[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN113504309B - 基于单个叶端定时传感器的叶片检测方法 - Google Patents

基于单个叶端定时传感器的叶片检测方法 Download PDF

Info

Publication number
CN113504309B
CN113504309B CN202110702413.4A CN202110702413A CN113504309B CN 113504309 B CN113504309 B CN 113504309B CN 202110702413 A CN202110702413 A CN 202110702413A CN 113504309 B CN113504309 B CN 113504309B
Authority
CN
China
Prior art keywords
blade
blades
frequency difference
displacement data
natural frequency
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
Application number
CN202110702413.4A
Other languages
English (en)
Other versions
CN113504309A (zh
Inventor
田绍华
曹佳辉
杨志勃
陈雪峰
杨来浩
李浩琪
王增坤
吴淑明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Publication of CN113504309A publication Critical patent/CN113504309A/zh
Application granted granted Critical
Publication of CN113504309B publication Critical patent/CN113504309B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/12—Analysing solids by measuring frequency or resonance of acoustic waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Biochemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Signal Processing (AREA)
  • Acoustics & Sound (AREA)
  • Discrete Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于单个叶端定时传感器的叶片检测方法，方法中，在位移数据中截取两个叶片的同转速下的两段位移数据向量，基于两个叶片的夹角对位移数据向量截取的位置进行调整，以重新截取两段位移数据向量，重新截取的两段位移数据向量点乘得到对应序号相乘后的乘积数据向量，乘积数据向量通过低频滤波，然后进行离散傅里叶变换得到频率成分，从低频成分中提取两个叶片的固有频率差值，通过不同叶片间差值的线性组合判断频率差值的可信度以对频率差值矩阵进行修正，基于频率差值矩阵构建的系数矩阵，提取每个叶片的固有频率差值和，当其超出预定的频率差值和阈值判断叶片异常。

