《航空发动机转子系统早期故障自恢复监测研究》由会员分享，可在线阅读，更多相关《航空发动机转子系统早期故障自恢复监测研究（6页珍藏版）》请在金锄头文库上搜索。
1、航空发动机转子系统早期故障自恢复监测研究 摘要：为了提高 AERS （航空发动机转子系统）的稳定性，解决故障诊断缺乏故障样本， 鉴别早期微弱故障的问题，提出了一种新的方法，它不仅可以识别 AERS 早期故障还可 以做故障自恢复监测。我们的方法是基于对 AERS 的早期故障特征的分析，并结合 SVM（支持向量机）与随机共振理论与小波分解故障自恢复。首先，我们通过使用随机 共振理论放大早期的故障特征信号。第二，利用小波的多分辨率分析方法，提取早期故 障的特征向量。第三，将特征向量输入到故障分类器，它可以用来确定早期故障，进行 故障自恢复监测。本文将重点研究 AERS 早期特征故障，变焦的早期故障特
2、征的提取方 法，早期故障特征，构建多故障分类器和故障自恢复监测。结果表明，我们的方法能有 效地识别 AERS 早期故障，特别是对于小样本识别故障，并能进行故障自恢复监测。 关键词：AERS ，早期故障，SVM ，故障自恢复监测 1.简介 随着现代航空工业的发展，飞机的安全性和可靠性受到越来越多的关注。发动机是 飞机的心脏，是发动机的核心部分的人。如果飞行存在故障，飞机将严重威胁安全。因 为 AERS 结构复杂, 负荷较大，使故障识别更加困难。特别是在早期发生故障时，如果能 及时捕捉到故障信息，并能有效地识别并进行故障的自恢复监测，对消除事故造成的潜 在损失具有重要的意义。对于 AERS 故障识
3、别已经做了广泛的研究并获得许多结果 13 。 目前，对早期故障的有效识别有更多的困难。特别是获得早期的故障信息比较困难，故 障识别的准确性难以令人满意。因为 AERS 强噪声密度，早期故障信息很弱，信号很容 易淹没在噪声中，用一般方法很难取得令人满意的结果。我们的方法不仅可以快速识别 的 AERS 早期故障同时也可以进行故障自恢复监测。 2.AERS 早期故障的特点 在飞行中，磨损、变形、腐蚀、结构组成及工作压力的影响，外部环境和人为因素 的破坏，将导致 AERS 故障。AERS 早期故障往往形成微裂纹，微蠕动，微腐蚀和微动磨 损。这些故障，除了小的突然故障，大多数有一个发展过程，从没有什么故
4、障，进化到 严重故障。在这个过程中，系统的结构、性能和内部能量将发生变化。我们可以监测早 期的故障，及时捕捉这些故障信息，识别并自我恢复。AERS 这些早期故障具有以下特点： 1）故障信号很微弱。当故障在早期或刚刚萌芽，故障信号的变化幅度非常弱 2）故障信号将被噪声信号淹没。在飞行过程中，噪声信号通常在故障信号中。当故障 信号非常微弱，噪声信号很强时，早期的故障信号会被噪声信号淹没。为了检测早期故 障，我们必须降低噪声或提取的早期故障信息的噪声信号。 3）故障信号往往比较短暂。飞机的损伤结构部件是由冲击载荷产生的，而这一故障主 要表现为瞬态信号，如早期裂纹的扩展，是一个由渐进到突变的过程。 4
5、）在应力集中区发生断裂。当应力集中区域受强区域荷载作用时，在蠕变过程中易发 生结构件的断裂。对于铁磁金属部分，磁记忆法可用于早期故障的检测和定位 4 。 5）故障具有波动性。这意味着有时我们找不到故障痕迹。但随着动作或时间的变化， 系统可以自动恢复。 3.早期故障特征提取由于发动机的振动较大，运行中的 AERS 早期故障信号将淹没在强背景噪声中。为 了从噪声中提取淹没早期故障的信号特征，我们采用随机共振理论对早期故障的特征信 号进行放大 5 。 如果原始信号x （t ）数据长度为N，离散信号的数据长度从x k.m (i)降低到 2 -kN，小波 分解的能量可以表示为：(1) 其中，N = 原始
6、数据的长度， K = 小波分解的层数，M =分解频带位置= 0，1，2，2 k-1 。 每个频带内的能量可以通过方程（1）来计算，特征向量可以通过能量来构造。 4.故障分类识别 SVM 在少数故障样本中能很好地分类，并能解决非线性和高维模式的识别问题。 AERS 早期故障识别属于多分类问题，就需要构建多故障分类器。在本文中，我们采用改 进的分类算法，即“ 一对多” 。 对于 K 型的分类， “ 一对多” 的方法需要构造k 个分类器。以这种方式构建两个分类， 对所有的n 个训练样本的 K 型进行操作。在测试和分类中，分类器的规模较大，速度较 慢。 一种改进的“ 一对多” 的分类算法构建分类器，训
7、练样本的 K、M 型在 K 分类器Yim = 1 和其他类型的标记是Yim = - 1。既定的 M 分类器的输出函数可以表示为：(2) 该算法克服了“一对一”的方法需要建立多个分类的缺陷，它可以控制传统的“一 对多”的训练样本数。其运行速度快，故障分类效果好。 5.故障自愈监测 AERS 故障监控流程如图 1 所示。 图 1.AERS 故障监控流程 故障自恢复数据库包括许多智能模型。基于不同故障源和故障特征的故障特征进行 自恢复监测。 故障自恢复监测系统可以由智能结构 6 ，磁场 7 ，再生材料 8 等等组成。当 AERS 有故障，系统无法正常工作时，基于故障补偿的自恢复模型可以通过故障 自愈
8、补偿器恢复系统的原始功能。正常条件下的系统方程(3)(4) 补偿器方程(5)(6) （3）和（4）所描述的系统回路方程(7)(8) 当组件或子系统在飞行过程中发生故障，回路反馈方程(9)(10) 为了使故障系统的性能尽可能接近原来的系统性能，我们可以设计适当的自恢复补 偿器，实现故障自愈补偿。在飞行过程中，当飞机驾驶舱、机翼等重要部件有严重的振 动或颤振时，分布式压电驱动补偿器可以通过振动控制和主动吸振器来削弱或抵消振动 的影响。 基于智能结构的自修复监测如图 2 所示。图 2.基于智能模块的自恢复监测。 当传感器模块检测到故障信息时，信号将传输到自恢复模块并作用于控制器。AERS 故障将由智
