CN115711738B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115711738B CN115711738B CN202211301763.0A CN202211301763A CN115711738B CN 115711738 B CN115711738 B CN 115711738B CN 202211301763 A CN202211301763 A CN 202211301763A CN 115711738 B CN115711738 B CN 115711738B
- Authority
- CN
- China
- Prior art keywords
- frequency
- feature
- fault
- signal
- signals
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 11
- 230000001133 acceleration Effects 0.000 claims abstract description 9
- 238000001228 spectrum Methods 0.000 claims description 33
- 238000001914 filtration Methods 0.000 claims description 19
- 230000000737 periodic effect Effects 0.000 claims description 19
- 238000005316 response function Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000005096 rolling process Methods 0.000 description 14
- 238000004901 spalling Methods 0.000 description 7
- 238000000926 separation method Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- PMGQWSIVQFOFOQ-YKVZVUFRSA-N clemastine fumarate Chemical compound OC(=O)\C=C\C(O)=O.CN1CCC[C@@H]1CCO[C@@](C)(C=1C=CC(Cl)=CC=1)C1=CC=CC=C1 PMGQWSIVQFOFOQ-YKVZVUFRSA-N 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
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。本发明为一种强噪声服役环境下军用航空发动机主轴承微弱故障信号特征频率提取新方法。该方法主要包括：针对采集的航空发动机机匣测点振动加速度信号，采用弱随机信号提取方法技术对信号进行分离，获得信号的离散成分和随机成分，并构造反映轴承故障特征频率局部/整体特征显著水平的无量纲特征量。本发明可以有效提取信号中的随机成分，滤除转速、齿轮啮合频率等离散部分在平方包络谱分析中的干扰成分，提高故障频率所在频带对应幅值，抑制杂波对故障诊断的影响，提高主轴承故障特征提取的准确性，为航空发动机主轴承故障特征提取提供重要方法和有效途径。
Description
技术领域
本发明属于航空发动机机械系统故障诊断领域，具体涉及一种强噪声服役环境下军用航空发动机主轴承微弱故障信号特征频率提取新方法。
背景技术
航空发动机主轴承在实际工况下，滚动体受离心载荷径向作用的影响，与内圈和外圈的接触角会偏离初始值，导致实际故障特征频率会偏离于理论故障特征频率，不利于主轴承故障特征的提取。此外，航空发动机主轴承的振动信号在经过复杂传递路径后，故障特征信号变得极其微弱，且该信号中掺杂了很多转子转速频率及其倍频、附件传动机匣的齿轮啮合频率及其倍频、转子叶片通过频率及其倍频、发动机气动和燃烧等干扰频率成分，导致主轴承的故障特征频率成分很容易被混淆，从而很难被识别。为此需要将这些具有离散频谱特征的周期信号去除，将微弱的主轴承故障特征信号从复杂的调制原始信号中剥离出来，判断滚动体与内/外圈的实际接触角，对故障特征进行有效提取。
