶片信号进行叶片间距提取，以获取所述目标级的航空发动机叶片的叶片间距，包括：
按照时域叶片信号的通过频率倒数的时间间隔对所述时域叶片信号进行区间划分，以获取相应的目标信号区间，并提取每一个所述目标信号区间中信号最大值对应的目标时间，构建目标时间序列；
基于所述目标时间序列、航空发动机轴转频计算所述目标级的航空发动机叶片的叶片间距。
可选的，所述航空发动机叶片监测方法，还包括：
按照多段平均方式以及所述航空发动机叶片轴的旋转周期对所述航空发动机叶片的叶片间距进行均值计算，以获取平均叶片间距。
第二方面，本申请公开了一种航空发动机叶片监测装置，包括：
数据采集模块，用于采集包含航空发动机叶片内容的复杂振动信号、叶片的级数、每级的叶片数、叶片所在轴的转频的叶片信息；
信号提取模块，用于将所述叶片信息输入至分级叶片信号提取模型，以便所述分级叶片信号提取模型对所述叶片信息进行目标级的叶片信息提取，以输出对应目标级的叶片信号；
叶片监测模块，用于基于所述叶片信号进行叶片间距提取，以获取所述目标级的航空发动机叶片的叶片间距，以便基于所述叶片间距与预设间距阈值的大小关系判断对应的航空发动机叶片是否存在故障。
第三方面，本申请公开了一种电子设备，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现前述公开的航空发动机叶片监测方法的步骤。
第四方面，本申请公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的航空发动机叶片监测方法的步骤。
由此可见，本申请公开了一种航空发动机叶片监测方法，包括：采集包含航空发动机叶片内容的复杂振动信号、叶片的级数、每级的叶片数、叶片所在轴的转频的叶片信息；将所述叶片信息输入至分级叶片信号提取模型，以便所述分级叶片信号提取模型对所述叶片信息进行目标级的叶片信息提取，以输出对应目标级的叶片信号；基于所述叶片信号进行叶片间距提取，以获取所述目标级的航空发动机叶片的叶片间距，以便基于所述叶片间距与预设间距阈值的大小关系判断对应的航空发动机叶片是否存在故障。可见，通过振动加速传感器能够对航空发动机叶片进行实时的振动数据收集，来获取航空发动机叶片的复杂振动信号以及相应的叶片的级数、每级的叶片数、叶片所在轴的转频的叶片信息，无需提前在航空发动机上预留相关的孔隙即可对航空发动机叶片进行相关的多级叶片的数据收集，无需设置多个振动加速度传感器分别采集不同分级的叶片信号，而是直接利用一个振动加速度传感器对不同叶轮的航空发动机叶片的振动信号进行统一收集，然后通过分级叶片信号提取模型将统一收集的振动信号进行分级提取处理，以输出目标级的叶片振动信号，能够自动提取目标级的叶片振动信号，然后对该叶片振动信号进行叶片间距识别，进一步为叶片故障定位提供诊断条件。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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，还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种航空发动机叶片监测方法流程图；
图2为本申请公开的一种具体的航空发动机叶片监测方法流程图；
图3为本申请公开的另一种具体的航空发动机叶片监测方法流程图；
图4为本申请公开的一种航空发动机叶片监测方法装置结构示意图；
图5为本申请公开的一种电子设备结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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。
航空发动机叶片的正常运行至关重要，一旦发生故障，危害极大。发动机叶片故障的原因有：风扇叶片断裂，压气机叶片产生疲劳裂纹、涡轮叶片断裂等。传统的叶片检测方法需要将发动机拆卸并送回维修中心进行检测，这将导致长时间的停机和高昂的维修成本。目前叶片检测主要以孔探检测，孔探仪可以通过发动机外壳的空隙就可以进入内部进行检测，从而避免了拆卸发动机外壳的损失，大大缩短了维修时间和降低了维修成本。但这种检测方法需要在发动机上的机匣上预留相应的孔，影响发动机设计，且存在一定的隐患。此外，现有的这种检测方法无法适用于发动机正常运行时的在线检测，只可应用于地面检修，检测能力有限。
为此，本发明实施例提供了一种航空发动机叶片监测方案，能够实现在发动机运行过程中实时航空发动机叶片状态监测，保障发动机的正常运行，及时发现运行过程的叶片故障，避免事故的发生。
参照图1所示，本发明实施例公开了一种航空发动机叶片监测方法，包括：
步骤S11：采集包含航空发动机叶片内容的复杂振动信号、叶片的级数、每级的叶片数、叶片所在轴的转频的叶片信息。
