基于宽频振动的燃气轮机叶片断裂故障识别特征与辨识方法

doi:10.7527/S1000-6893.2024.30098

固体力学与飞行器总体设计

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

基于宽频振动的燃气轮机叶片断裂故障识别特征与辨识方法

胡明辉¹^,², 刘少朋³, 王浩⁴, 李晨阳², 王维民¹^,³, 江志农¹^,²()

^1.北京化工大学高端压缩机及系统技术全国重点实验室，北京 100029
^2.北京化工大学发动机健康监控及网络化教育部重点实验室，北京 100029
^3.北京化工大学高端机械装备健康监控与自愈化北京市重点实验室，北京 100029
^4.中国舰船研究院，北京 100101

收稿日期:2024-01-03 修回日期:2024-01-30 接受日期:2024-03-18 出版日期:2024-10-25 发布日期:2024-03-19
通讯作者: 江志农 E-mail:2003500007@buct.edu.cn
基金资助:
国家自然科学基金重点项目(92160203);特殊领域青年人才托举工程项目(2022-JCJQ-QT-059);博士后创新人才支持计划(BX20180031)

Characterization and identification of gas turbine blade fracture faults based on broadband vibration

Minghui HU¹^,², Shaopeng LIU³, Hao WANG⁴, Chenyang LI², Weimin WANG¹^,³, Zhinong JIANG¹^,²()

^1.State Key Laboratory of High-end Compressor and System Technology，Beijing University of Chemical Technology，Beijing 　100029，China
^2.Key Laborotory of Engine Health Monitoring-Control and Networking of Ministry of Education，Beijing University of Chemical Technology，Beijing 　100029，China
^3.Beijing Key Laboratory of Health Monitoringlf and Self-Recovery for High-End Mechanical Equipment，Beijing University of Chemical Technology，Beijing 　100029，China
^4.China Ship Research and Development Academy，Beijing 　100101，China

Received:2024-01-03 Revised:2024-01-30 Accepted:2024-03-18 Online:2024-10-25 Published:2024-03-19
Contact: Zhinong JIANG E-mail:2003500007@buct.edu.cn
Supported by:
the Key Program of National Natural Science Foundation of China(92160203);Young Elite Scientists Sponsorship Program by CAST(2022-JCJQ-QT-059);National Postdoctoral Program for Innovation Talents Support Program(BX20180031)

摘要/Abstract

摘要：

针对燃气轮机动叶片断裂故障难以及时、有效告警与识别的技术难关开展了研究。从叶片断裂故障机理出发，分析了不平衡转子对尾流压力的调制作用，建立了叶片激振力模型和激振力作用下机匣的强迫振动响应模型，求解了动叶片断裂激励下的宽频振动响应规律。在此基础上，构建了叶片断裂故障敏感特征并提出了基于改进K近邻（O-KNN）的故障告警模型，实现叶片断裂故障的及时告警分析。进一步提出了叶片断裂故障定位参数，通过各级叶片特征参数的对比实现断裂故障的精准定位。综合以上研究，构建了宽频振动特征驱动的燃气轮机叶片断裂故障辨识方法，并通过某型燃气轮机实测案例验证了故障敏感特征及辨识方法的有效性。

关键词: 燃气轮机, 叶片断裂, 故障诊断, 机匣振动, O-KNN

Abstract:

Aiming at the technical difficulty of timely and effective warning and identification of gas turbine rotor blade fracture faults， this paper conducts a three-pronged research. Starting from the blade fracture fault mechanism， we analyse the modulation effect of the unbalanced rotor on the wake pressure， establish the blade excitation force model and the forced vibration response model of the casing under the action of the excitation force， and solve the wide-frequency vibration response of the dynamic blade fracture excitation. On this basis， a blade fracture fault sensitive characteristic is constructed， and a fault alarm model based on the Optimized K-Nearest Neighbor （O-KNN） is proposed to realize the timely alarm analysis of the blade fracture fault. Furthermore， the blade fracture fault localization parameters are proposed， and the accurate localization of the fracture fault is realized by comparing the blade characteristic parameters at all stages. In summary， a broadband vibration characteristic driven gas turbine blade fracture fault identification method is constructed， and a test case on a certain type of gas turbine verifies the effectiveness of the fault sensitive characteristics and the identification method.

