CN116644280A - 一种发动机主轴承故障高频振动诊断方法 - Google Patents
一种发动机主轴承故障高频振动诊断方法 Download PDFInfo
- Publication number
- CN116644280A CN116644280A CN202310865923.2A CN202310865923A CN116644280A CN 116644280 A CN116644280 A CN 116644280A CN 202310865923 A CN202310865923 A CN 202310865923A CN 116644280 A CN116644280 A CN 116644280A
- Authority
- CN
- China
- Prior art keywords
- engine
- fault
- frequency
- data
- significance
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003745 diagnosis Methods 0.000 title abstract description 33
- 238000001228 spectrum Methods 0.000 claims abstract description 38
- 238000005096 rolling process Methods 0.000 claims abstract description 30
- 230000036541 health Effects 0.000 claims abstract description 8
- 230000009467 reduction Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000010183 spectrum analysis Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000009466 transformation Effects 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 48
- 238000004901 spalling Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000009394 selective breeding Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请属于航空发动机故障诊断领域,特别涉及一种发动机主轴承故障高频振动诊断方法。包括:步骤一、获取滚动轴承信号,并计算所述滚动轴承信号的小波包络谱;步骤二、计算所述小波包络谱中,容差范围内的故障频率最大值与预定频率范围内的故障频率平均值的比值,并利用S型函数进行归一化,得到特征显著度;步骤三、根据所述特征显著度确定阈值以及发动运行状态对应标准,并根据所述阈值以及发动运行状态对应标准对发动机健康状况进行判断。本申请利用小波变换、希尔伯特变换和自相关分析实现强噪声背景下的滚动轴承微弱故障特征的提取,得到归一化特征显著性指标,构造出用于早期故障告警的特征量,实现对航空发动机主轴承状态监测和故障诊断。
Description
技术领域
本申请属于航空发动机故障诊断领域,特别涉及一种发动机主轴承故障高频振动诊断方法。
背景技术
众所周知,以航空发动机为代表的高速旋转机械,支承系统是发动机承力系统的关键部件,可靠性至关重要。一旦轴承发生故障,将直接影响航空发动机的使用安全,轻则会使转子系统振动增大、转静子碰摩、传动失效,严重时甚至会导致灾难性事故。用于滚动轴承故障诊断的方法很多,但是针对滚动轴承早期告警技术研究并不多见,即如何构建合适的特征量,能够尽早发现滚动轴承的早期剥落现象,而不至于等到轴承出现大面积剥落后才告警。显然,如何从振动信号中提出被大量噪声淹没下的故障特征,是实现轴承故障早期告警的关键所在。
