涡喷发动机尾气静电监测及气路故障特征

利用涡喷发动机试车台和新研制的小型涡喷发动机完成了一系列静电监测实验,获取了涡喷发动机尾气静电信号特性,并通过分析静电信号特征证实了尾气静电监测技术对发动机气路部件机械故障的监测.研究发现发动机尾气静电信号的细微变化与发动机工况相关,通过分析第102试车阶段的静电信号发现活动率水平出现了与发动机工况同步变化的情况,验证了活动率水平是一种可作为表征尾气中微小颗粒的带电情况的特征参数;在102～108试车阶段中,发动机出现了燃烧室内壁积炭、燃烧室内壁轻微烧蚀和气路润滑油泄漏故障,根据静电信号的统计分析以及大时间尺度的趋势分析,发现活动率水平、正(负)事件率可作为预警参数来反映因这些故障而导致尾气静电整体水平的变化.      

涡轴发动机尾气静电监测信号影响因素分析

 针对某型航空涡轴发动机试车台实验所获得的尾气静电监测信号,结合发动机台架试车状态和性能数据,分别在两个时间尺度上展开分析研究。研究发现发动机的工作状态和健康状态均对尾气静电信号产生重要影响。在小时间尺度上的分析发现,无故障情况下影响尾气静电信号变化的主要因素为燃油供给量,尾气静电信号能量随燃油供给量的增加近似按指数规律上升;而在大时间尺度上的分析发现,在一定的燃油供给和恒定的自由涡轮转速条件下,尾气静电信号能量随着发动机性能的缓慢衰退而逐渐上升。实测尾气静电信号所反映的趋势与初步的理论分析结果相一致,为建立涡轴发动机尾气静电信号的健康"基线",进而用于气路状态监测及故障识别提供了初步的依据。研究还发现,静电监测技术不仅能够为突发性故障提供预警信息,而且能够反映发动机整机性能衰退,进一步拓展了静电传感器的监测能力及其在航空发动机健康管理中的应用。     

航空发动机尾气静电信号基线模型分析及应用

开展了基于尾气静电信号的航空发动机气路监控技术的应用研究,把尾气静电监测信号EGEMS作为一种新的气路状态参数并建立其基线模型,通过监控尾气静电信号RMS(root mean square)值的偏差值实现对气路部件的实时监控.首先从尾气静电监测的角度总结了尾气碳烟颗粒物的排放特性,分析了尾气静电信号的基线成分、主要影响因素及典型故障静电信号特征,在此基础上分别提出了基于燃油流量单参数的尾气静电信号基线模型(参数化模型)和基于多元状态估计技术的多参数基线模型(非参数化模型)挖掘技术.通过对某型涡轴发动机尾气静电信号的分析表明:所建立的基线模型能够准确反映发动机不同工况下的尾气静电信号的基本特征,有效地监测到气路的异常状态,验证了所提方法的可行性和有效性.      

碰摩故障静电监测方法及模拟实验

针对航空发动机叶片碰摩故障难以实现在线监测的问题,展开基于静电感应原理的碰摩故障监测新方法研究。分析了碰摩颗粒产生与荷电机理,以静电传感器理论和点电荷感应信号特征为依据,建立了周期碰摩静电感应理论模型。研究结果表明:周期碰摩在静电传感器上的输出是一系列以碰摩频率为间隔的随频率增大幅值迅速衰减的周期离散谱线。为了验证模型的正确性,利用自行研制的静电传感器,采用模拟碰摩的方式进行了两组实验。第1组实验结果表明传感器可以监测到模拟碰摩故障产生的带电颗粒,碰摩阶段的信号活动率水平明显增大,但事件率没有出现明显的变化;第2组实验在信号频域出现了非常明显的特征频率及其二倍频,且二倍幅值频随频率增大迅速衰减,证明了模型的有效性。     

某型航空涡轮轴发动机尾气静电监测探索性实验

 在某型航空涡轮轴发动机上进行了尾气静电监测探索性实验,成功地获得了尾气静电感应信号。根据实测的108 h有效数据,对信号的特征参数活动率水平(AL)、正事件率(PER)、负事件率(NER)和轴频分析(SOA)展开分析。研究结果表明：基于静电感应原理的发动机气路监测技术是可行的;发动机功率对特征参数有明显的影响。在一个完整试车循环中,随着功率的增大,AL参数呈现二次多项式变化规律;PER和NER参数呈现线性增长规律。随着试车阶段的推移,AL参数值在各个功率下均呈上升趋势,PER和NER参数没有明显的变化;水洗对发动机AL参数有明显的影响,但对PER和NER参数没有明显的影响。     

航空发动机吸入颗粒物静电感应特性的模拟实验及分析

利用静电传感器和SC-010型环境试验箱等硬件搭建了吸入颗粒物静电监测模拟实验平台,并在此实验平台上展开了针对航空发动机吸入颗粒物静电感应特性的模拟实验研究,成功获取相应静电监测信号。实验设置颗粒材料、管道流速、颗粒粒径和颗粒投入质量4种变量作为变量条件,分别进行4组单一变量的对比实验,采集在不同颗粒材料、不同管道流速、不同颗粒粒径以及不同颗粒质量浓度环境下带电颗粒所产生的静电感应信号,对每组实验信号的活动率水平(AL)、正/负事件率(PER/NER)和绝对平均幅值等特征参数进行相应的数据分析和对比,并得到了一些有用的结论。实验发现,上述4种变量条件分别对静电感应信号的绝对时域平均幅值、AL参数、PER/NER参数有不同程度的影响。     

