论文部分内容阅读
大推力运载火箭是我国载人航天重大专项的重要组成部分,针对运载火箭动力系统故障诊断开展预先研究是我国载人航天工程的迫切需要。涡轮泵是液体火箭发动机的核心部件之一,也是液体火箭发动机最易发生重大故障的关键节点。因此,开展涡轮泵实时故障检测与诊断技术研究,对确保载人航天重大专项按预定计划实施、加快运载火箭试验定型具有重要意义。近年来,基于振动信号的实时故障检测与诊断算法研究是高速旋转机械实时健康监测的研究热点和前沿。本文以某型号液体火箭发动机涡轮泵历史试车的振动加速度信号为研究对象,开展了实时故障检测算法研究,完成的工作主要包括:在综合考虑算法的准确性、实时性和及时性要求的基础上,提出了两种基于频域特征的实时故障检测算法:1)基于频段峰值比的故障检测算法:算法根据信号频谱的分布规律对其进行频段划分,选择两个频段并计算其峰值比作为故障特征,通过设定固定阈值进行检测;其后,提出一种自适应阈值算法对原算法进行优化;2)基于突频均方根与支持向量机(Support Vector Machine, SVM)的故障检测算法:在频段划分的基础上,提出了贡献系数与贡献限值的概念;算法提取某频段所有幅值大于贡献限值的突频分量并计算其均方根,选择多频段的突频均方根组成多维向量作为故障特征,结合SVM进行故障检测。对涡轮泵振动信号的多种时域统计特征进行了线性相关性分析、稳定性分析和故障敏感性分析,基于线性相关性弱、稳定性好和故障敏感性高的原则,选择了算法的时域故障特征;在此基础上,提出了三种基于时域特征的实时故障检测算法:1)基于均方根的自适应C-SVM算法:在原C-SVM算法的基础上提出了决策分类函数自适应更新方法;算法将多路信号同一检测步中的均方根值组成多维向量作为故障特征,并以之构造原始训练样本集和原始决策分类函数;在对待检信号进行实时检测的同时,对训练样本集和决策分类函数进行自适应更新;2)多特征快速SVM算法:算法将每一检测步的信号平分为多段,计算每段的均方根、裕度因子和峭度并将之组合为三维向量作为故障特征;提取历史信号中所有故障特征向量构造支持向量机原始训练样本集,并在其中选择边界样本来构造新的训练样本集和决策分类函数;算法中提出了一种单路信号故障判定策略;最后,采用决策分类函数自适应更新方法对算法进行了优化;3)基于小波均方根向量与SVM的故障检测算法。算法对每个检测步的信号段进行小波分解与重构,得到多层细节信号;将每个步长信号对应的各层细节信号再平分为多段并计算每段的均方根,将各层细节信号相同位置的均方根值组合为多维向量作为故障特征,并以此构造训练样本集和决策分类函数。基于上述理论研究结果,以某航天动力研究所提供的历史试车数据,对上述五种算法进行了实验验证。验证采用历史试车数据模拟涡轮泵热试车时的实时故障检测过程。验证结果显示,以上五种算法均满足实时性、准确性和及时性要求。论文最后对三种经典实时故障检测算法的检测效果进行了实验验证。