Description

基于单个叶端定时传感器的叶片检测方法
技术领域
本发明属于叶片非接触无损检测领域，特别是一种基于单个叶端定时传感器的叶片检测方法。
背景技术
叶片被广泛应用于压气机、燃气轮机、航空发动机等旋转式流体机械设备中，在叶片使用中，裂纹、掉块、碰摩、叶冠磨损等都是较为常见的故障形式，并且故障一旦出现，会随着工作时间逐渐加深，从而造成更大的故障，发生安全事故。所以对关键设备的旋转叶片进行在线故障诊断十分必要，而上述叶片异常情况往往会对叶片的固有频率产生影响，所以可以通过对叶片的固有频率进行分析，从而判断叶片是否存在异常。叶端定时技术(Blade Tip Timing, BTT)是一种非接触在线测量旋转叶片振动的方法，但叶端定时采样速率和转速和传感器数量有关，由于实际情况下传感器安装位置有限，所以叶端定时数据具有严重欠采样特性，并且甚至连转速传感器的安装都无法实现。有转速基准方法的叶端位移测量需要借助转速将叶片达到时间差转换成叶端位移，并且在实际使用中，往往选用使用多个叶端定时传感器来减弱欠采样所造成的混叠影响，但转速传感器以及多个叶端定时传感器安装在实际有限的空间中会造成较大的困扰，并且也增加了测量成本，传统方法对叶端定时传感器均布和非均布的数据进行模态参数识别时，如压缩感知、子空间方法、最小二乘迭代。一方面这类算法都涉及大量的运算，无法实现在线实时检测和诊断，另一方面这类算法是直接对单个叶片的固有频率等参数进行识别，存在较大的误差。
在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。
发明内容
针对现有技术中存在的问题，本发明提出一种基于单个叶端定时传感器的叶片检测方法，对叶片的健康状态给出更快速和更准确的评价。
本发明的目的是通过以下技术方案予以实现，一种基于单个叶端定时传感器的叶片检测方法包括以下步骤：
第一步骤中，利用单个叶端定时传感器获取旋转叶片的实际达到时间，并根据旋转叶片的转速和叶片长度，理论到达时间和实际达到时间之差转换为叶端的位移数据；
第二步骤中，在所述位移数据中截取两个叶片的同转速下的两段位移数据向量，
第三步骤中，基于两个叶片的夹角对所述位移数据向量截取的位置进行调整，以重新截取两段位移数据向量，重新截取的两段位移数据向量点乘得到对应序号相乘后的乘积数据向量；
第四步骤中，所述乘积数据向量通过低频滤波，然后进行离散傅里叶变换得到频率成分，从低频成分中提取两个叶片的固有频率差值，
第五步骤中，对叶盘上的叶片进行两两组合，重复第二步骤至第四步骤，得到全部的固有频率差值以频率差值矩阵，
第六步骤中，通过不同叶片间差值的线性组合判断频率差值的可信度以对频率差值矩阵进行修正，
第七步骤中，基于所述频率差值矩阵构建的系数矩阵，提取每个叶片的固有频率差值和，当其超出预定的频率差值和阈值判断叶片异常。
所述的方法中，第一步骤中，单个叶端定时传感器获取均匀升速或均匀减速的旋转叶片的实际达到时间
Figure 614128DEST_PATH_IMAGE001
，并根据叶片的转速
Figure 904164DEST_PATH_IMAGE002
和叶片长度
Figure 798171DEST_PATH_IMAGE003
将理论到达和实际达到时间差转换为叶端位移，表达式如下：
Figure 630997DEST_PATH_IMAGE004
，
Figure 788309DEST_PATH_IMAGE005
，其中
Figure 237745DEST_PATH_IMAGE006
表示第
Figure 466601DEST_PATH_IMAGE007
圈时的转速；
Figure 419514DEST_PATH_IMAGE008
表示1号叶片和
Figure 13306DEST_PATH_IMAGE009
号叶片静止情况下的角度；
Figure 684459DEST_PATH_IMAGE010
表示第
Figure 920268DEST_PATH_IMAGE011
个叶片在第
Figure 665370DEST_PATH_IMAGE007
圈的实际到达时间；
Figure 695643DEST_PATH_IMAGE012
表示叶片数量，其中
Figure 854092DEST_PATH_IMAGE006
表示第
Figure 362434DEST_PATH_IMAGE007
圈时的转速；
Figure 289938DEST_PATH_IMAGE008
表示1号叶片和
Figure 287850DEST_PATH_IMAGE009
号叶片静止情况下的角度；
Figure 933595DEST_PATH_IMAGE013
