基于重加权谱峭度方法的航空发动机故障诊断

2022-10-14张忠强张新王家序刘治汶

航空学报 2022年9期

张忠强,张新,*,王家序,刘治汶

1. 西南交通大学机械工程学院,成都 610031 2. 电子科技大学自动化工程学院,成都 611731

航空发动机是衡量一个国家综合科技水平、科技工业基础实力和综合国力的重要标志,我国新时代“航空强国”战略对航空发动机安全性、稳定性和可靠性提出了更高的要求。航空发动机作为飞机的核心部件,其结构复杂且工作条件极端(高温、高压、高速、高强度、变负荷等),所以对其核心传动件(如轴承)要求极高,一旦发生故障将严重威胁飞机的飞行安全。为此,航空发动机核心传动件的运行状态监测与早期故障诊断对于及时发现潜在故障、保障飞行安全具有重要意义。

由于实际检测中受多个振动源、复杂传递路径以及强噪声干扰的影响,测量信号中故障特征信息通常十分微弱,这无疑给轴承故障诊断带来了极大的挑战。为有效提取测量信号中的故障特征信息,提出了许多方法,其中共振解调技术(又称包络分析)是目前被广泛应用的滚动轴承早期故障特征提取方法之一,但关键和难点在于确定合适的滤波器参数(中心频率和带宽)。针对此问题,Antoni提出了一种基于短时傅里叶变换或有限冲击响应带通滤波器的快速谱峭度方法(Fast Kurtogram),该方法能够自适应地获取合适的滤波器中心频率和带宽,实现对故障特征的有效提取,因此得到了广泛的应用。Barszcz和Randall将此方法应用于风电行星齿轮箱故障检测中,在齿轮故障前几周检测到了齿轮裂纹的存在。为更有效的提取故障特征,许多学者对此做出了改进,如：Lei等认为小波包变换在时频域内具有更好的局部特性,因此利用小波包变换替代短时傅里叶变换得到基于小波包变换的快速谱峭度方法。Wang等基于小波包变换流形学习对快速谱峭度方法做出改进,提出了谱峭度流形学习方法,能够在整个时频空间内抑制噪声,实现对故障信号的增强。

然而,由于实际测量信号中除了高斯白噪声外通常还包括其他非高斯干扰成分(如强冲击干扰),此时上述基于峭度(一种非高斯度量指标)的快速谱峭度方法及其改进方法通常难以准确提取由轴承或齿轮局部损伤引起的周期性冲击序列。为解决这个问题,代士超等提出了子频带谱峭度平均的快速谱峭度算法,该方法先对原始信号分段,将每段信号作为快速谱峭度算法的输入进行谱峭度计算,然后对每组谱峭度对应位置求和取平均得到平均谱峭度,再以此选取滤波器参数对信号进行处理。Wang等提出了基于双树复小波包变换的子带平均谱峭度方法,该方法先将信号分割成各子信号,然后计算各子信号经双树复小波包分解后的峭度,最后计算各子带的平均峭度得到子带平均谱峭度。但是,上述方法对于冲击干扰的抑制能力有限,当存在强冲击干扰时,仍难以准确提取故障特征信息。

鉴于此,本文定义了一种对强冲击干扰鲁棒性更好的指标——重加权峭度,并提出了重加权谱峭度方法(Reweighted Kurtogram)。方法对原始信号经“Binary-Ternary”小波包分解后的各频段进行等分,计算各等分频段峭度及所占其和的权重并分别进行重排,然后利用重排后的权重对各等分频段峭度进行重加权得到各频段重加权峭度,最后得到重加权谱峭度图,并据此选择滤波器参数,提取故障特征。

1 问题描述

1.1 故障信号模型

在基于振动信号分析的旋转机械健康监测和故障诊断中,由于存在多个振动源以及受复杂传递路径和强噪声影响,测量信号通常表示为

(1)

式中：为待提取的周期性故障冲击成分；为高斯或非高斯干扰成分(如高斯白噪声、少量强冲击干扰或谐波分量等)。上述未知干扰成分破坏了测量信号中的故障冲击成分,使得故障特征信息十分微弱,给故障诊断带来了很大挑战。