本实施例中，通过在航空发动机的机匣上安装的振动加速度传感器来采集航空发动机叶片的相关振动数据，来获取航空发动机叶片的复杂振动信号，具体的，所述采集包含航空发动机叶片内容的复杂振动信号，包括：通过一个振动加速度传感器采集航空发动机不同叶轮的各个叶片的复杂振动信号。可以理解的是，通过一个振动加速度传感器能够采集该航空发动机不同叶轮的各个叶片的振动信号，无须针对每一叶片安装一个对应监测的振动加速度传感器，成本低廉，且无需在机匣上钻孔安装传感器，减少对航空发动机结构的破坏，并且测量是非欠采样行为，无需发展对应的参数辨识。需要注意的是，收集的振动数据具体可以包括但不限于：振动加速度数据、测点的速度值、测点的位移值等，此外还需要通过收集叶片的级数等发动机参数，每级的叶片数和叶片所在轴的转频等。
步骤S12：将所述叶片信息输入至分级叶片信号提取模型，以便所述分级叶片信号提取模型对所述叶片信息进行目标级的叶片信息提取，以输出对应目标级的叶片信号。
本实施例中，将从采集到的叶片信息输入至预先通过傅里叶变换和傅里叶反变换构建的分级叶片信号提取模型，以便通过该分级叶片信号提取模型对输入的多叶片信息进行某一设定的目标级对应的叶片信息的提取，以获取目标级的叶片信号。
本实施例中，所述将所述叶片信息输入至分级叶片信号提取模型，以便所述分级叶片信号提取模型对所述叶片信息进行目标级的叶片信息提取，以输出对应目标级的叶片信号，包括：将所述叶片信息输入至分级叶片信号提取模型；通过所述分级叶片信号提取模型对所述叶片信息进行傅里叶变换，以获取频域振动信号，然后对所述频域振动信号进行目标级的叶片信息提取，以输出包含通过频率和转频边频的目标级的叶片信号。通过所述分级叶片信号提取模型将除设定的目标级对应的频域振动信号外的其他频域振动信号置为零，并对所述目标级对应的频域振动信号通过傅里叶反变换输出包含通过频率和转频边频的目标级的时域叶片信号。可以理解的是，在对叶片信息输入至分级叶片信号提取模型之后，通过对叶片信息进行傅里叶变换后得到获取频域叶片信息/>，在频域提取目标级的叶片信息，具体是保留航空发动机叶片的通过频率及其转频边频。选择待保留叶片的叶片级数、所述待保留叶片的边频以及预设边频误差；根据所述待保留叶片的第一预设转频边频保留确定原则，获取所述待保留叶片与前一叶片的前一距离，所述待保留叶片与当前叶片的第一当前距离；当所述前一距离小于或等于所述第一当前距离时，则保留所述待保留叶片的边频以及预设边频误差；根据所述待保留叶片的第二预设转频边频保留确定原则，获取所述待保留叶片与当前叶片的第二当前距离，所述待保留叶片与后一叶片的后一距离当所述后一距离小于或等于所述第二当前距离时，则保留所述待保留叶片的边频以及预设边频误差。例如：设发动机该轴转频为/>，该轴有/>级叶片，每级叶片片数为，当/>，则每级叶片的通过频率为，与转频组成序列为/>，其中，/>。
定义第倍转频频域幅值为/>：
；
式中根据实际情况选取，/>，/>表示为正整数，/>表示为/>到/>之间的整数，/>表示为傅里叶变换后频域的最小分辨率值；/>表示频谱函数，用于指谱线在频谱中对应的幅值大小；
当假设要提取第级叶片/>的信息，其中，/>，除了要保留的信息，其他频域幅值全部置为0。具体保留信息为：保留该叶片/>频率及其±/>；
左边第/>阶转频边频的保留确定原则，此时设/>，
则得到与前一叶片的距离为：
；
同理得到与当前叶片的距离为：
；
式中：、/>分别为/>中的最大值和最小值。
当满足时保留此边频及其±/>。
右边第/>阶转频边频的保留确定原则
当时，直接取右边/>阶，/>的具体数值为用户自行设置，即直接保留的边频为：/>，保留边频及其±/>。
当时，设/>，
则得到与当前叶片的距离为：
；
同理得到与后一叶片的距离为：
；
式中：、/>分别为/>中的最大值和最小值。
当满足时保留此边频及其±/>。
对上述保留的频率，结合相位信息，进行IFFT变换，得到时域信号。
步骤S13：基于所述叶片信号进行叶片间距提取，以获取所述目标级的航空发动机叶片的叶片间距，以便基于所述叶片间距与预设间距阈值的大小关系判断对应的航空发动机叶片是否存在故障。
本实施例中，根据上述时域信号对该目标级的叶片可采用峰值法进行叶片间距提取，以获取目标级的航空发动机叶片的叶片间距，通过比较叶片间距与预设间距阈值的大小来分析叶片是否出现故障、故障的可能的类型等，实现了在线的实时对航空发动机的叶片实时情况监测。
