关键词:
非线性双转子系统
裂纹故障
张量主成分分析
故障智能诊断
摘要:
双转子系统作为航空发动机的核心部件,长期服役与高温工作环境会使其不可避免的出现裂纹、碰磨、不对中等故障。其中,裂纹故障在早期出现时最不易被发现,而当其扩展至一定程度会造成不可估计的灾难性事故。因此,开展双转子系统的裂纹故障研究是必要的。本文将水平放置的非线性裂纹双转子系统作为研究对象,分别从振动角度与能量角度对系统的振动特性进行比较分析,创新性的将高、低压转子的多种时频信号叠加为彩色块状图像,创建了非线性双转子系统的裂纹故障数据集。同时,本文首次将张量主成分分析和能量轨道法应用于双转子系统的裂纹故障诊断当中,为非线性双转子系统高速区的裂纹故障智能诊断提供了新的解决方案。
本文以集中质量系法构建了双转子模型的动力学方程,在此基础上,通过刚度分析与非线性支撑力分析,使用拉格朗日法系统的推导了非线性裂纹双转子系统的动力学方程与能量方程。
基于推导模型,使用4-5阶龙格库塔法对动力学方程与能量方程进行求解,分别获得了振动响应与能量响应等曲线。结合快速傅里叶变换(fast Fourier transform,FFT)频谱分析法,对两种响应曲线的超谐波区、主共振区、次谐波区选取特殊转速点进行了分析研究,指出了高压转子与低压转子间耦合作用对裂纹故障所引起的振动特征。通过对比振动分析与能量分析,指出了二者所得结论的一致性。
通过对仿真信号引入高斯白噪声,并使用小波降噪模仿实际信号采集过程,将高、低压转子的振动信号与能量信号分别进行线性变换后进行多维叠加转化为可自定义分辨率的彩色图片,将不同裂纹故障参数的信号进行采集变换叠加操作,生成有关裂纹故障的张量数据集。
使用张量主成分分析(multilinear principal component analysis of tensor objec ts,MPAC)算法与k-最近邻(k-nearest neighbor,KNN)算法结合,对获取的裂纹故障数据集进行故障分类检测实验,并通过t-sne可视化对分类结果进行了二维与三维空间的表征,实验结果表明,在低噪声环境下故障特征分类率可达到99%以上。最后通过搭建的双转子实验平台对所提方法进行了实验验证,证明了该方法的可行性,为非线性双转子系统的多维故障信息融合故障诊断提供了新的解决办法。