基于频段幅值峰值比的涡轮泵故障检测方法

基于频段幅值峰值比的涡轮泵故障检测方法

1发动机涡轮泵故障诊断方法对比涡旋泵是液体探具汽机的核心部件之一。在极端物理环境中工作。这是不同动态旋转机械中最有效的，相应的可靠性也很高。因此，在故障检测和故障诊断技术的研究中非常重要。近年来,国内外出现不少相应的检测方法。有基于时域统计特征分析的涡轮泵故障检测方法,此类方法能直接快速地对信号检测,但时域信号通常受到随机因素的影响,呈现较多不确定性,因此时域统计特征的稳定性相对不强。当检测含有强噪声的故障信号时,容易造成漏警和虚警,影响发动机试车或工作的安全性。基于频域的故障检测与故障诊断方法包括基于时频分析的检测方法、小波分析方法、小波包分析方法和HHT方法等,还有基于频域结合其他方法的故障检测与诊断方法。频域特征通常比时域统计特征相对稳定,故障敏感性也较强,用于机械系统的故障检测中能避开基于时域统计特征分析方法的缺点。但由于基于频域的方法难以满足涡轮泵故障检测的实时性要求,在发动机涡轮泵实时故障检测中应用较少。发动机涡轮泵的工作环境复杂,物理条件十分极端,整个振动系统呈现非平稳性,对算法实时性要求较高。本文根据涡轮泵振动加速度信号的频域特点以及已有频域算法的不足,提出基于频段幅值比的实时故障检测方法。该方法采用快速傅里叶变换将历史信号从时域变换到频域并进行频段划分,选择两个有代表性的频段并计算其幅值最大值比。将该比值作为故障特征对待检信号进行实时故障检测。本文采用某型号发动机涡轮泵的振动加速度信号对该故障检测方法进行验证,要求在故障信号出现后0.5s内准确检出故障。实验结果显示该算法能有效、及时地检测出涡轮泵故障,满足涡轮泵实时故障检测的需求。2方法原理2.1fft算法原理对数字时间序列信号处理进行频率分析时候,通常采用离散时间傅里叶变换(discretefouriertransformation,DFT),且在计算机上实现信号时域到频域的变换处理的信号必须是离散的。DFT定义如式(1)。式中:N表示进行DFT变换观测数据点的数目,g(k)表示第n个观测数据(k=0,1…,N-1),G(n)表示第n个傅里叶展开系数(n=0,1…,N-1,N),G(0)为直流分量。式(1)写成如下形式:式中:Wnk=exp(-j2π/N)。为了减少DFT随着数据量的增加造成的运算量,提高算法速度,可做如下变换得到快速傅里叶变换(fastfouriertransformation,FFT):设偶数号的数值序列为p(l),奇数号的数值序列为q(l),可得式(3):结合式(2)可得式(4):式中:对式(4)和式(5)可以进一步分解得到:依此类推即得到FFT算法。DFT变换中重复运算次数较多,其存在的冗余存储空间造成运算量随着数据量的增加而剧增,运算速度较差。针对这些缺点,FFT采用分解方法和蝶形运算方法,有效减少冗余存储空间,减少运算量,有效地提高了计算速度,使傅里叶变换能用于对时间要求很苛刻的应用中,其在故障检测与诊断领域运用越来越广泛。2.2同型号涡轮泵根据实际条件选择幅值的见图2FFT方法能够快速有效地将时域信号快速变换到频率,以便结合其他算法进行分析。一般平稳信号当中出现异常分量或者新的信号分量,则信号在频率上表现为:1)有新的频率分量出现;2)原信号中频率分量的频率最大值和频宽发生明显变化;3)脉冲型波形出现等。这些变化在涡轮泵出现故障后表现较为明显。FFT通常用于处理平稳信号,而从涡轮泵采集的振动信号一般是非严格平稳信号,其频率通常在一定范围内波动。选择频率段幅值的最大值可以有效避免由于信号不稳定导致的频率波动致使判断不准确的问题。