表示第
Figure 980049DEST_PATH_IMAGE011
个叶片在第
Figure 699743DEST_PATH_IMAGE007
圈的实际到达时间；
Figure 71818DEST_PATH_IMAGE012
表示叶片数量。其中，
Figure 204860DEST_PATH_IMAGE014
其中
Figure 320583DEST_PATH_IMAGE015
表示以转速传感器安装位置为基准，第
Figure 957101DEST_PATH_IMAGE016
个叶片的角度。
Figure 500078DEST_PATH_IMAGE017
表示以转速传感器安装位置为基准，第
Figure 651573DEST_PATH_IMAGE018
个传感器的角度，
Figure 570988DEST_PATH_IMAGE019
为第j圈时的转速。
所述的方法中，叶片的旋转过程为预定加速度的升速或减速过程，在旋转过程中使用周向均布的气嘴喷气模拟气体激励。
所述的方法中，两个位移数据截取的区间相同，均为
Figure 62012DEST_PATH_IMAGE020
，采样频率
Figure 447994DEST_PATH_IMAGE021
为：
Figure 555627DEST_PATH_IMAGE022
，其中
Figure 13153DEST_PATH_IMAGE023
为的第
Figure 358684DEST_PATH_IMAGE009
圈对应的转速，
Figure 305780DEST_PATH_IMAGE024
为所截取的数据长度。
所述的方法中，两个叶片的同转速下的两段位移数据向量
Figure 635130DEST_PATH_IMAGE025
，截取的数据区间均为
Figure 642487DEST_PATH_IMAGE026
，向量长度为
Figure 108103DEST_PATH_IMAGE027
。其中c为两个叶片位移数据中某个位置所对应的索引序号。
所述的方法中，第一个达到叶端定时传感器的叶片为1号叶片，若第i和第j号叶片夹角大于180°，则将较小的叶片编号的数据选取区间向前平移1个单位，数据区间变为
Figure 101467DEST_PATH_IMAGE028
。
所述的方法中，第三步骤中，两段位移数据向量
Figure 652534DEST_PATH_IMAGE029
相乘后的乘积数据向量为：
Figure 248601DEST_PATH_IMAGE030
，从频率成分中提取两个叶片的固有频率差值
Figure 834303DEST_PATH_IMAGE031
，
Figure 60885DEST_PATH_IMAGE032
，
其中
Figure 771352DEST_PATH_IMAGE033
为采样得到的信号，
Figure 374372DEST_PATH_IMAGE034
是虚数符号，
Figure 814580DEST_PATH_IMAGE035
，
Figure 8801DEST_PATH_IMAGE036
是一个迭代数，从
Figure 800040DEST_PATH_IMAGE037
遍历到
Figure 675592DEST_PATH_IMAGE038
，即取遍
Figure 907990DEST_PATH_IMAGE039
中的所有元素，
Figure 476375DEST_PATH_IMAGE009
是一个
Figure 754909DEST_PATH_IMAGE037
到
Figure 434152DEST_PATH_IMAGE038
整数，
Figure 645691DEST_PATH_IMAGE040
表示离散傅里叶变换后的第
Figure 650556DEST_PATH_IMAGE009
个数据。
所述的方法中，第五步骤中，选取不同的叶片组合共
Figure 885228DEST_PATH_IMAGE041
种组合，二步骤至第四步骤得到
Figure 368162DEST_PATH_IMAGE042
个固有频率差值，组成固有频率差值矩阵
Figure 575152DEST_PATH_IMAGE043
，
Figure 219760DEST_PATH_IMAGE044
，
其中，
Figure 207308DEST_PATH_IMAGE045
表
Figure 290670DEST_PATH_IMAGE046
示
Figure 680063DEST_PATH_IMAGE047
的符号，当
Figure 26731DEST_PATH_IMAGE048
提取为正号，反之为负号。
