一种燃气轮机动叶片断裂故障识别方法

1.本发明属于故障诊断领域，涉及一种燃气轮机动叶片断裂故障识别方法，具体而言涉及一种基于信号奇异性检测的燃气轮机动叶片断裂故障识别方法。


背景技术：

2.燃气轮机不仅广泛应用于能源电力、管道运输等工业领域，而且作为代表性的新型透平式动力机械，成为了新一代战机、船舰推进装置的核心动力源，具有广阔的发展应用前景。叶片是实现功-能转换的核心零部件，由于长期受到交变、大幅值的离心力、热应力和气动力等复杂载荷作用，使其成为整台燃机中故障频发的敏感部位，其中叶片裂纹、断裂为主要故障形式。一旦发生叶片断裂故障，若不能在断裂瞬态或断裂前实现故障预警与诊断，轻则影响燃气轮机性能效率，严重时高速脱落的叶片还会打伤其余叶片或击穿机匣，甚至引发燃机损毁的严重事故。
3.振动分析是实现机械部件故障诊断最常用的方法，目前国内燃机已逐渐采用基于高频振动加速度有效值的监测手段，但由于机匣加速度信号中振动成分复杂，在监测燃机叶片状态时仍存在以下局限：(1)该加速度有效值是燃机中各个部件振动传递到机匣处的总值，叶片振动不是主导振动成分，即使发生断裂故障导致叶片振动强度的波动，也很难引起总值的显著变化，即该监测参数对叶片断裂故障的敏感性较差；(2)燃机中如轴承、转子等关键部件的故障信息均会传递至机匣处的加速度传感器，只有成功提取出各部件的故障振动成分才能开展针对性的部件状态监测，即该监测参数未充分考虑故障机理，难以用于作为逆问题的叶片断裂故障识别以及与其他故障的区分。因此，当前广泛采用的高频振动加速度有效值尚无法实现叶片状态的监测和识别。
4.考虑到燃气轮机压气机普遍具有“第(n-1)级静叶-第n级动叶-第n级静叶”的排布方式，若第n级动叶中的某一转子叶片发生断裂，断裂动叶所在的整级转子叶片以及下游与之相邻的整级静子叶片的动力响应均会受到显著影响。具体地，第n级动叶所受的静叶尾流激振力和不平衡离心惯性力会随着气流作用面积和不平衡量的改变而产生相应的变化，导致二者的激励频率——静叶通过频率和转子工频，两频率幅值在故障瞬间具有较明显的阶跃式突增特性；而对于第n级静叶而言，由于前端激励流场受断裂故障影响，其所受动叶尾流激振力也会随之改变，致使激励频率——动叶通过频率，其频率幅值表现为阶跃式突降。
5.若要利用上述特征参数的阶跃式突变特性(符合工程上第一类奇异信号定义)实现断裂瞬态的有效捕捉，特征突变点的准确检测是必须研究和掌握的。现有的突变点检测算法包括fisher最优分割法、启发式分割算法、滑动t/f检测法等。但在分析燃气轮机非平稳的状态数据时，以上线性、平稳的检测算法并不适用。小波变换是一种时-频分析方法，具有突出的空间局部性，能够快速、有效的从非平稳信号中提取故障瞬变信息；同时，它还具备多分辨率分析能力，应用于动态变换的燃气轮机实测振动信号具有显著优势。以上两特性使其成为了检测信号突变点的强力工具。


技术实现要素：

6.鉴于此，针对故障敏感特征参数所特有的阶跃式突变特性，本发明结合卷积小波变换算法提出一种基于信号奇异性检测的燃气轮机动叶片断裂故障识别方法，通过该方法可实现燃气轮机动叶片断裂故障的有效识别。
7.本发明为实现其技术目的所采用的技术方案内容如下：
8.一种基于信号奇异性检测的燃气轮机动叶片断裂故障识别方法，其特征在于，该方法包括如下步骤：
9.ss1：采集某一稳定工况下的燃气轮机实时振动信号数据x(t)，并将所述实时振动信号数据x(t)作为燃气轮机动叶片断裂故障识别模型的输入；
10.ss2：对步骤ss1采集到的实时振动信号数据x(t)开展故障特征提取，分别构造以静叶通过频率幅值、动叶通过频率幅值以及转子工频幅值为目标元素的故障敏感特征向量bpfs(t)、bpfr(t)和n(t)，其中，静叶、动叶通过频率的计算公式分别为：
