基于FDM法的航空發動機轉子全周碰摩故障診斷研究

鄧國智

(西安航空職業技術學院 航空維修工程學院,陜西 西安 710089)

作為高速旋轉設施，航空發動機長時間處于高溫、高壓、高負荷狀態運轉，而轉子作為核心構件，不僅故障發生率較高，且調整與維護工作難度大，很容易引發失衡、裂縫、碰摩等各種故障。早期結構損傷不會導致結構全面損毀，可會直接影響結構安全性與穩定性，所以采取有效故障診斷方法，科學監控診斷轉子故障，防止發生嚴重事故具有十分重要的現實意義。在航空發動機中，轉子振動信號主要包括設施運行狀態特征信息，有效提取識別相似信息為故障診斷主要途徑[1]。因此，本文提出了基于FDM算法的轉子全周碰摩故障診斷方法。

1 FDM算法分析

1.1 算法原理

FDM算法先明確傅里葉既有頻帶函數(FIBFs)，以此為被分解信號單分量成分，再按照順序計算分析構建滿足頻帶函數條件的區域性周期信號，基于Hilbert信號解析方法面向周期信號，開展自適應解析，以獲得不同分量相應傅里葉既有頻帶解析函數(AFIBFs)，進而分解信號為FIBFs分量與殘余分量總和[2]。

傅里葉分解FDM可表征多分量隨機信號通過特定連續單傅里葉既有頻帶分量與殘余分量總和，則：

(1)

式中：x(r)為多分量隨機信號；y(i)為頻帶分量；yi(r)為W個單傅里葉既有頻帶分量，即信號的FIBFs分量；z為殘余分量。

1.2 算法步驟

FDM算法具備兩種信號AFIBFs篩選方式，所以具有兩類FDM分解流程，則由低頻向高頻的正向篩選算法(FDM-LTH)與由高頻向低頻的反向篩選算法(FDM-HTL)，不同分解方法與時頻能量分布相應，以映射信號特征信息。算法步驟[3]如下：

2 數值仿真

為驗證FDM算法科學有效性，構建仿真信號[4]：

x1(r)=x11(r)+x12(r)
x11(r)=sin(400πr+180πr2)
x12(r)=(1+cos20πr)cos(200πr+3sin20πr)

(2)

式中:x1(r)為仿真信號；x11(r)為調頻信號；x12(r)為調頻調幅信號。合理設置采樣頻率即1 000 Hz，通過不同信號分解方法分解仿真信號，對不同結果進行比較分析，以此驗證FDM算法的實效性。

通過仿真信號分解結果可知，EWT(經驗模態分解方法)法可有效分解調頻調幅信號，獲得模態分量與殘余分量，相應仿真信號原始分量即x11(r)與x12(r)，分解結果中存在信號過分解分量，并且局部存在端點效應，部分區域甚至存在嚴重的模態混疊，所以，根本不能有效分解調頻調幅信號。而VMD(完全非遞歸自適應時頻分析法)法可分解仿真信號，以獲得分量相應仿真信號原始分量，分解結果存在部分區域分解失效現象。但是FDM算法可自適應有效分解仿真信號，獲得科學合理映射仿真信號原始分量的信號FIBFs，且未出現端點效應與模態混疊問題，殘余量振幅接近于0，由此可知，FDM算法可分解調頻調幅類非線性非平穩性信號[5]。

為深入討論FDM算法時頻分辨效果，進行仿真信號分解結果時頻能量分析，其中FDM-LTH與FDM-HTL算法時頻分辨效果良好，不存在冗余頻率分量，可直觀表示仿真信號所涵蓋的時頻特征信號，并揭示仿真信號部分時頻特征，其中高頻階段，FDM-LTH更具優勢，時頻聚散性更強；低頻階段，FDM-HTL更具優勢，視頻分辨率更強[6]。

3 轉子全周碰摩實驗分析

3.1 實驗儀器

基于轉子試驗器采集航空發動機轉子全周碰摩實驗故障樣本數據，進行FDM分解，以驗證FDM算法的有效性。其中，為順利開展實驗，在轉子機匣頂部位置需使用扳手擰緊碰摩螺釘，以促使其與渦輪葉片相接近，造成轉子機匣變形，生成渦輪葉片與機匣封嚴間隙位置的轉子全周碰摩故障[7]。