所述的方法中，第六步骤中，固有频率差为：
Figure 235996DEST_PATH_IMAGE049
，频率误差容限
Figure 732836DEST_PATH_IMAGE050
满足下式时，表示该区域的差频可信，
Figure 976736DEST_PATH_IMAGE051
，频率差值矩阵
Figure 494305DEST_PATH_IMAGE043
的可信度
Figure 190865DEST_PATH_IMAGE052
表达式为：
Figure 819293DEST_PATH_IMAGE053
，固有频率差值矩阵
Figure 714436DEST_PATH_IMAGE043
的可信度
Figure 402907DEST_PATH_IMAGE052
小于0.5时，无法用于故障诊断，频率差值矩阵
Figure 586763DEST_PATH_IMAGE043
的可信度
Figure 425406DEST_PATH_IMAGE052
大于0.5时，通过修正后重新计算频率差值矩阵
Figure 643898DEST_PATH_IMAGE043
的可信度
Figure 249409DEST_PATH_IMAGE052
大于0.8，则矩阵可用于下一步故障诊断。
所述的方法中，第七步骤中，构建的系数矩阵为：
Figure 717300DEST_PATH_IMAGE054
，
Figure 953109DEST_PATH_IMAGE055
，如果
Figure 760528DEST_PATH_IMAGE056
，则判定叶片存在故障。
本发明方法只需要单叶端定时传感器，无需转速基准即可实现从严重欠采样的数据中提取不同叶片之间的固有频率差，并且根据不同叶片的固有频率差判断叶片的是否存在故障，不需要进行额外的信号重构和更多的叶端定时传感器，运算快速稳定，简单可行，可实现旋转叶片的故障在线检测。
上述说明仅是本发明技术方案的概述，为了能够使得本发明的技术手段更加清楚明白，达到本领域技术人员可依照说明书的内容予以实施的程度，并且为了能够让本发明的上述和其它目的、特征和优点能够更明显易懂，下面以本发明的具体实施方式进行举例说明。
附图说明
通过阅读下文优选的具体实施方式中的详细描述，本发明各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。说明书附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。显而易见地，下面描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。而且在整个附图中，用相同的附图标记表示相同的部件。
在附图中：
图1为基于单个叶端定时传感器的叶片检测方法的系统图；
图2为所截取的1号和2号叶片位移数据去均值、归一化后的位移图；
图3为所截取的1号和2号叶片数据相乘得到的乘积向量
Figure 790801DEST_PATH_IMAGE057
时域图；
图4为乘积向量
Figure 621353DEST_PATH_IMAGE058
低通滤波后的频谱图；
图5为频率差频矩阵三角组合修正示意图；
附图标记如下：
1电机，2叶端定时传感器，3喷嘴，4机匣，5整体叶盘。
以下结合附图和实施例对本发明作进一步的解释。
具体实施方式
下面将参照附图1至图5更详细地描述本发明的具体实施例。虽然附图中显示了本发明的具体实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。
为便于对本发明实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个附图并不构成对本发明实施例的限定。
基于单个叶端定时传感器的叶片检测方法包括，
（1）利用1个叶端定时传感器获取旋转叶片的达到时间和转速，并根据转速和叶片长度，将理论到达和实际达到时间差转换为叶端位移。
在本示例性实例中，具体为将单光纤型叶端定时传感器固定在机匣上，将初始转速设定为60Hz, 转速加速度为0.5Hz/s, 转速变化范围内60Hz-100Hz-60Hz，其中100Hz匀速段时间为20s。叶盘采用6叶片的整体式铝合金叶盘，叶盘半径为
Figure 864116DEST_PATH_IMAGE059
，叶片厚度
Figure 853938DEST_PATH_IMAGE060
，叶片宽度
Figure 789533DEST_PATH_IMAGE061
。在机匣上均布4个喷嘴，喷射0.5Mpa的高压气体，利用单叶端定时传感器获取旋转叶片的达到时间和转速，并根据转速和叶片长度，将理论到达和实际达到时间差转换为叶端位移。