11.静叶通过频率＝第(n-1)级静叶数目
×
转子工频，
12.动叶通过频率＝第n级动叶数目
×
转子工频；
13.ss3：选取具有低通性质的实函数θ(t)作为平滑函数，并以θ(t)的一阶导数为小波基构造小波函数在尺度s下，以平滑函数θ(t)描述的小波函数可表示为：
[0014][0015]
式中，θs(t)为尺度s下的平滑函数，且满足：
[0016][0017]
ss4：利用步骤ss3构造的小波函数对步骤ss2提取到的故障敏感特征向量bpfs(t)、bpfr(t)和n(t)进行卷积小波变换，构造各自对应的小波变换系数向量wfs(t)、wfr(t)和wfn(t)。其中，卷积型小波变换满足关系式：
[0018][0019]
式中，wf(s,t)为小波变换系数；f(t)为待检测原始信号；f(t)*θs(t)为平滑算子，表示原始信号在尺度s下经过平滑函数“磨光”后的信号；
[0020]
实际上，信号突变点检测是先在不同尺度上对原信号进行平滑处理，再由“磨光”后信号的一阶导数检测原信号突变点。不难发现，小波变换系数wf(s,t)恰与“磨光”后信号f(t)*θs(t)的一阶导数成正比。因此，利用小波变换系数的局部极值点即可准确检测出原信号的瞬时突变。
[0021]
ss5：判断小波变换系数向量wfs(t)中的各元素是否为局部极值点，检测结果为局部极值点时进入步骤ss6，否则在非局部极值点元素位置输出“0”；
[0022]
ss6：检测wfs(t)中的各局部极值点对应峰值p
wf
；
[0023]
ss7：判断p
wf
是否为正峰值(正峰值对应阶跃上升型突变)，满足条件时，在正峰值元素位置输出“1”，否则在非正峰值元素位置输出“0”。由此构造局部极值点峰值向量ps(t)；
[0024]
ss8：重复上述步骤ss5至ss7，依次构造局部极值点峰值向量pr(t)和pn(t)，其中，构造峰值向量pr(t)时，应判断p
wf
是否为负峰值(负峰值对应阶跃下降型突变)；而构造峰值向量pn(t)时，仍以正峰值为判断条件；
[0025]
ss9：构造故障突变点检测向量p(t)，方式如下：
[0026]
p(t)＝ps(t) pr(t) pn(t)；
[0027]
ss10：判断故障突变点检测向量p(t)中的各元素是否等于3，满足条件时，在p＝3元素位置t
p
输出“1”，且判定燃气轮机压气机动叶片在t
p
时刻发生断裂故障；否则在p≠3元素位置输出“0”，认为检测时间段内未发生动叶断裂故障，由此最终建立叶片断裂故障识别向量。
[0028]
本发明定义的故障识别规则如下：
[0029]
当前述三个故障敏感特征参数在同一时刻均表现为特定阶跃型突变时，即判定燃气轮机动叶片在该时刻发生了断裂故障。而由故障突变点检测向量的构造原理可知，p(t)中的各元素值代表了当前元素位置出现特定阶跃型突变的敏感特征个数，因此通过检测p(t)中各元素大小及元素位置即可有效判断故障发生与否及故障发生时刻。
[0030]
优选地，所述步骤ss2中，待提取的特征频率主要包括静叶通过频率、动叶通过频率和转子工频，以上述三种频率成分的频率幅值为目标元素对原始振动信号开展故障特征提取。具体地，原始振动信号经过傅里叶变换后转换到频域，再以理论计算的特征频率为中心频率
±
10hz范围内出现的最大幅值作为待提取的目标幅值。
[0031]
优选地，所述步骤ss3中，平滑函数θ(t)选用了具有低通性质的高斯函数(gauss)，并基于高斯函数(gauss)进一步构造如下式所示的小波函数
[0032]
式中，尺度参数s取3。
[0033]
优选地，所述步骤ss7中，局部极值点峰值向量ps(t)中仅包含元素“1”或“0”，其中元素“1”为局部极值点对应峰值p
wf
