基于FDM法的航空发动机转子全周碰摩故障诊断研究

邓国智

(西安航空职业技术学院 航空维修工程学院,陕西 西安 710089)

作为高速旋转设施，航空发动机长时间处于高温、高压、高负荷状态运转，而转子作为核心构件，不仅故障发生率较高，且调整与维护工作难度大，很容易引发失衡、裂缝、碰摩等各种故障。早期结构损伤不会导致结构全面损毁，可会直接影响结构安全性与稳定性，所以采取有效故障诊断方法，科学监控诊断转子故障，防止发生严重事故具有十分重要的现实意义。在航空发动机中，转子振动信号主要包括设施运行状态特征信息，有效提取识别相似信息为故障诊断主要途径[1]。因此，本文提出了基于FDM算法的转子全周碰摩故障诊断方法。

1 FDM算法分析

1.1 算法原理

FDM算法先明确傅里叶既有频带函数(FIBFs)，以此为被分解信号单分量成分，再按照顺序计算分析构建满足频带函数条件的区域性周期信号，基于Hilbert信号解析方法面向周期信号，开展自适应解析，以获得不同分量相应傅里叶既有频带解析函数(AFIBFs)，进而分解信号为FIBFs分量与残余分量总和[2]。

傅里叶分解FDM可表征多分量随机信号通过特定连续单傅里叶既有频带分量与残余分量总和，则：

(1)

式中：x(r)为多分量随机信号；y(i)为频带分量；yi(r)为W个单傅里叶既有频带分量，即信号的FIBFs分量；z为残余分量。

1.2 算法步骤

FDM算法具备两种信号AFIBFs筛选方式，所以具有两类FDM分解流程，则由低频向高频的正向筛选算法(FDM-LTH)与由高频向低频的反向筛选算法(FDM-HTL)，不同分解方法与时频能量分布相应，以映射信号特征信息。算法步骤[3]如下：

2 数值仿真

为验证FDM算法科学有效性，构建仿真信号[4]：

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

(2)

式中:x1(r)为仿真信号；x11(r)为调频信号；x12(r)为调频调幅信号。合理设置采样频率即1 000 Hz，通过不同信号分解方法分解仿真信号，对不同结果进行比较分析，以此验证FDM算法的实效性。

通过仿真信号分解结果可知，EWT(经验模态分解方法)法可有效分解调频调幅信号，获得模态分量与残余分量，相应仿真信号原始分量即x11(r)与x12(r)，分解结果中存在信号过分解分量，并且局部存在端点效应，部分区域甚至存在严重的模态混叠，所以，根本不能有效分解调频调幅信号。而VMD(完全非递归自适应时频分析法)法可分解仿真信号，以获得分量相应仿真信号原始分量，分解结果存在部分区域分解失效现象。但是FDM算法可自适应有效分解仿真信号，获得科学合理映射仿真信号原始分量的信号FIBFs，且未出现端点效应与模态混叠问题，残余量振幅接近于0，由此可知，FDM算法可分解调频调幅类非线性非平稳性信号[5]。

为深入讨论FDM算法时频分辨效果，进行仿真信号分解结果时频能量分析，其中FDM-LTH与FDM-HTL算法时频分辨效果良好，不存在冗余频率分量，可直观表示仿真信号所涵盖的时频特征信号，并揭示仿真信号部分时频特征，其中高频阶段，FDM-LTH更具优势，时频聚散性更强；低频阶段，FDM-HTL更具优势，视频分辨率更强[6]。

3 转子全周碰摩实验分析

3.1 实验仪器

基于转子试验器采集航空发动机转子全周碰摩实验故障样本数据，进行FDM分解，以验证FDM算法的有效性。其中，为顺利开展实验，在转子机匣顶部位置需使用扳手拧紧碰摩螺钉，以促使其与涡轮叶片相接近，造成转子机匣变形，生成涡轮叶片与机匣封严间隙位置的转子全周碰摩故障[7]。

3.2 时频分析

转子全周碰摩实验参数具体如表1所示。

表1 转子全周碰摩实验参数

基于试验器机匣某一测点的转子加速度振动信号进行实验研究，以分析转子全周碰摩故障，通过重力加速度统量纲量化加速度，选择转子全周碰摩试验所采集转子振动信号数据开展时频分析。

其中，转子碰摩呈现非线性非平稳性特点，振动信号存在明显非周期冲击性，表征为显著调频调幅非平稳性。转子机匣单点-转子全周碰摩故障振动信号存在明显频谱周期冲击性，其中1 450 Hz冲击频率状态下，频谱能量分布紧密，而周期冲击频谱即涡轮叶片通过转子机匣的既有频率，是转速频率与涡轮叶片数目乘积，转子全周碰摩振动信号的高频谱阶段冲击频率的2、3倍频位置，有明显调幅冲击响应，是转子全周碰摩独特的高频阶段冲击性。1 450 Hz冲击频率状态下，两端存在四组等间隔边谱带簇，频率即转速频率值，而局部放大区域频谱中，2、3倍频位置两端同时出现基于转速频率作为隔离带的边谱频谱带，以此生成同等间距边谱带簇，而此现象表明了转子全周碰摩故障特征，也证明了所采集振动信号中存在转子全周碰摩故障。

据此，通过振动信号频谱分析可知转子全周碰摩故障冲击频率特征，以及故障特征，然而转子单叶片碰摩弱故障特性频率倍强大的噪声背景所影响，难以明确辨别[8]。

3.3 诊断流程

FDM算法可有效分解调频调幅类非线性非平稳性信号，面向仿真信号分解结果进行Hilbert谱分析，可提取仿真信号分量信号频谱特征信息，以此为基础进行仿真。基于FDM法的航空发动机转子全周碰摩故障诊断流程[9]具体如图1所示。

图1 故障诊断流程

3.4 诊断结果分析

基于相关系数准则的转子全周碰摩故障诊断方法，有效提取振动信号分量Hilbert谱故障特征频率，以此对基于FDM算法与Hilbert谱分析的转子全周碰摩故障诊断实效性加以验证。以EWT、VMD、FDM算法为例诊断转子全周碰摩故障，获得不同信号分解故障特征信息提取结果[10]，具体如图2～图6所示。

图2 原始振动信号故障特征

图3 EWT提取结果

图4 VMD提取结果

图5 FDM-LTH提取结果

图6 FDM-HTL提取结果

通过提取结果可以看出，EWT与VMD算法提取结果包括一定的故障特征频率基频、二倍频，然而提取结果存在局部噪声频率，即A、B、C位置。而FDM算法提取结果包括转速频率基频、二倍频、三倍频、四倍频、五倍频，不存在噪声频率，与原始振动信号故障特征比较而言，其相对完善，可有效呈现转子全周碰摩故障特征。

4 结 论

总之，基于FDM法的航空发动机转子全周碰摩故障诊断方法，不仅可高效提取转子系统机匣-转子全周碰摩故障特征信息，还可面向振动信号进行频谱分析，以有效提取碰摩冲击频率故障特征信号，基于自适应信号分解方式方法，分离获得最大程度包括故障特征信号的分量，同时针对备选分量做Hilbert包络谱分析，从而获取转子单叶片碰摩故障特征频率成分。通过基于EWT、VMD、FDM算法的故障特征频率提取实验结果比较分析，得知基于FDM算法的故障诊断方法时频分辨率较高，且能够科学合理提取转子全周碰摩故障特征信息。