CN116950917A - 基于叶尖定时的大型离心压缩机叶片裂纹在线诊断方法 - Google Patents
基于叶尖定时的大型离心压缩机叶片裂纹在线诊断方法 Download PDFInfo
- Publication number
- CN116950917A CN116950917A CN202310858061.0A CN202310858061A CN116950917A CN 116950917 A CN116950917 A CN 116950917A CN 202310858061 A CN202310858061 A CN 202310858061A CN 116950917 A CN116950917 A CN 116950917A
- Authority
- CN
- China
- Prior art keywords
- blade
- sequence
- natural frequency
- blades
- signal
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 238000007635 classification algorithm Methods 0.000 claims abstract description 6
- 238000006073 displacement reaction Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 101000860173 Myxococcus xanthus C-factor Proteins 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000007774 longterm Effects 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000003754 machining Methods 0.000 abstract description 4
- 238000005299 abrasion Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010992 reflux Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H13/00—Measuring resonant frequency
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Mechanical Engineering (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于旋转机械微弱故障在线识别领域,提供了基于叶尖定时的大型离心压缩机叶片裂纹在线诊断方法,首先,通过自定义叶片编号顺序,在标定工况下建立叶片标准顺序;接着,在实验工况下,利用叶尖定时在线测试系统对叶片振动数据进行采集并重新排序;然后利用多重信号分类算法对叶片固有频率进行识别和验证;最后,考虑失谐因素的影响,利用叶片裂纹检测指数实现含裂纹叶片的精确识别。本发明利用叶尖定时在线测试分析技术,结合多重信号分类算法及叶片裂纹检测指数,排除了由于加工及长期运行磨损等引起失谐,进而导致误识别的问题,实现了长期运行背景下大型压缩机组裂纹叶片的在线精确诊断。
Description
技术领域
本发明属于旋转机械微弱故障在线识别领域,特别涉及一种基于叶尖定时的大型离心压缩机叶片裂纹在线诊断方法。
背景技术
大型离心压缩机是能源运输、石油化工和航空航天领域的重要设备,其长效安全运行是保障国民经济的基础。然而叶轮作为压缩机的心脏设备,长期高负荷运行会导致其面临裂纹萌生、掉块甚至叶片断裂的风险,对机组造成严重的安全隐患,甚至引发重大安全事故。定期停机维护所产生的效益亏损,也是企业难以承受的。实现长期恒速运行背景下,大型离心压缩机叶轮状态在线监测与故障诊断具有非常重要的工程实用价值,是工程领域亟须解决的问题。
叶片的裂纹故障在压力脉动等信号中,具有微弱的故障特征,识别相对困难。而叶尖定时(BladeTip Timing,BTT)作为一种高精度的非接触式原位感知技术,被广泛应用于旋转机械的状态监测方面。相对于传统的应力应变监测手段,BTT测振技术不仅能够准确地表征叶片振动信息,更能够实现叶片运行状态的长期在线监测。因此开发一种基于叶尖定时的大型离心压缩机叶片裂纹在线诊断方法,对故障实时检测及保障压缩机的长效安全运行具有重要的意义。
发明内容