＞0时的输出结果，表示静叶通过频率幅值在当前元素位置发生了阶跃上升型突变；而元素“0”则是检测为非局部极值点或局部极值点对应峰值p
wf
≤0时的输出结果，表示静叶通过频率幅值在对应元素位置未发生符合筛选条件的特定阶跃型突变。
[0034]
优选地，所述步骤ss8中，局部极值点峰值向量pr(t)中仅包含元素“1”或“0”，其中元素“1”为局部极值点对应峰值p
wf
＜0时的输出结果，表示动叶通过频率幅值在当前元素位置发生了阶跃下降型突变，而元素“0”则是检测为非局部极值点或局部极值点对应峰值p
wf
≥0时的输出结果，表示动叶通过频率幅值在对应元素位置未发生符合筛选条件的特定阶跃型突变；局部极值点峰值向量pn(t)同样由元素“1”或“0”构成，其中元素“1”为局部极值点对应峰值p
wf
＞0时的输出结果，表示转子工频幅值在当前元素位置发生了阶跃上升型突变，而元素“0”则是检测为非局部极值点或局部极值点对应峰值p
wf
≤0时的输出结果，表示转子工频幅值在对应元素位置未发生符合筛选条件的特定阶跃型突变。
[0035]
优选地，所述步骤ss9中，故障突变点检测向量p(t)主要由元素“0”或“1”或“2”或“3”构成，元素值代表了对应元素位置发生特定阶跃型突变的敏感特征个数，而当静叶通过频率幅值、动叶通过频率幅值以及转子工频幅值在同一时刻均表现为特定阶跃型突变时
(即输出元素“3”)，则判定燃气轮机动叶片在该时刻发生了断裂故障。
[0036]
与现有技术相比，本发明提出的基于信号奇异性检测的燃气轮机动叶片断裂故障识别方法，其有益效果是：通过将故障敏感特征参数的响应规律与卷积小波变换在处理奇异信号时的巨大优势相结合，不仅能够较好地克服现有监测参数敏感性弱的问题，同时还可有效排除其他因素(如气流波动、转子不平衡、工况调整等非叶片断裂)引起的类似突变现象的干扰，从而提升了燃气轮机动叶片断裂故障识别准确率，并保证了一定的诊断可靠性。
附图说明
[0037]
图1为本发明方法的整体步骤流程图。
[0038]
图2a至图2c分别为采用本发明方法提取的故障敏感特征向量示意图。
[0039]
图3a至图3c分别为采用本发明方法构造的小波变换系数向量示意图。
[0040]
图4a至图4c分别为采用本发明方法输出的局部极值点峰值向量示意图。
[0041]
图5为采用本发明方法建立的故障突变点检测向量示意图。
[0042]
图6为采用本发明方法取得的故障识别效果示意图。
具体实施方式
[0043]
为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例，旨在用于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0044]
如图1所示，以某燃气轮机为例，本发明的基于信号奇异性检测的燃气轮机动叶片断裂故障识别方法在实施时主要包括如下步骤：
[0045]
步骤(1)：某燃气轮机在一稳定工况运行时(第97个样本点对应时刻)发生严重机械故障，现场停车后逐级孔探发现，低压压气机第九级动叶片存在明显断裂痕迹。断裂级动叶数目为42，其前一级静叶数目为48，故障发生时低压压气机转速为6940r/min。由于前机匣水平测点靠近断裂位置，对低压压气机故障响应更为敏感，因此将该测点振动数据(共153个样本点，采样频率51.2khz)输入叶片断裂故障识别模型。
[0046]
步骤(2)：对步骤(1)采集到的实时振动信号数据开展故障特征提取，分别构造以静叶通过频率幅值、动叶通过频率幅值以及转子工频幅值为目标元素的故障敏感特征向量bpfs(t)、bpfr(t)和n(t)，其中，静叶、动叶通过频率的计算公式分别为：静叶通过频率＝第(n-1)级静叶数目
×
转子工频，动叶通过频率＝第n级动叶数目
×
转子工频。
