基于叶尖间隙时频特征融合的转子碰摩诊断方法

以航空发动机与船舰燃气轮机为代表的高端透平机械在高效率,大机动飞行等工况要求下,内部结构趋于紧凑化和复杂化,使得内部转静子发生碰摩的概率也随之增加,由于其内部少测点、难监测,往往难以及时准确地发现碰摩故障。提出了一种叶尖间隙时频特征融合的转子碰摩故障诊断方法,首先通过叶尖振动-间隙复合传感器获取叶尖间隙(blade tip clearance,BTC)序列,然后通过机器学习算法评估BTC序列的异常性;若有异常警报,则对异常信号进行傅里叶分解并汇总各分量的时频能量谱;最后通过时频能量谱中的碰摩带判断故障的发生。试验结果表明,在对转子施加短时、持续碰摩两种工况后,机器学习模型能够实时诊断,且报警后所提方法能完整分辨出两种碰摩的发生,以及持续碰摩缓慢施加、快速结束的过程。通过与转子振动信号进行对比,表明该方法可通过机匣测点获取叶尖间隙并感知转子碰摩故障,实现了“一传多感”,为透平机械的状态监测和健康管理提供了新的方法。