现有技术中,针对航空发动机主轴承状态监测和故障特征提取方面,相关学者分别提出了变分模态分解、最小熵解卷积、小波阈值降噪、有效值、峭度指标等。然而,由于航空发动机内部复杂结构和传递路径的干扰,主轴承冲击故障特征传递到机匣上时会产生严重衰减,机匣信号中的故障信息极其微弱,难以提取。常用的方法和指标,如最小熵解卷积、有效值、峭度等,很难准确反映发动机状态,现有的微弱冲击检测方法并不成熟,能否适应航空发动机真实环境还有待进一步的探究。此外,在航空发动机运行状态下整体振动噪声极其强大,结构振动噪声、气动噪声源以及燃烧噪声等往往耦合在一起将冲击类故障所激发的故障特征掩盖。直接进行频谱分析、包络谱分析受杂波干扰众多,人为挑选共振频带需依靠经验进行。目前的滤波降噪技术以及信号分解方法无法很好地将这些噪声消除和分离,航空发动机降噪技术仍是一大难题。
因此,希望有一种技术方案来克服或至少减轻现有技术的至少一个上述缺陷。
发明内容
本申请的目的是提供了一种发动机主轴承故障高频振动诊断方法,以解决现有技术存在的至少一个问题。
本申请的技术方案是:
一种发动机主轴承故障高频振动诊断方法,包括:
步骤一、获取滚动轴承信号,并计算所述滚动轴承信号的小波包络谱;
步骤二、计算所述小波包络谱中,容差范围内的故障频率最大值与预定频率范围内的故障频率平均值的比值,并利用S型函数进行归一化,得到特征显著度;
步骤三、根据所述特征显著度确定阈值以及发动运行状态对应标准,并根据所述阈值以及发动运行状态对应标准对发动机健康状况进行判断。
在本申请的至少一个实施例中,步骤一中,所述获取滚动轴承信号,并计算所述滚动轴承信号的小波包络谱,包括:
获取滚动轴承信号,采用db8小波基底对所述滚动轴承信号进行5层分解,得到6个子信号;
分别对6个所述子信号依次进行Hilbert包络解调、归一化自相关降噪以及基于FFT的频谱分析,得到6个小波包络谱。
在本申请的至少一个实施例中,步骤二中,所述计算所述小波包络谱中,容差范围内的故障频率最大值与预定频率范围内的故障频率平均值的比值,并利用S型函数进行归一化,得到特征显著度,包括:
计算各个小波包络谱中容差范围内的故障频率最大值:
Sdl=max[Wl(fo+iΔf)],i∈[-m,m],l=1,2,3,4,5,6
m=δf/Δf
其中,m为容差范围内的频率点数,Wl(f)为第l个小波包络谱值,δf为特征频率容差范围,Δf为包络谱间隔,fo为理论故障特征频率;
计算各个小波包络谱中10Hz-2fo频率范围内的故障频率平均值:
其中,Wl(f)为第l个小波包络谱值,Ne为10Hz-2fo频率范围内的包络谱的谱线数;
计算无量纲特征量:
选取6个无量纲特征量中的最大值:
利用S型函数进行归一化,得到特征显著度,所述S型函数表达式为:
其中:k=1,a=5。
在本申请的至少一个实施例中,步骤三中,所述根据所述阈值以及发动运行状态对应标准对发动机健康状况进行判断,包括:
获取N2转速达到额定转速的95%以上的滚动轴承信号数据,设采样频率为fs,数据长度为N;
定义每fs个数据点为1段,将数据拆分成N/fs段,将相邻的n个数据段定义为1份,则数据总份数为M=N/fs/n份;
对每份数据进行计算,若有20%数据的特征显著度超过0.8,则定义为预警,累计预警数A1;若有30%数据的特征显著度超过0.8,则定义为告警,累计告警数A2;若有50%数据的特征显著度超过0.8,则定义为风险,累计告警数A3;其余为正常,累计正常数A0;
统计故障发动机的报警率,以及正常发动机的正常率和虚警率,其中,报警率为累计非正常数(A1+A2+A3)与总份数M的比值,正常率为累计正常数A0与总份数M的比值,虚警率为1-正常率。
在本申请的至少一个实施例中,还包括步骤四、通过真实故障发动机和真实正常发动机对所述阈值以及发动运行状态对应标准进行有效性验证。
发明至少存在以下有益技术效果:
本申请的发动机主轴承故障高频振动诊断方法,利用小波变换、希尔伯特变换和自相关分析实现强噪声背景下的滚动轴承微弱故障特征的提取,得到归一化特征显著性指标,构造出用于早期故障告警的特征量,实现对航空发动机主轴承状态监测和故障诊断。
附图说明
图1是本申请一个实施方式的发动机主轴承故障高频振动诊断方法流程图;
图2是本申请一个实施方式的故障发动机B104的3#外圈故障特征显著度(采样率32k);
图3是本申请一个实施方式的故障发动机B104的3#外圈故障特征显著度(采样率250k);
图4是本申请一个实施方式的正常发动机B202的3#外圈故障特征显著度(采样率32k);
图5是本申请一个实施方式的正常发动机B105的3#外圈故障特征显著度(采样率32k)。
具体实施方式