1.2 快速谱峭度方法及其主要问题

Antoni在Dwyer基础上给出了谱峭度的正式定义,其描述的是信号峭度值随频率变化的关系,目的是获得最大峭度值所对应的最优滤波器参数,完成故障冲击特征提取。随后,Antoni又提出了基于短时傅里叶变换或有限冲击响应滤波器的谱峭度快速算法,即快速谱峭度方法,方法具体过程如下：

利用低通原型滤波器()构建低通和高通准解析滤波器()和(),即

(2)

式中：=1,2,…,,表示滤波器长度。

=(+2)2--1

(3)

(Δ)=2--1

(4)

(5)

为提升频带划分精度,Antoni在其最新的快速谱峭度程序中利用“Binary-Ternary”小波包变换替换了有限冲击响应滤波器。峭度指标作为一种非高斯度量指标,能一定程度反映设备的健康状态,因此快速谱峭度方法在故障诊断领域得以被广泛应用。但如引言所述,当待分析信号中含有强冲击干扰(由于复杂工况,工程实际采集的振动信号可能含有少量强冲击干扰)时,快速谱峭度方法常会选取错误的频段滤波器参数,原因在于单个冲击信号的峭度通常会比同信号长度的周期性冲击序列更大。

2 重加权谱峭度方法

针对快速谱峭度方法存在的上述缺陷,本节提出了重加权谱峭度方法。该方法定义了一种对少量强冲击干扰具有较好鲁棒性的新指标——重加权峭度。同时,方法选用第1节所述的“Binary-Ternary”小波包变换,以防止对信号分解时出现窄带瞬变遗漏,保证在(,Δ)平面进行更加精细采样。方法具体步骤如下：

(6)

(7)

(8)

图1 重加权谱峭度图Fig.1 Paving of reweighted kurtogram

为更直观地比较重加权峭度RK与传统峭度,图2给出了同信号长度下周期性故障冲击序列与单个强冲击信号的RK和。同时,本文还同平均窗峭度AK进行了对比分析。由图2可知,单个冲击信号的峭度(846.33)远大于周期性故障冲击序列的峭度(52.90),而单个冲击信号的重加权峭度(2.0左右)远小于周期故障冲击序列的重加权峭度(52.90左右,几乎等于峭度)。虽然单个冲击信号的AK随等分程度增大而减小,但仍大于周期性故障冲击序列的AK。

基于上述分析,重加权谱峭度方法可以克服快速谱峭度方法在处理含强冲击干扰信号时无法选取有效滤波器参数的问题,而基于AK的平均窗谱峭度方法对此的能力却十分有限。

另外,重加权谱峭度方法中关于分段数的取值,可视待分析信号中冲击干扰的强弱而定,当冲击干扰较强时对应取较大的值,同时笔者通过对多组轴承数据分析发现,当分段数为4时,该方法均能得到较好的分析结果,因此在使用该方法时,推荐值取4。但为与平均窗峭度进行对比,在本文后续仿真分析与案例研究中尽量取较小值,以显示所提方法的优越性。

3 仿真分析

为验证重加权谱峭度方法的有效性,本节进行仿真分析,同时与快速谱峭度方法和平均窗谱峭度方法(Average Windowed Kurtogram)进行对比。由于实际测量信号除了含周期性故障冲击成分还常常包括高斯白噪声以及其他非高斯干扰成分(如强冲击干扰),故本节模拟了两组仿真信号。仿真信号1由周期性故障冲击序列()和高斯白噪声()合成,信号2在其基础上增加了单个强冲击干扰分量()。信号采样频率与采样时间分别为=10 kHz和0.8 s。信号的组成分别如式(9)、式(10)所示(为信号采样点数),时域波形对应如图3和图4所示。为更好地呈现信号的细节信息,图3(d)和图4(e)给出了两组仿真信号0.2～0.3 s内的时域波形。可见,周期性故障冲击序列被干扰成分完全掩盖。

(9)

(10)