由此可见，本申请公开了一种航空发动机叶片监测方法，包括：采集包含航空发动机叶片内容的复杂振动信号、叶片的级数、每级的叶片数、叶片所在轴的转频的叶片信息；将所述叶片信息输入至分级叶片信号提取模型，以便所述分级叶片信号提取模型对所述叶片信息进行目标级的叶片信息提取，以输出对应目标级的叶片信号；基于所述叶片信号进行叶片间距提取，以获取所述目标级的航空发动机叶片的叶片间距，以便基于所述叶片间距与预设间距阈值的大小关系判断对应的航空发动机叶片是否存在故障。可见，通过振动加速传感器能够对航空发动机叶片进行实时的振动数据收集，来获取航空发动机叶片的复杂振动信号以及相应的叶片的级数、每级的叶片数、叶片所在轴的转频的叶片信息，无需提前在航空发动机上预留相关的孔隙即可对航空发动机叶片进行相关的多级叶片的数据收集，无需设置多个振动加速度传感器分别采集不同分级的叶片信号，而是直接利用一个振动加速度传感器对不同叶轮的航空发动机叶片的振动信号进行统一收集，然后通过分级叶片信号提取模型将统一收集的振动信号进行分级提取处理，以输出目标级的叶片振动信号，能够自动提取目标级的叶片振动信号，然后对该叶片振动信号进行叶片间距识别，进一步为叶片故障定位提供诊断条件。
参照图2所示，本发明实施例公开了一种具体的航空发动机叶片监测方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体的：
步骤S21：采集包含航空发动机叶片内容的复杂振动信号、叶片的级数、每级的叶片数、叶片所在轴的转频的叶片信息。
步骤S22：利用形态学平均滤波器对所述叶片信息进行预处理，以获取降噪且增强后的叶片信息。
本实施例中，采用形态学平均滤波器MAF（Maximum Amplitude Filter）对振动加速度传感器采集的叶片信息进行数据预处理操作，具体的，基于所述叶片信息的信号形状确定目标结构元素，并对所述叶片信息进行关于所述目标结构元素的形态开运算和/或形态闭运算的形态滤波。可以理解的是，设待处理信号，/>为结构元素，形态学滤波参数的选择主要包括结构元素/>的类型、长度和高度。其中，/>主要根据待处理信号的形状特征来选择对称的形状，其滤波效果与结构有着密切的关系。根据提取信号特征，选取结构元素/>为：
；
其中为结构元素参数，/>和/>分为结构元素中正弦一倍频和二倍频幅值，和/>分为结构元素中正弦一倍频和二倍频相位，/>表示结构元素分布在域的自变量。
MAF结构定义如下：
；
和/>分别为设定在/>和上的离散函数，且/>，/>为待处理信号长度，/>为结构元素参数。
为/>关于/>的形态开运算，为：
；
为/>关于/>的形态闭运算，为：
；
为/>关于/>的腐蚀运算，为：
；
为/>关于/>的膨胀运算，为：
；
构建降噪效果评价函数筛选最优目标结构元素参数，并对所述降噪效果评价函数进行计算，以获取降噪且增强后的叶片信息，具体的，建立降噪效果评价函数，来选择最优的结构元素参数/>，如：通过遗传算法、蚁群算法等智能算法选取结构元素参数/>。所述降噪效果评价函数表示如下：
；
为信噪比，/>为均方根误差，/>为评价函数权重，可根据实际使用确定。其中：信噪比/>为：
；
均方根误差为：
；
基于此，获取降噪且增强后的叶片信息。
步骤S23：将所述降噪且增强后的叶片信息输入至分级叶片信号提取模型，以便所述分级叶片信号提取模型对所述降噪且增强后的叶片信息进行目标级的叶片信息提取，以输出对应目标级的叶片信号。
本实施例中，将降噪且增强后的多级振动信号输入至分级叶片信号提取模型，这样一来，由于原始的振动加速度传感器采集的包含了多级叶轮信息、叶片的振动数据等各种信号，因此作为输入分级叶片信号提取模型的输入向量，需要对关注的叶片的叶片信息降噪和增强操作后，得到降噪且增强后的叶片信息作为输入向量，以此来获取更加准确的作为输出向量的目标级的叶片信号。
步骤S24：基于所述叶片信号进行叶片间距提取，以获取所述目标级的航空发动机叶片的叶片间距，以便基于所述叶片间距与预设间距阈值的大小关系判断对应的航空发动机叶片是否存在故障。
其中，步骤S21、S24中更加详细的处理过程，请参照前述公开的实施例内容，在此不再进行赘述。
由此可见，通过采用形态学平均滤波器进行叶片信息去噪以及叶片信息增强的预处理，能够有效消除噪声和无关信息干扰同时增强了对应的叶片信号，为后续进一步叶片数据的提取创造了条件。
参照图3所示，本发明实施例公开了一种具体的航空发动机叶片监测方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体的：
步骤S31：采集包含航空发动机叶片内容的复杂振动信号、叶片的级数、每级的叶片数、叶片所在轴的转频的叶片信息。
步骤S32：将所述叶片信息输入至分级叶片信号提取模型，以便所述分级叶片信号提取模型对所述叶片信息进行目标级的叶片信息提取，以输出对应目标级的时域叶片信号。
其中，步骤S31、S32中更加详细的处理过程请参照前述公开的实施例内容，在此不再进行赘述。
步骤S33：按照所述时域叶片信号的通过频率倒数的时间间隔对所述时域叶片信号进行区间划分，以获取相应的目标信号区间，并提取每一个所述目标信号区间中信号最大值对应的目标时间，构建目标时间序列；基于所述目标时间序列、航空发动机轴转频计算所述目标级的航空发动机叶片的叶片间距。