本发明针对大型离心压缩机叶片裂纹故障在线诊断困难的问题,提出一种基于叶尖定时的大型离心压缩机叶片裂纹在线诊断方法。本发明以叶片裂纹造成叶片固有频率变化为基础,首先,基于BTT技术进行各叶片的振动位移测量;然后,结合多重信号分类(multiplesignalclassification,MUSIC)算法,利用信号子空间和噪声子空间的正交性,构造空间谱函数,通过谱峰搜索估计各个叶片固有频率;最后,基于叶片裂纹检测指数对识别出来的叶片固有频率差异进行分析,排除由于加工磨损等原因导致叶片失谐,进而造成故障叶片定位错误,最终实现叶片裂纹故障的精确在线诊断。本发明结合BTT在线测试分析技术与叶片振动参数精确辨识算法,通过进一步数据处理,实现叶片裂纹故障的实时在线精确定位。
本发明的技术方案:
一种基于叶尖定时的大型离心压缩机叶片裂纹在线诊断方法,其特征在于,步骤如下:
第一步:叶片振动位移测量
a)在标定工况下,定义叶片标准顺序;当1号叶片经过BTT传感器时,开始采集振动信号;为消除转速波动带来的影响,选取N+1转BTT测试信号,定义叶片夹角标准序列为:
式中,表示标定工况下,第i号叶片与前一个叶片的夹角;ti'n和ti'n+1分别表示第i个叶片在第n转和第n+1转时的到达时间;/>表示第i+1个叶片在第n转时的到达时间;Nb表示叶轮叶片数;N表示叶轮旋转圈数,N≥100;
b)在实验工况下,采集BTT传感器的振动信号;选取N+1转BTT测试信号,定义叶片夹角实测序列为:
式中,Δai表示实验工况下,第i号叶片与前一个叶片的夹角;和/>分别表示第i个叶片在第n转和第n+1转时的到达时间;/>表示第i+1个叶片在第n转时的到达时间;Nb表示叶轮叶片数;N表示叶轮旋转圈数,N≥100;
c)识别与叶片编号对应的BTT信号;定义叶片夹角实测序列与叶片夹角标准序列的残差Ea(q):
式中,cyc(Δai,q)表示Δai序列向左循环移位q项;
定义残差Ea(q)的标准差Sa(q),确定循环移位q相后的实测序列与标定序列的相似程度。
式中,表示Ea(q)的期望;
当Sa(q)取最小值时,序列cyc(Δai,q)和序列的相似程度最高,即实测序列的第q号叶片为叶片标准顺序的1号叶片,将此时移位后的数据作为重新排序后的叶尖定时数据;
d)计算叶片振动位移;基于上一步骤重新排序后的叶尖定时数据,将叶片实际到达时间与理论到达时间做差,结合叶轮转速与叶尖旋转半径计算得到各个叶片的振动位移
式中,表示第i个叶片在第n转的振动位移;f表示压缩机的转频;R表示叶轮旋转半径;/>表示第i个叶片在第n转时的实际到达时间;/>表示第i个叶片在第n转时的理论到达时间;
第二步:基于多重信号分类算法(MUSIC算法)的叶片固有频率辨识
任意叶片的振动位移序列可表示为复正弦信号叠加白噪声:
其中,表示振动信号的复幅值,|αk|为模,/>为相位;ωk表示角频率;K表示振动位移序列中的复正弦信号频率的数量;υ(m)表示均值为零、方差为/>的高斯白噪声;
a)测试采用Z个叶尖定时传感器,则第c次采样的叶片振动信号向量为:
定义:
则:
b)选取C个信号向量进行叶片固有频率提取,得到信号矩阵X:
c)计算信号矩阵X的自相关矩阵R:
因为为均值为0,方差为/>的白噪声,可以推出R的估计矩阵/>为:
其中,P=diag{|α1|2 |α2|2 … |αK|2},I为单位阵,APAH的秩rank(APAH)=K。
进一步对矩阵进行特征分解,得到特征值λ1≥λ2≥…≥λZ,特征向量u1,u2…uZ;其中u1,u2…uK为信号子空间,uK+1,uK+2…uZ为噪声子空间;
d)利用噪声子空间的特征向量构成矩阵G:
G=[uK+1 uK+2 … uZ] (16)
e)构造谱函数
通过设置频率搜索范围对谱函数进行遍历求解,其峰值频率即为叶片振动的固有频率;重复第二步即得到所有叶片的固有频率信息;
第三步:叶片裂纹的精确诊断
基于叶片裂纹检测指数对识别的叶片固有频率做进一步分析,排除由于失谐因素所造成的误识别;其原理是移除单个叶片的固有频率,然后计算剩余叶片固有频率的标准差,从而确定该叶片固有频率变化的原因,最终实现裂纹叶片的精确诊断;叶片裂纹检测指数的定义如下:
式中,表示叶片的固有频率;/>表示叶片固有频率的均值,/>表示要移除的叶片固有频率。
以上所述的第一步至第三步是在大型离心压缩机组长期运行不停机的背景下,实现的一种基于叶尖定时的大型离心压缩机叶片裂纹在线诊断方法。
本发明的有益效果:本发明属于大型离心压缩机叶片裂纹在线识别方法。本发明通过叶片振动数据在线监测,结合多重信号分类算法(MUSIC算法),实现叶片裂纹故障的在线诊断。同时,由于叶轮加工制造误差以及长期运行导致的磨损所带来的失谐偏差,可以利用叶片裂纹检测指数进行有效排除,实现了对裂纹叶片号的精确定位。本发明对于保障大型离心压缩机组的长效安全运行具有重要的实际应用价值。
附图说明
图1为叶片夹角的标准顺序结果图;
