摘要：航空发动机设备是我国现代航空运输事业在运作发展过程中不可或缺的技术设备类型，积极选择运用适当种类的诊断技术方法，并且制定科学合理的测试流程，做好针对航空发动机设备的故障诊断与测试分析工作，确保航空发动机设备长期具备优质且稳定的技术运行状态具备重要意义。
关键词：航空发动机；在线监测；故障诊断方法
引言
航空发动机工作环境十分恶劣，一般都处于高温、高压或者是超高负载的工作环境，这些因素都会影响发动机的工作性能，从而威胁航行安全性与可靠性。通过各种状态实时监测技术可以对早期故障或者潜伏隐患进行排查与维护，可以有效地降低故障损失和故障发生率。经过对比研究气动热力参数和振动参数可以对航空发动机的运行状态参数实现在线监测与诊断评估。但是比较传统的振动监测、温度监测等实时监测技术由于技术局限，难以捕获机械系统磨损失效过程中的早期征兆。定期采油液分析的方法因实时性差，无法连续监测系统失效过程，往往造成疲劳失效等危险性故障类型的漏报。
1航空发动机设备技术故障测试工作的实施流程
在现有的技术发展背景之下，开展航空发动机设备故障测试技术工作应当遵循的基本流程如下：第一，要确定特定航空发动机设备的型号参数，并且在此基础上制定和执行针对航空发动机设备开展技术诊断工作的总体性实施方案。第二，要运用已经建构形成的总体性技术诊断工作方案开展针对航空发动机的运行故障技术事件的测试诊断技术活动环节，其具体实施方式主要包含维护要求分析技术方式和保障性分析技术方式两种方式，要依次基于对上述两种分析技术方式的运用，选择确定实际运用的测试技术方法和测试技术设备。要遵照航空发动机设备的FMECA分析技术方法，将航空发动机设备的运行技术故障数据信息展开分类处理。要借由将上述两类诊断分析技术活动过程中获取的结果与航空发动机设备的故障诊断方法分析实施充分结合，继而具体组织开展具备综合性特点的分析处理过程，最终确定航空发动机设备的故障诊断分析方法及测试技术流程。从总体性视角展开阐释，组织开展针对航空发动机设备的故障测试工作，应当重点关注不同型号设备之间的型号差异，严格遵照标准化的技术规程。
2振动在线监测原理
如今对于发动机转子部位的故障监测研究主要有两种方式，一种是通过人工方式产生激励振动信号来测量，另一种是对处于正常运行状态的部件直接进行振动信号的测量。之后研究处理振动监测装置测到的振动信号，将信号特征参数与标准参数进行比较，其中这个标准参数是之前通过大量统计或者是之前测量计算得出来的，最后依据两种参数间的数值关系，可以找出部件的故障问题。在航空发动机处于健康监测状态下，应该测量发动机运行时端部的振动参数，通过振幅的测量结果来决定发动机是否有长期运行下去的能力。假如发动机通过静态试验发现其端部振型确实存在严重问题，解决方法是在发动机端部加装实时监测振动的装置，以防止在运行期间由于发动机端部振动引发事故。原理是加装在发动机端部的振动监测装置能够实时测量出振动产生的幅值，假如实时测量出的振动幅值变化过大则应立即停止发动机并进行检修，这样做能够事先监测排查出事故隐患，防患于未然。
3航空发动机振动故障诊断技术
3.1基于信号分析的振动故障诊断技术
基于信号分析的振动故障诊断技术是利用信号的相关函数、高阶统计量、频谱和自回归滑动平均过程以及小波分析技术等特征，以数值计算方法对信号进行加工处理。