9、能结构恢复。它是基于不同的故障源和故障特征来采用不同的自恢复策略。 6.实验结果及其分析 为了验证该方法的有效性，我们选择了 AERS 四种情况。它们是：正常情况、早期 转子失调、早期转子不平衡和早期转子裂纹。对这些信号进行预处理，提取出故障特征。运用多故障分类器识别故障，并通过自恢复模块监测故障。 在实验中，根据故障的特点，我们通过加速度传感器收集 10 组数据。它们分别对应 于 1800 转时的四种情况。采样频率为 256Hz，旋转频率为 30Hz。故障的特征频率及其伴 随的频率如表 1 所示。 表 1.2 （60Hz ）交叉共存的频率和不平衡 图 3 显示了随机共振系统的输出波形及其频谱
10、。从第二张图可以看出 30Hz 的频率分 量是明显的。由于基波频率为 30Hz ，转子不对中故障往往出现在 1（30Hz ） 、2（60 Hz）和 3 （90 Hz ） 。图 3. 随机共振系统的输出波形及其谱 基于随机共振系统的信号波形，通过小波分析提取能量特征，我们获得了 64 个频段。 为了减少计算量，我们分为 6 段：0 0.4X，0.4 0.8 X，0.8 1.2 X，1.8 2.2 X，2.8 3.2 倍以及大于 3.6 倍。因此 64 频段将组成 6 组：1 4，5 8， 9 11，12 15，16 30 条和 5564。每个组的能量值添加在一起，获得转子不对中故障的能量分布。如
11、图 4 所示。图 4. 转子不对中的能量分布 在上述过程中，可以得到各条件的能量分布，并作为支持向量机的训练样本。 根据从四个条件得到的训练样本，我们将每个条件的训练样本输入到改进的故障分 类的“一对多” 的 40 组能量分布。我们选择高斯径向基核函数作为一个分类函数和参数 = 0.01，惩罚因子C = 100。分类结果如表 2 所示 表 2. 随机共振系统的试验结果 我们可以看到，在早期故障识别中，由随机共振系统产生的分类结果显著高于通过 直接小波特征提取的分类结果，其精度较高，速度快。 为了监测错位，我们采用的电磁效应的原理 9 。由四个加速度传感器检测到的错位的 数量，和四个电磁组由四个
12、传感器的输出信号控制。当发生错位时，产生的转子的不对 中力F 可以通过产生的电磁铁的取向力F 进行调整。对准力 F 等于在数的不对中力F， 并且它们在方向上相反。图 5 显示了转子不对中的自恢复监测结果。图 5. 转子不对中的频域波形 我们可以发现，由图 5（a ）到图 5（b） ，转子的振动明显减少。由于转子不对中故障 是由电磁力抵消，转子不对中抑制在正常运行的情况下恢复良好。 7.结论 1）我们的方法可以有效地结合小波分解随机共振提取 AERS 早期故障特征。用这种方 法构造的特征向量能准确反映 AERS 条件变化。 2）基于 SVM 的多故障分类器具有算法简单，分类效果好，识别效率较高的
13、特点。它 特别适合于小样本、自恢复监测早期故障报的分类识别。 3）故障诊断的目的是及时发现故障，确保机器的安全运行。故障自愈监测的方法提供 了一种有效的方法。 8.参考文献 1 D. Simon, “A comparison of filtering approaches for aircraft engine health estimation,” Aerospace Science and Technology, Vol. 12, No. 4, pp. 276284, 2008. 2 S. Borguet and O. Lonard, “Coupling principal compone
14、nt analysis and Kalman filtering algorithms for on-line aircraft engine diagnostics,” Control Engineering Practice, Vol. 17, No. 4, pp. 494502, 2009. 3 T. Ramesh Babu and A. S. Sekhar, “Detection of two cracks in a rotor-bearing system using amplitude deviation curve,” Journal of Sound and Vibration
15、, Vol. 314, No. 35, pp. 457464, 2008. 4 A. Dubov and S. Kolokoinikov, “Review of welding problems and allied processes and their solution using the metal magnetic memory effect,” Welding in the World, Vol. 49, No .9, pp. 306313, 2005. 5 K. Tanaka and M. Kawakatsu,“Stochastic resonance in auditory st
16、eady-state responses in a magnetoencephalogram,” Clinical Neurophysiology, Vol.119, No. 9, pp. 21042110, 2008. 6 S. Hurlebaus and L. Gaul, “Smart structure dynamics,” Mechanical Systems and Signal Processing, Vol. 20, No. 2, pp. 255281, 2006. 7 A. Ignatios and B. Alexey, “Anomaly induced effects in a magnetic field,” Nuclear Physics B, Vol. 793, No. 12, pp. 246259, 2008. 8 Mueller and S. N. Sokolova, “Charac
