涡轮叶片裂纹故障的3维叶尖间隙变化特性分析

为了分析涡轮叶片裂纹故障的3维叶尖间隙动态变化特性,以3维叶尖间隙动态测量试验台上的模拟涡轮转子为研究 对象,建立了涡轮叶片3维叶尖间隙的有限元分析模型;采用数值仿真分析方法分别深入地分析了无裂纹涡轮叶片和不同长度裂 纹叶片3维叶尖间隙的动态变化特性。结果表明：对于无裂纹涡轮叶片,气动载荷会导致其发生弯曲变形,进而,导致轴向偏转角 呈先增大后减小的变化趋势,周向滑移角则逐渐减小,并且气动载荷对轴向偏转角和周向滑移角的影响比对径向间隙的影响更为 显著;对于有裂纹涡轮叶片,在气动载荷、离心载荷、叶片尾缘裂纹故障以及叶片自身形态等多种因素的共同影响下,导致径向间 隙呈现逐渐增大,而轴向偏转角和周向滑移角均呈现逐渐减小的变化趋势。     

涡轮叶片早期裂纹的三维叶尖间隙EEMD能量熵融合诊断方法

为了解决航空发动机涡轮叶片早期裂纹故障信号微弱、难以识别的问题,提出一种基于三维叶尖间隙集成经验模态分解（EEMD）能量熵融合的涡轮叶片早期裂纹诊断方法。采集涡轮叶片三维叶尖间隙信息,利用EEMD分别对三维叶尖间隙各维信号进行处理,得到相应的固有模态函数(IMF),以此计算每一维信号分量EEMD能量熵,构建能表征叶片裂纹状态的不同EEMD能量熵高维矢量集。建立多个堆叠自动编码器(SAE)分别对各高维矢量集进行特征学习并提取所学习的深层特征表达。利用支持向量机算法(SVM)和遗传算法(GA)融合各维深层特征以综合不同维度信息进而充分判定叶片裂纹状态。通过涡轮叶片裂纹诊断试验,结果表明:所提方法能有效提高叶片早期裂纹诊断精度,其平均准确率达到98.415%,标准差仅为0.697%,具有很好的稳定性、泛化性和自适应性。     

基于三维叶尖间隙的叶片裂纹动力响应特征分析与诊断方法

将裂纹叶片三维动力响应分析与参数识别方法相结合，分析不同裂纹叶片状态下三维叶尖间隙（3-dimensional blade tip clearance,3D-BTC）动力响应参量的信息熵特征，并利用稀疏滤波从不同参量信息熵分布中无监督学习叶片裂纹的多尺度动力响应特征，实现裂纹叶片在运行过程中响应变化特征的信息熵定量描述。在此基础上，利用支持向量机（support vector machine,SVM）的强非线性映射能力建立多尺度响应特征空间与状态空间之间复杂映射。经试验证实，所提方法能实现叶片裂纹损伤程度的定量诊断，达到100%的诊断准确率，远优于其他方法，且诊断结果稳定性好。