弱随机信号提取方法的基本原理是通过寻找一个主振动序列与延迟振动序列之间的频率响应函数(FRF)，再通过傅里叶逆变换得到自参考自适应的分离滤波器，基于该滤波器实现对轴承故障特征信号与其余信号的有效分离。因此，本发明提出一种适用于航空发动机机匣测点信号的主轴承故障特征提取方法。利用弱随机信号提取技术将机匣测点信号中与主轴承故障诊断不相关的部分进行层层剥离，并与自相关分析、平方包络谱相结合，构造故障特征显著度，并在发动机主轴承故障整机试验当中应用，验证结果表明可有效实现主轴承故障特征的提取，为航空发动机主轴承故障诊断提供重要方法和有效途径。
发明内容
本发明所要解决的技术问题是针对背景技术中所述的问题，提供了一种航空发动机主轴承故障特征提取方法，该方法能够为持续提升军用航空发动机使用安全水平提供监控手段提供重要的方法和有效的途径。
为实现上述目的，本发明是通过以下技术方案实现的：
S 1.针对采集的航空发动机机匣测点振动加速度信号，采用弱随机信号提取方技术对航空发动机振动加速度信号进行分离，获得信号的离散成分和随机成分。其中，离散成分中包括转速频率及其倍频、齿轮啮合频率及其倍频等周期信号，随机部分中含有轴承故障特征频率和噪声信号等。
S2.对得到的随机成分进行平方包络、自相关降噪、谱分析，提取轴承故障特征频率及对应的接触角。
S3.基于S2提取的特征频率，构造反映轴承故障特征频率局部/整体特征显著水平的无量纲特征量，并提出了一种基于S型函数的特征显著度计算方法，实现无量纲特征的归一化，以准确识别轴承故障特征。
其中，所述步骤S1具体包括：
S1-1：划分主振动序列和延迟振动序列：x为原始振动序列，将x划分成长度均为2L+τ的子信号，其中L为待生成的自参考自适应滤波器阶数，τ为主振动序列与延迟振动序列间的延迟。延迟振动序列和主振动序列xk(n)可分别表示为：
xk(n)＝wL(n)x[n-L+k(2L+τ)]，0＜n≤L，0＜k≤K (2)
其中，wL(n)为长度为L的窗函数，采用Parzen窗函数，k为子信号段数，共K段。
S1-2：构建自参考自适应滤波器：滤波器的目的是实现从到xk(n)的最佳预测，使/>中的周期性部分保持不变的前提下，实现对xk(n)最佳预测，而非周期部分及宽带噪声将从/>中滤除。实现最小均方预测误差的自参考自适应最佳滤波器频响函数H(f)可表示为：
其中，SUV(f)为信号U和V的互功率谱，SUU(f)为信号U的自功率谱，p表示周期性成分，r表示非周期成分。而xk(n)＝pk(n)+rk(n)，H(f)可简化表示为：
其中，为第k段子信号延迟振动序列/>进行长度为M的傅里叶变换，Xk，M(f)为第k段子信号主振动序列xk(n)进行长度为M的傅里叶变换。而M≥L，频率响应函数的有效长度等于参与傅里叶变换的信号长度，当M＞L时，超出部分应在/>或xk(n)后补0，会降低轴承故障频谱分辨率，因此本发明采用M＝L，得到长度为L的滤波器频率响应函数H(f)，以消除数据长度不同对特征频率造成的影响。
S1-3：频域滤波和相位修正：将x划分为长度均为L的子信号x[n+(k′-1)]L，0＜n≤L，k′为子信号段数，共K′段。利用H(f)依次对上述子信号进行频域滤波，可表示为：
Xk′，L(f)＝H(f)·Xk′,L(f) (5)
其中，Xk′，L(f)为第k′段滤波结果，Xk′，L(f)为第k′段长度为L的子信号的傅里叶变换。为保证所得滤波信号相位与原始信号相同，需根据滤波后的幅频特性和滤波前的相频特性重构滤波后的频谱，可表示为：
Re＝|Xk′，L(f)|cos{Ψ[Xk′，L(f)]} (7)
Im＝|Xk′，L(f)|sin{Ψ[Xk′，L(f)]} (7)
Xk′，L(f)＝Re+i·Im (8)
其中，Xk′，L(f)为Xk′，L(f)重构后的频谱，|*|为取幅值，Ψ(*)为取相位。
S1-4：得到周期成分xp和非周期成分xr：对得到的Xk′，L(f)进行逆傅里叶变换，得到长度为L的周期性成分xp，k′，并与x[n+(k′-1)L]相减，求得长度为L的非周期性成分xr，k′。重复步骤S1-3，求得0＜k′≤K′所对应的xp，k′和xr，k′，首尾相连得到xp和xr。
需要注意的是，时间延迟因子τ和滤波器阶数L的选取会对滤波器的分离性能产生很大影响。其中，时间延迟因子τ应略大于随机成分的相关长度，滤波器阶数L至少为选定移除离散成分最小频率的10-20倍。
所述步骤S2具体包括：
S2-1：对S1得到的随机成分，进行平方包络；
S2-2：对平方包络得到的信号进行自相关降噪；
S2-3：对降噪后的信号进行谱分析；
S2-4：提取轴承故障特征频率，具体包括：
假设接触角的变换范围为αmin至αmax之间，计算出平方包络谱YSE中轴承故障特征频率搜索范围为[fmin，fmax]。其中，Z为滚动体个数，d为滚动体直径，D为轴承节径，α为接触角，fi为内圈旋转频率，fo为外圈旋转频率，一般情况下滚动轴承外圈固定，内圈旋转，即|fi-fo|＝fi。