期刊文章分类查询,尽在期刊图书馆发动机在实际运行过程中振动故障模式所输出的振动信号具有典型的非平稳信号特征，采用如频谱分析、时频分析和小波分析等方法，通过振动信号的变化，反推出对应的故障模式，实现故障诊断。频谱分析是最常用的故障诊断方法，主要是对幅值较高的谱峰进行分析，并分析产生这些频率成分的可能因素，如特低频是喘振，整数倍频是叶片流道振动，分频是流体激振和摩擦等。对于一些较小的频率成分，特别是那些增长很快的分量，常常预示着故障的发展，应当足够重视。时域分析是描述振动信号的频谱随时间变化的方法，建立一种在时间和频率上同时表示信号能量或强度的分布谱图，通过谱图分析，提取信号中所包含的特征信号，包括了短时傅里叶变换(STFT)法、基于时域滑窗STFT法等。小波分析继承和发展了傅里叶分析思想，主要用于发动机振动引起的突变信号和非平稳信号的故障诊断，可较好地实现对信号全貌及其局部特征的双重分析。小波分析用于故障诊断的未来发展方向是采用小波分析与其它故障诊断技术复合，如小波神经网络故障诊断方法。
3.2基于知识的振动故障诊断技术
基于知识的诊断方法是以知识处理技术为基础，通过引入诊断对象的领域专家经验知识，实现辩证逻辑与数理逻辑的集成、符号处理与数值处理的同步、推理过程与算法过程的统一。基于知识的故障诊断方法主要包括专家系统故障诊断、神经网络故障诊断、基于支持向量机(SVM)的故障诊断和基于离散隐马尔科夫模型(DHMM)的故障诊断等方法。专家系统故障诊断是利用专家的领域知识和经验为故障诊断服务，但由于专家知识库不完备、专家知识难以规则化、自适应学习能力等方面存在局限性，目前专家系统通常与其它诊断方法相结合，以提高系统诊断能力。神经网络故障诊断是通过对故障实例及诊断经验的训练和学习，用分布在神经网络中的连接权值来表达所学习的故障诊断知识，实现故障与征兆之间的非线性映射关系结合，完成传统模式识别方法难以解决的多种不同状态下的故障模式诊断问题，而且噪声抑制力强、诊断准确。但是，由于存在忽视领域专家经验知识等问题，出现了采用神经网络与专家系统相结合、模糊数学与神经网络相结合或神经网络信息融合的诊断方法，可充分发挥神经网络独特的优势。
3.3振动故障诊断技术的未来发展
目前，基于信号分析和基于知识的振动故障诊断理论、技术和方法均得到了极大的发展，但每一种故障诊断理论和方法所具有的固有优缺点限制了故障诊断技术的发展，而且由于航空发动机内部各种零部件振动信号叠加在一起，且互相干扰，从而使单一的诊断方法无法准确有效的应用。因此，振动故障的复合诊断方法越来越受到重视，一方面，基于频谱分析、小波分析等信号处理技术来提升信号提取能力和状态识别的灵敏度，另一方面，充分利用遗传算法、神经网络等诊断技术实现振动故障征兆和故障件的非线性映射，及时发现故障隐患，对故障准确、快速定位和预测，从而实现诊断技术的优势互补。此外，随着人工智能的不断发展，基于群体智能技术的粒子群优化算法(PSO)通过种群中粒子间的合作与竞争产生的群体智能指导优化搜索，能够实现振动信号的搜索，而且其搜索过程可采用并行计算技术实现高的搜索效率，极大地提高信号识别的效率。
结束语
航空发动机是一种结构复杂的高速旋转机械，旋转机械不可避免的会出现振动，而发动机的整机振动主要是转子不平衡引起的周期振动和发动机流道内气体流动、燃烧等原因引起的随机振动的复合，由于装配精度以及装配过程中动平衡的情况与发动机实际工况的差异，实际的发动机转子总是会存在一定的残余不平衡量。发动机台架试车测量整机振动的目的是为了对发动机零部件加工、装配及转子动平衡的质量进行检验的一种手段。
参考文献
[1].航空发动机振动监测和分析系统研制成功[J].振动.测试与诊断,2015,35(06):1122.
[2]邓午立,王娟.航空发动机外场振动问题分析与研究[J].航空科学技术,2014,25(04):19-23.
[3]张俊红,马文朋,李林洁,刘昱.航空发动机故障诊断系统设计与实现[J].计算机工程与应用,2014,50(16):232-236.
论文作者:李运涛,杜俊,张校通
论文发表刊物:《基层建设》2019年第22期
论文发表时间:2019/11/7
标签：故障诊断论文; 技术论文; 信号论文; 故障论文; 航空发动机论文; 方法论文; 发动机论文; 《基层建设》2019年第22期论文;