基于振动分析的民航发动机转子系统故障诊断研究

发布时间：2017-09-20 15:23

  本文关键词：基于振动分析的民航发动机转子系统故障诊断研究

  更多相关文章： 民航发动机 转子系统 振动分析 故障诊断 信息融合

【摘要】：民用航空事业的快速发展对民航运营安全性和经济性提出了越来越高的要求,发动机作为民航飞机的核心部件,其运行状况势必制约整机的运营安全和经济效益。据统计,在造成飞行事故的各种机械故障中,发动机故障约占了1/3,其中有60%~70%为转子系统的结构强度故障。由此可见,开展发动机转子系统故障诊断是实现发动机健康管理和视情维修,提高飞行安全,降低维修成本的重要手段,因此研究先进的故障诊断方法与技术具有重要的科学意义和应用价值。本文围绕民航发动机转子系统故障诊断的若干关键问题,采用仿真分析和模拟实验等手段,对转子系统故障数据库建立、故障信号分析处理与特征提取、故障识别与诊断决策等内容进行了深入的研究。在故障数据库建立方面,根据数据库设计的一般方法和转子系统故障诊断需求,设计了故障数据库的总体结构。针对故障数据不易获取的问题,在采集发动机试车试验振动数据的同时,开展了转子系统动力学仿真和模拟实验研究,建立发动机转子动力学模型,求解典型故障下系统的动力学响应;搭建民航发动机转子模拟实验台,设计实验方案,对典型故障进行模拟,获取了多种工况下的振动信息。故障数据库的建立为开展故障诊断方法研究奠定了基础。在故障信号分析处理与特征提取方面,对自适应非平稳信号分析方法经验模式分解方法进行了研究,针对经验模式分解存在的端点效应、模式混叠以及不能提取信号中高频小能量特征的问题,提出了改进方法,对滚动轴承故障及转子故障信号进行分析,结果验证了改进方法在描述信号时频分布和提取故障特征方面的优越性。在故障模式识别方面,提出了基于模糊支持向量机的故障识别方法,以解决传统支持向量机易受噪声和奇异点干扰的问题,采用自适应核模糊聚类方法确定样本的模糊隶属度,并利用遗传算法优化模型参数;结合多征兆域故障特征,对转子系统故障进行诊断,与其他方法进行对比,验证了该方法在识别故障类型和故障程度上的有效性及抑制噪声方面的优越性。在诊断决策方面,针对单一信源故障诊断结果的不精确和不确定性问题,提出了基于多分类器和多传感器的融合诊断模型,研究了基于证据理论的决策层融合方法,采用DSm T理论对冲突证据进行组合,从而获得更合理的融合结果;对转子故障的诊断结果表明两种方法均能提高诊断决策的可靠性与准确性,其中多传感器融合模型由于能够从不同角度提供更多的底层故障信息,表现出优秀的鲁棒性和抗噪能力。最后,基于Lab VIEW平台,结合数据库技术和MATLAB联合编程,设计开发了发动机转子故障诊断系统,为故障诊断技术的工程应用提供了支持。
【关键词】：民航发动机 转子系统 振动分析 故障诊断 信息融合
【学位授予单位】：天津大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：V263.6
【目录】：

