一种服役环境下航空发动机主轴承故障特征频率提取方法技术

一种服役环境下航空发动机主轴承故障特征频率提取方法。本发明专利技术为一种强噪声服役环境下军用航空发动机主轴承微弱故障信号特征频率提取新方法。该方法主要包括：针对采集的航空发动机机匣测点振动加速度信号，采用弱随机信号提取方法技术对信号进行分离，获得信号的离散成分和随机成分，并构造反映轴承故障特征频率局部/整体特征显著水平的无量纲特征量。本发明专利技术可以有效提取信号中的随机成分，滤除转速、齿轮啮合频率等离散部分在平方包络谱分析中的干扰成分，提高故障频率所在频带对应幅值，抑制杂波对故障诊断的影响，提高主轴承故障特征提取的准确性，为航空发动机主轴承故障特征提取提供重要方法和有效途径。特征提取提供重要方法和有效途径。特征提取提供重要方法和有效途径。

【技术实现步骤摘要】
一种服役环境下航空发动机主轴承故障特征频率提取方法


[0001]本专利技术属于航空发动机机械系统故障诊断领域，具体涉及一种强噪声服役环境下军用航空发动机主轴承微弱故障信号特征频率提取新方法。

技术介绍

[0002]航空发动机主轴承在实际工况下，滚动体受离心载荷径向作用的影响，与内圈和外圈的接触角会偏离初始值，导致实际故障特征频率会偏离于理论故障特征频率，不利于主轴承故障特征的提取。此外，航空发动机主轴承的振动信号在经过复杂传递路径后，故障特征信号变得极其微弱，且该信号中掺杂了很多转子转速频率及其倍频、附件传动机匣的齿轮啮合频率及其倍频、转子叶片通过频率及其倍频、发动机气动和燃烧等干扰频率成分，导致主轴承的故障特征频率成分很容易被混淆，从而很难被识别。为此需要将这些具有离散频谱特征的周期信号去除，将微弱的主轴承故障特征信号从复杂的调制原始信号中剥离出来，判断滚动体与内/外圈的实际接触角，对故障特征进行有效提取。
[0003]弱随机信号提取方法的基本原理是通过寻找一个主振动序列与延迟振动序列之间的频率响应函数(FRF)，再通过傅里叶逆变换得到自参考自适应的分离滤波器，基于该滤波器实现对轴承故障特征信号与其余信号的有效分离。因此，本专利技术提出一种适用于航空发动机机匣测点信号的主轴承故障特征提取方法。利用弱随机信号提取技术将机匣测点信号中与主轴承故障诊断不相关的部分进行层层剥离，并与自相关分析、平方包络谱相结合，构造故障特征显著度，并在发动机主轴承故障整机试验当中应用，验证结果表明可有效实现主轴承故障特征的提取，为航空发动机主轴承故障诊断提供重要方法和有效途径。