Key words: gas turbine, blade fracture, fault diagnosis, casing vibration, optimized K-nearest neighbor

中图分类号:

V263.6

胡明辉, 刘少朋, 王浩, 李晨阳, 王维民, 江志农. 基于宽频振动的燃气轮机叶片断裂故障识别特征与辨识方法[J]. 航空学报, 2024, 45(20): 230098.

Minghui HU, Shaopeng LIU, Hao WANG, Chenyang LI, Weimin WANG, Zhinong JIANG. Characterization and identification of gas turbine blade fracture faults based on broadband vibration[J]. Acta Aeronautica et Astronautica Sinica, 2024, 45(20): 230098.

图/表 23

图 1

图 2

图 3

图 4

表 1

仿真参数设置

参数类型	名称	数值
几何参数	转子叶片数 $b$	8
	静子叶片数 $s$	13
	机匣测点位置 $α s$ /（°）	60
	断裂叶片位置 $g$	2
	叶片断裂程度 $d$ /%	20
	初始不平衡量 $e 1$ /m	0.005
	断裂不平衡量 $e 2$ /m	0.005 5
材料参数	转子叶片长度 $l b$ /m	0.5
	静子叶片长度 $l s$ /m	0.5
	机匣密度 $ρ$ /（kg·m^-3）	$7.85 × 107$
	气流密度 $ρ 0$ /（kg·m^-3）	$1.29$
	弹性模量 $E$ /（N·m^-2）	2.1×10¹⁰
	机匣厚度 $δ$ /m	0.005
	机匣阻尼系数 $ζ n$	0.01
求解设置	转子转频 $f r$ /Hz	50
	采样频率 $F s$ /Hz	51 200
	采样时间 $t$ /s	2
	模态阶数 $n$	8

表 1

图 5

图 6

图 7

图 8

图 9

图 10

图 11

图 12

图 13

图 14

图 15

图 16

图 17

图 18

表2

各级叶片断裂故障定位参数值

级数	$d i$	$V i$	$Y i$
第1级	6.529	0.030	6.530
第2级	1.034	0.059	1.035
第3级	2.22	0.174	2.220
第4级	0.461	0.166	-0.461
第5级	0.078	0.056	0.078
第6级	5.493	0.664	5.494
第7级	6.33	0.064	6.331
第8/9级	26.794	0.056	26.795