在平方包络谱YSE中，轴承故障特征频率搜索范围内谱线的最大值即为故障特征频率对应幅值对应频率即为故障特征频率foc，对应的角度即为接触角α，/>和α表示为：
所述步骤S3具体包括：
S3-1：求取轴承故障特征频率foc附近谱线的平均值，假设foc对应带宽为Δf，平均值计算范围为δf，平方包络谱间隔为fε，foc附近谱线的平均值表示为：
fi∈[foc-Δf/2-δf/2，foc-Δf/2]，fj∈[foc+Δf/2，foc+Δf/2+δf/2]
S3-2：构造一个反映轴承故障特征频率foc局部特征显著度的无量纲特征量Sloc：
S3-3：构造一个反映轴承故障特征频率foc整体特征显著度的无量纲特征量Sgen，假设所需分析的频率范围为[f′min，f′max]，则Sgen可表示为：
其中，表示取前5个最大值。
S3-4：得到一个可同时反映轴承故障特征频率foc的局部特征显著度和整体特征显著度的无量纲特征量S：
S＝Sloc·Sgen (15)
S3-5：为了实现无量纲特征的归一化，并且能够准确表征轴承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，提出了一种基于S型函数的特征显著度值计算方法。其函数表达式为：
将所得的无量纲特征量S进行归一化处理，得到最终的轴承故障特征显著度So，So∈[O，1]。
本发明采用技术方案与现有技术相比，具有以下技术效果：
1)本发明可以有效提取信号中的随机成分，滤除转速、齿轮啮合频率等离散部分在平方包络谱分析中的干扰成分，提高故障频率所在频带对应幅值，抑制杂波对故障诊断的影响。
2)本发明可有效提高主轴承故障特征提取的准确性，在复杂传递路径和强噪声干扰的影响下，能够准确识别出航空发动机主轴承早期剥落故障的特征频率，确定实际工况下的主轴承滚动体与内/外圈的接触角。
3)本发明所构造的轴承故障特征归一化无量纲特征量可以有效表征轴承的故障特征，可以作为航空发动机主轴承故障诊断和在线监测的有效指标和有利判据。
附图说明
图1是弱随机信号提取方法中延迟振动序列与主振动序列构造方法图
图2是本发明的技术流程图
图3是轴承的初始剥落故障实物图
图4是原始信号时域波形和频谱图
图5是原始信号局部频谱图
图6是是原始信号平方包络谱图
图7分离出的离散成分时域波形和频谱图
图8是分离出的随机成分时域波形和频谱图
图9是随机成分自相关后的平方包络谱图
图10是S型曲线图
图11是原始信号与随机成分特征显著度散点对比图
图12是原始信号与随机成分接触角分布散点对比图
图13是原始信号与随机成分接触角统计对比图
具体实施方式
下面结合附图对本发明一种基于弱随机信号提取技术的航空发动机整机振动主轴承故障特征提取方法的内容作进一步说明。
S1.针对采集的航空发动机机匣测点振动加速度信号，采用弱随机信号提取技术对航空发动机振动加速度信号进行分离，获得信号的离散成分和随机成分。其中，离散成分中包括转速频率及其倍频、齿轮啮合频率及其倍频等周期信号，随机部分中含有轴承故障特征频率和噪声信号等。
S2.对得到的随机成分进行平方包络、自相关降噪、谱分析，提取轴承故障特征频率及对应的接触角。
S3.基于S2提取的特征频率，构造反映轴承故障特征频率局部/整体特征显著水平的无量纲特征量，并提出了一种基于S型函数的特征显著度计算方法，实现无量纲特征的归一化，以准确识别轴承故障特征。
其中，所述步骤S1具体包括：
S1-1：划分主振动序列和延迟振动序列：x为原始振动序列，将x划分成长度均为2L+τ的子信号，其中L为待生成的自参考自适应滤波器阶数，τ为主振动序列与延迟振动序列间的延迟。延迟振动序列和主振动序列xk(n)可分别表示为：
xk(n)＝wL(n)x[n-L+k(2L+τ)]，0＜n≤L，0＜k≤K (2)
其中，wL(n)为长度为L的窗函数，采用Parzen窗函数，k为子信号段数，共K段。主振动序列和延迟振动序列的划分方法如图1。
S1-2：构建自参考自适应滤波器：滤波器的目的是实现从到xk(n)的最佳预测，使/>中的周期性部分保持不变的前提下，实现对xk(n)最佳预测，而非周期部分及宽带噪声将从/>中滤除。实现最小均方预测误差的自参考自适应最佳滤波器频响函数H(f)可表示为：
其中，SUV(f)为信号U和V的互功率谱，SUU(f)为信号U的自功率谱，p表示周期性成分，r表示非周期成分。而xk(n)＝pk(n)+rk(n)，H(f)可简化表示为：