（2）选择所要分析的两个叶片的近似同转速下的两段位移数据。若选取的是缓慢升速或降速数据，截取的数据长度不宜过长，以达到近似恒定采样率频的要求。
在本示例性实例中，具体为选取叶片1和叶片2的位移数据，所截取的数据序号范围为
Figure 435278DEST_PATH_IMAGE062
。如图2所示，通过叶端定时传感器估计得到的对应的转速变化范围为：
Figure 419414DEST_PATH_IMAGE063
，近似采样频率
Figure 201425DEST_PATH_IMAGE064
。
（3）根据叶片间的角度，对数据向量截取的位置进行调整后，对两个数据向量进行点乘操作，得到对应序号相乘后的乘积数据向量；
在本示例性实例中，叶片1和叶片2的夹角为
Figure 573501DEST_PATH_IMAGE065
，无需进行数据向量截取位置的调整。
通过将所截取的两个向量
Figure 706542DEST_PATH_IMAGE066
,
Figure 619003DEST_PATH_IMAGE067
相乘，得到叶片1和2的乘积向量
Figure 521100DEST_PATH_IMAGE068
：
Figure 798498DEST_PATH_IMAGE069
(15)
（4）对乘积数据向量进行低通滤波，通过离散傅里叶变换得到频率成分，从低频成分中提取两个叶片的固有频率差值。
在本示例性实例中，低通滤波的截止频率为
Figure 825359DEST_PATH_IMAGE070
，离散傅里叶变换的计算公式为：
Figure 744774DEST_PATH_IMAGE071
(16)
其中
Figure 235798DEST_PATH_IMAGE033
为采样得到的信号，
Figure 746414DEST_PATH_IMAGE011
是虚数符号，
Figure 854047DEST_PATH_IMAGE035
，
Figure 45994DEST_PATH_IMAGE072
为采集到的信号的长度，
Figure 657104DEST_PATH_IMAGE039
中元素的个数，
Figure 479566DEST_PATH_IMAGE036
是一个迭代数，从
Figure 543337DEST_PATH_IMAGE037
遍历到
Figure 538975DEST_PATH_IMAGE038
，即取遍
Figure 66909DEST_PATH_IMAGE039
中的所有元素，
Figure 388168DEST_PATH_IMAGE009
是一个
Figure 673656DEST_PATH_IMAGE037
到
Figure 410668DEST_PATH_IMAGE038
整数，
Figure 996370DEST_PATH_IMAGE040
表示离散傅里叶变换后的第
Figure 957373DEST_PATH_IMAGE009
个数据。
（5）重复(2)～(4)步骤，对叶盘上的叶片进行两两组合，得到全部的频率差值，组成频率差值矩阵。
在本示例性实例中，采用的是6叶片的叶盘，所以
Figure 261315DEST_PATH_IMAGE073
，所以需要计算
Figure 661073DEST_PATH_IMAGE074
个频率差，得到的频率差值矩阵
Figure 101281DEST_PATH_IMAGE043
为：
Figure 498765DEST_PATH_IMAGE075
(17)
本实例中使用的频率误差容限
Figure 696528DEST_PATH_IMAGE076
，频率差值矩阵的所有三角差频组合均满足频率容限条件，可信度为1，所以无需修正。
通过如下表达式构建6个系数矩阵
Figure 114957DEST_PATH_IMAGE077
：
Figure 409672DEST_PATH_IMAGE078
(18)
将频率差值矩阵
Figure 978057DEST_PATH_IMAGE043
分别乘以这6个系数矩阵得到6个差频和值
Figure 53329DEST_PATH_IMAGE079
Figure 732572DEST_PATH_IMAGE080
(19)
Figure 147373DEST_PATH_IMAGE081
选取阈值
Figure 886659DEST_PATH_IMAGE082
，可知其中1号叶片和5号叶片的频率偏低，未满足以下条件：
Figure 59014DEST_PATH_IMAGE083
(20)
所以判定1号叶片和5号叶片固有频率明显偏低，存在异常。