本实施例中，按照时域叶片信号的通过频率倒数的时间间隔对时域叶片信号/>进行区间划分。并对每个区间中的时域叶片信号值进行排序，以从中筛选出每个区间中的时域叶片信号的最大值，然后将得到的每个区间中最大值对应的时间组成序列为，/>为划分区间数。则第/>叶片的间距角度值/>为：
；
对于航空发动机叶片来说，正常的叶片应该是均匀分布，以叶片为例，正常分布角度为/>，叶片间距的单位采用圆周分布的角度值。那么每个叶片的间距为：
；
假设存在一定的允许误差，但是某级叶片的间距/>超过允许的误差/>，则往往说明对应的叶片存在某种故障。具体的，如叶片发生裂纹后，其刚度会发生下降，引起叶片向后，则超过正常间距，一般叶片裂纹后，间距会变成正常间距的2倍。
本实施例中，按照多段平均方式以及所述航空发动机叶片轴的旋转周期对所述航空发动机叶片的叶片间距进行均值计算，以获取平均叶片间距。
可以理解的是，为了提高识别的准确率，采用多段平均的方式对各叶片的叶片间距进行综合统计并进一步确认，需要注意的是，多段平均周期选择叶片轴的旋转周期。
具体的，进一步计算得到第叶片的角度值平均值/>为：
；
其中，。如果有叶片的长度信息，具体的可以设置叶片长度为，还可进一步将角度值转化为实际距离值，为：
；
其中，表示转换为实际距离后的平均叶片间距，/>为叶片的长度信息，/>为角度平均值。
由此可见，通过对时域叶片信号进行区间段划分，然后根据峰值法进一步获取各个时间段中信号最大值对应的目标时间，构建目标时间序列，然后根据目标时间序列以及相应的航空发动机叶片的叶片信息来计算出对应的叶片间距，然后根据计算得到的叶片间距进一步的确定该叶片是否存在故障，为了进一步获得更加准确的叶片间距，通过采取多段平均的方式对叶片间距进行均值计算，获取平均叶片间距，以便根据叶片间距识别该级叶片运行状态及进行相应的故障诊断。
参照图4所示，本发明实施例还相应公开了一种航空发动机叶片监测装置，包括：
数据采集模块11，用于采集包含航空发动机叶片内容的复杂振动信号、叶片的级数、每级的叶片数、叶片所在轴的转频的叶片信息；
信号提取模块12，用于将所述叶片信息输入至分级叶片信号提取模型，以便所述分级叶片信号提取模型对所述叶片信息进行目标级的叶片信息提取，以输出对应目标级的叶片信号；
叶片监测模块13，用于基于所述叶片信号进行叶片间距提取，以获取所述目标级的航空发动机叶片的叶片间距，以便基于所述叶片间距与预设间距阈值的大小关系判断对应的航空发动机叶片是否存在故障。
由此可见，本申请公开了采集包含航空发动机叶片内容的复杂振动信号、叶片的级数、每级的叶片数、叶片所在轴的转频的叶片信息；将所述叶片信息输入至分级叶片信号提取模型，以便所述分级叶片信号提取模型对所述叶片信息进行目标级的叶片信息提取，以输出对应目标级的叶片信号；基于所述叶片信号进行叶片间距提取，以获取所述目标级的航空发动机叶片的叶片间距，以便基于所述叶片间距与预设间距阈值的大小关系判断对应的航空发动机叶片是否存在故障。可见，通过振动加速传感器能够对航空发动机叶片进行实时的振动数据收集，来获取航空发动机叶片的复杂振动信号以及相应的叶片的级数、每级的叶片数、叶片所在轴的转频的叶片信息，无需提前在航空发动机上预留相关的孔隙即可对航空发动机叶片进行相关的多级叶片的数据收集，无需设置多个振动加速度传感器分别采集不同分级的叶片信号，而是直接利用一个振动加速度传感器对不同叶轮的航空发动机叶片的振动信号进行统一收集，然后通过分级叶片信号提取模型将统一收集的振动信号进行分级提取处理，以输出目标级的叶片振动信号，能够自动提取目标级的叶片振动信号，然后对该叶片振动信号进行叶片间距识别，进一步为叶片故障定位提供诊断条件。
进一步的，本申请实施例还公开了一种电子设备，图5是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本申请的使用范围的任何限制。
图5为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的航空发动机叶片监测方法中的相关步骤。另外，本实施例中的电子设备20具体可以为电子计算机。
本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
其中，处理器21可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器21可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器21可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器21还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222等，存储方式可以是短暂存储或者永久存储。