表2

图 19

图 20

图 21

参考文献 26

1	MADHAV S， ROY M. Failure analysis of compressor blades of aero-engine［J］. Journal of Failure Analysis and Prevention， 2022， 22（3）： 968-982.
2	马艳红，梁智超，王桂华，等. 航空发动机叶片丢失问题研究综述［J］. 航空动力学报， 2016， 31（3）： 513-526.
	MA Y H， LIANG Z C， WANG G H， et al. Review on the blade loss of aero-engine［J］. Journal of Aerospace Power， 2016， 31（3）： 513-526 （in Chinese）.
3	洪亮，臧朝平，李全坤，等. 模拟转子叶片丢失后外传载荷影响特性研究［J］. 推进技术， 2023， 44（10）： 181-190.
	HONG L， ZANG C P， LI Q K， et al. Effects of external load on simulated rotor blade off event［J］. Journal of Propulsion Technology， 2023， 44（10）： 181-190 （in Chinese）.
4	洪杰，郝勇，张博，等. 叶片丢失激励下整机力学行为及其动力特性［J］. 航空发动机， 2014， 40（2）： 19-23.
	HONG J， HAO Y， ZHANG B， et al. Mechanical behaviors and dynamic characteristics of turbofan engine due to fan blade off［J］. Aeroengine， 2014， 40（2）： 19-23 （in Chinese）.
5	洪杰，栗天壤，王永锋，等. 叶片丢失激励下航空发动机柔性转子系统的动力学响应［J］. 航空动力学报， 2018， 33（2）： 257-264.
	HONG J， LI T R， WANG Y F， et al. Dynamic response of the aero-engine flexible rotor system under the blade-off［J］. Journal of Aerospace Power， 2018， 33（2）： 257-264 （in Chinese）.
6	SINHA S K. Rotordynamic analysis of asymmetric turbofan rotor due to fan blade-loss event with contact-impact rub loads［J］. Journal of Sound and Vibration， 2013， 332（9）： 2253-2283.
7	WANG N F， LIU C， JIANG D X. Prediction of transient vibration response of dual-rotor-blade-casing system with blade off［J］. Proceedings of the Institution of Mechanical Engineers， Part G： Journal of Aerospace Engineering， 2019， 233（14）： 5164-5176.
8	WANG N F， LIU C， JIANG D X， et al. Casing vibration response prediction of dual-rotor-blade-casing system with blade-casing rubbing［J］. Mechanical Systems and Signal Processing， 2019， 118： 61-77.
9	XIE J S， LIU J， CHEN J L， et al. Blade damage monitoring method base on frequency domain statistical index of shaft’s random vibration［J］. Mechanical Systems and Signal Processing， 2022， 165： 108351.
10	FORBES G L， RANDALL R B. Estimation of turbine blade natural frequencies from casing pressure and vibration measurements［J］. Mechanical Systems and Signal Processing， 2013， 36（2）： 549-561.
11	江志农，王钟，胡明辉，等. 燃气轮机动叶片断裂故障振动特征及其识别方法研究［J］. 机电工程， 2021， 38（8）： 935-943.
	JIANG Z N， WANG Z， HU M H， et al. Vibration feature and identification methods of gas turbine rotor blade fracture fault［J］. Journal of Mechanical & Electrical Engineering， 2021， 38（8）： 935-943 （in Chinese）.
12	江志农，党伟，胡明辉，等. 基于OCSVM的燃气轮机叶片断裂故障诊断方法［J］. 机械设计与制造， 2022（12）： 1-5， 10.
	JIANG Z N， DANG W， HU M H， et al. Gas turbine fault diagnosis method of blade fracture based on OCSVM［J］. Machinery Design & Manufacture， 2022（12）： 1-5， 10 （in Chinese）.
13	党伟，胡明辉，江志农，等. 燃气轮机压气机动叶片断裂故障振动特征及其诊断方法［J］. 振动与冲击， 2021， 40（10）： 7-19.
	DANG W， HU M H， JIANG Z N， et al. Vibration features and diagnosis methods for rotor blade fracture in a gas turbine’s compressor［J］. Journal of Vibration and Shock， 2021， 40（10）： 7-19 （in Chinese）.
14	FENG K， XIAO Y， LI Z Z， et al. Gas turbine blade fracturing fault diagnosis based on broadband casing vibration［J］. Measurement， 2023， 214： 112718.
15	LISKA J， VASICEK V， JAKL J. A novel method of impeller blade monitoring using shaft vibration signal processing［J］. Sensors， 2022， 22（13）： 4932.
16	GUBRAN A A， SINHA J K. Shaft instantaneous angular speed for blade vibration in rotating machine［J］. Mechanical Systems and Signal Processing， 2014， 44（1-2）： 47-59.
17	ABDELRHMAN A M， LEE G L， LEONG M L， et al. Early rotor blade fault detection in multi-stage rotor system based on wavelet analysis［C］∥46th Annual Review of Progress in Quantitative Nondestructive Evaluation. New York：ASME，2019.
18	ZHANG J Q， CHEN Y G， LI N， et al. A denoising method of micro-turbine acoustic pressure signal based on CEEMDAN and improved variable step-size NLMS algorithm［J］. Machines， 2022， 10（6）： 444.
19	CAO J H， YANG Z B， TIAN S H， et al. Time delay-based spectrum reconstruction for nonuniform and sub-Nyquist sampling in blade tip timing［J］. Mechanical Systems and Signal Processing， 2023， 200： 110552.
20	LIN J， HU Z， CHEN Z S， et al. Sparse reconstruction of blade tip-timing signals for multi-mode blade vibration monitoring［J］. Mechanical Systems and Signal Processing， 2016， 81： 250-258.
21	DONG J N， LI H K， CAO H W， et al. An improved blade tip timing dual-probe method of synchro-resonance frequency identification for blade damage detection［J］. Mechanical Systems and Signal Processing， 2023， 203： 110731.
22	MURRAY W L， KEY N L. Detection of rotor forced response vibrations using stationary pressure transducers in a multistage axial compressor［J］. International Journal of Rotating Machinery， 2015， 2015： 198534.
23	SOEDEL W. Vibrations of shells and plates［M］. New York： Marcel Dekker Inc， 1981.
24	盛兆顺，尹琦岭. 设备状态监测与故障诊断技术及应用［M］. 北京：化学工业出版社， 2003.
	SHENG Z S， YIN Q L. Equipment status monitoring and fault diagnosis technology and application［M］. Beijing： Chemical Industry Press， 2003 （in Chinese）.
25	COVER T， HART P. Nearest neighbor pattern classification［J］. IEEE Transactions on Information Theory， 1967， 13（1）： 21-27.
26	SARMADI H， KARAMODIN A. A novel anomaly detection method based on adaptive Mahalanobis-squared distance and one-class KNN rule for structural health monitoring under environmental effects［J］. Mechanical Systems and Signal Processing， 2020， 140： 106495.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