图2为通道1、通道2测量的叶片原始顺序结果图;其中,(a)为通道1,(b)为通道2;
图3为数据重新排序后的叶片夹角顺序结果图;
图4为利用通道1定时数据识别的叶片振动位移结果图;
图5为谱函数的频率搜索结果图;
图6为叶片应变测试数据的频谱结果图;
图7为谱函数搜索得到的13个叶片固有频率结果图;
图8为13个叶片的叶片裂纹检测指数结果图;
图9为本发明的流程图。
具体实施方式
以下为结合技术方案和附图详细叙述本发明的实施例。实施例的数据来源于大型单级离心压缩机模型级实验台,包括可调前置导叶、带叶片裂纹的半开式叶轮、叶片扩压器、回流器及径向环形集气室。机组配备2.1MW额定功率电机,通过增减速齿轮箱和液力联轴器驱动叶轮旋转,叶轮叶片数为13,其中一个叶片人为加工了裂纹。实验采用的叶尖定时测试系统包括两个叶尖定时传感器(分别连接1通道和2通道)、光电前放、信号调理模块、带有计数模块的PXI机箱以及基于LabVIEW开发叶片振动测试软件。
第一步:叶片振动位移测量。
a)自定义叶片编号,选取通道1进行标定,利用变频器将压缩机转速调到2000RPM附近的标定工况下。当1号叶片扫过通道1对应的BTT传感器时,采集叶尖定时数据。为降低转速波动带来的影响,选取100转数据,利用公式(1)计算相邻叶片间的夹角得到叶片夹角的标准顺序,如图1所示。
b)在5700RPM的试验工况下,对压缩机组叶片振动进行测试,采集通道1和通道2的叶尖定时数据。
c)选取通道1和通道2的100转测试数据,利用公式(2)计算相邻叶片间的夹角如图2所示。
d)利用公式(3),分别计算叶片夹角标准序列与通道1、通道2两个叶片夹角实测序列/>的残差Ea(q),接着利用公式(4)分别计算两个通道残差的标准差Sa(q),通过循环移位相q对两个通道实测夹角序列进行重新排序。重新排序后的叶片夹角顺序如图3所示。
e)利用重新排序后的叶尖定时数据,结合公式(5),计算对应各个叶片编号的叶片振动位移。其中,通道1数据识别的叶片振动位移,如图4所示。
第二步:基于多重信号分类算法(MUSIC算法)进行叶片固有频率辨识。
a)通过BTT测试数据进行处理可以得到各叶片的振动位移数据,本实施例采用两个叶尖定时传感器进行测试,所以Z为2,根据公式(7)可以得到任一叶片的第c次采集的叶片振动位移向量,根据公式(13)取C=100个位移向量构成该叶片的位移矩阵X。
b)根据公式(15),对自相关矩阵R的估计矩阵进行特征值分解,得到对应的信号子空间和噪声子空间。
c)根据公式(16)构造噪声子空间的特征向量矩阵G,接着利用公式(17)构造谱函数
d)设置谱函数的频率搜索范围为0-2kHz,对谱函数进行遍历求解。对应的峰值频率即为该叶片的固有频率,谱函数搜索结果如图5所示。相同工况下获得的叶片应变信号如图6所示。对比图5和图6,可以发现利用MUSIC算法可以准确得识别叶片的固有频率。
e)循环执行步骤a)~d),可以识别所有叶片的固有频率信息,所有叶片的固有频率识别结果如图6所示。从图中可以发现1号叶片固有频率低于其他叶片,初步判定1号叶片为含裂纹叶片。
第三步:裂纹叶片的精确诊断。
由于加工制造误差及运行磨损所造成的叶片失谐,同样会导致固有频率出现偏差。为了排除失谐因素的影响,确定固有频率降低是有叶片裂纹导致。进一步根据公式(18),对识别出的叶片固有频率计算叶片裂纹检测指数,如图7所示。从图中可以发现1号叶片的叶片裂纹指数明显低于其他叶片,说明1号叶片的固有频率降低正是由于叶片裂纹所导致的,因此实现了对含裂纹叶片的精确诊断。
以上所述实施例仅表达本发明的实施方式,但并不能因此而理解为对本发明专利的范围的限制,应当指出,对于本领域的技术人员来说,在不脱离本发明构思和原理的前提下,还可以做出若干变形和改进,这些均属于本发明的保护范围。
Claims (1)
1.一种基于叶尖定时的大型离心压缩机叶片裂纹在线诊断方法,其特征在于,步骤如下:
第一步:叶片振动位移测量
a)在标定工况下,定义叶片标准顺序;当1号叶片经过BTT传感器时,开始采集振动信号;为消除转速波动带来的影响,选取N+1转BTT测试信号,定义叶片夹角标准序列为:
式中,表示标定工况下,第i号叶片与前一个叶片的夹角;/>和/>分别表示第i个叶片在第n转和第n+1转时的到达时间;/>表示第i+1个叶片在第n转时的到达时间;Nb表示叶轮叶片数;N表示叶轮旋转圈数,N≥100;
b)在实验工况下,采集BTT传感器的振动信号;选取N+1转BTT测试信号,定义叶片夹角实测序列为:
式中,Δai表示实验工况下,第i号叶片与前一个叶片的夹角;和/>分别表示第i个叶片在第n转和第n+1转时的到达时间;/>表示第i+1个叶片在第n转时的到达时间;Nb表示叶轮叶片数;N表示叶轮旋转圈数,N≥100;
c)识别与叶片编号对应的BTT信号;定义叶片夹角实测序列与叶片夹角标准序列的残差Ea(q):