使用引电滑环，通过应变片测量可对6个叶片的固有频率进行提取，得到叶片的固有频率为，这与本专利提出的方法的计算结果较为接近，说明方法的可行性。
Figure 807527DEST_PATH_IMAGE084
实际该叶盘中1号叶片和5号叶片存在裂纹，固有频率偏低。
【应用实例】
如图1所示的叶端定时试验台，将单光纤型叶端定时传感器固定在机匣上，将初始转速设定为60Hz, 转速加速度为0.5Hz/s, 转速变化范围内60Hz-100Hz-60Hz，其中100Hz匀速段时间为20s。叶盘采用6叶片的整体式铝合金叶盘，叶盘半径为
Figure 811255DEST_PATH_IMAGE059
，叶片厚度
Figure 783759DEST_PATH_IMAGE060
，叶片宽度
Figure 771307DEST_PATH_IMAGE061
。在机匣上均布4个喷嘴，喷射0.5Mpa的高压气体，利用单叶端定时传感器获取旋转叶片的达到时间，并根据转速和叶片长度，将理论到达和实际达到时间差转换为叶端位移。
具体为选取叶片1和叶片2的位移数据，所截取的数据位置为叶片1共振峰值附近的240个数据，序号范围为
Figure 792353DEST_PATH_IMAGE062
。如图2所示，对应的转速变化范围为：
Figure 181746DEST_PATH_IMAGE085
，近似采样频率
Figure 200517DEST_PATH_IMAGE064
。
叶片1和2的夹角为
Figure 409782DEST_PATH_IMAGE065
，无需进行数据向量截取位置的调整。通过将所截取的两个向量
Figure 234518DEST_PATH_IMAGE066
,
Figure 275155DEST_PATH_IMAGE067
相乘，得到叶片1和2的乘积向量
Figure 792724DEST_PATH_IMAGE068
。
对乘积数据向量进行低通滤波，通过离散傅里叶变换得到频率成分，从低频成分中提取两个叶片的固有频率差值。在本示例性实例中，低通滤波的截止频率为
Figure 489285DEST_PATH_IMAGE070
。绘制出乘积向量
Figure 117712DEST_PATH_IMAGE068
低频滤波后的信号的幅频图，如图4所示，其中可以看到明显频率分量11.7Hz，11.7Hz是本专利方法算得的频率差频，可以认为叶片1和叶片2的固有频率差为
Figure 888222DEST_PATH_IMAGE086
。
使用引电滑环和应变片对旋转叶片分析，可知该铝合金叶盘6个叶片的一阶固有频率分别为：341.95Hz、354.32Hz、361.29Hz、354.02Hz、341.97Hz、351.53Hz，1号叶片和2号叶片的固有频率差为12.37Hz，使用本文方法提取的固有频率差，如图4所示，为11.7 Hz，相差仅为
Figure 311113DEST_PATH_IMAGE087
，继续使用该方法计算叶片两两之间的频率差值，得到频率差值矩阵
Figure 494970DEST_PATH_IMAGE043
，如下式所示：
Figure 723826DEST_PATH_IMAGE088
(21)
本实例中使用的频率误差容限
Figure 942318DEST_PATH_IMAGE076
，频率差值矩阵的所有三角差频组合均满足频率容限条件，可信度为1，所以无需修正。
通过如下表达式构建6个系数矩阵
Figure 536110DEST_PATH_IMAGE089
，将频率差值矩阵
Figure 879367DEST_PATH_IMAGE043
分别乘以这6个系数矩阵得到6个差频和值
Figure 849597DEST_PATH_IMAGE090
，经过6次运算得到
Figure 657016DEST_PATH_IMAGE091
。
选取阈值
Figure 687289DEST_PATH_IMAGE092
，可知其中1号叶片和5号叶片的频率偏低，未满足以下条件：
Figure 642475DEST_PATH_IMAGE093
(20)
所以判定1号叶片和5号叶片固有频率明显偏低，存在异常。
实际该叶盘中1号叶片和5号叶片存在裂纹，固有频率偏低。本实例说明本发明所提出的无转速基准单叶端定时传感器叶片检测方法的有效性。
尽管以上结合附图对本发明的实施方案进行了描述，但本发明并不局限于上述的具体实施方案和应用领域，上述的具体实施方案仅仅是示意性的、指导性的，而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下，还可以做出很多种的形式，这些均属于本发明保护之列。