其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，以实现处理器21对存储器22中海量数据223的运算与处理，其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的航空发动机叶片监测方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。数据223除了可以包括电子设备接收到的由外部设备传输进来的数据，也可以包括由自身输入输出接口25采集到的数据等。
进一步的，本申请还公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的航空发动机叶片监测方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种航空发动机叶片监测方法、装置、设备、存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (12)

1.一种航空发动机叶片监测方法，其特征在于，包括：
采集包含航空发动机叶片内容的复杂振动信号、叶片的级数、每级的叶片数、叶片所在轴的转频的叶片信息；
将所述叶片信息输入至分级叶片信号提取模型，以便所述分级叶片信号提取模型对所述叶片信息进行目标级的叶片信息提取，以输出对应目标级的叶片信号；
基于所述叶片信号进行叶片间距提取，以获取所述目标级的航空发动机叶片的叶片间距，以便基于所述叶片间距与预设间距阈值的大小关系判断对应的航空发动机叶片是否存在故障；
所述将所述叶片信息输入至分级叶片信号提取模型，以便所述分级叶片信号提取模型对所述叶片信息进行目标级的叶片信息提取，以输出对应目标级的叶片信号，包括：
将所述叶片信息输入至分级叶片信号提取模型；通过所述分级叶片信号提取模型对所述叶片信息进行傅里叶变换，以获取频域振动信号，然后对所述频域振动信号进行目标级的叶片信息提取，以输出包含通过频率和转频边频的目标级的叶片信号；
所述通过所述分级叶片信号提取模型对所述叶片信息进行傅里叶变换，以获取频域振动信号，然后对所述频域振动信号进行目标级的叶片信息提取，以输出包含通过频率和转频边频的目标级的叶片信号，包括：
通过所述分级叶片信号提取模型将除设定的目标级对应的频域振动信号外的其他频域振动信号置为零，并对所述目标级对应的频域振动信号通过傅里叶反变换输出包含通过频率和转频边频的目标级的时域叶片信号。
2.根据权利要求1所述的航空发动机叶片监测方法，其特征在于，所述采集包含航空发动机叶片内容的复杂振动信号，包括：
通过一个振动加速度传感器采集航空发动机不同叶轮的各个叶片的复杂振动信号。
3.根据权利要求1所述的航空发动机叶片监测方法，其特征在于，所述采集包含航空发动机叶片内容的复杂振动信号、叶片的级数、每级的叶片数、叶片所在轴的转频的叶片信息之后，还包括：
利用形态学平均滤波器对所述叶片信息进行预处理，以获取降噪且增强后的叶片信息。
4.根据权利要求3所述的航空发动机叶片监测方法，其特征在于，所述利用形态学平均滤波器对所述叶片信息进行预处理，以获取降噪且增强后的叶片信息，包括：
基于所述叶片信息的信号形状确定目标结构元素，并对所述叶片信息进行关于所述目标结构元素的形态开运算和/或形态闭运算的形态滤波；
构建降噪效果评价函数筛选最优目标结构元素参数，并对所述降噪效果评价函数进行计算，以获取降噪且增强后的叶片信息。
5.根据权利要求4所述的航空发动机叶片监测方法，其特征在于，所述基于所述叶片信息的信号形状确定目标结构元素，包括：
基于提取的信号特征，确定目标结构元素为：；
其中，为目标结构元素参数，/>和/>分为目标结构元素中正弦一倍频幅值和正弦二倍频幅值，/>和/>分为目标结构元素中正弦一倍频相位和正弦二倍频相位，/>表示结构元素分布在域/>的自变量。
6.根据权利要求1所述的航空发动机叶片监测方法，其特征在于，所述通过所述分级叶片信号提取模型将除设定的目标级对应的频域振动信号外的其他频域振动信号置为零，对所述目标级对应的频域振动信号通过傅里叶反变换输出包含通过频率和转频边频的目标级的时域叶片信号，包括：
选择待保留叶片的叶片级数、所述待保留叶片的边频以及预设边频误差；
根据所述待保留叶片的第一预设转频边频保留确定原则，获取所述待保留叶片与前一叶片的前一距离，所述待保留叶片与当前叶片的第一当前距离；
当所述前一距离小于或等于所述第一当前距离时，则保留所述待保留叶片的边频以及预设边频误差；
根据所述待保留叶片的第二预设转频边频保留确定原则，获取所述待保留叶片与当前叶片的第二当前距离，所述待保留叶片与后一叶片的后一距离；
当所述后一距离小于或等于所述第二当前距离时，则保留所述待保留叶片的边频以及预设边频误差。