式中,cyc(Δai,q)表示Δai序列向左循环移位q项;
定义残差Ea(q)的标准差Sa(q),确定循环移位q相后的实测序列与标定序列的相似程度;
式中,表示Ea(q)的期望;
当Sa(q)取最小值时,序列cyc(Δai,q)和序列的相似程度最高,即实测序列的第q号叶片为叶片标准顺序的1号叶片,将此时移位后的数据作为重新排序后的叶尖定时数据;
d)计算叶片振动位移;基于上一步骤重新排序后的叶尖定时数据,将叶片实际到达时间与理论到达时间做差,结合叶轮转速与叶尖旋转半径计算得到各个叶片的振动位移
式中,表示第i个叶片在第n转的振动位移;f表示压缩机的转频;R表示叶轮旋转半径;/>表示第i个叶片在第n转时的实际到达时间;/>表示第i个叶片在第n转时的理论到达时间;
第二步:基于多重信号分类算法的叶片固有频率辨识
任意叶片的振动位移序列表示为复正弦信号叠加白噪声:
其中,表示振动信号的复幅值,|αk|为模,/>为相位;ωk表示角频率;K表示振动位移序列中的复正弦信号频率的数量;υ(m)表示均值为零、方差为/>的高斯白噪声;
a)测试采用Z个叶尖定时传感器,则第c次采样的叶片振动信号向量为:
定义:
则:
b)选取C个信号向量进行叶片固有频率提取,得到信号矩阵X:
c)计算信号矩阵X的自相关矩阵R:
因为为均值为0,方差为/>的白噪声,推出R的估计矩阵/>为:
其中,P=diag{|α1|2|α2|2…|αK|2},I为单位阵,APAH的秩rank(APAH)=K;
进一步对矩阵进行特征分解,得到特征值λ1≥λ2≥…≥λZ,特征向量u1,u2…uZ;其中u1,u2…uK为信号子空间,uK+1,uK+2…uZ为噪声子空间;
d)利用噪声子空间的特征向量构成矩阵G:
G=[uK+1 uK+2 … uZ] (16)
e)构造谱函数
通过设置频率搜索范围对谱函数进行遍历求解,其峰值频率即为叶片振动的固有频率;重复第二步即得到所有叶片的固有频率信息;
第三步:叶片裂纹的精确诊断
基于叶片裂纹检测指数对识别的叶片固有频率做进一步分析,排除由于失谐因素所造成的误识别;其原理是移除单个叶片的固有频率,然后计算剩余叶片固有频率的标准差,从而确定该叶片固有频率变化的原因,最终实现裂纹叶片的精确诊断;叶片裂纹检测指数的定义如下:
式中,表示叶片的固有频率;/>表示叶片固有频率的均值,/>表示要移除的叶片固有频率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310858061.0A CN116950917A (zh) | 2023-07-13 | 2023-07-13 | 基于叶尖定时的大型离心压缩机叶片裂纹在线诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310858061.0A CN116950917A (zh) | 2023-07-13 | 2023-07-13 | 基于叶尖定时的大型离心压缩机叶片裂纹在线诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116950917A true CN116950917A (zh) | 2023-10-27 |
Family
ID=88461316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310858061.0A Pending CN116950917A (zh) | 2023-07-13 | 2023-07-13 | 基于叶尖定时的大型离心压缩机叶片裂纹在线诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116950917A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117606782A (zh) * | 2024-01-24 | 2024-02-27 | 唐智科技湖南发展有限公司 | 风力发电机叶片故障检测方法、装置、设备及存储介质 |
CN117851873A (zh) * | 2024-03-07 | 2024-04-09 | 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 |
-
2023
- 2023-07-13 CN CN202310858061.0A patent/CN116950917A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117606782A (zh) * | 2024-01-24 | 2024-02-27 | 唐智科技湖南发展有限公司 | 风力发电机叶片故障检测方法、装置、设备及存储介质 |