其中，为第k段子信号延迟振动序列/>进行长度为M的傅里叶变换，Xk，M(f)为第k段子信号主振动序列xk(n)进行长度为M的傅里叶变换。而M≥L，频率响应函数的有效长度等于参与傅里叶变换的信号长度，当M＞L时，大于部分应在/>或xk(n)后补0，本发明采用M＝L，得到长度为L的滤波器频率响应函数H(f)。
S1-3：频域滤波和相位修正：将x划分为长度均为L的子信号x(n+(k′-1)L)，0＜n≤L，k′为子信号段数，共K′段。利用H(f)依次对上述子信号进行频域滤波，可表示为：
Xk′，L(f)＝H(f)·Xk′，L(f) (5)
其中，Xk′，L(f)为第k′段滤波结果，Xk′，L(f)为第k′段长度为L的子信号的傅里叶变换。为保证所得滤波信号相位与原始信号相同，需根据滤波后的幅频特性和滤波前的相频特性重构滤波后的频谱，可表示为：
Re＝|Xk′，L(f)|cos{Ψ[Xk′，L(f)]} (6)
Im＝|Xk′，L(f)|sin{Ψ[Xk′，L(f)]} (7)
Xk′，L(f)＝Re+i·Im (8)
其中，Xk′，L(f)为Xk′，L(f)重构后的频谱，|*|为取幅值，Ψ(*)为取相位。
S1-4：得到周期成分xp和非周期成分xr：对得到的Xk′，L(f)进行逆傅里叶变换，得到长度为L的周期性成分xp，k′，并与x(n+(k′-1)L)相减，求得长度为L的非周期性成分xr，k′。重复步骤S1-3，求得0＜k′≤K′所对应的xp，k′和xr，k′，首尾相连得到xp和xr。
需要注意的是，时间延迟因子τ和滤波器阶数L的选取会对滤波器的分离性能产生很大影响。其中，时间延迟因子τ应略大于随机成分的相关长度，滤波器阶数L至少为选定移除离散成分最小频率的10-20倍。
所述步骤S2具体包括：
S2-1：对S1得到的随机成分，进行平方包络。
S2-2：对平方包络得到的信号进行自相关降噪。
S2-3：对降噪后的信号进行谱分析。
S2-4：提取轴承故障特征频率。具体操作如下：
假设接触角的变换范围为αmin至αmax之间，计算出平方包络谱YSE中轴承故障特征频率搜索范围为[fmin，fmax]。其中，Z为滚动体个数，d为滚动体直径，D为轴承节径，α为接触角，fi为内圈旋转频率，fo为外圈旋转频率，一般情况下滚动轴承外圈固定，内圈旋转，即|fi-fo|＝fi。
在平方包络谱YSE中，轴承故障特征频率搜索范围内谱线的最大值即为故障特征频率对应幅值对应频率即为故障特征频率foc，对应的角度即为接触角α，/>和α表示为：
所述步骤S3具体包括：
S3-1：求取轴承故障特征频率foc附近谱线的平均值，假设foc对应带宽为Δf，平均值计算范围为δf，平方包络谱间隔为fε，foc附近谱线的平均值表示为：
fi∈[foc-Δf/2-δf/2，foc-Δf/2]，fj∈[foc+Δf/2，foc+Δf/2+δf/2]
S3-2：构造一个反映轴承故障特征频率foc局部特征显著度的无量纲特征量Sloc：
S3-3：构造一个反映轴承故障特征频率foc整体特征显著度的无量纲特征量Sgen，假设所需分析的频率范围为[f′min，f′max]，则Sgen可表示为：
其中，表示取前5个最大值。
S3-4：得到一个可同时反映轴承故障特征频率foc的局部特征显著度和整体特征显著度的无量纲特征量S：
S＝Sloc·Sgen (15)
S3-5：为了实现无量纲特征的归一化，并且能够准确表征轴承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，提出了一种基于S型函数的特征显著度值计算方法。其函数表达式为：
将所得的无量纲特征量S进行归一化处理，得到最终的外圈故障特征显著度So，So∈[0，1]。
为了说明本发明所述方法对真实发动机使用环境的适用性，选取某型国产军用航空发动机主轴承剥落故障整机台架试车数据，三支点轴承为带有外圈剥落故障的角接触球轴承，外圈故障剥落尺寸约为3毫米*5.5毫米，属于早期剥落，如图3。试验累计进行155小时34分钟，最终因滑油温度迅速增加，振动与金属屑信号告警而停止。振动加速度传感器安装于中介机匣机载振动监控测点，采样频率为200kHz。
选用故障早期数据，根据发明人新提出的航空发动机滚动轴承故障演化状态监测方法，试验前108.9小时轴承均为早期剥落故障，因此选用试验前108.9小时的振动信号，限定发动机为中间稳定状态，此时对应N1转速8051rpm，N2转速14417rpm，轴承初始接触角39°，可计算出外圈故障特征频率fo为2155Hz。选择一组振动信号的原始波形及其频谱特征如图4所示，局部频谱(1800Hz-2300Hz)如图5所示，经平方包络、自相关后的频谱如图6所示。从中可以看出，由于传递路径、强噪声和周期信号等杂波、倍频的影响，从中很难直接判断出主轴承的外圈故障特征频率分量。此外，理论分析表明轴承滚子受离心径向载荷的影响，将减小与外圈的接触角，增大与内圈的接触角，并随着工况的改变而改变，从而导致外圈故障特征频率的提取更为困难。
