压气机气动失稳故障的声学诊断技术研究进展

陈禹西, 杨明绥, 杨国安

(1.中国航发沈阳发动机研究所,辽宁 沈阳 110015; 2.北京化工大学 机电工程学院,北京 100029)

作为航空发动机的重要部件,压气机处于不稳定状态时,不仅其性能会下降,还可能对自身结构产生额外载荷,导致其寿命减少甚至结构失效,对发动机正常工作甚至整机飞行安全带来严重影响。图1展示了气动失稳对压气机叶片造成的结构破坏。为改善压气机的稳定性,研究人员提出了各种故障检测与诊断的方案,这些方案一般通过压气机上安装的传感器监测压气机失稳时的异常信号,然后向控制系统发出指令,调节压气机的稳定裕度或使压气机的工作点远离不稳定边界。这种失稳控制手段已经在整机上得到应用[1-2]。但目前这种方法仅能在失稳发生时发挥作用,并不能提前预防失稳的发生。为了更加及时地捕捉到压气机的不稳定工作状态,减少压气机不稳定工作的时间,有必要探究基于各种传感器方案的气动失稳监测和预警技术。

图1 喘振导致的压气机叶片结构破坏[3]

已有经验表明,发动机整机及部件在运行时往往会出现一些反映其运行状态和运行品质的异常声响或振动,而这些异常声振现象发生时均在其声音信号上有显著体现[4],可以被试车员、飞行员等依据“响声”“异响”主观感知到,这为使用声学原理和声学信号研究压气机内的流动和振动现象奠定了基础。随着研究的深入,人们逐渐认识到声学信号不仅能够有效表征叶片气动故障与振动故障信息,而且声信号独有的波动传播理论在叶片流固耦合机理研究方面具有天然优势,是分析叶片非同步共振、声腔共振、气动失速、喘振、颤振等故障机理的优异分析手段。Sundström等[5]提出,在低质量流量下,压气机发出的噪声主要来源于作用在叶片表面的非定常压力载荷。Cumpsty[6]也提出,气动失稳时的压气机具有特定的声学特征。声学测量已经在压气机故障研究中获得了一些应用[4,7],基于声学信号的发动机叶片故障监测与诊断技术具有非接触、强便携性、便于安装、无需对压气机进行过多测试改装等优点[8],且在航空发动机气动运行状态、旋转机械运行品质检测方面,声学信号独有的“可有效与人耳听觉的主观评价相关联,且可量化”的优点,最具潜力发展形成“人机合一”综合检测与诊断能力的物理信号。通过对声信号的深入研究分析,研究人员有望研制出更加准确、灵敏的压气机故障诊断、监测和预警方法。

因此,本文主要关注国内外基于声学手段的压气机气动失稳故障诊断研究的进展情况,对相关的研究工作进行梳理、提炼和阐述,理清气动失稳现象与声信号表征的机理分析、试验方案、测试布局与方法、数据处理手段等技术发展脉络。在此基础上,提炼分析并给出了压气机气动失稳故障的声学监测与预警方法的发展趋势与关键技术,为压气机失稳检测诊断手段的发展与完善提供一定的指导。

1 气动失稳的发声机理与信号特征

旋转失速与喘振是典型的压气机气动失稳现象,随着压气机内部流动条件恶化,一些初始扰动出现,流道内会出现流动分离,压气机发生旋转失速,若流动状况进一步恶化,压气机则可能发生喘振。当转速足够高时,流动条件恶化也可能直接造成喘振。不同转速下的失稳形式如图2所示。旋转失速发生时,某一个或几个叶片流道首先发生气流分离,形成分离团,如图3所示,从整体上看,分离团在转子上逆转子旋转方向转动。在分离区域内,叶片的流动分离与涡系结构十分复杂,具有强烈的非定常性,形成了独特的声源,图4展示了失稳过程中声学信号的变化。一些情况下,在失稳发生前,会首先出现模态波的特征频率,并伴有“异常”声波的产生;另一些情况下失稳过程发生得更突然,未观察到明显的先兆现象即直接进入失速或喘振状态。进入失稳状态后,声信号会发生明显变化,包括幅值的显著波动和频率成分的改变。