[0047]
具体地，待提取的特征频率包括5552hz、4858hz以及115.7hz，分别对应静叶通过频率、动叶通过频率和转子工频，以上述三种频率成分的频率幅值为目标元素对前机匣水平测点振动信号开展故障特征提取。对每个样本点所包含的0.64s数据进行一次傅里叶变换，并以理论计算的特征频率为中心频率
±
10hz范围内出现的最大幅值作为待提取的目标幅值，绘制样本点-幅值曲线，如图2a、图2b和图2c所示。
[0048]
步骤(3)：选取具有低通性质的实函数θ(t)作为平滑函数，并以θ(t)的一阶导数为小波基构造小波函数进行突变点分析，在尺度s下，以平滑函数θ(t)描述的小波函数可表示为：
[0049][0050]
式中，θs(t)为尺度s下的平滑函数，且满足：
[0051][0052]
本发明选用了具有低通性质的高斯函数(gauss)作为平滑函数θ(t)，并以gauss函数的一阶导构造小波函数进行突变点分析。在尺度s下，基于gauss函数而构造的小波函数为：
[0053][0054]
式中，尺度参数s取3。
[0055]
步骤(4)：借助步骤ss3构造的小波函数对步骤ss2提取到的故障敏感特征向量进行卷积小波变换，并按如下公式计算各小波变换系数，绘制样本点-小波变换系数曲线，如图3a、图3b和图3c所示。
[0056][0057]
式中，wf(s,t)为小波变换系数；f(t)为待检测原始信号；f(t)*θs(t)为平滑算子，表示原始信号在尺度s下经过平滑函数“磨光”后的信号；实际上，信号突变点检测是先在不同尺度上对原信号进行平滑处理，再由“磨光”后信号的一阶导数检测原信号突变点。不难发现，小波变换系数wf(s,t)恰与“磨光”后信号f(t)*θs(t)的一阶导数成正比。因此，利用小波变换系数的局部极值点即可准确检测出原信号的瞬时突变。
[0058]
步骤(5)：判断小波变换系数向量wfs(t)中的各元素是否为局部极值点，检测结果为局部极值点时进入步骤ss6，否则在非局部极值点元素位置输出“0”；
[0059]
步骤(6)：检测wfs(t)中的各局部极值点对应峰值p
wf
；
[0060]
步骤(7)：判断p
wf
是否为正峰值(正峰值对应阶跃上升型突变)，满足条件时，在正峰值元素位置输出“1”，否则在非正峰值元素位置输出“0”。由此构造局部极值点峰值向量ps(t)。局部极值点峰值向量ps(t)中仅包含元素“1”或“0”，其中元素“1”为局部极值点对应峰值p
wf
＞0时的输出结果，表示静叶通过频率幅值在当前元素位置发生了阶跃上升型突变；而元素“0”则是检测为非局部极值点或局部极值点对应峰值p
wf
≤0时的输出结果，表示静叶通过频率幅值在对应元素位置未发生符合筛选条件的特定阶跃型突变。
[0061]
步骤(8)：构造局部极值点峰值向量
[0062]
重复上述步骤ss5至ss7，依次构造局部极值点峰值向量pr(t)和pn(t)，其中，构造峰值向量pr(t)时，应判断p
wf
是否为负峰值(负峰值对应阶跃下降型突变)；而构造峰值向量pn(t)时，仍以正峰值为判断条件。局部极值点峰值向量pr(t)中仅包含元素“1”或“0”，其中
元素“1”为局部极值点对应峰值p
wf
＜0时的输出结果，表示动叶通过频率幅值在当前元素位置发生了阶跃下降型突变，而元素“0”则是检测为非局部极值点或局部极值点对应峰值p
wf
≥0时的输出结果，表示动叶通过频率幅值在对应元素位置未发生符合筛选条件的特定阶跃型突变；局部极值点峰值向量pn(t)同样由元素“1”或“0”构成，其中元素“1”为局部极值点对应峰值p
wf
＞0时的输出结果，表示转子工频幅值在当前元素位置发生了阶跃上升型突变，而元素“0”则是检测为非局部极值点或局部极值点对应峰值p
wf