• 中文摘要4-6
• Abstract6-11
• 第一章 绪论11-25
• 1.1 研究背景和意义11-12
• 1.2 国内外研究现状12-23
• 1.2.1 航空发动机故障诊断技术与诊断系统的发展12-15
• 1.2.2 故障转子系统仿真与实验研究15-17
• 1.2.3 信号处理与故障特征提取研究17-19
• 1.2.4 故障模式识别研究19-21
• 1.2.5 信息融合技术在航空发动机故障诊断中应用21-23
• 1.3 本文主要研究内容23-25
• 第二章 故障数据库设计与数据获取研究25-57
• 2.1 故障数据库设计25-29
• 2.1.1 数据库相关概念25-26
• 2.1.2 数据库设计概述26-27
• 2.1.3 故障数据库需求分析27-28
• 2.1.4 故障数据库结构设计28-29
• 2.2 转子系统故障数据获取29-56
• 2.2.1 仿真故障数据获取及分析29-44
• 2.2.2 实验故障数据获取及分析44-56
• 2.3 本章小结56-57
• 第三章 基于经验模式分解的故障信号分析与特征提取57-83
• 3.1 EMD的基本原理57-60
• 3.1.1 EMD的基本概念57-59
• 3.1.2 EMD的原理和过程59-60
• 3.1.3 Hilbert-Huang时频谱60
• 3.2 EMD的问题讨论60-62
• 3.3 改进的EMD方法62-73
• 3.3.1 基于GSVR的端点效应处理62-64
• 3.3.2 切触包络拟合64-66
• 3.3.3 改进EMD算法流程66-67
• 3.3.4 数值仿真分析67-71
• 3.3.5 轴承故障诊断实验与分析71-73
• 3.4 基于EMD-WPT的转子故障信号分析73-80
• 3.4.1 小波包变换的概念及性质74-76
• 3.4.2 EMD-WPT分析流程76-77
• 3.4.3 转子故障信号分析77-80
• 3.5 基于IMF参数的故障特征提取80-82
• 3.6 本章小结82-83
• 第四章 基于模糊支持向量机的故障模式识别研究83-103
• 4.1 模糊支持向量机模型83-87
• 4.1.1 SVM的基本理论83-85
• 4.1.2 FSVM模型85-87
• 4.2 样本模糊隶属度赋值方法87-90
• 4.3 基于FSVM的故障诊断模型及验证90-93
• 4.3.1 遗传算法优化的FSVM故障诊断模型90-91
• 4.3.2 仿真验证91-93
• 4.4 基于FSVM的轴承故障诊断93-96
• 4.4.1 故障样本描述93-94
• 4.4.2 故障特征94
• 4.4.3 故障诊断结果分析94-96
• 4.5 基于FSVM的转子故障诊断96-102
• 4.5.1 转子故障诊断流程96-97
• 4.5.2 故障样本描述97-98
• 4.5.3 核函数和多分类策略分析98-99
• 4.5.4 不同故障诊断模型对比分析99-100
• 4.5.5 不同故障特征的对比分析100-101
• 4.5.6 噪声情况下的诊断结果分析101-102
• 4.6 本章小结102-103
• 第五章 转子系统故障融合诊断研究103-121
• 5.1 信息融合技术概述103-105
• 5.2 转子故障融合诊断模型105-107
• 5.2.1 基于多分类器融合的转子故障诊断106
• 5.2.2 基于多传感器融合的转子故障诊断106-107
• 5.3 基于证据理论的决策层融合方法107-112
• 5.3.1 D-S证据理论107-108
• 5.3.2 DSm T证据理论108-110
• 5.3.3 证据体基本信度赋值110-112
• 5.3.4 决策规则112
• 5.4 故障融合诊断结果分析112-119
• 5.4.1 数据描述112-113
• 5.4.2 基于多分类器融合的故障诊断结果分析113-117
• 5.4.3 基于多传感器融合的故障诊断结果分析117-119
• 5.5 本章小结119-121
• 第六章 民航发动机转子故障诊断系统设计121-141
• 6.1 需求分析与总体设计121-123
• 6.1.1 需求分析121-122
• 6.1.2 总体设计122-123
• 6.2 系统硬件设计123-125
• 6.3 系统软件设计125-136
• 6.3.1 数据采集模块设计125-127
• 6.3.2 信号分析处理与特征提取模块设计127-130
• 6.3.3 故障识别模块设计130-133
• 6.3.4 数据库管理模块设计133-136
• 6.4 系统运行测试136-140
• 6.5 本章小结140-141
• 第七章 总结与展望141-143
• 7.1 全文总结141-142
• 7.2 创新点142
• 7.3 工作展望142-143
• 参考文献143-157
• 发表论文和参加科研情况说明157-159
• 致谢159-160

，

本文编号：888835