旋转叶片是航空发动机的关键易损件,需要对其进行状态监测。叶端定时(Blade tip timing,BTT)是一种有效的旋转叶片非接触监测方法。然而,传统的叶端定时严重依赖键相信号,叶端定时信号存在严重的欠采样问题。对此,提出了一种基于叶片振...旋转叶片是航空发动机的关键易损件,需要对其进行状态监测。叶端定时(Blade tip timing,BTT)是一种有效的旋转叶片非接触监测方法。然而,传统的叶端定时严重依赖键相信号,叶端定时信号存在严重的欠采样问题。对此,提出了一种基于叶片振动差的正交匹配追踪(Orthogonal matching pursuit,OMP)方法来提取叶片固有频率。首先,使用叶端定时传感器计算叶片振动差。然后,构建叶片振动差的稀疏模型,在变转速情况下使用正交匹配追踪方法对叶片振动差信号进行分解,提取叶片振动振幅和固有频率。通过数值仿真验证了该方法的有效性和鲁棒性,并在叶端定时试验台上进行试验。结果表明,该方法可以准确识别叶片异步振动的振幅和固有频率。展开更多
针对现有基于深度学习的滚动轴承故障诊断方法存在准确度不高、泛化性较差的缺点,提出了一种基于SConvNeXt-ECMS(the ConvNeXt network based on shuffled convolution-efficient channel and multi-scale spatial attention module)与D...针对现有基于深度学习的滚动轴承故障诊断方法存在准确度不高、泛化性较差的缺点,提出了一种基于SConvNeXt-ECMS(the ConvNeXt network based on shuffled convolution-efficient channel and multi-scale spatial attention module)与DBO-RELM(dung beetleoptimizer regularized extreme learning machine)的滚动轴承故障诊断模型。将ECMS注意力机制与分流卷积模块融入ConvNeXt网络,提升ConvNeXt网络的特征提取能力;使用蜣螂优化算法完成参数寻优后的RELM替换网络原有分类层,提升网络对相近特征的分辨能力;利用哈尔滨工业大学航空轴承故障数据集仿真实验,验证所提分流卷积对ConvNeXt网络的提升效果;使用帕德博恩大学数据集进行滚动轴承混合故障诊断实验,验证所提SConvNeXt-ECMS与DBO-RELM模型的分类效果。仿真实验结果表明:所提SConvNeXt网络在航空轴承故障分类任务中,准确率可达100%,优于其他现有网络;帕德博恩大学滚动轴承混合故障诊断实验表明,所提ECMS注意力机制以及DBO-RELM方法均对原网络的性能有进一步的提升,新模型对滚动轴承混合故障的诊断准确率最高可达99.94%,相较于其他现有的滚动轴承故障诊断模型,均具有更高的故障诊断准确率和更强的泛化能力。展开更多
文摘旋转叶片是航空发动机的关键易损件,需要对其进行状态监测。叶端定时(Blade tip timing,BTT)是一种有效的旋转叶片非接触监测方法。然而,传统的叶端定时严重依赖键相信号,叶端定时信号存在严重的欠采样问题。对此,提出了一种基于叶片振动差的正交匹配追踪(Orthogonal matching pursuit,OMP)方法来提取叶片固有频率。首先,使用叶端定时传感器计算叶片振动差。然后,构建叶片振动差的稀疏模型,在变转速情况下使用正交匹配追踪方法对叶片振动差信号进行分解,提取叶片振动振幅和固有频率。通过数值仿真验证了该方法的有效性和鲁棒性,并在叶端定时试验台上进行试验。结果表明,该方法可以准确识别叶片异步振动的振幅和固有频率。