3.2 時頻分析

轉子全周碰摩實驗參數具體如表1所示。

表1 轉子全周碰摩實驗參數

基于試驗器機匣某一測點的轉子加速度振動信號進行實驗研究，以分析轉子全周碰摩故障，通過重力加速度統量綱量化加速度，選擇轉子全周碰摩試驗所采集轉子振動信號數據開展時頻分析。

其中，轉子碰摩呈現非線性非平穩性特點，振動信號存在明顯非周期沖擊性，表征為顯著調頻調幅非平穩性。轉子機匣單點-轉子全周碰摩故障振動信號存在明顯頻譜周期沖擊性，其中1 450 Hz沖擊頻率狀態下，頻譜能量分布緊密，而周期沖擊頻譜即渦輪葉片通過轉子機匣的既有頻率，是轉速頻率與渦輪葉片數目乘積，轉子全周碰摩振動信號的高頻譜階段沖擊頻率的2、3倍頻位置，有明顯調幅沖擊響應，是轉子全周碰摩獨特的高頻階段沖擊性。1 450 Hz沖擊頻率狀態下，兩端存在四組等間隔邊譜帶簇，頻率即轉速頻率值，而局部放大區域頻譜中，2、3倍頻位置兩端同時出現基于轉速頻率作為隔離帶的邊譜頻譜帶，以此生成同等間距邊譜帶簇，而此現象表明了轉子全周碰摩故障特征，也證明了所采集振動信號中存在轉子全周碰摩故障。

據此，通過振動信號頻譜分析可知轉子全周碰摩故障沖擊頻率特征，以及故障特征，然而轉子單葉片碰摩弱故障特性頻率倍強大的噪聲背景所影響，難以明確辨別[8]。

3.3 診斷流程

FDM算法可有效分解調頻調幅類非線性非平穩性信號，面向仿真信號分解結果進行Hilbert譜分析，可提取仿真信號分量信號頻譜特征信息，以此為基礎進行仿真。基于FDM法的航空發動機轉子全周碰摩故障診斷流程[9]具體如圖1所示。

圖1 故障診斷流程

3.4 診斷結果分析

基于相關系數準則的轉子全周碰摩故障診斷方法，有效提取振動信號分量Hilbert譜故障特征頻率，以此對基于FDM算法與Hilbert譜分析的轉子全周碰摩故障診斷實效性加以驗證。以EWT、VMD、FDM算法為例診斷轉子全周碰摩故障，獲得不同信號分解故障特征信息提取結果[10]，具體如圖2～圖6所示。

圖2 原始振動信號故障特征

圖3 EWT提取結果

圖4 VMD提取結果

圖5 FDM-LTH提取結果

圖6 FDM-HTL提取結果

通過提取結果可以看出，EWT與VMD算法提取結果包括一定的故障特征頻率基頻、二倍頻，然而提取結果存在局部噪聲頻率，即A、B、C位置。而FDM算法提取結果包括轉速頻率基頻、二倍頻、三倍頻、四倍頻、五倍頻，不存在噪聲頻率，與原始振動信號故障特征比較而言，其相對完善，可有效呈現轉子全周碰摩故障特征。

4 結 論

總之，基于FDM法的航空發動機轉子全周碰摩故障診斷方法，不僅可高效提取轉子系統機匣-轉子全周碰摩故障特征信息，還可面向振動信號進行頻譜分析，以有效提取碰摩沖擊頻率故障特征信號，基于自適應信號分解方式方法，分離獲得最大程度包括故障特征信號的分量，同時針對備選分量做Hilbert包絡譜分析，從而獲取轉子單葉片碰摩故障特征頻率成分。通過基于EWT、VMD、FDM算法的故障特征頻率提取實驗結果比較分析，得知基于FDM算法的故障診斷方法時頻分辨率較高，且能夠科學合理提取轉子全周碰摩故障特征信息。