为使本申请实施的目的、技术方案和优点更加清楚,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更加详细的描述。在附图中,自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本申请一部分实施例,而不是全部的实施例。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。下面结合附图对本申请的实施例进行详细说明。
在本申请的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“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申请和简化描述,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申请保护范围的限制。
下面结合附图1至5对本申请做进一步详细说明。
本申请提供了一种发动机主轴承故障高频振动诊断方法,包括以下步骤:
步骤一、获取滚动轴承信号,并计算滚动轴承信号的小波包络谱;
步骤二、计算小波包络谱中,容差范围内的故障频率最大值与预定频率范围内的故障频率平均值的比值,并利用S型函数进行归一化,得到特征显著度;
步骤三、根据特征显著度确定阈值以及发动运行状态对应标准,并根据阈值以及发动运行状态对应标准对发动机健康状况进行判断。
在本申请的优选实施方式中,获取滚动轴承信号,并计算滚动轴承信号的小波包络谱,具体为:
获取滚动轴承信号,采用db8小波基底对滚动轴承信号进行5层分解,得到6个子信号;
分别对6个子信号依次进行Hilbert包络解调、归一化自相关降噪以及基于FFT的频谱分析,得到6个小波包络谱。
本实施例中,6个子信号包括5个细节子信号和1个近似子信号;另外,采用自相关降噪时应同时进行去均值和归一化操作。
本申请的发动机主轴承故障高频振动诊断方法,步骤二中,分别计算6个小波包络谱中,容差范围内的故障频率最大值与预定频率范围内的故障频率平均值的比值;选取6个比值中的最大值,利用S型函数进行归一化,得到反映故障频率特征显著度的归一化特征显著性指标。本实施例中,归一化特征显著性指标的构建方法为:
(1)分别计算出6个小波包络谱中容差范围内的故障频率最大值:
Sdl=max[Wl(fo+iΔf)],i∈[-m,m],l=1,2,3,4,5,6
m=δf/Δf
其中,m为容差范围内的频率点数,Wl(f)为第l个小波包络谱值,δf为特征频率容差范围,Δf为包络谱间隔,fo为理论故障特征频率;
(2)在小波包络谱中,外圈故障特征频率fo及其各阶倍频附近有特征谱峰存在,Wl(f)为第l个小波包络谱值,l=1,2,3,4,5,6。在10Hz-2fo频率范围内的包络谱的谱线数为Ne,则各个小波包络谱中10Hz-2fo频率范围内的故障频率平均值为:
(3)构造一个无量纲特征量:
(4)计算出各个小波包络谱的无量纲特征值Sol后,需要比较各个特征值的大小,将其最大值作为最终特征值,即:
(5)为了实现无量纲特征的归一化,并且能够准确表征外圈故障特征频率处的振动幅值相对于周围各点的突出和显著程度,在对大量采集数据进行分析的基础上,提出了一种基于S型函数的特征显著度值计算方法。S型函数表达式为:
其中:k=1,a=5。
本申请的发动机主轴承故障高频振动诊断方法,步骤三中,根据特征显著度的数值大小,制定阈值以及发动运行状态对应标准,以对发动机健康状况进行判断。
在本申请的优选实施方式中,给出了一种具体的阈值以及发动运行状态对应标准,根据该阈值以及发动运行状态对应标准对发动机健康状况进行判断的过程如下:
(1)获取N2转速达到额定转速的95%以上的滚动轴承信号数据,设采样频率为fs,数据长度为N;
(2)定义每fs个数据点为1段,即1s钟数据,一共将数据拆分成N/fs段,然后将相邻的n个数据段定义为1份,则数据总份数为M=N/fs/n份,本实施例中,设定n=10;
(3)对每份数据进行计算,若有20%数据的特征显著度超过0.8,则定义为预警,累计预警数A1;若有30%数据的特征显著度超过0.8,则定义为告警,累计告警数A2;若有50%数据的特征显著度超过0.8,则定义为风险,累计告警数A3;其余为正常,累计正常数A0;
(4)统计故障发动机的报警率,以及正常发动机的正常率和虚警率,其中,报警率为累计非正常数(A1+A2+A3)与总份数M的比值,正常率为累计正常数A0与总份数M的比值,虚警率为1-正常率。