7.根据权利要求6所述的航空发动机叶片监测方法，其特征在于，所述通过所述分级叶片信号提取模型将除设定的目标级对应的频域振动信号外的其他频域振动信号置为零，对所述目标级对应的频域振动信号通过傅里叶反变换输出包含通过频率和转频边频的目标级的时域叶片信号过程中，还包括：
设置航空发动机的轴转频为，轴具有/>级叶片，每级叶片片数为，/>，则每级叶片的通过频率为，与转频组成序列为/>，其中，/>；
定义第倍转频频域幅值为/>：
；
其中，根据实际情况制定，/>，/>表示为正整数，/>表示为/>到之间的整数，/>表示为傅里叶变换后频域的最小分辨率值；/>表示频谱函数，用于指谱线在频谱中对应的幅值大小；
选择要提取的第级叶片/>的信息，其中，/>，保留该叶片/>频率及其±/>，其他频域幅值全部置为0；
左边第/>阶转频边频的保留确定原则，此时/>，
则通过获取与前一叶片的距离；
通过得到与当前叶片的距离；
其中，、/>分别为/>中的最大值和最小值；
当满足时保留此边频及其±/>；
右边第/>阶转频边频的保留确定原则为：
当时，直接取右边/>阶，/>的具体数值为用户自行设置，保留的边频为：，保留边频及其±/>；
当时，此时/>，则通过得到与当前叶片的距离；
通过得到与后一叶片的距离；
其中：、/>分别为/>中的最大值和最小值；
当满足时保留此边频及其±/>。
8.根据权利要求1所述的航空发动机叶片监测方法，其特征在于，所述基于所述叶片信号进行叶片间距提取，以获取所述目标级的航空发动机叶片的叶片间距，包括：
按照时域叶片信号的通过频率倒数的时间间隔对所述时域叶片信号进行区间划分，以获取相应的目标信号区间，并提取每一个所述目标信号区间中信号最大值对应的目标时间，构建目标时间序列；
基于所述目标时间序列、航空发动机轴转频计算所述目标级的航空发动机叶片的叶片间距。
9.根据权利要求1至8任一项所述的航空发动机叶片监测方法，其特征在于，还包括：
按照多段平均方式以及所述航空发动机叶片轴的旋转周期对所述航空发动机叶片的叶片间距进行均值计算，以获取平均叶片间距。
10.一种航空发动机叶片监测装置，其特征在于，包括：
数据采集模块，用于采集包含航空发动机叶片内容的复杂振动信号、叶片的级数、每级的叶片数、叶片所在轴的转频的叶片信息；
信号提取模块，用于将所述叶片信息输入至分级叶片信号提取模型，以便所述分级叶片信号提取模型对所述叶片信息进行目标级的叶片信息提取，以输出对应目标级的叶片信号；
叶片监测模块，用于基于所述叶片信号进行叶片间距提取，以获取所述目标级的航空发动机叶片的叶片间距，以便基于所述叶片间距与预设间距阈值的大小关系判断对应的航空发动机叶片是否存在故障；
所述信号提取模块，具体用于将所述叶片信息输入至分级叶片信号提取模型；通过所述分级叶片信号提取模型对所述叶片信息进行傅里叶变换，以获取频域振动信号，然后对所述频域振动信号进行目标级的叶片信息提取，以输出包含通过频率和转频边频的目标级的叶片信号；
所述航空发动机叶片监测装置，具体还用于通过所述分级叶片信号提取模型将除设定的目标级对应的频域振动信号外的其他频域振动信号置为零，并对所述目标级对应的频域振动信号通过傅里叶反变换输出包含通过频率和转频边频的目标级的时域叶片信号。
11.一种电子设备，其特征在于，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现如权利要求1至9任一项所述的航空发动机叶片监测方法的步骤。
12.一种计算机可读存储介质，其特征在于，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至9任一项所述的航空发动机叶片监测方法的步骤。
CN202310847699.4A 2023-07-12 2023-07-12 一种航空发动机叶片监测方法、装置、设备、存储介质 Active CN116558840B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310847699.4A CN116558840B (zh) 2023-07-12 2023-07-12 一种航空发动机叶片监测方法、装置、设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310847699.4A CN116558840B (zh) 2023-07-12 2023-07-12 一种航空发动机叶片监测方法、装置、设备、存储介质

Publications (2)

Publication Number Publication Date
CN116558840A CN116558840A (zh) 2023-08-08
CN116558840B true CN116558840B (zh) 2023-10-13

