涡轮泵振动参数与统计特征量的线性相关性分析

为了剔除冗余的振动参数和统计特征量，提高涡轮泵故障检测的实时能力，建立了线性相关性假设检验模型。利用该假设检验模型和某型液体火箭发动机的历史试车数据，检验了7路涡轮泵振动参数以及13种常用统计特征量的线性相关性，并分析了统计特征量对涡轮泵故障的敏感性和稳定性，以及涡轮泵振动数据的正态性。数据统计分析表明，大部分涡轮泵振动参数以及统计特征量显著线性相关，幅值统计特征量的故障敏感性弱，但稳定性强，而无量纲统计特征量的情况恰好相反，并且正常涡轮泵振动数据服从正态分布，而异常涡轮泵振动数据不再服从正态分布。据此，为涡轮泵故障检测选择了线性相关性弱，故障特征反映能力强的3路振动参数和3种统计特征量。     

转速波动状态下涡轮泵典型故障诊断方法

利用涡轮泵振动信号的变换域信息可有效地检测与诊断故障。针对涡轮泵转子叶片断裂与脱落这种典型故障,首先分析其出现的原因,并从动力学的角度研究其振动特征,选择可有效反映该故障的特征频率。然而,涡轮泵转速波动会造成这些特征频率提取的困难,为此提出一种解决此难题的新思路,通过一系列变换域处理来消除转速波动对振动频率的影响,在变换域中提取出稳定的特征频率,从而解决了涡轮泵转速波动状态下该型故障诊断问题。通过涡轮泵历史试车故障数据的验证表明,通过跟踪变换域中这些特征频率的幅值变化,可以有效检测与诊断涡轮泵转子叶片断裂与脱落故障。     

液体火箭发动机高速涡轮泵的振动故障检测

讨论了涡轮泵故障的几个主要原因，据此提取涡轮泵振动数据的特征，用BP神经网络的方法进行故障检测。BP神经网络的训练样本集由一个具有无监督聚类功能的神经网络从原始的特征向量集获取。     

高速涡轮泵实时振动监控算法与系统设计

涡轮泵是液体火箭发动机的故障高发部件之一,研究其实时振动监控算法及系统对提高发动机的可靠性与安全性具有非常重要的意义。在选择涡轮泵监控参数的基础上,深入研究涡轮泵实时故障检测算法,提出用于阈值更新的滑动样本递推方法,实现涡轮泵故障的自适应阈值检测,然后基于数字信号处理器设计涡轮泵新型实时振动监控系统,实现更高的处理速度,并满足小型化需求。     

涡轮泵实时故障检测短数据均值自适应阈值算法

为了实时监控液体火箭发动机涡轮泵的状态，提高其安全性，降低其故障带来的破坏程度，提出了短数据均值自适应阈值算法(SDM—ATA)，建立了实时故障检测的统计学模型、研究了阈值区间均值与方差的自适应计算及其带宽系数的自适应训练、故障综合决策逻辑，以及故障数据对阈值贡献的踢除等方法，并利用某型火箭发动机地面试车涡轮泵振动测量数据和某型转子试验平台实时测量数据对该算法进行离线和实时在线故障检测试验验证。结果表明，SDM—ATA没有发生误检测情况，并具有实时故障检测的能力。     

航天飞机主发动机高压燃料涡轮泵的故障模式

对航天飞机主发动机(SSME)高压燃料涡轮泵(HPFTP)的故障模式作了归纳总结,深入分析了HPFTP关键部件故障的问题及其解决办法.研究表明:①SSME的HPFTP故障模式与一次性使用液体火箭发动机液氢涡轮泵、航空燃气涡轮的故障模式存在很大的差异;②影响HPFTP寿命的重要故障模式是涡轮叶片的断裂与热防护装置的热机械疲劳故障;涡轮叶片的断裂主要由高温蠕变效应与高速旋转离心力所引起.HPFTP启动、关机瞬态效应对涡轮叶片的影响也很严重,在涡轮叶片寿命预估时必须考虑这些因素;③HPFTP次同步振动问题是SSME HPFTP设计初期面临的一个重要故障模式,主要由轴承与泵级间密封引起的;④启动隔离密封这类HPFTP专有密封件的故障模式也是HPFTP故障模式的重要组成部分.      