本申请的发动机主轴承故障高频振动诊断方法,还包括步骤四、通过真实故障发动机和真实正常发动机对阈值以及发动运行状态对应标准进行有效性验证。本实施例中,通过多台故障航空发动机以及正常航空发动机,进行3#支点主轴承外圈剥落故障诊断,结果表明了本方法的正确有效性。
在本申请的一个实施方式中,基于B104试车数据的主轴承故障诊断结果分析如下:
为了研究某型航空发动机三支点主轴承典型剥落情况下的特征和规律,选用具有早期外圈剥落故障的三支点主轴承作为试验件,进行轴承故障演化整机试车试验。三支点角接触轴承具体参数如表1所示:
表1角接触球轴承主要参数
滚动体数目/个 | 滚动体直径/mm | 轴承节径/mm | 初始接触角/° |
20 | 22.2250 | 167.5375 | 39 |
CH06中介机匣(V2)垂直振动测点,采样频率为32kHz,选取N2转速大于95%额定最大转速的平稳信号,计算外圈故障特征显著度如图2,单次试车诊断结果如表2-9,其中第4、5、6试车次报警率大于80%,可实现故障发动机的有效早期预警。
表2基于特征显著度的B104发动机试验数据诊断结果(第1试车次)
表3基于特征显著度的B104发动机试验数据诊断结果(第2试车次)
表4基于特征显著度的B104发动机试验数据诊断结果(第3试车次)
表5基于特征显著度的B104发动机试验数据诊断结果(第4试车次)
表6基于特征显著度的B104发动机试验数据诊断结果(第5试车次)
表7基于特征显著度的B104发动机试验数据诊断结果(第6试车次)
表8基于特征显著度的B104发动机试验数据诊断结果(第7试车次)
表9基于特征显著度的B104发动机试验数据诊断结果(第8试车次)
CH06中介机匣(V2)垂直振动测点,采样频率为250kHz,选取N2转速大于95%额定最大转速的平稳信号,计算外圈故障特征显著度如图3,单日诊断结果如表10-18,其中第2-9试车次的报警率大于80%,按所有数据总计得到的诊断结果如表19,报警率为98.2%,每日诊断汇总如表20,平均报警率为92.0%,可实现故障发动机的有效早期预警。
表10基于特征显著度的B104发动机试验数据诊断结果(第1试车次)
表11基于特征显著度的B104发动机试验数据诊断结果(第2试车次)
表12基于特征显著度的B104发动机试验数据诊断结果(第3试车次)
表13基于特征显著度的B104发动机试验数据诊断结果(第4试车次)
表14基于特征显著度的B104发动机试验数据诊断结果(第5试车次)
表15基于特征显著度的B104发动机试验数据诊断结果(第6试车次)
表16基于特征显著度的B104发动机试验数据诊断结果(第7试车次)
表17基于特征显著度的B104发动机试验数据诊断结果(第8试车次)
表18基于特征显著度的B104发动机试验数据诊断结果(第9试车次)
表19基于特征显著度的B104发动机试验数据诊断结果(按所有数据统计)
表20基于特征显著度的B104发动机试验数据诊断结果汇总
在本申请的一个实施方式中,正常发动机试车数据对比分析如下:
为验证本申请所提方法有效性,采用多台正常发动机试车数据进行对比验证。
测试机型为B202,CH06中介机匣(V2)垂直振动测点,采样频率为32kHz,选取N2转速大于95%额定最大转速的平稳信号,计算外圈故障特征显著度如图4,诊断结果如表21,虚警率低于1%,通过本申请所提方法,可实现正常与故障发动的正确识别与诊断。
表21基于特征显著度的正常发动机B202诊断结果
测试机型为B105,CH06中介机匣(V2)垂直振动测点,采样频率为32kHz,选取N2转速大于95%额定最大转速的平稳信号,计算外圈故障特征显著度如图5,诊断结果如表22,虚警率低于1%,通过本申请所提方法,可实现正常与故障发动的正确识别与诊断。
表22基于特征显著度的B105发动机试验数据诊断结果(按所有数据统计)
本申请的发动机主轴承故障高频振动诊断方法,可以滤除噪声等杂波干扰,有效提取主轴承外圈剥落故障特征,进行归一化处理,准确反映发动机运行状态;借助本方法开展的主轴承剥落扩展试车工作,可以为制定航空发动机轴承状态监控和失效预警标准提供有效渠道;本方法可以计算简便、快捷,可实现实时计算,从而为开展轴承剥落故障研究提供有力手段。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (5)
1.一种发动机主轴承故障高频振动诊断方法,其特征在于,包括:
