發(fā)布時間：2018-06-29 12:37

  本文選題：航空發(fā)動機 + 故障診斷　； 參考：《西北工業(yè)大學》2015年碩士論文

【摘要】：隨著航空發(fā)動機結構日益復雜,性能不斷提高,其振動故障也越發(fā)多樣,危害越來越嚴重,直接導致發(fā)動機可靠性降低。航空發(fā)動機故障預測與健康管理系統(tǒng)(PHM)是先進發(fā)動機的標志和關鍵技術之一。美國自上世紀50年代開始研究航空發(fā)動機預測健康管理技術,并在F119發(fā)動機上配裝PHM系統(tǒng),發(fā)揮了重要的作用。因此開展航空發(fā)動機故障診斷和振動預測研究對提高發(fā)動機可靠性,推動我國發(fā)動機綜合設計水平的提高具有重要意義。本文將發(fā)動機歷史數(shù)據(jù)的數(shù)理統(tǒng)計、動力學分析和振動預測方法有機結合,形成統(tǒng)計模型、診斷模型、預測模型和驗證模型四個聯(lián)系的整體,開展研究工作。主要工作內容包括基于統(tǒng)計的發(fā)動機狀態(tài)識別、基于動力學模型的發(fā)動機故障辨識和發(fā)動機振動預測方法研究�；诮y(tǒng)計的狀態(tài)識別研究了四種統(tǒng)計影響因素與振動的關系,在此基礎上得到了振動限制值定限方法并提出了發(fā)動機正常狀態(tài)和故障狀態(tài)的識別方法。基于動力學模型的故障辨識從故障機理、特征頻率和振動特征研究了三種典型故障——葉片結垢故障、雙源拍振故障和葉片掉塊故障,并提出了這三種典型故障的振動趨勢模型和故障辨識準則。整機振動預測方法的建立是在前二者的基礎之上,統(tǒng)計影響因素與振動的關系、故障辨析準則和趨勢模型共同指導形成了振動預測策略,得到了工況平穩(wěn)條件下的五種預測模型和過渡態(tài)預測模型。最后,以一組發(fā)動機實測數(shù)據(jù)驗證了本文的方法和流程,考核算法,從側面反映了本文的工程價值。通過上述研究,主要得到了以下結論:(1)一次試車中,相同工況下,正常狀態(tài)下振動幅值符合正態(tài)分布。多次經歷相同轉速,振動幅值均值不同,屬于不同的工況,在診斷和預測過程中應該區(qū)別討論;同次裝配不同次試車,同測點同工況下,振動幅值方差無顯著差異,可為幅值波動范圍的選擇和限制值定限提供參考。(2)多源耦合拍振、振幅緩增和振幅突變故障模式是航空發(fā)動機最常見的幾種異常振動現(xiàn)象。文章建立的模式辨別算法對于周期擺動案例、轉子熱彎曲案例和雙穩(wěn)態(tài)振動案例的識別值分別為rt=3.06、rt=87.01和rt=4.97,均在模型辨別的接受域范圍內,說明了本文提出的故障辨別準則的有效性。(3)基于模型的振動趨勢預測方法能夠正確預測,雙源拍振與線性緩增案例預測的平均相對誤差均小于10%,振幅突增案例的平均相對誤差均小于20%,預測效果良好。標準儀器驗證和實測數(shù)據(jù)驗證結果表明,本文所提出的方法正確,結果精度在工程可接受的范圍內,對發(fā)動機故障診斷和振動預測提供了有力的支持。
[Abstract]:With the increasingly complex structure and improved performance of aero-engine, its vibration faults become more and more diverse, and the harm becomes more and more serious, which directly leads to the reduction of engine reliability. Aeroengine Fault Prediction and Health Management system (PHM) is one of the key technologies of advanced engine. Since 1950s, the United States has studied the technology of aero-engine predictive health management, and installed PHM system on F119 engine, which plays an important role. Therefore, the research of aeroengine fault diagnosis and vibration prediction is of great significance to improve the reliability of the engine and promote the improvement of the comprehensive design level of the engine in China. In this paper, the methods of mathematical statistics, dynamic analysis and vibration prediction of engine historical data are organically combined to form a whole of statistical model, diagnostic model, prediction model and verification model. The main work includes engine state recognition based on statistics, engine fault identification based on dynamic model and engine vibration prediction method. The relationship between four kinds of statistical factors and vibration is studied based on statistical state recognition. Based on this, the vibration limit method is obtained and the identification method of engine normal state and fault state is proposed. The fault identification based on dynamic model is studied from fault mechanism, characteristic frequency and vibration characteristics. Three kinds of typical fail-blade scaling fault, double source beat fault and blade block falling fault are studied. The vibration trend model and fault identification criterion of these three typical faults are presented. The whole machine vibration prediction method is established on the basis of the former two methods, the relationship between the influencing factors and the vibration, the fault discrimination criterion and the trend model together guide the vibration prediction strategy. Five prediction models and transition prediction models are obtained. Finally, the method and flow of this paper are verified by a group of engine measured data. The evaluation algorithm reflects the engineering value of this paper from the side. The main conclusions are as follows: (1) in a test run, the amplitude of vibration under the same working conditions conforms to the normal distribution. It should be discussed differently in the process of diagnosis and prediction, the vibration amplitude variance has no significant difference in the same test run and the same measuring point under the same working condition, the vibration amplitude and mean value are different from each other in the process of diagnosis and prediction, the vibration amplitude and mean value are different from each other in the same rotating speed and at the same measuring point. It can provide a reference for the selection of amplitude fluctuation range and the limit of limiting value. (2) the fault modes of multi-source coupled beat vibration, slow amplitude increase and amplitude abrupt change are the most common abnormal vibration phenomena of aero-engine. For periodic swing cases, rotor thermal bending cases and bistable vibration cases, the recognition values of the proposed pattern discrimination algorithm are RTD 3.06 and RT 4.97, respectively, which are within the range of the model discrimination acceptance region. The effectiveness of the fault discrimination criterion proposed in this paper is illustrated. (3) the vibration trend prediction method based on the model can predict correctly. The average relative error of case prediction of double source beat vibration and linear slow increase is less than 10 and the average relative error of amplitude surge case is less than 20. The prediction effect is good. The verification results of standard instruments and measured data show that the method presented in this paper is correct and the accuracy of the results is within the acceptable range of engineering. It provides a powerful support for engine fault diagnosis and vibration prediction.
【學位授予單位】：西北工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：V263.6

