基于叶尖定时的大型离心压缩机叶片裂纹在线诊断方法

本发明属于旋转机械微弱故障在线识别领域，特别涉及一种基于叶尖定时的大型离心压缩机叶片裂纹在线诊断方法。

背景技术：

1、大型离心压缩机是能源运输、石油化工和航空航天领域的重要设备，其长效安全运行是保障国民经济的基础。然而叶轮作为压缩机的心脏设备，长期高负荷运行会导致其面临裂纹萌生、掉块甚至叶片断裂的风险，对机组造成严重的安全隐患，甚至引发重大安全事故。定期停机维护所产生的效益亏损，也是企业难以承受的。实现长期恒速运行背景下，大型离心压缩机叶轮状态在线监测与故障诊断具有非常重要的工程实用价值，是工程领域亟须解决的问题。

2、叶片的裂纹故障在压力脉动等信号中，具有微弱的故障特征，识别相对困难。而叶尖定时(bladetip timing，btt)作为一种高精度的非接触式原位感知技术，被广泛应用于旋转机械的状态监测方面。相对于传统的应力应变监测手段，btt测振技术不仅能够准确地表征叶片振动信息，更能够实现叶片运行状态的长期在线监测。因此开发一种基于叶尖定时的大型离心压缩机叶片裂纹在线诊断方法，对故障实时检测及保障压缩机的长效安全运行具有重要的意义。

技术实现思路

1、本发明针对大型离心压缩机叶片裂纹故障在线诊断困难的问题，提出一种基于叶尖定时的大型离心压缩机叶片裂纹在线诊断方法。本发明以叶片裂纹造成叶片固有频率变化为基础，首先，基于btt技术进行各叶片的振动位移测量；然后，结合多重信号分类(multiplesignalclassification，music)算法，利用信号子空间和噪声子空间的正交性，构造空间谱函数，通过谱峰搜索估计各个叶片固有频率；最后，基于叶片裂纹检测指数对识别出来的叶片固有频率差异进行分析，排除由于加工磨损等原因导致叶片失谐，进而造成故障叶片定位错误，最终实现叶片裂纹故障的精确在线诊断。本发明结合btt在线测试分析技术与叶片振动参数精确辨识算法，通过进一步数据处理，实现叶片裂纹故障的实时在线精确定位。

2、本发明的技术方案：

3、一种基于叶尖定时的大型离心压缩机叶片裂纹在线诊断方法，其特征在于，步骤如下：

4、第一步：叶片振动位移测量

5、a)在标定工况下，定义叶片标准顺序；当1号叶片经过btt传感器时，开始采集振动信号；为消除转速波动带来的影响，选取n+1转btt测试信号，定义叶片夹角标准序列为：

6、

7、式中，表示标定工况下，第i号叶片与前一个叶片的夹角；ti'n和ti'n+1分别表示第i个叶片在第n转和第n+1转时的到达时间；表示第i+1个叶片在第n转时的到达时间；nb表示叶轮叶片数；n表示叶轮旋转圈数，n≥100；

8、b)在实验工况下，采集btt传感器的振动信号；选取n+1转btt测试信号，定义叶片夹角实测序列为：

9、

10、式中，δai表示实验工况下，第i号叶片与前一个叶片的夹角；和分别表示第i个叶片在第n转和第n+1转时的到达时间；表示第i+1个叶片在第n转时的到达时间；nb表示叶轮叶片数；n表示叶轮旋转圈数，n≥100；

11、c)识别与叶片编号对应的btt信号；定义叶片夹角实测序列与叶片夹角标准序列的残差ea(q)：

12、

13、式中，cyc(δai,q)表示δai序列向左循环移位q项；

14、定义残差ea(q)的标准差sa(q)，确定循环移位q相后的实测序列与标定序列的相似程度。

15、

16、式中，表示ea(q)的期望；

17、当sa(q)取最小值时，序列cyc(δai,q)和序列的相似程度最高，即实测序列的第q号叶片为叶片标准顺序的1号叶片，将此时移位后的数据作为重新排序后的叶尖定时数据；

18、d)计算叶片振动位移；基于上一步骤重新排序后的叶尖定时数据，将叶片实际到达时间与理论到达时间做差，结合叶轮转速与叶尖旋转半径计算得到各个叶片的振动位移

19、

20、式中，表示第i个叶片在第n转的振动位移；f表示压缩机的转频；r表示叶轮旋转半径；表示第i个叶片在第n转时的实际到达时间；表示第i个叶片在第n转时的理论到达时间；

21、第二步：基于多重信号分类算法(music算法)的叶片固有频率辨识

22、任意叶片的振动位移序列可表示为复正弦信号叠加白噪声：

23、

24、其中，表示振动信号的复幅值，|αk|为模，为相位；ωk表示角频率；k表示振动位移序列中的复正弦信号频率的数量；υ(m)表示均值为零、方差为的高斯白噪声；

25、a)测试采用z个叶尖定时传感器，则第c次采样的叶片振动信号向量为：

26、

27、定义：

28、

29、

30、

31、

32、则：

33、

34、b)选取c个信号向量进行叶片固有频率提取，得到信号矩阵x：

35、

36、c)计算信号矩阵x的自相关矩阵r：

37、

38、因为为均值为0，方差为的白噪声，可以推出r的估计矩阵为：

39、

40、其中，p＝diag{|α1|2 |α2|2 … |αk|2}，i为单位阵，apah的秩rank(apah)＝k。

41、进一步对矩阵进行特征分解，得到特征值λ1≥λ2≥…≥λz，特征向量u1,u2…uz；其中u1,u2…uk为信号子空间，uk+1,uk+2…uz为噪声子空间；

42、d)利用噪声子空间的特征向量构成矩阵g：

43、g＝[uk+1 uk+2 … uz]   (16)

44、e)构造谱函数

45、

46、通过设置频率搜索范围对谱函数进行遍历求解，其峰值频率即为叶片振动的固有频率；重复第二步即得到所有叶片的固有频率信息；

47、第三步：叶片裂纹的精确诊断

48、基于叶片裂纹检测指数对识别的叶片固有频率做进一步分析，排除由于失谐因素所造成的误识别；其原理是移除单个叶片的固有频率，然后计算剩余叶片固有频率的标准差，从而确定该叶片固有频率变化的原因，最终实现裂纹叶片的精确诊断；叶片裂纹检测指数的定义如下：

49、

50、式中，表示叶片的固有频率；表示叶片固有频率的均值，表示要移除的叶片固有频率。

51、以上所述的第一步至第三步是在大型离心压缩机组长期运行不停机的背景下，实现的一种基于叶尖定时的大型离心压缩机叶片裂纹在线诊断方法。

52、本发明的有益效果：本发明属于大型离心压缩机叶片裂纹在线识别方法。本发明通过叶片振动数据在线监测，结合多重信号分类算法(music算法)，实现叶片裂纹故障的在线诊断。同时，由于叶轮加工制造误差以及长期运行导致的磨损所带来的失谐偏差，可以利用叶片裂纹检测指数进行有效排除，实现了对裂纹叶片号的精确定位。本发明对于保障大型离心压缩机组的长效安全运行具有重要的实际应用价值。