基于頻段幅值峰值比的渦輪泵故障檢測方法

1發動機渦輪泵故障診斷方法對比渦旋泵是液體探具汽機的核心部件之一。在極端物理環境中工作。這是不同動態旋轉機械中最有效的，相應的可靠性也很高。因此，在故障檢測和故障診斷技術的研究中非常重要。近年來,國內外出現不少相應的檢測方法。有基于時域統計特征分析的渦輪泵故障檢測方法,此類方法能直接快速地對信號檢測,但時域信號通常受到隨機因素的影響,呈現較多不確定性,因此時域統計特征的穩定性相對不強。當檢測含有強噪聲的故障信號時,容易造成漏警和虛警,影響發動機試車或工作的安全性?；陬l域的故障檢測與故障診斷方法包括基于時頻分析的檢測方法、小波分析方法、小波包分析方法和HHT方法等,還有基于頻域結合其他方法的故障檢測與診斷方法。頻域特征通常比時域統計特征相對穩定,故障敏感性也較強,用于機械系統的故障檢測中能避開基于時域統計特征分析方法的缺點。但由于基于頻域的方法難以滿足渦輪泵故障檢測的實時性要求,在發動機渦輪泵實時故障檢測中應用較少。發動機渦輪泵的工作環境復雜,物理條件十分極端,整個振動系統呈現非平穩性,對算法實時性要求較高。本文根據渦輪泵振動加速度信號的頻域特點以及已有頻域算法的不足,提出基于頻段幅值比的實時故障檢測方法。該方法采用快速傅里葉變換將歷史信號從時域變換到頻域并進行頻段劃分,選擇兩個有代表性的頻段并計算其幅值最大值比。將該比值作為故障特征對待檢信號進行實時故障檢測。本文采用某型號發動機渦輪泵的振動加速度信號對該故障檢測方法進行驗證,要求在故障信號出現后0.5s內準確檢出故障。實驗結果顯示該算法能有效、及時地檢測出渦輪泵故障,滿足渦輪泵實時故障檢測的需求。2方法原理2.1fft算法原理對數字時間序列信號處理進行頻率分析時候,通常采用離散時間傅里葉變換(discretefouriertransformation,DFT),且在計算機上實現信號時域到頻域的變換處理的信號必須是離散的。DFT定義如式(1)。式中:N表示進行DFT變換觀測數據點的數目,g(k)表示第n個觀測數據(k=0,1…,N-1),G(n)表示第n個傅里葉展開系數(n=0,1…,N-1,N),G(0)為直流分量。式(1)寫成如下形式:式中:Wnk=exp(-j2π/N)。為了減少DFT隨著數據量的增加造成的運算量,提高算法速度,可做如下變換得到快速傅里葉變換(fastfouriertransformation,FFT):設偶數號的數值序列為p(l),奇數號的數值序列為q(l),可得式(3):結合式(2)可得式(4):式中:對式(4)和式(5)可以進一步分解得到:依此類推即得到FFT算法。DFT變換中重復運算次數較多,其存在的冗余存儲空間造成運算量隨著數據量的增加而劇增,運算速度較差。針對這些缺點,FFT采用分解方法和蝶形運算方法,有效減少冗余存儲空間,減少運算量,有效地提高了計算速度,使傅里葉變換能用于對時間要求很苛刻的應用中,其在故障檢測與診斷領域運用越來越廣泛。2.2同型號渦輪泵根據實際條件選擇幅值的見圖2FFT方法能夠快速有效地將時域信號快速變換到頻率,以便結合其他算法進行分析。一般平穩信號當中出現異常分量或者新的信號分量,則信號在頻率上表現為:1)有新的頻率分量出現;2)原信號中頻率分量的頻率最大值和頻寬發生明顯變化;3)脈沖型波形出現等。這些變化在渦輪泵出現故障后表現較為明顯。FFT通常用于處理平穩信號,而從渦輪泵采集的振動信號一般是非嚴格平穩信號,其頻率通常在一定范圍內波動。選擇頻率段幅值的最大值可以有效避免由于信號不穩定導致的頻率波動致使判斷不準確的問題。