虽然提取频率段的幅值最大值作为故障特征能够有效地避免信号的某些问题,但由于制造、装配过程和材质等方面存在细微差异,同型号涡轮泵不同车次试车过程中得到的信号也会有较明显的变化;尤其是信号的振幅,频率分量的最大值会明显变化;即使是同一试车数据,检测步长的变化也会影响频率幅值变化。因此,在实际工程中很少直接采用频段幅值最大的频率作为检测的特征,而是结合其他方法运用。本文提出的基于频段幅值最大值比的检测方法,基本流程如图1所示。根据图1,该故障检测方法主要包括6步:1)对涡轮泵历史试车中的故障信号和正常信号(振动加速度信号),用快速傅里叶变换将其从时域变换到频域分析;2)根据信号的频域分布特点,对频域进行频段划分,分别取各个频段的幅值最大值作为该频段的主频率表征;3)求取各个频段的幅值最大值序列,并分析其稳定性和故障敏感性;4)选择比较稳定的两个频段的幅值最大值相比,将其作为故障特征;5)根据历史试车数据设定故障特征的阈值,作为判别是否存在故障的依据;6)对待检测信号按设定步长逐步检测。将每一步中的信号采用FFT变换到频域,求取对应的两个频段的幅值最大值比,与阈值进行比较,大于阈值则判定出现故障。3振动加速度信号分析为验证基于频段幅值最大值比的故障检测方法,本文选择某型号发动机涡轮泵壳体的四段振动加速度信号作为实验对象。其中一段正常信号和一段故障信号作为频段划分和故障特征提取的依据;另外的一段正常信号和一段故障信号用来模拟涡轮泵热试车过程中的实时故障检测。3.1信号的时长和采样频率选取的正常信号时长为19.00s,故障信号的时长为21.00s。两段信号的采样频率均为26380Hz。在两段信号中各截取部分数据(约0.6s时长)进行频谱观察。3.1.1涡轮泵振动信号分析将历史的正常振动信号和故障振动信号用FFT从时域变换到频域,对其进行频谱观察,分别如图2和图3所示。从图2和图3可知,对该型号涡轮泵,其振动信号的频域存在幅值相对较大的频率分量(主频率分量)。对比故障信号和正常信号频谱可发现这些主频率分量位置呈现一定分布规律,在出现故障后呈现频率分量的改变和幅值的变化。根据可进行频段划分提取故障特征。3.1.2振动信号的频率分布涡轮泵振动加速度数据信号的频谱中,主频率分量在0~13000Hz的分布具有一定规律性,并且是基本稳定的。由于涡轮泵制造过程、装配过程和材质等方面存在细微差异,且工作环境复杂,其振动信号的主频率分量可能会在中心位置左右有轻微偏移。因此,为提取这些主频率分量,可按以下方法进行频段划分:设X是待检测的涡轮泵振动信号,对其进行快速傅里叶变换,得到其频率分布F(f),根据图2和图3可知f∈(0,13000),其中包含若干个主频率分量;以信号频谱中的主频率分量为中心可进行频段划分,使每个频段中至少包含一个主频率分量;根据历史的正常振动信号和故障振动信号的频谱观察(图2和图3),可将信号划分为7个频段(f1,f2-1),(f2,f3-1),…,(f6,f7-1),对应为:0~2000Hz,2001~4000Hz,4001~6000Hz,6001~8000Hz,8001~10000Hz,10001~11000Hz和11001~13000Hz。各频段的最大幅值为:式中,f∈(fi,fi+1-1),i=1,2,…,6。则第i频段和第j频段的幅值最大值比为:3.1.3幅值频率对涡轮泵振动的正常或故障信号,可按照一定步长求取各频段幅值最大值序列。分析这些序列变化的情况,如果幅值最大值在同一数量级内波动则认为它的趋势是呈现稳定的。本文对时长为21.00s的故障信号,设定步长为25ms,对每步中的信号求取频段幅值最大值,得到幅值最大值序列,结果如图4所示。从图4可知,该涡轮泵振动加速度信号各个频段的变化稳定性好,能够良好反映系统的状态变化,可用来检测涡轮泵的故障情况。