图3 仿真信号1Fig.3 The first simulated signal

图5为重加权谱峭度方法以及对比方法(快速谱峭度方法和平均窗谱峭度方法)对仿真信号1的分析结果,此例中=2。可见,3种方法所求滤波器参数相同(中心频率和带宽分别为4 375 Hz和1 250 Hz),均能从含高斯白噪声干扰的信号中提取周期性故障冲击特征。

图5 3种方法(Z=2)对仿真信号1分析结果Fig.5 Analysis results of the three methods for the first simulated signal (Z=2)

图6、图7给出了3种方法对仿真信号2的分析结果(=3)。可见,当存在非高斯的强冲击干扰时,重加权谱峭度方法所选取的滤波器参数(中心频率和带宽分别为4 062.5 Hz和625 Hz)仍能准确提取故障特征,如图6所示。而快速谱峭度方法和平均窗谱峭度方法所选取的滤波器参数相同(中心频率和带宽分别为859.38 Hz和156.25 Hz),无法提取到周期性故障冲击特征,反而提取到的是强冲击干扰的特征,如图7所示。

图6 重加权谱峭度方法(Z=3)对仿真信号2分析结果Fig.6 Analysis results of reweighted kurtogram for the second simulated signal (Z=3)

图7 对仿真信号2分析结果的比较Fig.7 Analysis results of the comparative method for the second simulated signal

4 航空发动机故障诊断

利用重加权谱峭度方法对航空发动机故障进行诊断分析,以进一步验证方法对于实际信号分析的有效性。振动数据采自法国Safran公司生产的某航空发动机附件齿轮箱,发动机结构示意图及传感器位置如图8(a)所示。该齿轮箱轴和轴滚动轴承分别出现了不同程度的损伤,其中轴轴承外圈存在划痕损坏,轴轴承外圈存在局部剥落损坏,如图8(b)所示。

图8 Safran公司航空发动机[21]Fig.8 Aero-engine from Safran[21]

航空发动机在运行过程中,脉冲转速计(每转44脉冲)安装在轴上,两个加速度计分别安装在轴和轴附近。由于轴附近加速度计在信号采集过程中出现了故障,仅对轴附近加速度计所采集的振动信号进行分析。数据采集工作一共持续了204 s,采样频率为44 100 Hz,本文所分析数据处于5～30 s时间段,信号时域波形如图9所示,在该时间段内,发动机为恒定转速运行。为显示发动机振动信号的细节信息,图9(b)截取了20～20.1 s内的时域波形,可见,信号中含有强烈的干扰成分,故障特征信息十分微弱。轴上转速计实测转频约为180 Hz,通过轴与轴齿轮齿数(分别为62和61)可得到轴转频,然后根据轴轴承故障特征频率相对于轴转频的比例系数(见表1),可以计算得到轴承故障特征频率,即

=180×6261=18295 Hz

(11)

(12)

式中:、、、分别为外圈、内圈、滚动体及保持架故障特征频率。

图9 航空发动机实际测量振动信号Fig.9 Measured vibration signal of aero-engine

表1 轴承故障特征频率相对于L5轴转频的比例系数[21]

图10～图12分别为重加权谱峭度方法、快速谱峭度方法和平均窗谱峭度方法对上述航空发动机振动信号的分析结果(其中=3),3种方法分解层数均取最大值13。如图10所示,重加权谱峭度方法选取的滤波器中心频率和带宽分别为1 378.13 Hz和2 756.25 Hz,滤波信号平方包络谱中在183.58 Hz和1 412.07 Hz处出现了频率峰值。考虑到轴承实际运行中存在滑移、安装误差等情况,上述频率近似等于轴的转频和其支撑轴承的外圈故障特征频率。可见,重加权谱峭度方法对轴轴承故障诊断结果与实际情况相符。而图11、图12所示的快速谱峭度方法与平均窗谱峭度方法所选取的滤波器参数(前者的中心频率和带宽分别为11 195.92 Hz和2.69 Hz、后者的为11 203.99 Hz和2.69 Hz)未提取到任何与轴轴承故障相关的特征。