【相似文獻】

相關期刊論文 前10條

1 李·安·泰格梅爾 ,成磊;發(fā)動機故障診斷技術的拓展應用[J];航空維修與工程;2005年01期

2 李華強;費逸偉;;航空發(fā)動機故障診斷技術及其發(fā)展[J];航空維修與工程;2007年05期

3 林志強;;汽車發(fā)動機故障診斷技術研究現(xiàn)狀與趨勢分析[J];黑龍江交通科技;2011年06期

4 楊小勇;陳建文;龔玉霞;;發(fā)動機故障診斷技術分析研究[J];汽車零部件;2012年06期

5 黃軍;電噴發(fā)動機故障診斷2例[J];汽車技術;2000年03期

6 張遠程,彭雅娟,陳振清;電噴發(fā)動機故障診斷方法[J];汽車研究與開發(fā);2000年05期

7 楊慧,熊育婷,吳月偉;基于狀態(tài)分類評價的發(fā)動機故障診斷決策系統(tǒng)[J];航空維修與工程;2005年01期

8 羅永前;程葆倫;;汽車發(fā)動機故障診斷四例[J];重慶職業(yè)技術學院學報;2006年01期

9 曹紅兵;;尾氣分析在汽車發(fā)動機故障診斷中的應用[J];汽車維修與保養(yǎng);2006年10期

10 吳大鈺;王巖松;李燕;湯曉林;;基于聲信號的汽車發(fā)動機故障診斷方法綜述[J];渤海大學學報(自然科學版);2008年03期

相關會議論文 前3條

1 張鵬;李學仁;景博;杜軍;張建業(yè);;多源信息融合技術在航空發(fā)動機故障診斷中的應用研究[A];中國航空學會控制與應用第十二屆學術年會論文集[C];2006年

2 李康;何衛(wèi)鋒;程禮;;基于諧波小波分解的航空發(fā)動機故障診斷[A];設備監(jiān)測與診斷技術及其應用——第十二屆全國設備監(jiān)測與診斷學術會議論文集[C];2005年

3 馬龍;;基于遞歸神經網絡的航空發(fā)動機故障診斷[A];十三省區(qū)市機械工程學會第五屆科技論壇論文集[C];2009年

相關重要報紙文章 前1條

1 熊燕;發(fā)動機故障診斷與維修[N];中國花卉報;2004年

相關博士學位論文 前6條

1 李增芳;基于人工智能和虛擬儀器技術的發(fā)動機故障診斷專家系統(tǒng)研究[D];浙江大學;2004年

2 張曉丹;汽車發(fā)動機故障診斷中不確定性問題的貝葉斯網絡解法[D];東北大學;2005年

3 郝英;基于智能技術的民航發(fā)動機故障診斷和壽命預測研究[D];南京航空航天大學;2006年

4 劉永建;基于改進神經網絡的民機發(fā)動機故障診斷與性能預測研究[D];南京航空航天大學;2012年

5 吳文杰;基于信息融合的航空發(fā)動機故障診斷方法[D];電子科技大學;2011年

6 魯峰;航空發(fā)動機故障診斷的融合技術研究[D];南京航空航天大學;2009年

相關碩士學位論文 前10條

1 宣亮;汽車發(fā)動機故障診斷系統(tǒng)的軟件設計與實現(xiàn)[D];中國科學院大學(工程管理與信息技術學院);2015年

2 那媛;基于氣路性能參數(shù)的航空發(fā)動機故障診斷方法研究[D];哈爾濱工業(yè)大學;2016年

3 黃遠強;基于案例推理和改進神經網絡的發(fā)動機故障診斷研究[D];中國民航大學;2016年

4 馬進銳;航空發(fā)動機故障診斷與振動預測技術研究[D];西北工業(yè)大學;2015年

5 丁哲;基于排氣氣流動態(tài)特性的發(fā)動機故障診斷研究[D];桂林電子科技大學;2010年

6 任志英;基于聲信號技術的發(fā)動機故障診斷系統(tǒng)研究[D];福州大學;2006年

7 劉召廣;基于數(shù)據(jù)融合的發(fā)動機故障診斷系統(tǒng)研究[D];武漢科技大學;2008年

8 全首杰;實車發(fā)動機故障診斷系統(tǒng)的研究[D];延邊大學;2010年

9 孫甲男;基于數(shù)據(jù)驅動的發(fā)動機故障診斷研究[D];吉林大學;2013年

10 秦榮;基于振動分析的發(fā)動機故障診斷實用方法研究[D];華南理工大學;2011年

，

本文編號：2082133