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

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

基于叶尖定时的大型离心压缩机叶片裂纹在线诊断方法

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；t_i'ⁿ和t_i'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；N_b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，Δa_i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；N_b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E_a(q)：

式中，cyc(Δa_i,q)表示Δa_i序列向左循环移位q项；

定义残差E_a(q)的标准差S_a(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E_a(q)的期望；

当S_a(q)取最小值时，序列cyc(Δa_i,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，|α_k|为模，/>为相位；ω_k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 … |α_K|²}，I为单位阵，APA^H的秩rank(APA^H)＝K。

进一步对矩阵进行特征分解，得到特征值λ₁≥λ₂≥…≥λ_Z，特征向量u₁,u₂…u_Z；其中u₁,u₂…u_K为信号子空间，u_K+1,u_K+2…u_Z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＝[u_K+1 u_K+2 … u_Z] (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E_a(q)，接着利用公式(4)分别计算两个通道残差的标准差S_a(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；N_b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，Δa_i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；N_b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E_a(q)：

式中，cyc(Δa_i,q)表示Δa_i序列向左循环移位q项；

定义残差E_a(q)的标准差S_a(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E_a(q)的期望；

当S_a(q)取最小值时，序列cyc(Δa_i,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，|α_k|为模，/>为相位；ω_k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…|α_K|²}，I为单位阵，APA^H的秩rank(APA^H)＝K；

进一步对矩阵进行特征分解，得到特征值λ₁≥λ₂≥…≥λ_Z，特征向量u₁,u₂…u_Z；其中u₁,u₂…u_K为信号子空间，u_K+1,u_K+2…u_Z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＝[u_K+1 u_K+2 … u_Z] (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。