经过对多次实验结果的分析,本文选用第一频段(0~2000Hz)和第六频段(10001~11000Hz)作为求取频段幅值最大值比的两个频段,并将该比值作为故障特征。选用其他频段求取该故障特征也可精确检出故障,只是观测直观性略差一些。3.2实验结果与分析为验证检测方法的准确性和实时性,本文选取了两组涡轮泵壳体振动加速度作为验证对象,模拟涡轮泵热试车时的实时故障检测过程。模拟过程如图5所示。设步长时长为S,处理每步信号的计算时间为C(C﹤S),则当算法检测到信号在第j步出现故障时,报警时间(即故障检出时刻)为T=S×j+C。用于验证算法的两组信号的采样频率均为26380Hz,一组是时长为20.00s的正常信号,另一组是时长20.80s的故障信号。根据对故障信号的试车后数据分析,已知涡轮泵在20.01s发生故障。本文选取检测步长为25ms。步长的设定可根据历史经验,并满足步长时长大于每步计算时长的要求(否则可能会造成计算的累积,从而影响算法的实时性)。对频率段幅值最大值比,根据历史经验设定阈值为3.5。对正常信号频段幅值最大值序列的检测结果如图6所示,对故障信号的检测结果如图7所示。从图6可知,对正常信号,方法在检测过程中未出现数据超过阈值线的情况,即未出现虚警;从图7可知,对故障信号,其频率段幅值最大值比在第800步左右明显超过了阈值线变化,表明方法检出了故障,未出现漏警。因此,方法的准确性是可靠的。根据实验结果可知,对故障信号,方法在第803步检测出故障;检测每个步长所需时间0.002s,而步长为0.025s,根据图5,算法判定故障出现的时刻为803×0.025+0.002≈20.08s,比故障真实出现时间仅晚0.07s,具有较高的实时性。检测结果如表1所示。为进一步验证方法,本文采用某型号液体火箭发动机的一组历史试车数据对算法进行实验。该组信号总时长为280s,由氧泵振动轴径切三个方向共三路信号(Track1、Track2和Track3)组成;试车过程中,243s在试车台外观检查发现涡轮泵产生故障;试车进行到255.38s时由原有的缓变参数故障检测系统实施了紧急关机。采用本文方法对该组数据的检测结果如表2所示。从表2可以看到,算法的报警时间均较大幅度提前于关机时刻。4多特征自适应前后的虚警现象本文分别采用多特征红线报警算法、多特征自适应域值算法和多特征自适应相关算法3种经典故障检测算法,对故障信号模拟涡轮泵的实时故障检测,与频段幅值最大值比方法进行比较,比较结果如表3所示。在表3中,多特征红线报警算法、多特征自适应域值算法和多特征自适应相关算法均采用均方根裕度因子和峭度作为故障特征。对单一的故障特征3种算法可能存在虚警情况,但3种算法均采用了综合故障判定策略。该策略规定,在某一时间间隔(如50ms)内,算法对3种故障特征中的两种以上检出故障,则判定算法检出故障,否则认为是虚警。根据该策略可有效避免虚警出现。表3的测试结果显示,频段幅值最大值比方法比3种经典故障检测算法能更快地检出故障,且提前的程度较大,因此频段幅值最大值比方法具有较高的实时性。5齿轮泵实时故障检测方法的优点本文提出了一种基于频段幅值最大值比的故障检测方法用于涡轮泵实时故障检测,通过采用涡轮泵历史试车的振动加速度信号模拟涡轮泵实时故障检测过程来对该方法进行验证。根据实验结果,可得出以下结论。1)该方法在涡轮泵故障出现后0.07s即检出故障比多特征红线报警算法、多特征自适应域值算法和多特征自适应相关算法3种经典故障检测算法检出故障的时间均有较大程度提前,且在检测过程中未出现虚警、漏警情况。因此该方法具有较高的准确性和实时性,满足涡轮泵实时故障检测的要求。2)该方法采用FFT变换,有效提高变换速度,有助于提高检测速度;采用频段幅值最大值比作为故障特征,有效降低了诸多原因引起的频率波