基于感测线圈和KPCA的电机轴承故障检测

在电机定子中嵌入感测线圈并结合核主元分析(KPCA)进行电机轴承的故障检测。8只线圈分别嵌入电机定子的前端和后端,通过分时复用形成6组反应电机状态的差动信号。针对6组感测信号与电机状态间的非线性特征,采用KPCA进行多变量分析。着重介绍分析了KPCA故障检测的算法、监测指标和步骤。最后,用机车变压器油泵电机为对象开展了试验研究,验证了所提电机轴承故障监测方法的有效性和正确性。     

中介轴承外圈故障动力学建模及仿真分析

为了研究航空发动机中介轴承故障特征,基于Hertz非线性接触理论,建立了一种考虑时变位移激励的4自由度中介轴承外圈故障动力学模型。采用双转子试验台对中介轴承外圈故障进行实验模拟,实验结果和动力学模型数值求解结果一致,验证了所建立模型的准确性。采用动力学模型仿真分析了中介轴承外圈存在缺陷情况的振动响应。研究了中介轴承振动方根幅值、波形因子、脉冲因子、峰值因子和峭度因子随缺陷大小、径向载荷的变化规律。结果表明:随着缺陷尺寸或径向载荷增大,中介轴承振动方根幅值呈增大趋势。脉冲因子、峰值因子和峭度因子等无量纲参数随着缺陷尺寸增加,先增大后减小。随着径向载荷增加,以上三个无量纲参数呈增大趋势。同时,证明方根幅值、脉冲因子、峰值因子和峭度因子等特征参数对中介轴承外圈故障敏感。     

基于SimulationX的可调静子导叶机械滞后效应系统仿真

为了解决压气机可调静子导叶(VSV)机械滞后问题,基于Simulat ionX系统仿真平台,建立了VSV调节系统仿真模型。通过仿真结果与台架试验数据对比分析,验证了模型的有效性。在此基础上,结合FMEA方法分析了不同因素对VSV角度滞后的影响程度。分析结果表明:发动机个体分散度和不同热状态之间的驱动负载、驱动能力、活门特性的差别是引发问题的主要因素,当由2种以上因素共同作用时,VSV角度的机械滞后效应增加。提出了1种新的故障模式,并通过台架试验完成了验证。     

基于混合卡尔曼滤波器组故障传感器定位方法

为了在发动机性能蜕化与传感器故障并存的情况下实现故障传感器的定位与部件蜕化情况的估计,并实现故障诊断基准数据的修正,构建了1种包含了机载模型与线性卡尔曼滤波器的组合结构混合卡尔曼滤波器组。该卡尔曼滤波器组能够在之前所描述的故障/蜕化耦合情况下定位故障传感器,并得到较为准确的部件蜕化估计结果。为了验证了混合卡尔曼滤波器组的有效性,进行了相关仿真。仿真结果表明:混合卡尔曼滤波器组能够在发动机动态过程中遭遇传感器故障与部件蜕化并存的情况下完成故障定位与蜕化估计。     

基于小波分析的涡扇发动机起动过程压力脉动研究

利用小波分析所具有的时频特性特点,针对涡扇发动机起动过程存在的压力脉动异常现象,获取信号随转速变化的频谱图。重点介绍了发动机脉动频率分析方法,并结合试验测点布局,根据不同脉动的频率特点,对其脉动成分进行分解,分析出脉动频率产生的原因,为发动机起动问题的解决提供支持。研究结果表明:利用小波分析进行发动机起动过程的脉动异常研究,形象、直观,具有一定的工程应用价值。     

基于局部均值分解和峭度图的滚动轴承包络分析方法

提出了基于局部均值分解(local mean decomposition,LMD)和峭度图(kurtogram)的滚动轴承包络分析方法.该方法中,原始滚动轴承故障振动信号通过LMD进行自适应的频率成分分离和初步降噪,包络分析中带通滤波器的参数通过峭度图客观地提供,从而提高滚动轴承包络分析的准确度.通过对滚动轴承仿真信号以及实验信号的分析,结果表明:在低信噪比情况下,LMD可以自适应分离出滚动轴承的固有振动成分,峭度图可以自动确定包络分析中带通滤波器的参数,与传统包络分析比较,所提方法能更加清晰准确地提取滚动轴承的故障特征.      

基于虚拟样机技术的航空发动机放气活门机构仿真及故障分析

针对某型航空发动机放气活门机构主动摇臂的多起断裂故障,为寻找故障原因并尽可能缩短排故周期与降低排故成本.借助虚拟样机技术建立此机构的动力学仿真模型,利用动力学仿真软件ADAMS与有限元分析软件ANSYS的联合仿真分析,实现放气活门机构摇臂断裂故障再现,并找出断裂件受力的主要影响因素及其影响规律,估算各受力水平下断裂摇臂的疲劳寿命.最终,分别给出保证摇臂最低使用寿命与全寿命使用情况下的改进建议,即将摇臂与放气活门之间间隙B增大至0.273mm与0.279mm,从而为实际工程排故提供理论依据.      

全光纤电流互感器λ/4波片的研制

光纤λ/4波片的相位延迟量与对轴角度误差是光纤电流互感器最主要的误差源之一.研究通过琼斯矩阵分析法建立反射式光纤电流互感器的偏振光学模型,进而得到了相位延迟量与对轴角度误差和标度因数之间的关系,为误差补偿技术提供理论支持.并且进行了实际研制,使得1/4波片消光比可小于0.2dB.     

基于广义回归神经网络的传感器故障检测

为了研究航空发动机试验中精确数学模型未知的多传感器故障诊断问题,采用基于广义回归神经网络(General Regression Neural Network,GRNN)组的故障检测方法,提炼出传感器之间的约束关系和故障规律,构建了一组多输入多输出GRNN,用于估计传感器输出,与测量值生成残差,通过与门限值比较判断可疑传感器,找到神经网络组中的具有最小可疑传感器数的GRNN。采用可疑传感器的估计信号做为重构信号交叉验证其它GRNN。通过验证即可确定可疑传感器为最终故障传感器。为了控制神经网络的回归精度,将多输入多输出神经网络分解为多个多输入单输出网络。通过仿真数据验证了该方法用于传感器故障检测的可行性。     

航空发动机MTBF的Bayes评估

针对航空发动机的试验样本量和故障数据少,采用传统的数学平均值法对其平均故障间隔时间（MTBF）评估不能反映其真实可靠性水平的问题,基于Bayes理论,把历史试验数据视为先验信息,采用矩等效方法确定先验分布,然后通过Bayes理论综合现场试验数据,建立了一种基于Bayes理论的航空发动机MTBF评估方法。该方法可以扩大MTBF评估所需的信息量。采用所提出的Bayes方法对某航空发动机MTBF进行评估,得到其MTBF评估值为302.68h,比采用数学平均值法约提高了18.7%,评估结果更符合实际。表明该方法可应用于航空发动机MTBF的评估。