≤0时的输出结果，表示转子工频幅值在对应元素位置未发生符合筛选条件的特定阶跃型突变。
[0063]
具体而言，继续执行步骤(5)至步骤(8)所述的检测流程，对小波变换系数向量中的各元素进行筛选并赋值。经过卷积小波变换后，各小波变换系数向量中的多个元素位置均检测到局部极值点。其中，wfs(t)中的第36、42、51、61、69、85、97、111、117以及第141个样本点出现局部正峰值点；wfr(t)中的第18、31、50、69、97、124以及第142个样本点出现局部负峰值点；wfn(t)中的第13、19、30、40、65、78、85、97、111、125以及第139个样本点出现局部正峰值点。上述局部正峰值点或负峰值点即认为发生了符合筛选条件的特定阶跃型突变，并在对应样本点位置输出“1”，其余非峰值点位置输出“0”，绘制样本点-模型输出值曲线，如图4a、图4b和图4c所示。
[0064]
步骤(9)：构造故障突变点检测向量p(t)，方式如下：p(t)＝ps(t) pr(t) pn(t)。故障突变点检测向量p(t)主要由元素“0”或“1”或“2”或“3”构成，元素值代表了对应元素位置发生特定阶跃型突变的敏感特征个数，而当静叶通过频率幅值、动叶通过频率幅值以及转子工频幅值在同一时刻均表现为特定阶跃型突变时(即输出元素“3”)，则判定燃气轮机动叶片在该时刻发生了断裂故障。
[0065]
具体而言，将各局部极值点峰值向量进行叠加，即同一样本点所对应的元素值直接相加，绘制样本点-模型输出值(叠加后的)曲线，如图5所示。通过峰值向量间的叠加运算，构造的故障突变点检测向量中第13、18、19、30、31、36、40、42、50、51、61、65、78、117、124、125、139、141以及第142个样本点对应的元素值为1，第69、85以及第111个样本点对应的元素值为2，第97个样本点对应的元素值为3，而其余样本点对应的元素值皆为0。上述元素值即代表了当前样本点位置发生特定阶跃型突变的敏感特征个数。
[0066]
步骤(10)：构造故障识别向量，判断故障突变点检测向量p(t)中的各元素是否等于3，满足条件时，在p＝3元素位置t
p
输出“1”，且判定燃气轮机压气机动叶片在t
p
时刻发生断裂故障；否则在p≠3元素位置输出“0”，认为检测时间段内未发生动叶断裂故障，由此最终建立叶片断裂故障识别向量。
[0067]
依据步骤(10)所述检测流程(p＝3元素位置输出“1”，p≠3元素位置输出“0”)，对故障突变点检测向量中的各元素进行筛选并赋值，构造了如图6所示的故障识别向量，其中第97个样本点的模型输出值为“1”。结合本发明定义的故障识别规则，判定燃气轮机在第97个样本点对应的0.64s内发生了动叶片断裂故障，即实现了叶片断裂瞬时的准确捕捉。通过某真实燃气轮机低压压气机叶片断裂故障案例验证了本发明方法的有效性。
[0068]
本发明定义的故障识别规则如下：
[0069]
当前述三个故障敏感特征参数在同一时刻均表现为特定阶跃型突变时，即判定燃气轮机动叶片在该时刻发生了断裂故障。而由故障突变点检测向量的构造原理可知，p(t)中的各元素值代表了当前元素位置出现特定阶跃型突变的敏感特征个数，因此通过检测p
(t)中各元素大小及元素位置即可有效判断故障发生与否及故障发生时刻。
[0070]
通过上述实施例，完全有效地实现了本发明的目的。该领域的技术人员可以理解本发明包括但不限于附图和以上具体实施方式中描述的内容。虽然本发明已就目前认为最为实用且优选的实施例进行说明，但应知道，本发明并不限于所公开的实施例，任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。
[0071]
本发明未详细阐述部分属于本领域技术人员的公知技术。