首先对上述信号进行弱随机信号提取方法，滤除航空发动机整机振动加速度信号中的离散干扰成分，获得含有主轴承故障特征频率的随机成分，在此基础上，根据滚动体与外圈的接触角变化规律，对主轴承外圈故障特征进行辨识和提取。按照步骤S1所述方法，取τ＝100(略大于随机成分相关长度fs/fo≈92.81)，L＝2700(大于N1转速频率8051/60≈134.18Hz的20倍)，分离得到的离散成分及频谱如图7所示，分离得到的随机成分及频谱如图8所示。从中可以看出，原始频谱中大量倍频已通过弱随机信号提取技术被有效分离至离散成分，滤除转子转速频率、齿轮啮合频率及倍频等对后续主轴承外圈故障特征提取有影响的离散频率分量，由此可见弱随机信号提取技术有效地分离出了信号的离散成分和随机成分，为后续主轴承外圈故障的特征提取降低了干扰。
随后，参照步骤S2所述方法，提取轴承外圈故障特征频率，经过平方包络、自相关降噪、谱分析的方法，得到随机信号的平方包络谱如图9所示。对比图7原始信号的频谱图，在理论外圈故障频率2155Hz两侧存在2133Hz、2146Hz、2164Hz频率分量的能量集中，分别对应着接触角32.3°、36.7°、41.7°。由轴承动力学理论可知，由于滚动体的离心力作用，滚动体与外圈的接触角将比设计角要小，即应该小于39°设计值。因此可以排除2164Hz为实际外圈故障频率，41.7°为实际接触角的可能。其余的2133Hz、2146Hz无法进行准确判断，只能通过2146Hz频率分量对应幅值大于2133Hz频率分量对应幅值，推测2146Hz更可能为实际外圈故障频率，但无法排除2133Hz为理论外圈故障特征频率的可能，实际外圈故障频率无法有效、准确提取。而从图9随机信号的频谱图中可以看出，2133Hz(N1转速频率的16倍频)、2164Hz(N2转速频率的9倍频)频率分量已被有效滤除，可判断2146Hz为实际外圈故障特征频率，36.7°为实际接触角。由此可见，本发明可以有效提取信号中的随机成分，滤除离散部分在平方包络谱分析中的干扰成分，提高故障频率所在频带对应幅值，抑制杂波对故障诊断的影响。
值得注意的是，2146Hz相比2133Hz，更加接近N1转速的16倍频，但经过弱随机信号提取技术处理，2146Hz频率分量得以保留，说明在该状态下，外圈故障频率接近N1转速的16倍频，从而被有效激励出来，但频谱中由于受到转速频率、啮合频率的谐波干扰，无法进行有效识别提取。经过弱随机信号提取技术处理过后，谐波成分得到有效滤除，轴承故障频率得以保留，最终可有效、准确提取实际外圈故障频率，符合并验证了在实际工况下，滚动体与外圈的接触角将比设计角要小的规律。
为了进一步验证本发明所提出的轴承故障特征归一化无量纲特征量，选取61小时43分至68小时58小时的振动数据，限定N2转速大于13900rpm以上的大状态稳态振动加速度数据进行特征显著度和接触角计算，S型函数的参数k取0.1，a取50，S型曲线如图10所示。计算得到的原始信号与随机成分特征显著度散点对比如图11所示，将显著度大于0.8的外圈特征显著度对应外圈故障特征频率，计算得出对应的接触角，接触角分布散点对比如图12所示，接触角统计对比如图13所示。
从图11(a)和图12(a)可知，原始信号计算得出的外圈故障特征显著度相对集中，说明提取到的外圈故障频率能量分布更加集中，接触角主要集中在41.7°左右。但已在上文进行了分析，计算出的接触角与实际规律不符，且该频率集中在N2转速频率的9倍频，为干扰成分。而经DRS处理后的随机信号，外圈故障特征显著度得到了有效的筛选，由图12(b)和图13(b)可知，接触角主要集中在28°到36°之间，转速倍频等干扰成分得到了有效滤除，由此可见，本发明所提出的方法可以有效提取外圈故障特征频率并计算得到对应的接触角。
最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (5)
1.一种强噪声服役环境下军用航空发动机主轴承微弱故障信号特征频率提取方法，其特征在于，包括以下步骤：
S1.针对采集的航空发动机机匣测点测量振动加速度信号，采用弱随机信号提取技术对信号进行分离，获得信号的离散成分和随机成分；其中，离散成分中包括转速频率及其倍频、齿轮啮合频率及其倍频信号，随机成分中包括轴承故障特征频率和噪声信号；
S2.对得到的随机成分进行平方包络、自相关降噪和谱分析，提取轴承故障特征频率；