雖然提取頻率段的幅值最大值作為故障特征能夠有效地避免信號的某些問題,但由于制造、裝配過程和材質等方面存在細微差異,同型號渦輪泵不同車次試車過程中得到的信號也會有較明顯的變化;尤其是信號的振幅,頻率分量的最大值會明顯變化;即使是同一試車數據,檢測步長的變化也會影響頻率幅值變化。因此,在實際工程中很少直接采用頻段幅值最大的頻率作為檢測的特征,而是結合其他方法運用。本文提出的基于頻段幅值最大值比的檢測方法,基本流程如圖1所示。根據圖1,該故障檢測方法主要包括6步:1)對渦輪泵歷史試車中的故障信號和正常信號(振動加速度信號),用快速傅里葉變換將其從時域變換到頻域分析;2)根據信號的頻域分布特點,對頻域進行頻段劃分,分別取各個頻段的幅值最大值作為該頻段的主頻率表征;3)求取各個頻段的幅值最大值序列,并分析其穩定性和故障敏感性;4)選擇比較穩定的兩個頻段的幅值最大值相比,將其作為故障特征;5)根據歷史試車數據設定故障特征的閾值,作為判別是否存在故障的依據;6)對待檢測信號按設定步長逐步檢測。將每一步中的信號采用FFT變換到頻域,求取對應的兩個頻段的幅值最大值比,與閾值進行比較,大于閾值則判定出現故障。3振動加速度信號分析為驗證基于頻段幅值最大值比的故障檢測方法,本文選擇某型號發動機渦輪泵殼體的四段振動加速度信號作為實驗對象。其中一段正常信號和一段故障信號作為頻段劃分和故障特征提取的依據;另外的一段正常信號和一段故障信號用來模擬渦輪泵熱試車過程中的實時故障檢測。3.1信號的時長和采樣頻率選取的正常信號時長為19.00s,故障信號的時長為21.00s。兩段信號的采樣頻率均為26380Hz。在兩段信號中各截取部分數據(約0.6s時長)進行頻譜觀察。3.1.1渦輪泵振動信號分析將歷史的正常振動信號和故障振動信號用FFT從時域變換到頻域,對其進行頻譜觀察,分別如圖2和圖3所示。從圖2和圖3可知,對該型號渦輪泵,其振動信號的頻域存在幅值相對較大的頻率分量(主頻率分量)。對比故障信號和正常信號頻譜可發現這些主頻率分量位置呈現一定分布規律,在出現故障后呈現頻率分量的改變和幅值的變化。根據可進行頻段劃分提取故障特征。3.1.2振動信號的頻率分布渦輪泵振動加速度數據信號的頻譜中,主頻率分量在0~13000Hz的分布具有一定規律性,并且是基本穩定的。由于渦輪泵制造過程、裝配過程和材質等方面存在細微差異,且工作環境復雜,其振動信號的主頻率分量可能會在中心位置左右有輕微偏移。因此,為提取這些主頻率分量,可按以下方法進行頻段劃分:設X是待檢測的渦輪泵振動信號,對其進行快速傅里葉變換,得到其頻率分布F(f),根據圖2和圖3可知f∈(0,13000),其中包含若干個主頻率分量;以信號頻譜中的主頻率分量為中心可進行頻段劃分,使每個頻段中至少包含一個主頻率分量;根據歷史的正常振動信號和故障振動信號的頻譜觀察(圖2和圖3),可將信號劃分為7個頻段(f1,f2-1),(f2,f3-1),…,(f6,f7-1),對應為:0~2000Hz,2001~4000Hz,4001~6000Hz,6001~8000Hz,8001~10000Hz,10001~11000Hz和11001~13000Hz。各頻段的最大幅值為:式中,f∈(fi,fi+1-1),i=1,2,…,6。則第i頻段和第j頻段的幅值最大值比為:3.1.3幅值頻率對渦輪泵振動的正?；蚬收闲盘?可按照一定步長求取各頻段幅值最大值序列。分析這些序列變化的情況,如果幅值最大值在同一數量級內波動則認為它的趨勢是呈現穩定的。本文對時長為21.00s的故障信號,設定步長為25ms,對每步中的信號求取頻段幅值最大值,得到幅值最大值序列,結果如圖4所示。從圖4可知,該渦輪泵振動加速度信號各個頻段的變化穩定性好,能夠良好反映系統的狀態變化,可用來檢測渦輪泵的故障情況。