Family

ID=87498655

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310847699.4A Active CN116558840B (zh) 2023-07-12 2023-07-12 一种航空发动机叶片监测方法、装置、设备、存储介质

Country Status (1)

Country Link
CN (1) CN116558840B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117851873B (zh) * 2024-03-07 2024-05-28 唐智科技湖南发展有限公司 一种基于动态接触角的轴承运行状态评估方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1364998A (zh) * 2002-02-09 2002-08-21 重庆大学 叶轮机械叶片故障叶间间距监测诊断法
CN104595112A (zh) * 2013-10-30 2015-05-06 通用电气公司 风力涡轮机及评估其上叶片健康状态的方法
CN106503323A (zh) * 2016-10-17 2017-03-15 江苏大学 一种多级离心泵流动诱导结构辐射噪声数值预测方法
CN107064298A (zh) * 2017-02-28 2017-08-18 重庆工商大学 一种运行中风机叶片裂纹的激光检测方法
CN113049237A (zh) * 2021-03-15 2021-06-29 北京唐智科技发展有限公司 一种叶片故障信息提取方法及系统
CN115324662A (zh) * 2022-05-30 2022-11-11 天津大学 基于叶尖间隙信号转子动力学特性分析的故障诊断方法
CN115575066A (zh) * 2022-10-28 2023-01-06 中国航发沈阳黎明航空发动机有限责任公司 一种航空发动机叶片自动化疲劳试验装置及使用方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10908049B2 (en) * 2018-11-27 2021-02-02 General Electric Company Methods and systems for monitoring rotor blades in turbine engines

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1364998A (zh) * 2002-02-09 2002-08-21 重庆大学 叶轮机械叶片故障叶间间距监测诊断法
CN104595112A (zh) * 2013-10-30 2015-05-06 通用电气公司 风力涡轮机及评估其上叶片健康状态的方法
CN106503323A (zh) * 2016-10-17 2017-03-15 江苏大学 一种多级离心泵流动诱导结构辐射噪声数值预测方法
CN107064298A (zh) * 2017-02-28 2017-08-18 重庆工商大学 一种运行中风机叶片裂纹的激光检测方法
CN113049237A (zh) * 2021-03-15 2021-06-29 北京唐智科技发展有限公司 一种叶片故障信息提取方法及系统
CN115324662A (zh) * 2022-05-30 2022-11-11 天津大学 基于叶尖间隙信号转子动力学特性分析的故障诊断方法
CN115575066A (zh) * 2022-10-28 2023-01-06 中国航发沈阳黎明航空发动机有限责任公司 一种航空发动机叶片自动化疲劳试验装置及使用方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Vibration modelling and verifications for whole aero-engine;G. Chen;Journal of Sound and Vibration;全文 *
叶轮机械叶片故障的叶间状态参数诊断法;谢志江;中国机械工程;全文 *
基于整周期时域回归识别滚子间距变化的保持架故障诊断方法;李修文;振动与冲击;全文 *
基于移频技术的短时傅里叶变换阶比分析;李修文;北京科技大学学报;全文 *

Also Published As

Publication number Publication date
CN116558840A (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
