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。     

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     

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.      

关于撤销《液体火箭发动机涡轮泵非线性转子系统稳定性影响因素研究》一文的声明

<正>《推进技术》编辑部于2015年11月13日收到匿名举报,指出下列两文内容高度一致,涉嫌一稿多投:[1]液体火箭发动机涡轮泵非线性转子系统稳定性影响因素研究[J].推进技术,2013,34(10):1388-1397.[2]液体火箭发动机涡轮泵转子密封系统动力稳定性研究[J].宇航学报,2013,34(12):1557-1568.经CNKI科研诚信管理系统研究中心的科技期刊学术不端文献检测系统(AMLC)检测,文章[1]与[2]重复度     

液体火箭发动机涡轮泵耦合分析

为提高液体火箭发动机工作可靠性,防止灾难性故障发生,避免其涡轮泵旋转频率与燃气脉动频率耦合,对涡轮泵的激励传递途径进行建模分析研究得出了发生器燃气压力脉动是重要激励源的结论。通过构造涡轮盘旋转频率与激励的耦合准则,计算得到了发动机涡轮泵工作时存在的耦合转速区,并对发动机热试车耦合情况进行了分析验证并得到了一致结论。      

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。     

带悬臂涡轮盘发动机转子的振动特性及平衡技术研究

在旋转试验器上研究了带悬臂涡轮盘火箭发动机氧涡轮泵转子的振动特性,并在此基础上完成了氧涡轮泵转子的高速动平衡试验.结果表明：氧涡轮泵转子的振动与悬臂涡轮盘的不平衡量密切相关,单面高速动平衡技术对减小悬臂柔性转子的振动效果显著.     

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。     

转子碰摩振动响应的非线性时间序列分析

针对碰摩转子系统的非线性特性 ,采用动力学非线性时间序列分析的方法对其振动响应进行了分析研究。基于动力学重构的基本理论 ,对碰摩转子响应进行了状态空间重构。在此基础上 ,进一步对碰摩转子系统振动响应进行了相关维数的估计 ,不同的相关维数值表明了系统是处于周期或拟周期运动 ,还是处于含有拟周期的混沌运动 ,或者是明显的混沌运动。系统碰摩严重时的相关维数值会比碰摩较轻时的相关维数值大 ,进一步对实验数据的计算结果也证实了这一点。