涡轮泵启动过程振动故障检测方法

为了更全面地保证液体火箭发动机涡轮泵的安全,提出了一种针对其启动过程的振动故障检测方法,首先对等时间隔采集的振动数据进行重采样,获得等角间隔的振动数据,消除转速变化对振动特征的影响,选择并计算振动特征值,最后采用支持向量回归方法建立振动特征与转速的非线性关系模型.当新的测试数据偏离模型一定限度时,表明涡轮泵工作异常.2.2 s试车数据的检测时间只有0.0470 s,说明模型可用于涡轮泵启动过程故障检测.      

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。     

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。     

基于统计特征的航空发动机风扇外物撞击检测

为了检测识别航空发动机工作过程中的风扇外物撞击事件,采用非接触叶尖振动测量系统对风扇叶片叶尖振动位移进行实时采集与检测。通过风扇叶片非接触叶尖振动位移数据统计分析,发现叶尖振动位移服从正态分布,并采用Epps-Pulley假设检验证明。设计了基于统计特征的风扇叶片外物撞击叶尖振动位移检测算法,采用该方法获取了风扇转子不同转速下外物撞击叶尖振动位移检测阈值。对风扇转子转速为3000r/min状态下,直径16mm、质量为2.9g的外物弹体撞击风扇叶片的振动位移数据进行分析,并采用高速摄像系统对该方法识别结果的可靠性进行验证。结果表明:基于统计特征的发动机风扇外物撞击检测方法,能够准确识别外物撞击风扇叶片事件及发生撞击的叶片编号。     

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     

基于试车数据统计的振动限制值确定方法

统计了某型液体火箭发动机涡轮泵27次地面试车振动数据和某型涡扇发动机28次台架试车振动数据,发现一次试车时间序列的振动特征参数随时间的波动反映了随机误差的变化,符合正态分布;不同台份发动机试车振动参数幅值的波动是发动机健康状态和试验误差共同作用的结果,不遵循正态分布规律,F分布是其分布的重要形式。在此基础上,研究了基于"概率相等法"和"3σ方法"原理的两种发动机振动限制值的确定方法。通过两种方法计算结果的相互验证,以及计算结果和工程实践的对比,说明确定振动限制值方法的正确性和实用性。     

航空发动机故障融合诊断研究

结合气路诊断与振动分析方法,建立发动机故障融合诊断模型,探讨气路与振动故障融合诊断方法的可行性。构建故障融合诊断3级体系(故障特征级、故障模式级以及故障决策级融合),实现基于性能参数和振动参数的综合评估方法,获得基于小偏差法的气路故障判据,形成基于动力学分析的振动故障判据,提出故障特征融合的方法,通过算法实现故障融合识别,并在模拟试验器上进行涡轮叶片掉块故障试验验证,获得相应的故障诊断决策。结果表明:设计的发动机故障融合诊断方法合理,算法正确。     

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。     

基于K-L信息测度的液体火箭发动机的泄漏故障检测

液体火箭发动机的泄漏是常见和极其危险的故障。研究快速有效的泄漏故障检测方法,是一个很重要迫切的课题。本文针对已有发动机的状态监测参数,建立ＡＲ模型进行时间序列分析,利用Ｋ－ Ｌ信息测度作为判别函数来检测发动机的泄漏故障。仿真结果表明,这种泄漏故障检测的方法是切实可行的。     

基于AHP的液体火箭发动机地面试验监测参数的选取方法研究

确定监测参数是液体火箭发动机地面试验监控系统的一个重要而基础的问题。从某液体火箭发动机地面试验稳态参数的统计特性和常见故障出发,通过分析地面试验测量参数的故障敏感性、故障关联性、测点传感器的可用性和参数相关性(或传感器冗余),建立具有方案层、准则层和目标层的层次模型,运用层次分析法(AHP)对发动机地面试验的测量参数进行评价、比较和优化,确定了用于监测液体火箭发动机地面试验的监测参数。经过发动机的地面故障试验数据和故障仿真数据的检验,所确定的监测参数集较好地反映了发动机状态的变化,说明所选用的方法合理、可行,解决了长期以来,依靠领域专家定性确定监测参数的问题。