Claims (5)

1.一种基于单个叶端定时传感器的叶片检测方法，所述方法包括以下步骤：
第一步骤（S1）中，利用单个叶端定时传感器获取均匀升速或均匀减速的旋转叶片的实际到达时间，并根据叶片的转速和叶片长度
Figure DEST_PATH_IMAGE001
，将理论到达时间和实际到达时间之差转换为叶端的位移数据，表达式如下：
Figure 596477DEST_PATH_IMAGE002
，
Figure DEST_PATH_IMAGE003
，
其中，
Figure 160182DEST_PATH_IMAGE004
表示第
Figure DEST_PATH_IMAGE005
圈时的转速；
Figure 295497DEST_PATH_IMAGE006
表示1号叶片和
Figure DEST_PATH_IMAGE007
号叶片静止情况下的角度；
Figure 116648DEST_PATH_IMAGE008
表示第
Figure DEST_PATH_IMAGE009
个叶片在第
Figure 602993DEST_PATH_IMAGE005
圈的实际到达时间；
Figure 252280DEST_PATH_IMAGE010
表示叶片数量，
Figure DEST_PATH_IMAGE011
，
其中，
Figure 976523DEST_PATH_IMAGE012
表示以转速传感器安装位置为基准，第
Figure 302331DEST_PATH_IMAGE014
个叶片的角度，
Figure DEST_PATH_IMAGE015
表示以转速传感器安装位置为基准，第
Figure 10393DEST_PATH_IMAGE016
个叶端定时传感器的角度，
Figure DEST_PATH_IMAGE017
为第j圈时的转速；
第二步骤（S2）中，在所述位移数据中截取两个叶片的同转速下的两段位移数据向量；
第三步骤（S3）中，基于两个叶片的夹角对所述位移数据向量截取的位置进行调整，以重新截取两段位移数据向量，通过将重新截取的两段位移数据向量相乘得到两个叶片的乘积数据向量，其中，
两段位移数据向量
Figure 650321DEST_PATH_IMAGE018
相乘后的乘积数据向量为：
Figure DEST_PATH_IMAGE019
；
第四步骤（S4）中，所述乘积数据向量通过低频滤波，然后进行离散傅里叶变换得到频率成分，从低频成分中提取两个叶片的固有频率差值，其中，
从频率成分中提取两个叶片的固有频率差值
Figure 760229DEST_PATH_IMAGE020
，
Figure DEST_PATH_IMAGE021
，
其中，
Figure 194621DEST_PATH_IMAGE022
为采样得到的信号，
Figure DEST_PATH_IMAGE023
是虚数符号，
Figure 395839DEST_PATH_IMAGE024
，
Figure DEST_PATH_IMAGE025
是一个迭代数，
Figure 839458DEST_PATH_IMAGE026
为采集到的信号的长度，从
Figure DEST_PATH_IMAGE027
遍历到
Figure 803872DEST_PATH_IMAGE028
，即取遍
Figure DEST_PATH_IMAGE029
中的所有元素，
Figure 409166DEST_PATH_IMAGE007
是一个从
Figure 639290DEST_PATH_IMAGE027
到
Figure 683338DEST_PATH_IMAGE028
的整数，
Figure 315308DEST_PATH_IMAGE030
表示离散傅里叶变换后的第
Figure 153820DEST_PATH_IMAGE007
个数据；
第五步骤（S5）中，对叶盘上的叶片进行两两组合，重复第二步骤至第四步骤，得到全部的固有频率差值以组成固有频率差值矩阵
Figure DEST_PATH_IMAGE031
，其中，
选取不同的叶片组合共
Figure 323770DEST_PATH_IMAGE032
种组合，重复第二步骤至第四步骤得到
Figure DEST_PATH_IMAGE033
个固有频率差值，组成固有频率差值矩阵
Figure 843613DEST_PATH_IMAGE031
，
Figure 595668DEST_PATH_IMAGE034
，
其中，
Figure DEST_PATH_IMAGE035
Figure 825922DEST_PATH_IMAGE036
表示
Figure DEST_PATH_IMAGE037
的符号，当
Figure 483168DEST_PATH_IMAGE038
提取为正号，反之为负号；
第六步骤（S6）中，通过不同叶片间固有频率差值的线性组合判断固有频率差值矩阵的可信度以对固有频率差值矩阵进行修正，其中，
固有频率差值为：
Figure DEST_PATH_IMAGE039
，
频率误差容限
Figure 72281DEST_PATH_IMAGE040
满足下式时，表示该区域的固有频率差值可信，
Figure DEST_PATH_IMAGE041
，
固有频率差值矩阵
Figure 600215DEST_PATH_IMAGE031
的可信度
Figure 796841DEST_PATH_IMAGE042
表达式为：
Figure DEST_PATH_IMAGE043
,
其中，
固有频率差值矩阵
Figure 675804DEST_PATH_IMAGE031
的可信度
Figure 865346DEST_PATH_IMAGE042
小于0.5时，无法用于故障诊断，固有频率差值矩阵
Figure 326414DEST_PATH_IMAGE031
的可信度
Figure 943209DEST_PATH_IMAGE042
大于0.5时，通过修正后重新计算固有频率差值矩阵
Figure 122518DEST_PATH_IMAGE031
的可信度
Figure 584592DEST_PATH_IMAGE042
大于0.8，则固有频率差值矩阵可用于下一步故障诊断；
第七步骤（S7）中，构建系数矩阵，并基于所述系数矩阵以及固有频率差值矩阵，提取每个叶片的固有频率差值和，当其超出预定的频率差值和阈值判断叶片异常：
其中，
构建的系数矩阵为：
Figure 431325DEST_PATH_IMAGE044
，
其中，
Figure DEST_PATH_IMAGE045
Figure 896985DEST_PATH_IMAGE046
Figure DEST_PATH_IMAGE047
，其中
Figure 16119DEST_PATH_IMAGE048
表示第k个叶片的固有频率差值和；
其中，k从1到
Figure DEST_PATH_IMAGE049
取值；
如果
Figure 219568DEST_PATH_IMAGE050
，则判定k叶片存在故障，其中，
Figure DEST_PATH_IMAGE051
表示预定的频率差值和阈值。
2.根据权利要求1所述的方法，其中，叶片的旋转过程为预定加速度的升速或减速过程，在旋转过程中使用周向均布的气嘴喷气模拟气体激励。
3.根据权利要求1所述的方法，其中，两个位移数据截取的区间相同，均为
Figure 107758DEST_PATH_IMAGE052
，采样频率
Figure DEST_PATH_IMAGE053
为：
Figure 738459DEST_PATH_IMAGE054
，其中
Figure DEST_PATH_IMAGE055
为的第
Figure 344890DEST_PATH_IMAGE007
圈对应的转速，
Figure 165079DEST_PATH_IMAGE056
为所截取的数据长度。
4.根据权利要求3所述的方法，其中，两个叶片的同转速下的两段位移数据向量
Figure DEST_PATH_IMAGE057
，截取的数据区间均为
Figure 907776DEST_PATH_IMAGE058
，向量长度为
Figure DEST_PATH_IMAGE059
，其中c为两个叶片位移数据中某个位置所对应的索引序号。
5.根据权利要求4所述的方法，其中，第一个到达叶端定时传感器的叶片为1号叶片，若第i和第j号叶片夹角大于180°，则将较小的叶片编号的数据选取区间向前平移1个单位，数据区间变为
Figure 974958DEST_PATH_IMAGE060
。
CN202110702413.4A 2021-05-18 2021-06-24 基于单个叶端定时传感器的叶片检测方法 Active CN113504309B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202110543946 2021-05-18
CN2021105439462 2021-05-18