CN117606782B (zh) * | 2024-01-24 | 2024-04-02 | 唐智科技湖南发展有限公司 | 风力发电机叶片故障检测方法、装置、设备及存储介质 |
CN117851873A (zh) * | 2024-03-07 | 2024-04-09 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116950917A (zh) | 基于叶尖定时的大型离心压缩机叶片裂纹在线诊断方法 | |
CN110346591B (zh) | 基于振动频谱图确定机器转速 | |
US9739167B2 (en) | Method and system for monitoring rotating blade health | |
US11333033B2 (en) | Method and system for measuring rotor blade tip deflection using blade tip timing (BTT) | |
CN101603854A (zh) | 旋转机械启停阶段非平稳振动信号瞬时频率估计算法 | |
CN108871543A (zh) | 恒速下叶片异步振动频率非调和傅里叶分析方法 | |
CN112461934B (zh) | 一种基于声发射的航空发动机叶片裂纹源定位方法 | |
Fan et al. | Shifting straight-line fitting method to calculate blade vibration based on blade tip timing | |
CN109540482B (zh) | 一种涡轮机叶片无键相同步振动参数分析方法及分析装置 | |
CN106441843B (zh) | 一种旋转机械故障波形识别方法 | |
Wu et al. | Blade tip timing: from raw data to parameters identification | |
Wang et al. | The method for identifying rotating blade asynchronous vibration and experimental verification | |
CN113190786B (zh) | 一种大型旋转装备利用多维装配参数的振动预测方法 | |
US20230016039A1 (en) | Method for monitoring a turbomachine, device, system, aircraft and computer program product | |
CN115795341A (zh) | 基于变转速的二维活塞泵健康状态评估方法 | |
Yue et al. | The parameter identification method of blade asynchronous vibration under sweep speed excitation | |
Fan et al. | An improved multiple per revolution-based blade tip timing method and its applications on large-scale compressor blades | |
CN110346592B (zh) | 来自振动频谱图的rpm的确定 | |
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 | |
CN112880811B (zh) | 一种移动直线拟合的无键相叶尖定时测振方法 | |
WO2022152336A1 (en) | A method for monitoring turbine blade vibration | |
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 | |
US11898453B1 (en) | Method for extracting natural frequency difference between blades by single blade tip timing sensor or uniformly distributed blade tip timing sensors | |
CN112001234B (zh) | 一种基于仿射不变度量的旋转机械采样数据聚类方法 | |
CN116577054A (zh) | 一种叶片振动监测方法 |
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 |