S3.基于S2提取的特征频率，构造反映轴承故障特征频率局部/整体特征显著水平的无量纲特征量，并采用基于S型函数的特征显著度计算方法，实现无量纲特征的归一化，以准确识别轴承故障特征；所述步骤S1的具体操作为：
S1-1：划分主振动序列和延迟振动序列：x为原始振动序列，将x划分成长度均为2L+τ的子信号，其中L为待生成的自参考自适应滤波器阶数，τ为主振动序列与延迟振动序列间的延迟，延迟振动序列和主振动序列xk(n)可分别表示为：
其中，wL(n)为长度为L的窗函数，采用Parzen窗函数，k为子信号段数，共K段；
S1-2：构建自参考自适应最佳滤波器：滤波器的目的是实现从到xk(n)的最佳预测，使/>中的周期性部分保持不变的前提下，实现对xk(n)最佳预测，而非周期部分及宽带噪声将从/>中滤除，实现最小均方预测误差的自参考自适应最佳滤波器频响函数H(f)可表示为：
其中，SUV(f)为信号U和V的互功率谱，SUU(f)为信号U的自功率谱，p表示周期性成分，r表示非周期成分；
S1-3：频域滤波和相位修正：将x划分为长度均为L的子信号x(n+(k′-1)L),0＜n≤L，k′为子信号段数，共K′段，利用H(f)依次对上述子信号进行频域滤波，表示为：
其中，为第k′段滤波结果，Xk′,L(f)为第k′段长度为L的子信号的傅里叶变换，为保证所得滤波信号相位与原始信号相同，需根据滤波后的幅频特性和滤波前的相频特性重构滤波后的频谱，表示为：
其中，为/>重构后的频谱，|*|为取幅值，Ψ(*)为取相位；
S1-4：得到确定性成分xp和随机成分xr：对得到的进行逆傅里叶变换，得到长度为L的周期性成分xp,k′，并与/>相减，求得长度为L的非周期性成分xr,k′，重复步骤S1-3，求得0＜k′≤K′所对应的xp,k′和xr,k′，首尾相连得到xp和xr；
所述步骤S3具体包括以下步骤：
S3-1：求取轴承故障特征频率foc附近谱线的平均值，假设foc对应带宽为Δf，平均值计算范围为δf，平方包络谱间隔为fε，foc附近谱线的平均值表示为：
fi∈[foc-Δf/2-δf/2,foc-Δf/2],fj∈[foc+Δf/2,foc+Δf/2+δf/2]
S3-2：构造一个反映轴承故障特征频率foc局部特征显著度的无量纲特征量Sloc：
S3-3：构造一个反映轴承故障特征频率foc整体特征显著度的无量纲特征量Sgen，假设所需分析的频率范围为[f′min,f′max]，则Sgen可表示为：
其中，表示取前5个最大值；
S3-4：得到一个可同时反映轴承故障特征频率foc的局部特征显著度和整体特征显著度的无量纲特征量S：
S＝Sloc·Sgen (15)
S3-5：为了实现无量纲特征的归一化，并且能够准确表征轴承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，使用以下公式计算基于S型函数的特征显著度值：
将所得的无量纲特征量S进行归一化处理，得到最终的轴承故障特征显著度So,So∈[0,1]。
2.根据权利要求1所述的故障信号特征频率提取方法，其特征在于，步骤S1-2中，xk(n)＝pk(n)+rk(n)，H(f)可表示为：
其中，为第k段子信号延迟振动序列/>进行长度为M的傅里叶变换，Xk,M(f)为第k段子信号主振动序列xk(n)进行长度为M的傅里叶变换。
3.根据权利要求2所述的故障信号特征频率提取方法，其特征在于，
采用M＝L，得到长度为L的滤波器频率响应函数H(f)，以消除数据长度不同对特征频率造成的影响。
4.根据权利要求1所述的故障信号特征频率提取方法，其特征在于，
时间延迟因子τ应大于随机成分的相关长度，滤波器阶数L至少为选定移除离散成分最小频率的10-20倍。
5.根据权利要求1所述的故障特征频率提取方法，其特征在于，所述步骤2的具体操作为：
S2-1：对S1得到的随机成分，进行平方包络；
S2-2：对平方包络得到的信号进行自相关降噪；
S2-3：对自相关降噪后的信号进行谱分析；
S2-4：从谱分析中提取轴承故障特征频率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211301763.0A CN115711738B (zh) | 2022-10-24 | 2022-10-24 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211301763.0A CN115711738B (zh) | 2022-10-24 | 2022-10-24 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115711738A CN115711738A (zh) | 2023-02-24 |