振动分析在滑动轴承故障诊断中的应用

本文介绍了滑动轴承的力学模型,分析了滑动轴承可能出现的故障类型,以及故障特征;利用某涡轮增压器的振动数据,通过分析其振动特征,确定了该涡轮增压器滑动轴承出现的故障,并给出了故障原因,找到了解决方法。实际应用表明,该解决方法是正确、可行的。     

涡轮泵实时故障检测的改进自适应相关阈值算法

1引言火箭发动机在飞行使用之前,需要分析试车振动数据以评估发动机的性能与状态[1]。涡轮泵是液体火箭发动机中最复杂故障概率最高的部件[2],而振动是涡轮泵故障的重要起因[3],因此,涡轮泵振动数据的分析显得尤为重要。目前,它的主要分析方法有时域统计[4]、频谱分析[5]、神经     

支承结构参与振动对涡轮泵转子动特性的影响

针对采用弹性支承结构的高转速涡轮泵转子,建立了考虑支承结构参与振动的转子系统有限元模型,并对模型和计算方法的正确性进行了验证;以某涡轮泵转子为对象,采用三种不同的支承结构模型,计算分析了支承结构模型的差异,以及参与振动的支承结构质量对临界转速和模态振型的影响,并将临界转速计算和试验结果进行了对比分析。结果表明：支承结构的建模方法和参与振动的质量都对转子动特性有较大影响;支承结构参与振动会使转子支承动刚度相比静刚度明显降低,其中二阶临界转速下的动刚度相比静刚度降低达20.6%;考虑支承结构参振的转子动力学模型可将临界转速计算误差由8%降低至2%左右。     

基于流形学习的涡轮泵海量数据异常识别算法

为了获取海量试车数据中的信息以分析涡轮泵的健康状态,提出一种基于流形学习的海量数据异常识别算法.该算法将反映涡轮泵状态的振动数据重构到高维空间中,利用扩散映射方法直接对其进行学习,提取出数据内在的低维流形特征,以可视化的方式直观地识别出涡轮泵数据中的异常状态.仿真与试车数据验证结果表明了所提算法的可行性和有效性.该算法克服了传统方法解决非线性问题不足的缺点,为试车后涡轮泵的健康分析提供了一条新的途径.     

不对中齿轮联轴器-轴承-转子系统动力特性

为适应液体火箭发动机高速涡轮泵模拟运转需求,内啮合齿轮联轴器被设计作为涡轮快速起动过程运动传递的核心零部件;实际中联轴器前后两轴的不对中程度对试验转子动态性能产生了极大影响.构建了此类特定工程应用的内啮合齿轮联轴器刚度阻尼计算模型、多种不对中工况的表征方法及其附加力与力矩的求解模型、考虑不对中因素的联轴器-滚动轴承-双...     

涡轮泵故障检测系统

1引言随着可重复使用运载器(RLV)的出现与发展,要求涡轮泵具有较高的可重复使用率,因此,它的故障检测与状态监控工作也变得越来越重要[1]。马歇尔飞行中心(MSFC)和波音-加州坎诺加帕克(BCP)正在研究航天飞机主发动机(SSME)涡轮泵的先进实时振动监控系统(ARTVMS)[2]。我国也针对     

涡轮泵试车数据单类支持向量机检测算法

为了在缺乏故障样本的情况下检测某型液体火箭发动机涡轮泵故障,实现基于不完整信息的状态决策,建立了基于v-支持向量分类器的单类支持向量机新异类检测模型。在分析了模型决策边界、支持向量和约束条件之间关系的基础上,为单类支持向量机引入并改进了序贯最小优化算法,提高了训练效率,解决了大样本训练问题。通过对某型液体火箭发动机涡轮泵历史试车数据的分析,结果表明,所建模型的训练速度得到了很大提高,对涡轮泵状态的检测效果良好。     

某型发动机支承松动故障机理分析与试车数据验证

针对某型弹用涡扇发动机振动超标问题,建立了一维有限元梁模型进行仿真与模拟,结合实际试车数据进行了故障分析和仿真,验证了故障原因在于工作转速内存在临界转速,在较大的不平衡力作用下,松动故障被激发。针对机匣加速度信号,研究了不对称刚度模型下松动故障的冲击特征,发现了松动故障所引发的机匣加速度时域波形特征的不对称性以及频谱中出现倍频特征,与实际弹用涡扇发动机试车数据非常一致。结果表明:振动故障是由于支承刚度不足,导致在临界转速附近出现松动故障。