Publications (2)

Publication Number Publication Date
CN113504309A CN113504309A (zh) 2021-10-15
CN113504309B true CN113504309B (zh) 2022-10-28

Family

ID=78010841

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110702413.4A Active CN113504309B (zh) 2021-05-18 2021-06-24 基于单个叶端定时传感器的叶片检测方法

Country Status (1)

Country Link
CN (1) CN113504309B (zh)

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3038382B1 (ja) * 1999-05-12 2000-05-08 科学技術庁航空宇宙技術研究所長 回転動翼振動計測装置
GB2374670B (en) * 2001-04-17 2004-11-10 Rolls Royce Plc Analysing vibration of rotating blades
EP2570766B1 (en) * 2011-09-16 2014-03-19 Meggitt SA Device and method for monitoring rotor blades of a turbine
US9739167B2 (en) * 2012-07-25 2017-08-22 Siemens Energy, Inc. Method and system for monitoring rotating blade health
CN110567574B (zh) * 2019-08-02 2020-11-06 西安交通大学 一种旋转叶片叶端定时振动参数辨识方法与系统
CN110686764A (zh) * 2019-09-17 2020-01-14 天津大学 基于全相位差分原理的恒速叶片异步振动频率测量方法
CN110851963A (zh) * 2019-10-25 2020-02-28 西安交通大学 叶端定时传感器的机匣周向布置方法
CN111413404A (zh) * 2020-03-27 2020-07-14 天津大学 基于叶尖定时和支持向量机原理的叶片裂纹在线测量方法
CN111626167A (zh) * 2020-05-20 2020-09-04 西安交通大学 基于叶端定时和改进多重信号分类的叶片裂纹辨识方法

Also Published As

Publication number Publication date
CN113504309A (zh) 2021-10-15

Similar Documents

Publication Publication Date Title
Kharyton et al. A discussion on the advancement of blade tip timing data processing
EP2237003B1 (en) Method for analysing vibration in rotor blades
EP2532839B1 (en) Rotating blade analysis
CN109101769B (zh) 一种基于压缩感知的叶端定时传感器数目确定方法
CN105466550B (zh) 非均匀欠采样叶端定时振动信号重构方法及其装置
EP2781897B1 (en) Blade tip timing
CN105628176A (zh) 一种旋转机械扭转振动信号采集分析方法
CN113504309B (zh) 基于单个叶端定时传感器的叶片检测方法
CN112304616B (zh) 一种适用于旋转叶片叶尖定时信号的时-频处理方法
CN113533529B (zh) 单个或均布叶端定时传感器提取叶片间固有频率差值方法
CN106644040B (zh) 一种基于多传感器的转轴扭振检测方法与装置
CN113504310B (zh) 基于单个叶端定时传感器的叶片固有频率识别方法
CN114757071B (zh) 一种基于振动参数周期预测叶盘振动节径数的方法
US11898453B1 (en) Method for extracting natural frequency difference between blades by single blade tip timing sensor or uniformly distributed blade tip timing sensors
CN113530617B (zh) 基于叶端定时传感器提取叶片间固有频率差值方法
CN113533530B (zh) 单个叶端定时传感器的叶片固有频率检测方法
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
CN112781723B (zh) 一种基于频谱方差的谐波成分检测方法
CN113504311B (zh) 基于多个叶端定时传感器的叶片检测方法
CN113404555B (zh) 一种基于多个叶端定时传感器的叶片固有频率识别方法
CN115752692A (zh) 一种基于多临近轴键法的叶尖定时到达时刻计算方法
US20240230597A9 (en) Method for detecting natural frequency of blade by single blade tip timing sensor
Hu et al. Experience with the non-contacting blade vibration measurement method using two sensors in a low pressure model steam turbine
CN118408728A (zh) 一种单传感叶端定时测量方法
CN117870857A (zh) 一种谐频噪声分量提取方法及提取效果评估方法

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
GR01 Patent grant
GR01 Patent grant