基于小波-Hilbert的涡喷发动机静电监测技术研究

在某型涡喷发动机试车过程中首次开展了气路静电监测试验,获取了若干试车阶段静电信号。选用第102阶段(发动机处于健康状态)监测的静电信号进行时域特征分析,获取了发动机处于启动、巡航、停车3个典型工况下时域幅值以及活动率水平、正负事件率特征参数的变化情况,分析表明静电信号会随发动机工况变化而变化。为了进一步揭示静电信号特征,采用小波-Hilbert变换方法处理了第102阶段的静电信号,获取了其能量值、能量分布以及功率谱的特征。为了验证分析方法的有效性,也对第174阶段(该阶段发动机存在积碳故障)的静电信号进行了对比分析。     

气路颗粒静电监测技术及实验

介绍了发动机气路荷电颗粒产生的机理、静电传感器原理以及气路静电监测技术的原理,然后介绍了模拟试验装置和试验过程,并通过实验的方法对静电监测技术进行了研究,最后通过小波分析的方法对实验信号的能量分布特征进行了研究,结果为大颗粒产生的感应信号的幅度要大而能量分布集中在低频段,而细小颗粒产生的感应信号幅值较小,信号能量分布集中在高频段,实验结果为在气路监测中辨别异常颗粒提供了参考依据,同时也表明了基于颗粒静电监测方法的可行性.      

民用飞机发动机监测方法研究

对民用飞机发动机状态监测和故障诊断方法进行了研究,提出了一种能够实时反映零件故障信息的油液在线静电监测方法,设计并搭建了一套静电监测系统及实验平台,开展了循环润滑条件下销盘滑动摩擦磨损实验,使用自制的油液静电传感器对油路中磨粒进行监测。实验结果表明油液静电传感器能够监测到金属材料荷电颗粒,感应电压幅值与磨粒大小具有相关性,感应电压波形与磨粒荷电特性有关,验证了静电传感器在线监测的有效性,为判断故障提供了进一步的依据。     

民用飞机发动机监测方法研究

对民用飞机发动机状态监测和故障诊断方法进行了研究,提出了一种能够实时反映零件故障信息的油液在线静电监测方法,设计并搭建了一套静电监测系统及实验平台,开展了循环润滑条件下销盘滑动摩擦磨损实验,使用自制的油液静电传感器对油路中磨粒进行监测。实验结果表明油液静电传感器能够监测到金属材料荷电颗粒,感应电压幅值与磨粒大小具有相关性,感应电压波形与磨粒荷电特性有关,验证了静电传感器在线监测的有效性,为判断故障提供了进一步的依据。     

基于SVR的X型发动机传感器故障诊断研究

利用基于回归型支持向量机(SVR)的诊断方法,设计了某型涡扇发动机传感器常见故障诊断系统,实现了传感器故障隔离与信号重构.通过发动机试车数据对SVR进行训练,以传感器的偏置故障、冲击故障和漂移故障为例,用MATLAB语言进行了计算机仿真验证.结果表明:基于SVR的传感器故障诊断具有精确度高,实时性强的特点,是一种很好的传感器故障诊断方法.      

涡扇发动机高空台惯性起动的试验

某型大流量涡扇发动机在高空台完成了飞行高度为5,8,10km的惯性起动.高空台试验结果表明:惯性起动过程中模拟的进气和排气压力存在着较明显的波动,偏离真实工况;利用不同的计算方法分析惯性起动数据,得到的飞行表速相差25~70km/h.以试验分析结果为基础,推荐了一种高空台惯性起动试验性能的评估方法,即成功起动以推杆时刻为起点3s内的平均值作为试验模拟飞行状态,起动失败以转速反转为起点到转速再次下降之间的平均值作为试验模拟飞行状态.      

基于直二元喷管形面优化的涡扇发动机参数优化设计研究

为了在设计阶段提升带直二元喷管涡扇发动机的总体性能,本文开展了基于直二元喷管形面优化的涡扇发动机参数优化的研究。首先,建立了带直二元喷管的涡扇发动机模型,提出了发动机正后向排气系统红外辐射特征的计算方法,分析了直二元喷管尺寸对发动机性能参数的影响;其次,提出了基于序列二次规划算法的设计参数多目标优化方法,优化的目标包括高单位推力、低油耗和低红外辐射强度;最后,基于以上模型,利用序列二次规划算法对在设计点非加力情况下的涡扇发动机设计参数进行多目标优化。仿真结果表明：在设计点上,相较于不带直二元喷管的涡扇发动机,带直二元喷管的涡扇发动机具有更好的红外性能,并且通过算法优化后,带直二元喷管的涡扇发动机具有更好的性能参数。     

基于粒子群核极限学习机的涡扇发动机加速过程模型辨识

针对解析法建立涡扇发动机加速过程模型精度和实时性不高的问题,提出了一种基于粒子群核极值学习机(PSO-KELM)的涡扇发动机加速过程模型数据驱动辨识方法,构建涡扇发动机加速过程模型,结合加速过程试车数据,利用PSO-KELM方法对该加速模型进行辨识。试验结果表明:低压转子转速、高压转子转速和低压涡轮出口燃气总温都较好地逼近了试车数据,最大相对误差均值分别为1.013%,0.355%和1.055%,平均计算时间为0.04ms。精度和实时性均优于反向传播神经网络和粒子群支持向量回归方法,可用于发动机状态监控和性能优化控制。