技术实现思路

[0004]本专利技术所要解决的技术问题是针对
技术介绍
中所述的问题，提供了一种航空发动机主轴承故障特征提取方法，该方法能够为持续提升军用航空发动机使用安全水平提供监控手段提供重要的方法和有效的途径。
[0005]为实现上述目的，本专利技术是通过以下技术方案实现的：
[0006]S 1.针对采集的航空发动机机匣测点振动加速度信号，采用弱随机信号提取方技术对航空发动机振动加速度信号进行分离，获得信号的离散成分和随机成分。其中，离散成分中包括转速频率及其倍频、齿轮啮合频率及其倍频等周期信号，随机部分中含有轴承故障特征频率和噪声信号等。
[0007]S2.对得到的随机成分进行平方包络、自相关降噪、谱分析，提取轴承故障特征频率及对应的接触角。
[0008]S3.基于S2提取的特征频率，构造反映轴承故障特征频率局部/整体特征显著水平的无量纲特征量，并提出了一种基于S型函数的特征显著度计算方法，实现无量纲特征的归一化，以准确识别轴承故障特征。
[0009]其中，所述步骤S1具体包括：
[0010]S1
‑
1：划分主振动序列和延迟振动序列：x为原始振动序列，将x划分成长度均为2L+τ的子信号，其中L为待生成的自参考自适应滤波器阶数，τ为主振动序列与延迟振动序列间的延迟。延迟振动序列和主振动序列x
k
(n)可分别表示为：
[0011][0012]x
k
(n)＝w
L
(n)x[n
‑
L+k(2L+τ)]，0＜n≤L，0＜k≤K
ꢀꢀ
(2)
[0013]其中，w
L
(n)为长度为L的窗函数，采用Parzen窗函数，k为子信号段数，共K段。
[0014]S1
‑
2：构建自参考自适应滤波器：滤波器的目的是实现从到x
k
(n)的最佳预测，使中的周期性部分保持不变的前提下，实现对x
k
(n)最佳预测，而非周期部分及宽带噪声将从中滤除。实现最小均方预测误差的自参考自适应最佳滤波器频响函数H(f)可表示为：
[0015][0016]其中，S
UV
(f)为信号U和V的互功率谱，S
UU
(f)为信号U的自功率谱，p表示周期性成分，r表示非周期成分。而x
k
(n)＝p
k
(n)+r
k
(n)，H(f)可简化表示为：
[0017][0018]其中，为第k段子信号延迟振动序列进行长度为M的傅里叶变换，X
k，M
(f)为第k段子信号主振动序列x
k
(n)进行长度为M的傅里叶变换。而M≥L，频率响应函数的有效长度等于参与傅里叶变换的信号长度，当M＞L时，超出部分应在或x
k
(n)后补0，会降低轴承故障频谱分辨率，因此本专利技术采用M＝L，得到长度为L的滤波器频率响应函数H(f)，以消除数据长度不同对特征频率造成的影响。
[0019]S1
‑
3：频域滤波和相位修正：将x划分为长度均为L的子信号x[n+(k
′‑
1)]L，0＜n≤L，k
′
为子信号段数，共K
′
段。利用H(f)依次对上述子信号进行频域滤波，可表示为：
[0020]X
k
′
，L
(f)＝H(f)
·
X
k
′
,L
(f)
ꢀꢀꢀꢀ
(5)
[0021]其中，X
k
′
，L
(f)为第k
′
段滤波结果，X
k
′
，L
(f)为第k
′
段长度为L的子信号的傅里叶变换。为保证所得滤波信号相位与原始信号相同，需根据滤波后的幅频特性和滤波前的相频特性重构滤波后的频谱，可表示为：
[0022]Re＝|X
k
′
，L
(f)|cos{Ψ[X
k
′
，L
(f)]}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0023]Im＝|X
k
′
，L
(f)|sin{Ψ[X
k
′
，L
(f)]}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0024]X
k
′
，L
(f)＝Re+i
·
Im
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0025]其中，X
k
′
，L
(f)为X
k
′
，L
(f)重构后的频谱，|*|为取幅值，Ψ(*)为取相位。
[0026]S1
‑
4：得到周期成分x
p
和非周期成分x
r
：对得到的X
k
′
，L
(f)进行逆傅里叶变换，得到长度为L的周期性成分x
p，k
′
，并与x本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种强噪声服役环境下军用航空发动机主轴承微弱故障信号特征频率提取方法，其特征在于，包括以下步骤：S1.针对采集的航空发动机机匣测点测量振动加速度信号，采用弱随机信号提取技术对信号进行分离，获得信号的离散成分和随机成分；其中，离散成分中包括转速频率及其倍频、齿轮啮合频率及其倍频等周期信号，随机部分中含有轴承故障特征频率和噪声信号；S2.对得到的随机成分进行平方包络、自相关降噪、谱分析，提取轴承故障特征频率及对应的接触角；S3.基于S2提取的特征频率，构造反映轴承故障特征频率局部/整体特征显著水平的无量纲特征量，并采用基于S型函数的特征显著度计算方法，实现无量纲特征的归一化，以准确识别轴承故障特征。2.根据权利要求1所述的故障信号特征频率提取方法，其特征在于，所述步骤S1的具体操作为：S1
‑
1：划分主振动序列和延迟振动序列：x为原始振动序列，将x划分成长度均为2L+τ的子信号，其中L为待生成的自参考自适应滤波器阶数，τ为主振动序列与延迟振动序列间的延迟，延迟振动序列和主振动序列x
k
(n)可分别表示为：(n)可分别表示为：其中，w
L
(n)为长度为L的窗函数，采用Parzen窗函数，k为子信号段数，共K段；S1
‑
2：构建自参考自适应滤波器：滤波器的目的是实现从到x
k
(n)的最佳预测，使中的周期性部分保持不变的前提下，实现对x
k
(n)最佳预测，而非周期部分及宽带噪声将从中滤除，实现最小均方预测误差的自参考自适应最佳滤波器频响函数H(f)可表示为：其中，S
UV
(f)为信号U和V的互功率谱，S
UU
(f)为信号U的自功率谱，p表示周期性成分，r表示非周期成分；S1
‑
3：频域滤波和相位修正：将x划分为长度均为L的子信号x(n+(k
′‑
1)L)，0＜n≤L，k
′
为子信号段数，共K
′
段，利用H(f)依次对上述子信号进行频域滤波，表示为：X
k
′
，L
(f)＝H(f)
·
X
k
′
，L
(f)
ꢀꢀꢀꢀ
(5)其中，X
k
′
，L
(f)为第k
′
段滤波结果，X
k
′
，L
(f)为第k
′
段长度为L的子信号的傅里叶变换，为保证所得滤波信号相位与原始信号相同，需根据滤波后的幅频特性和滤波前的相频特性重构滤波后的频谱，表示为：Re＝|X
k
′
L
(f)|cos{Ψ[X
k
′
，L
(f)]}
ꢀꢀꢀꢀ
(6)Im＝|X
k
′
，L
(f)|sin{Ψ[X
k
′
，L
(f)]}
ꢀꢀꢀꢀ
(7)X
k
′
，L
(f)＝Re+i
·
Im
ꢀꢀꢀꢀ
(8)其中，X
k
′
，L
(f)为X
k
′
，L
(f)重构后的频谱，|*|为取幅值，Ψ(*)为取相位；S1
‑
4：得到确定性成分x
p
和随机成分x
...

【专利技术属性】
技术研发人员：尉询楷，王浩，赵雪红，李灏，杜少辉，陈果，何秀然，杨立，杨洪，冯悦，张生良，吕永召，
申请(专利权)人：中国人民解放军九三二零八部队，
类型：发明
国别省市：