图2 不同转速下的失稳形式

图3 基元中的流动分离

图4 失稳过程中声学信号变化

旋转不稳定性是另一种出现在压气机高负荷工况时的动失稳现象,目前普遍认为其与叶尖泄露而形成的漩涡有关,不同于失速或喘振,在信号特征上,旋转不稳定性可以视为绕转子旋转的脉动声源。如图5所示,脉动声源的周向分布可以看成多个连续阶数模态空间傅里叶分量的叠加,导致旋转不稳定性的频率特性一般表现为离散频率峰值及其谐波。如图6所示,RI频率通常伴随着BPF+RI和BPF-RI的出现,而且RI 频带通常表现为多重离散峰值的叠加,相邻2个离散峰的间隔频率几乎相等。

图5 旋转不稳定声源特征

图6 旋转不稳定的频率特征

2 气动失稳的声学表征方法

借助各种信号分析手段,获取气动失稳的声学表征是发展相应诊断技术的必要途径。为此,国内外研究人员围绕着声信号的采集与分析处理开展了大量工作。随着技术的发展,在采集方法方面,手段逐渐趋于复杂,通道数量、采样率等参数不断提升;在分析处理方面,从简单时频表征手段逐渐发展到高阶参数表征、模态分量表征、空间特征表征。其中信号分析处理技术的发展起到了重要的推动作用。因此本节主要从信号处理技术的角度,对气动失稳的声学表征方法进行梳理。

2.1 基于传统时频理论的表征方法

早期的失稳声学测量研究使用的传声器数目较少,信号处理分析的手段也仅集中于基本的时频分析,尽管如此,研究人员已经能够通过比较正常与失稳状态下声信号的差异,从一些时域统计量和频率成分变化的角度对失稳信号的特征进行表征。

国内可以检索到的最早使用声学手段研究压气机失稳的工作为20世纪末胡宗安等[9-10]在单、双级压气机试验台上进行的旋转失速与颤振现象研究,他们提出了根据声信号中满足倍频程关系的频率确定失速团传播速度的方法。同一时期,Lawless等[11-12]也对某离心压气机失稳现象的声信号特性进行了研究,描述了随着流量减少,声信号中失速特征频率和喘振特征频率的变化,还开创性地使用了环形传声器阵列获得了压气机的声模态信息,发现部分模态在时域信号的幅值出现异常前就已经发生了变化。Aretakis等[13-14]使用如图7所示的测试布局研究了某离心压气机在几种结构故障下,振动、脉动压力与声信号的变化,发现故障发生时,信号功率谱上一阶与二阶BPF处能量将发生变化;于2004年对失速以及喘振现象展开了试验研究[15],发现压气机进入失速状态后,声信号的幅值增加主要来源于0～0.9BPF范围的能量增强,如图8、图9所示,进入喘振状态后,时域上信号的平稳性消失,在频谱上可以观察到对应低频的位置出现了大量能量聚集,同时还发现,相比于振动传感器,传声器对失速引起的气流扰动更加敏感。受到Aretakis以及Lawless等工作的启发,2007年,Morini等[16]在费拉拉大学的轴流-离心混合式的多级压气机试验台开展研究,使用如图10所示的测试布局,捕捉到了喘振发生前后,声信号中类似的低频成分变化。

图7 Aretakis等的测量方案[15]

图8 声信号随压气机工作点的变化[15]

图9 声信号频谱随工作点的变化[15]

图10 Morini等的测量方案[16]

2.2 基于现代信号分析理论的表征方法

仅从有限的时域参数和特征频率角度对失稳声信号进行描述并不全面:一方面,不同型号的压气机甚至同一压气机在不同转速下的信号幅值和失稳特征频率都是不一致的,难以发展出可靠的故障诊断方法;另一方面,对于失稳诊断的需求正逐渐从诊断失稳本身过渡到失稳先兆诊断,失稳先兆的特征一般十分微弱,难以直接从时频分析中获得。一些先进的信号分析手段,特别是各种高阶统计量、信号分解与降噪方法,能够多角度、更准确地捕捉微弱的信号特征。有望对失稳先兆进行更加深入的表征。