[1]	郭庆, 刘晓阳, 樊俊峰, 付宇, 左洪福. 融合先验信息的民航发动机自适应气路故障诊断方法[J]. 航空学报, 2025, 46(4): 230871-230871.
[2]	杨述明, 吴建军, 谢昌霖, 程玉强, 王彪. 数据驱动智能故障诊断技术在液体火箭发动机的应用与展望[J]. 航空学报, 2025, 46(15): 131427-131427.
[3]	胡明辉, 高金吉, 江志农, 王维民, 邹利民, 周涛, 凡云峰, 王越, 冯家欣, 李晨阳. 航空发动机振动监测与故障诊断技术研究进展[J]. 航空学报, 2024, 45(4): 630194-630194.
[4]	黄湛钧, 董鑫, 卢沐宇, 张瑞涛, 闫钊阳, 张安. 基于DRSN与电压幅值分析的航空HVDC系统逆变器故障诊断[J]. 航空学报, 2024, 45(3): 328685-328685.
[5]	崔江, 周凡, 陈永凡, 于立, 张卓然. 一种基于GAMF-CNN的航空发电机整流器故障诊断技术[J]. 航空学报, 2024, 45(24): 330398-330398.
[6]	李天晴, 王维民, 张旭龙, 王树慧, 付振宇. 基于叶尖定时的转子叶片轴向位移辨识方法[J]. 航空学报, 2024, 45(2): 228682-228682.
[7]	陈勇刚, 刘康妮, 王帅. 基于BiGRU⁃Attention改进的航空设备故障知识图谱构建[J]. 航空学报, 2024, 45(18): 229916-229916.
[8]	李晖, 陈银超, 孙绍山, 梁兆鑫, 毛刚, 乔彬, 李永波. 基于联邦图网络的转子系统故障诊断方法[J]. 航空学报, 2024, 45(17): 530611-530611.
[9]	胡渊豪, 宋艺博, 刘家辉, 赵孝礼, 邓文翔, 胡健, 姚建勇. 基于注意力卷积胶囊网络的电液比例伺服阀故障诊断[J]. 航空学报, 2024, 45(15): 630407-630407.
[10]	李洁, 黄文新, 蔡一鸣, 王思远, 高宇飞, 蒋雪峰. 基于DFPMM的位置传感器故障诊断与容错控制[J]. 航空学报, 2024, 45(10): 329307-329307.
[11]	贾宝惠, 姜番, 王玉鑫, 王杜. 基于民机维修文本数据的故障诊断方法[J]. 航空学报, 2023, 44(5): 326598-326598.
[12]	王金瑞, 季珊珊, 张宗振, 初振云, 韩宝坤, 鲍怀谦. 并行稀疏滤波在轴承声信号下的故障诊断[J]. 航空学报, 2023, 44(4): 426887-426887.
[13]	陈泽灏, 陈晖, 高玉闪, 张航. 基于模型的液体火箭发动机故障诊断技术回顾与展望[J]. 航空学报, 2023, 44(23): 629016-629016.
[14]	于功也, 蔡伟东, 胡明辉, 刘文才, 马波. 故障机理与领域自适应混合驱动的机械故障智能迁移诊断[J]. 航空学报, 2023, 44(2): 426800-426800.
[15]	王芳丽, 刘凯, 潘微, 童明波. 民机结构绿色维修技术应用与发展[J]. 航空学报, 2023, 44(11): 25851-025851.

基于宽频振动的燃气轮机叶片断裂故障识别特征与辨识方法

Characterization and identification of gas turbine blade fracture faults based on broadband vibration

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 23

参考文献 26

相关文章 15

编辑推荐

Metrics

本文评价