Kumar et al. Optimization of VMD using kernel-based mutual information for the extraction of weak features to detect bearing defects
Wang et al. A novel statistical time-frequency analysis for rotating machine condition monitoring
EP3431952B1 (en) Condition monitoring system and wind turbine generation apparatus
Yu et al. An adaptive sensitive frequency band selection method for empirical wavelet transform and its application in bearing fault diagnosis
US9739167B2 (en) Method and system for monitoring rotating blade health
CN116558840B (zh) 一种航空发动机叶片监测方法、装置、设备、存储介质
CN109973325A (zh) 识别异常振动的方法和设备
EP3788328B1 (en) System and process for pattern matching bearing vibration diagnostics
Jacobsen et al. Using EFDD as a robust technique for deterministic excitation in operational modal analysis
US10197594B2 (en) Tachometer signal jitter reduction system and method
Xiao et al. Research on fault feature extraction method of rolling bearing based on NMD and wavelet threshold denoising
EP2944822B1 (en) Rotating stall detection through ratiometric measure of the sub-synchronous band spectrum
CN117744387B (zh) 基于数字孪生的医院临床保障和机电设备智能诊断方法
Luo et al. Fault diagnosis of rolling element bearing using an adaptive multiscale enhanced combination gradient morphological filter
CN113803201A (zh) 水电机组机械振动状态样本提取及构建方法、装置及设备
CN115656700B (zh) 检测方法、训练方法、电器、监控系统和存储介质
CN116226719A (zh) 基于多维稳态振动特征的轴承故障诊断方法及相关组件
KR101752298B1 (ko) 회전익 진동 기반 건전성 감시 장치 및 이를 이용하는 감시 방법
CN115186702A (zh) 一种基于振动信号的离心泵空化状态识别方法
Zhou et al. Completely adaptive projection multivariate local characteristic-scale decomposition and its application to gear fault diagnosis
Deng et al. A fractional hilbert transform order optimization algorithm based DE for bearing health monitoring
CN112781843A (zh) 通过确定瞬时转速操作期间的振动趋势检测转子异常
Xu et al. A Novel Empirical Variational Mode Decomposition for Early Fault Feature Extraction
CN112855461A (zh) 叶片振动监测方法及其装置
Qin et al. Fault frequency identification of rolling bearing using reinforced ensemble local mean decomposition

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