Munari等[17]使用循环平稳分析的方法分析了喘振的声信号。结果表明,正常运转的压气机信号具有较强的随机性,当压气机进入喘振状态时,信号随机性消失,转变为由单一频率主导。Ferrari等[18]对T100微型燃机进行了失速喘振的信号测量,通过定义用于分析并量化振动与声信号的不平稳性的包络与方差函数,有效识别了喘振信号。在之后的研究中[19],进一步运用自相关函数与高阶谱方法对失稳状态的声信号进行了分析。对自相关函数进行分析发现,接近失稳状态时,传声器可以检测到声共振激发的压气机强迫响应现象,其表现为信号自相关函数外侧趋势的改变。对信号双谱分析的结果表明,不稳定状态下低频部分能量相较于稳态有明显增强,双谱分析还揭示了系统中存在调制现象。

曹昳劼等[20]基于快速傅里叶变换和小波分析等方法,实现了喘振特征信号的提取,得到了与Lawless、Aretakis等类似的结论。金刚[21]比较了压力脉动信号、声信号和振动信号在失稳检测效果上的差异,发现动态压力和声压信号对气动失稳的反应更加灵敏。Sun等[22]也通过判断特征频率是否出现在声压信号频谱上,分析了声学测量监测压气机不稳定状态的能力,指出传声器的位置因素对能否检测到气动失稳影响较大。Guan等[23]研究了声压信号的IMF分量和POD能量占比,发现压气机失稳时,部分内涵模态分量会发生大幅阶跃。闫思齐等[24]使用如图11所示的测试布局采集了台架喘振试验时压气机左右两侧的声压信号,应用小波低频重构声压信号实现了对某型涡轴发动机喘振的识别与特征提取。

图11 闫思齐等的传感器布置方案[24]

2.3 基于空间模态的表征方法

除了上述特征,空间模态信息对压气机的一些失稳现象研究也尤为重要[25],王良锋等[26]对某单级风扇的管道周向声模态进行了试验测量,比较了信号互相关和传统的均方根两种模态分解方法的结果。梁东等[27]发展了当测点数目不满足条件或测点损坏时,求解出声模态的通用分析方法。Sack等[28]提出了基于神经网络的管道模态分解方案。程礼等[25]提出了声模态时序图的绘制方法,发现后行声模态波与压气机效率下降故障有关,验证了声模态诊断方法的可行性。西安交通大学与中国航发四川燃气涡轮研究院基于图12所示的测试系统开展了基于声学测量的故障诊断、先兆识别和信号处理的研究。在声模态方面,提出了基于压缩感知的声模态重构方法[29],实现了少数传声器对主导声模态的阶数识别和幅值重构。在故障先兆识别方面,开展了多级风扇试验器由稳定旋转至喘振的瞬态试验[30],通过在压气机进口机匣安装的周向传声器阵列获得故障信号,观测到了风扇在进入喘振前,强烈单音噪声和失速气团的特征频率,获得了与Enrico等观察到的现象相吻合的结果。近期,研究人员还使用类似手段对气动弹性问题开展了研究[31],通过对声信号的分析,提取到了强迫响应、声共振导致的颤振等故障的特征参数。

图12 测试系统示意图[29]

3 气动失稳及其先兆的诊断与预警方法

压气机的气动失稳及其先兆常常表现为特定规律的压力波动。这种波动可以被脉动压力传感器或传声器捕捉到,基于这两类信号的气动失稳诊断方法具有一定的相似性。不同于脉动压力传感器,由于传声器测得的是压力的动态量,无法获得压力本身的变化,因此基于声信号的诊断方法更加关注时域的波动,如信号的变化率、方差、相关系数等。另一些方法则基于信号的频域特点[32],如中心频率法、能量法等。不同方法的差异主要体现在诊断参数和报警逻辑上。一般基于时域特征参数的方法也会通过滤波等预处理手段引入频率信息。在已发表的文献中,还有很多工作使用不同信号处理分析手段提取出了失稳信号的特征,但尚未形成完整的诊断方法,例如自相关函数[19,33]、小波分析[34-37]、信号熵[38-39]、声学模态分解[25,31],以及高阶谱方法[19],这些方法参见对应的文献。

3.1 基于信号变化率的诊断方法

压气机进入失稳状态时气流参数的急剧变化可以在信号时域被直观地捕捉到。雷杰等[40]提出了一种基于脉动压力变化率的喘振检测方法,这种方法首先使用式(1)提取出脉动压力中的动态量,获得类似声压的结果ΔP1。喘振发生时,ΔP1会发生急剧变化,可以通过式(2)来监测这种变化并给出检测结果。