步骤一、获取滚动轴承信号,并计算所述滚动轴承信号的小波包络谱;
步骤二、计算所述小波包络谱中,容差范围内的故障频率最大值与预定频率范围内的故障频率平均值的比值,并利用S型函数进行归一化,得到特征显著度;
步骤三、根据所述特征显著度确定阈值以及发动运行状态对应标准,并根据所述阈值以及发动运行状态对应标准对发动机健康状况进行判断。
2.根据权利要求1所述的发动机主轴承故障高频振动诊断方法,其特征在于,步骤一中,所述获取滚动轴承信号,并计算所述滚动轴承信号的小波包络谱,包括:
获取滚动轴承信号,采用db8小波基底对所述滚动轴承信号进行5层分解,得到6个子信号;
分别对6个所述子信号依次进行Hilbert包络解调、归一化自相关降噪以及基于FFT的频谱分析,得到6个小波包络谱。
3.根据权利要求2所述的发动机主轴承故障高频振动诊断方法,其特征在于,步骤二中,所述计算所述小波包络谱中,容差范围内的故障频率最大值与预定频率范围内的故障频率平均值的比值,并利用S型函数进行归一化,得到特征显著度,包括:
计算各个小波包络谱中容差范围内的故障频率最大值:
Sdl=max[Wl(fo+iΔf)],i∈[-m,m],l=1,2,3,4,5,6
m=δf/Δf
其中,m为容差范围内的频率点数,Wl(f)为第l个小波包络谱值,δf为特征频率容差范围,Δf为包络谱间隔,fo为理论故障特征频率;
计算各个小波包络谱中10Hz-2fo频率范围内的故障频率平均值:
其中,Wl(f)为第l个小波包络谱值,Ne为10Hz-2fo频率范围内的包络谱的谱线数;
计算无量纲特征量:
选取6个无量纲特征量中的最大值:
利用S型函数进行归一化,得到特征显著度,所述S型函数表达式为:
其中:k=1,a=5。
4.根据权利要求3所述的发动机主轴承故障高频振动诊断方法,其特征在于,步骤三中,所述根据所述阈值以及发动运行状态对应标准对发动机健康状况进行判断,包括:
获取N2转速达到额定转速的95%以上的滚动轴承信号数据,设采样频率为fs,数据长度为N;
定义每fs个数据点为1段,将数据拆分成N/fs段,将相邻的n个数据段定义为1份,则数据总份数为M=N/fs/n份;
对每份数据进行计算,若有20%数据的特征显著度超过0.8,则定义为预警,累计预警数A1;若有30%数据的特征显著度超过0.8,则定义为告警,累计告警数A2;若有50%数据的特征显著度超过0.8,则定义为风险,累计告警数A3;其余为正常,累计正常数A0;
统计故障发动机的报警率,以及正常发动机的正常率和虚警率,其中,报警率为累计非正常数(A1+A2+A3)与总份数M的比值,正常率为累计正常数A0与总份数M的比值,虚警率为1-正常率。
5.根据权利要求4所述的发动机主轴承故障高频振动诊断方法,其特征在于,还包括步骤四、通过真实故障发动机和真实正常发动机对所述阈值以及发动运行状态对应标准进行有效性验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310865923.2A CN116644280A (zh) | 2023-07-14 | 2023-07-14 | 一种发动机主轴承故障高频振动诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310865923.2A CN116644280A (zh) | 2023-07-14 | 2023-07-14 | 一种发动机主轴承故障高频振动诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116644280A true CN116644280A (zh) | 2023-08-25 |
Family
ID=87643732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310865923.2A Pending CN116644280A (zh) | 2023-07-14 | 2023-07-14 | 一种发动机主轴承故障高频振动诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116644280A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117609749A (zh) * | 2024-01-19 | 2024-02-27 | 中国航发四川燃气涡轮研究院 | 一种基于过临界特征的发动机整机振动故障诊断方法 |