經過對多次實驗結果的分析,本文選用第一頻段(0~2000Hz)和第六頻段(10001~11000Hz)作為求取頻段幅值最大值比的兩個頻段,并將該比值作為故障特征。選用其他頻段求取該故障特征也可精確檢出故障,只是觀測直觀性略差一些。3.2實驗結果與分析為驗證檢測方法的準確性和實時性,本文選取了兩組渦輪泵殼體振動加速度作為驗證對象,模擬渦輪泵熱試車時的實時故障檢測過程。模擬過程如圖5所示。設步長時長為S,處理每步信號的計算時間為C(C﹤S),則當算法檢測到信號在第j步出現故障時,報警時間(即故障檢出時刻)為T=S×j+C。用于驗證算法的兩組信號的采樣頻率均為26380Hz,一組是時長為20.00s的正常信號,另一組是時長20.80s的故障信號。根據對故障信號的試車后數據分析,已知渦輪泵在20.01s發生故障。本文選取檢測步長為25ms。步長的設定可根據歷史經驗,并滿足步長時長大于每步計算時長的要求(否則可能會造成計算的累積,從而影響算法的實時性)。對頻率段幅值最大值比,根據歷史經驗設定閾值為3.5。對正常信號頻段幅值最大值序列的檢測結果如圖6所示,對故障信號的檢測結果如圖7所示。從圖6可知,對正常信號,方法在檢測過程中未出現數據超過閾值線的情況,即未出現虛警;從圖7可知,對故障信號,其頻率段幅值最大值比在第800步左右明顯超過了閾值線變化,表明方法檢出了故障,未出現漏警。因此,方法的準確性是可靠的。根據實驗結果可知,對故障信號,方法在第803步檢測出故障;檢測每個步長所需時間0.002s,而步長為0.025s,根據圖5,算法判定故障出現的時刻為803×0.025+0.002≈20.08s,比故障真實出現時間僅晚0.07s,具有較高的實時性。檢測結果如表1所示。為進一步驗證方法,本文采用某型號液體火箭發動機的一組歷史試車數據對算法進行實驗。該組信號總時長為280s,由氧泵振動軸徑切三個方向共三路信號(Track1、Track2和Track3)組成;試車過程中,243s在試車臺外觀檢查發現渦輪泵產生故障;試車進行到255.38s時由原有的緩變參數故障檢測系統實施了緊急關機。采用本文方法對該組數據的檢測結果如表2所示。從表2可以看到,算法的報警時間均較大幅度提前于關機時刻。4多特征自適應前后的虛警現象本文分別采用多特征紅線報警算法、多特征自適應域值算法和多特征自適應相關算法3種經典故障檢測算法,對故障信號模擬渦輪泵的實時故障檢測,與頻段幅值最大值比方法進行比較,比較結果如表3所示。在表3中,多特征紅線報警算法、多特征自適應域值算法和多特征自適應相關算法均采用均方根裕度因子和峭度作為故障特征。對單一的故障特征3種算法可能存在虛警情況,但3種算法均采用了綜合故障判定策略。該策略規定,在某一時間間隔(如50ms)內,算法對3種故障特征中的兩種以上檢出故障,則判定算法檢出故障,否則認為是虛警。根據該策略可有效避免虛警出現。表3的測試結果顯示,頻段幅值最大值比方法比3種經典故障檢測算法能更快地檢出故障,且提前的程度較大,因此頻段幅值最大值比方法具有較高的實時性。5齒輪泵實時故障檢測方法的優點本文提出了一種基于頻段幅值最大值比的故障檢測方法用于渦輪泵實時故障檢測,通過采用渦輪泵歷史試車的振動加速度信號模擬渦輪泵實時故障檢測過程來對該方法進行驗證。根據實驗結果,可得出以下結論。1)該方法在渦輪泵故障出現后0.07s即檢出故障比多特征紅線報警算法、多特征自適應域值算法和多特征自適應相關算法3種經典故障檢測算法檢出故障的時間均有較大程度提前,且在檢測過程中未出現虛警、漏警情況。因此該方法具有較高的準確性和實時性,滿足渦輪泵實時故障檢測的要求。2)該方法采用FFT變換,有效提高變換速度,有助于提高檢測速度;采用頻段幅值最大值比作為故障特征,有效降低了諸多原因引起的頻率波