(1)

|d(ΔP1)/dt|>A

(2)

式中:P1(i)为传感器采集到的压力信号;N为计算均值所使用的点数;k为当前时刻;A为检测阈值。这种方法计算简单,适用于在线诊断,但需要开展大量试验工作,确定各种状态下脉动压力变化率的分布规律以及诊断阈值。

3.2 基于信号方差的诊断方法

方差可以反映一段时间内信号围绕其平均值的波动量,而波动量是压气机失稳时信号时域上最显著的特征。失稳状态下的声压波动也可以使用统计方差[41-42]、延迟方差[39]、自协方差[21]等来度量,刘勃等[43]提出了一种改进的方差方法。

(3)

(4)

(5)

自协方差是描述平稳随机信号统计特征最常用的二阶统计量。对于平稳随机信号,自协方差函数等于去除了均值部分的自相关函数,因此自协方差受压气机工况变化影响较小。对于k时刻前采集到的长度为N的信号P(i),可以使用式(6)计算时差为m时的自协方差,并根据方差范围给出失稳诊断结果。

(6)

(7)

3.3 基于信号相关性的诊断方法

变化率与方差主要关注失稳信号的突变与波动范围是否在阈值之内,但单一的阈值往往缺乏通用性,并且这2个指标对于特征微弱的失稳先兆响应并不灵敏。信号相似度方法将2个子段信号的相关性指标作为检测参数,在一定程度上解决了该问题。相似度越大,说明传感器采集到的压力波信号具有越好的时间周期性,压气机工作稳定。李琳等[45-46]较早地验证了这种方法在失速先兆检测方面的可行性。李继超等[47]提出了比较不同位置信号相似度的方法,进一步获取了失稳起始点的位置信息。毛发金[48]使用概率分布函数改进了这一方法。Li等[49]对这种方法背后的原理做出了详细的阐述。Dong等[50]基于这种方法评估了处理机匣对压气机稳定性的提升。

对于单个传感器采集到的声压信号P,t时刻的信号相似度R(t)可以使用式(8)计算:

(8)

式中:dwnd为子段长度;tshaft为所要比较的2个子段的时间间隔。余弦相似度方法对信号的周期性较为敏感,李琳等[46]建议使用一个转子周期作为时间间隔,子段长度可以根据计算量要求从一个叶片周期到一个转子周期之间选择[51]。

互相关方法使用在压气机周向布置的多个传感器同一时刻的余弦相似度作为检测参数。当压气机进入失稳状态时,失速先兆会导致不同位置传感器信号的差异。对于来自通道X与Y的2个信号,余弦相似度为

(9)

为了降低正常状态下相似度波动导致的误报,可以使用累计分布函数,将一段时间内相似度超过阈值的概率作为检测指标,如式(10)所示,相较于R值,接近失稳状态时,F(Rth)上升得更加平稳。

F(Rth)=P(R≤Rth)

(10)

基于相关性的方法计算方便,通用性更强。据报道,其已经在多次高速和低速压气试验中得到成功应用[48,52-53],并且由于失稳先兆出现时也会引发相关性的波动,使得这种方法在预警速度上具有明显优势。但是当子段间隔或长度选择不当,导致相位发生变化时,相似度可能发生波动。

3.4 基于统计分布特征的诊断方法

对于一些方法阈值难以确定的问题,李长征等[54]发现压气机出口总压脉动的有效值服从正态分布,并据此提出了基于统计特征的喘振检测方法,其流程如图13所示,首先根据正常运行时的数据,估计信号的正态分布参数μ、σ,通过判断当前压力值是否超过μ±Cthσ给出预警。申世才等[55]发现转速变化过程中的压力参数波动会导致分布参数估计失败,减小用于参数估计的样本容量可以解决这一问题。随后李长征等[56]又提出了一种联合时域频域特征喘振检测方法,在时域上计算信号的方差,在频域上计算信号的中心频率,借助二维正态分布函数对这两个参数开展检测。

图13 基于统计分布特征的失稳检测方法[56]