| CN115711738B true CN115711738B (zh) | 2023-10-31 |
Family
ID=85231539
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211301763.0A Active CN115711738B (zh) | 2022-10-24 | 2022-10-24 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115711738B (zh) |
Families Citing this family (1)
| 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 (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107631877A (zh) * | 2017-08-11 | 2018-01-26 | 南京航空航天大学 | 一种针对机匣振动信号的滚动轴承故障协同诊断方法 |
| CN110470475A (zh) * | 2019-09-04 | 2019-11-19 | 中国人民解放军空军工程大学航空机务士官学校 | 一种航空发动机中介轴承早期微弱故障诊断方法 |
| CN113326782A (zh) * | 2021-06-01 | 2021-08-31 | 西安交通大学 | 基于包络谱形态拟合的滚动轴承故障特征自动提取方法 |
| CN114486263A (zh) * | 2022-02-15 | 2022-05-13 | 浙江大学 | 一种旋转机械滚动轴承振动信号降噪解调方法 |
| CN114705426A (zh) * | 2022-01-06 | 2022-07-05 | 杭州爱华仪器有限公司 | 一种滚动轴承早期故障诊断方法 |
-
2022
- 2022-10-24 CN CN202211301763.0A patent/CN115711738B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107631877A (zh) * | 2017-08-11 | 2018-01-26 | 南京航空航天大学 | 一种针对机匣振动信号的滚动轴承故障协同诊断方法 |
| CN110470475A (zh) * | 2019-09-04 | 2019-11-19 | 中国人民解放军空军工程大学航空机务士官学校 | 一种航空发动机中介轴承早期微弱故障诊断方法 |
| CN113326782A (zh) * | 2021-06-01 | 2021-08-31 | 西安交通大学 | 基于包络谱形态拟合的滚动轴承故障特征自动提取方法 |
| CN114705426A (zh) * | 2022-01-06 | 2022-07-05 | 杭州爱华仪器有限公司 | 一种滚动轴承早期故障诊断方法 |
| CN114486263A (zh) * | 2022-02-15 | 2022-05-13 | 浙江大学 | 一种旋转机械滚动轴承振动信号降噪解调方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115711738A (zh) | 2023-02-24 |
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 | |
| CN106769033B (zh) | 基于阶次包络时频能量谱的变转速滚动轴承故障识别方法 | |
| CN109682601A (zh) | 一种变转速工况下滚动轴承的早期故障识别方法 | |
| US7027953B2 (en) | Method and system for diagnostics and prognostics of a mechanical system | |
| CN104236908B (zh) | 基于mid算法的组合切片轴承故障诊断方法 | |
| Guo et al. | Tooth root crack detection of planet and sun gears based on resonance demodulation and vibration separation | |