-
2023
- 2023-07-14 CN CN202310865923.2A patent/CN116644280A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117609749A (zh) * | 2024-01-19 | 2024-02-27 | 中国航发四川燃气涡轮研究院 | 一种基于过临界特征的发动机整机振动故障诊断方法 |
CN117609749B (zh) * | 2024-01-19 | 2024-04-02 | 中国航发四川燃气涡轮研究院 | 一种基于过临界特征的发动机整机振动故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110470475B (zh) | 一种航空发动机中介轴承早期微弱故障诊断方法 | |
CN110160791B (zh) | 基于小波-谱峭度的感应电机轴承故障诊断系统及诊断方法 | |
Zheng et al. | Incipient fault detection of rolling bearing using maximum autocorrelation impulse harmonic to noise deconvolution and parameter optimized fast EEMD | |
CN108760327B (zh) | 一种航空发动机转子故障的诊断方法 | |
CN106289774B (zh) | 一种滚动轴承故障识别与趋势预测方法 | |
Yang et al. | Vibration feature extraction techniques for fault diagnosis of rotating machinery: a literature survey | |
US6389887B1 (en) | Process for the detection of damage to components of an engine | |
CN108151869B (zh) | 一种机械振动特征指标提取方法、系统及装置 | |
CN109000921B (zh) | 一种风电机组主轴故障的诊断方法 | |
CN112200015A (zh) | 一种基于改进vmd的滚动轴承故障诊断方法 | |
CN110160765A (zh) | 一种基于声音或振动信号的冲击特征识别方法及系统 | |
CN116644280A (zh) | 一种发动机主轴承故障高频振动诊断方法 | |
JPH09113416A (ja) | ころがり軸受の損傷診断方法 | |
CN111238813B (zh) | 一种强干扰下提取滚动轴承故障特征的方法 | |
CN114705426A (zh) | 一种滚动轴承早期故障诊断方法 | |
CN109030849B (zh) | 压缩机旋转失速的监测方法及装置 | |
CN111896260A (zh) | NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法 | |
CN116522074A (zh) | 一种基于自适应窗长时频峰值滤波的滚动轴承信号降噪方法 | |
CN105987809A (zh) | 基于随机共振的离心式压缩机半开式叶轮裂纹检测方法 | |
Zhu et al. | Adaptive combined HOEO based fault feature extraction method for rolling element bearing under variable speed condition | |
CN107490477B (zh) | 基于频谱核密度函数相关性比较的齿轮箱故障诊断方法 | |
CN116738150A (zh) | 一种航空发动机中滚珠轴承外圈剥落故障机载预测方法 | |
CN115711738B (zh) | 一种服役环境下航空发动机主轴承故障特征频率提取方法 | |
CN116150585A (zh) | 基于乘积包络谱的旋转机械故障诊断方法 | |
CN113049251A (zh) | 一种基于噪声的轴承故障诊断方法 |
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 |