3.5 基于频域能量分布的诊断方法

借助频谱分析信号的周期性或频率特性进行检测是故障检测常用的手段。Aretakis等[15]发现0～0.9BPF频率范围的声压信号均方根幅值σ0.9X随着压气机流量的降低呈现单调增加的趋势。因此可以确定出区分稳定与失速、失速与喘振的阈值σL1与σL2,并建立起转速与σL1、σL2的关系。通过判断σ0.9X与当前转速对应的σL1、σL2的大小,给出失稳预警,流程如图14所示。李长征等[57]提出了基于低频成分瞬时能量的失稳检测方法。杜军等[58]提出根据低频能量与其余能量的比例检测失稳的方法,如图15所示,实现了对不同换算转速下的轴流压气机喘振故障的诊断。这种方法无须设置阈值,更加适用于工程应用。

图14 基于RMS的压气机故障诊断方法[15]

图15 基于声压能量比的压气机故障诊断方法[58]

3.6 基于数据驱动的诊断方法

基于数据驱动的各种故障识别方法已经在很多场景取得了良好的效果,并有望应用于压气机气动失稳故障的监测甚至预警,特别是失稳先兆监测这种微小特征识别任务。但由于试验成本高昂、数据难以积累等原因,现有的研究大多基于低速风扇/压气机试验器开展。Schulze等[59]基于离心压气机噪声信号的转频能量、叶片通过频率能量等特征,使用人工免疫算法对气动失稳故障进行了诊断,实现了对于气动失稳的提前预警。

Wang等[60-63]进行了数据驱动方法的一系列代表性研究工作,对包含外部扰动的微小且快速变化的失速动态信号进行了RBF神经网络建模和动态模式快速识别,通过比较当前信号与不同失稳模式库的残差,实现了对短尺度Spike型失速的提前预警。另一些研究工作更聚焦于端到端学习,即直接将原始信号作为诊断模型的输入,将诊断结果作为输出。Hipple等[64]使用LSTM网络基于多种传感器信号开展了失速预测研究,指出使用回归模型预测压气机的失稳,将失稳概率作为网络的输出获得的结果更加准确。Quan等[65-66]提出了一种用于失稳预测的LR-WaveNet模型,模型的输入为时序数据和时域特征,输出为当前时刻对应的失稳概率,并通过与LR模型、WaveNet模型、LSTM模型进行对比验证了所提出方法的预测精度与稳定性较好。

4 结束语

声信号中包含了大量关于压气机工作状态的信息。通过对声信号的深入研究分析,有望研制出更加准确、灵敏的压气机故障诊断、监测和预警方法。通过对以上研究工作的介绍,主要得到以下结论。

① 压气机的各种气动失稳形式都可以在声信号上得到表征。相比于机匣外侧,安装在进气道靠近气流位置的传声器对气动失稳故障的响应更加灵敏,信噪比更高。压气机进入气动失稳时通常伴随着声信号幅值的增大,而这种幅值增大通常有气动失稳相关的先兆特征,如模态波等。

② 基于上述信号变化特征,可以使用声信号对压气机的失稳故障进行监测与预测,目前常用的方法主要关注声信号时域幅值特征、频段能量特征和信号周期性特征,基本实现了对于失稳的监测,但是对于特征更加微弱的失稳先兆监测能力有所不足。先进的信号处理方法,例如各种模态分解算法、智能方法有望为失稳预警提供有效手段。

③ 目前对于压气机声学测量的研究仍存在一些局限,限制了声学方法作为能够在线诊断、健康监测的数据来源的可能。这种局限主要来源于:很多声学试验都是在实验室或露天试车台环境中开展,伴随着严格的消声措施与混响控制,而实际飞行条件下测得的声信号可能包含了大量的噪声与干扰。为解决这一问题,可能需要在传感器的选择与布局、声源定位、降噪方法等方面开展进一步研究,提高信号的信噪比。

④ 对于数据驱动的失稳诊断方法数据量不足的问题,可能需要在充分认识气动失稳机理的基础上,探究借助数字孪生等手段,人工构造失稳信号数据。尽管广泛收集来自各种型号的数据,构造通用的失稳监测预测模型较为困难,但对于某些重点型号,针对性地大量搜集试验数据,构造数据集并训练准确率更高的失稳监测与预警模型是有可能实现的。