| CN108151869A (zh) | 一种机械振动特征指标提取方法、系统及装置 | |
| 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 | |
| US7409854B2 (en) | Method and apparatus for determining an operating status of a turbine engine | |
| Zhao et al. | Rolling element bearing instantaneous rotational frequency estimation based on EMD soft-thresholding denoising and instantaneous fault characteristic frequency | |
| Lin et al. | A review and strategy for the diagnosis of speed-varying machinery | |
| Chen et al. | Proportional selection scheme: A frequency band division tool for rolling element bearing diagnostics | |
| Babiker et al. | Initial fault time estimation of rolling element bearing by backtracking strategy, improved VMD and infogram | |
| Li et al. | Application of a Method of Identifiying Instantaneous Shaft Speed from Spectrum in Aeroengine Vibration Analysis | |
| Lu et al. | Detection of weak fault using sparse empirical wavelet transform for cyclic fault | |
| Loughlin et al. | Conditional moments analysis of transients with application to helicopter fault data | |
| Qin et al. | Adaptive fast chirplet transform and its application into rolling bearing fault diagnosis under time-varying speed condition | |
| Chen et al. | Improvement on IESFOgram for demodulation band determination in the rolling element bearings diagnosis | |
| He et al. | Weak fault detection method of rolling bearing based on testing signal far away from fault source | |
| CN116659860A (zh) | 一种服役环境下航空发动机主轴承故障演化监测新方法 | |
| Zhu et al. | Adaptive combined HOEO based fault feature extraction method for rolling element bearing under variable speed condition | |
| Mauricio et al. | Cyclostationary-based tools for bearing diagnostics | |
| Hou et al. | Estimation of the defect width on the outer race of a rolling element bearing under time‐varying speed conditions | |
| CN116644280A (zh) | 一种发动机主轴承故障高频振动诊断方法 | |
| CN117109923A (zh) | 一种滚动轴承故障诊断方法及系统 |
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 |