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     

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。     

液体火箭发动机涡轮泵技术的发展

阐述了涡轮泵的技术发展水平在液体火箭发动机研制中的重要地位;分级燃烧循环系统发动机涡轮泵的设计特色;苏联涡轮泵总体设计的特点;并对预压泵、轴向力平衡活塞、两相流诱导轮、正反旋涡轮等涡轮泵新技术的设计原理进行了概述.     

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。     

涡轮泵转子稳定性计算

随着涡轮泵压力和转速的提高,流体密封和叶轮偏心间隙激励成为影响转子稳定性的主要因素。利用Ｃｈｉｌｄｓ Ｄ Ｗ等提出的动力系数计算方法,计算了环形密封引起的附加刚度和阻尼,采用整体传递矩阵法,对考虑流体密封和Ａｌｆｏｒｄ力引起的涡轮泵转子系统的稳定性进行了计算。结果表明,增加支承阻尼和进口反涡动,可以提高转子稳定性。     

涡轮泵转子的临界转速研究

当支承的组合刚性沿周不均匀时,可将其刚性分解到两个互相垂直的主平面中,在主平面中具有最大和最小刚性。同时,把转子振动时的受力和位移分解到主平面中,用八阶阵分别建立轴、支承、盘的传递矩阵,然后根据 转子布局方案 出临界转束客振幅计算方程,研究表明,非均匀支承转子与均匀支承转子相比,频率谱有质量差别,前者可能出现的临界转速数增加一倍,在刚性小的方向首先发生振动,转子振动的轨迹为椭圆。     

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。     

涡轮泵联动试验系统参数稳定性分析

针对某带燃气发生器、调节器和工艺喷管的涡轮泵联动试验系统,采用线性化方法研究了该系统平衡参数在小扰动下的稳定性,得到了主要设计参数对系统稳定性的影响规律以及该系统关于主要设计参数的稳定性边界。     

基于神经网络的涡轮泵多故障诊断

针对液体火箭发动机的涡轮泵系统中，常出现多故障同时发生的现象，分析了涡轮泵常见故障的特征表现，建立了涡轮泵系统的标准故障模式，在此基础上，提出了采用建立并行BP神经网络进行多故障诊断分类的方法，结果表明，并行BP神经网络结构简单，学习诊断速度快，对单一故障的诊断分类优于基本BP网络，且能对并发故障进行诊断分类。     

涡轮泵转子的临界转速研究(Ⅴ)临界转速的有限元法

通过对轴段和盘的受力分析得出轴段和盘单元的运动方程,把支承和密封对轴的作用力按节点力处理,再由单元运动方程综合出转子系统的运动方程。求解临界转速归结为实数特征值的计算,并以计算实例验证了有限元法的正确性、有效性和准确性。     

液体火箭发动机地面试车故障检测的自适应阈值算法

提出一种自适应阈值故障检测算法,其检测阈值由实时估计的参数均值、标准差及由训练算法得到的带宽系数计算。用某发动机22次点火试验的试车数据进行离线故障检测,结果表明其综合性能优于红线系统和SAFD算法。     

液体火箭发动机涡轮泵故障诊断的新方法

针对传统的液体火箭发动机涡轮泵故障诊断方法只能在有样本数据并且样本数据充足的情况下才能进行准确诊断以及诊断时难以提取状态特征的缺点,提出一种适用于涡轮泵在线监测及诊断方法,该方法利用生物免疫系统的反面选择机理,利用生物克隆和学习机理使改进型反面选择算法产生的检测器具有不同的检测半径,使其能更有效地覆盖异常空间,能有效地提取涡轮泵的状态特征,避免了检测器产生效率低等问题。实例诊断结果表明:该方法较好地解决了故障样本难以获取及有效地提取涡轮泵的状态特征的问题,能准确监测出涡轮泵各种常见故障所引起的异常并能准确诊断,较高诊断精度表明该方法是可行的,并且具有较好的在线性、准确性及鲁棒性,为液体火箭发动机涡轮泵故障异常检测探索了一条新路。     

液体发动机涡轮泵端面密封长期贮存变形研究

为分析长期贮存条件下液体火箭发动机涡轮泵端面密封变形问题,采用有限元分析软件对其静环组件过盈配合过程中的变形及长期贮存中的蠕变进行了分析计算,考虑静环座与石墨环间摩擦不均匀及二者为椭圆等因素对变形的影响,估算得到最大变形量引起的介质泄漏率。研究表明:长期贮存条件下,石墨环端面沿圆周方向会出现马鞍形变形,径向为内高外低,石墨环变形会引起较大的介质泄漏率,长期贮存条件下的石墨环变形会对液体发动机安全使用构成隐患。     

液体发动机故障检测与诊断中的基础研究问题

液体火箭发动机故障检测与诊断是当前航天推进系统研究中迫切需要解决的关键技术。根据我国当前这项技术发展的实际情况，必须提高研究水平和加快研究进程，做好基础性的研究工作，介绍了我国在建立泵压式液体火箭发动机故障模式、标准数据库和改进人工神经网络算法与时序分析算法等方面所做的工作。提出了深入开展故障仿真研究和开发实用故障检测与诊断系统的建议。     

基于定性和定量关系的液体火箭发动机故障诊断

针对定性故障诊断系统的固有缺陷，利用模糊数学知识，在符号有向图上加入定量信息，形成定性定量模型，通过计算和比较被诊断模式对已知故障类型的模式的隶属度来确定系统的故障。该方法比较充分地利用了系统被监测参数的数值资源，对故障模式具有较强的识别和区分能力。     

液体火箭发动机基于关系模型的故障诊断方法

提出了一种新的描述液体火箭发动机系统的定性模型，阐述了系统部件行为模型和结构模型的构建方法，给出了求解基于关系模型诊断问题的推理机制，建立了液体火箭发动机基于关系模型的故障诊断方法。以空间推进系统为研究对象进行了实例诊断分析，结果表明：该方法是一种有效的基于定性模型故障诊断方法。     

液体火箭发动机故障检测与诊断综述

对健康监控技术的中心问题－故障检测与诊断方法进行了综述，对可能用于液体火箭推进系统的各种故障检测与诊断方法进行了系统分类和详细评述，指出了近期必须研究和完善的几项主要工作。