航空发动机转子振动信号的分离测试技术

（１）转子不平衡引起的振动特征：转子不平衡 振动的时域波形近似于正弦波，振动能量集中于基 频，对转速变化较为敏感。
（２）转子不对中的振动特征：发动机转子由压 气机和涡轮两个部件组成，通过内外套齿相连接。对 双转子发动机而言，高压转子和低压转子两个同心 轴系中间靠中介轴承支承，受加工和装配精度的影 响，常形成轴承和轴系不对中。不对中振动信号的特 征是频谱中转子的二倍频、四倍频突出。
本文在传统振动信号处理方法的基础上，应用 盲源分离技术对某型涡扇发动机的振动数据进行了 处理，以提高转子振动故障诊断的准确性。
１发动机常见振动故障的特征
承力机匣、压气机静子、涡轮静子和其他机匣构 成了发动机的主框架。高压压气机、高压涡轮通过一 根长轴联为一体，形成高压转子。低压转子的结构与 此类似。高压转子和低压转子通过承力机恒的轴承 座安装在发动机中，低压转轴穿过高压转轴将低压 压气机和低压涡轮相连。高压轴中还有中介轴承。发 动机通过主安装节和辅助安装节安装在飞机上或地 面试车台上，各种附件安装在发动机机匣上。振动信
４
振动、测试与诊断
第２９卷
号中分离出３个激励源，其信号频谱图如图３所示。 分离信号１的谱低压转子基频＾突出，应为低压转 子不平衡引起的振动；分离信号２的谱高压转子基 频＾突出，应为高压转子不平衡引起的振动；分离 信号３的谱低压转子基频＾，２倍频２＾，３倍频３＾，４ 倍频４ｆ，，５倍频５ｆ，，６倍频６Ａ，９倍频９ｆ，，１０倍频 １０＾，１１倍频１ｌ＾，１２倍频１２厂Ｉ突出，判断为低压转 子与静子碰磨引起的振动。但在谱图中并没有发现 基频的分频成分，应为转子碰磨初期故障。可以看 出，盲源分离较好地分离出了仅用频谱分析难以发 现的故障特征。
学习算法，它属于无监督的学习，其基本思想是抽取 统计独立的特征作为输入的表示而又不丢失信息。
独立分量分析是盲源分离的主要方法，它基于实际
源信号ｓ（ｆ）各分量相互独立这一特性，目的就是确
定线性变换矩阵ｗ，使得变换后的输出分量Ｙ（ｆ）尽
可能统计独立。
目前，盲源分离技术应用最广泛的方法是特征
矩阵的联合近似对角化法和快速固定点算法［６］。联
（ａ）而（ｆ）
７ ０．５
篓郴０ ０
５００ ｌ ０００ ｌ ５００ ２０００ ２５００ ３ ０００ ３００ ４０００ ４５∞ 采样点数 （”《ｆ）
竺５
ｊ粤０
孥一５ ０
５００ Ｊ ０００ １ ５００ ２０００ ２５００ ３０００ ３００ ４０００４５００ 采样点数
（ｃ）《Ｏ
曲２ 趔０ 馨一２
０
竺２
５００ １ ０００ １ ５００ ２０００ ２５００ ３ ０００ ３ ００ ４＂０００ ４ ５００
（４）叶片振动故障特征：这种振动是由较长叶 片如风扇或前一、二级压气机叶片引起的。对于涡轮 风扇发动机，风扇叶片产生振动的另一个重要原因 是因气流流动所诱发的一种涉及气动弹性力学领域 中讨论的振动现象——颤振，已定型投产的涡轮风 扇发动机在地面试车台上进行的生产性试车很少发 生颤振现象。
（５）轴承振动故障特征：轴承故障与滚动体接 触所激发的振动基频紧密相关，特征频率将成为诊 断轴承故障的重要依据。
等于１９９９年提出的，它是一种快速且稳定的独立分 量分析算法【８］，其目标函数为
ＪＧ（＇．，）＝［Ｅ｛Ｇ（ｗ１工）｝一Ｅ｛Ｇ（＇，））］２ （３）
其中：，，为一零均值和单位方差的高斯随机向量；Ｗ
为权向量；Ｇ为一任意非二次性函数，可取不同的函 数。
式（３）寻优求解的基本迭代公式为
三
Ｗｐ＋ｌ ２ Ｗ／，＋Ｉ一∑ｗｐＴ＋１ｗＪ＇．，』
第２９卷第１期 ２００９年３月
振动、测试与诊断
Ｊｏｕｒｎａｌ ｏｆ Ｖｉｂｒａｔｉｏｎ．Ｍｅａｓｕｒｅｍｅｎｔ＆Ｄｉａｇｎｏｓｉｓ
Ｖ０１．２９ Ｎｏ．１ Ｍａｒ．２００９
航空发动机转子振动信号的分离测试技术。
马建仓 石庆斌 程存虎 赵述元
（西北工业大学电子信息学院西安，７１００７２）
摘要在传统谱分析方法的基础上，尝试应用盲源分离技术对飞机发动机振动信号进行振源分离。首先，介绍了发 动机振动信号的基本处理方法和常见的发动机故障类型及特征，引入了盲源分离理论并讨论了其在航空发动机振 动信号处理中应用的可行性。然后。对某型涡扇发动机振动过大的现象进行了故障诊断分析。最后，应用ＦａｓｔｌＣＡ 和ＪＡＤＥ算法对检测的振动信号进行分析。分离出了发动机的振源信号。这说明发动机振动信号分析采用盲源分离 与谱分析相结合的技术可以有效分离振源信号，提高故障诊断的准确性。
（３）转子碰摩故障特征：碰摩故障初期只发生 在圆周的局部，振动带有明显的非线性，会激发出高 阶的谐波分量∥（咒＝１，２，３，…）。当动静碰摩严重时 摩擦扩展到整个圆周，对转子起到多余的附加支承 作用，从而高频振动逐步减少，而碰摩状态下的基频 将被突出，引发各分频∥（咒＝１／２，１／３，１／４，…）等成 分振动。转子与机匣的碰摩是航空发动机中常见的
（６）其他故障：如齿轮传动故障、支座连接松动 和局部共振等。
２盲源分离与振源信号分离
２．１盲源分离的基本原理和方法［４．ｓ］
盲源分离技术是目前信号处理发展的重要学科
之一，它有可靠的理论基础，在许多方面有应用潜 力。在生物医学工程、医学成像、语音增强、遥感、通
信系统、地震探测、地球物理学、计量经济学和数据
采样点数 （ｄ）“ｆ）
嚣一０： ０
５００ ｌ ０００ ｌ ５００ ２０００ ２５００ ３ ０００ ３ ００ ４０００ ４ ５００ 采样点数
（ｃ）《ｆ）
图ｌ预处理后信号波形图
万方数据
Ｏｏ
＼趟襁密诗蠢 一．．ｚＨ．ｚ暑）
筘嚣。００Ｌｉ上医—＝正》茼二如五一］
嚣。耻音—护靠一
＼
瑙
糨
整
瓣
Ｊ
雷
＼
簧§ｏ．０４
为了对预处理后的振动信号进行盲源分离，依 据频谱图可以判断有两个激振源：高、低压转子的不 平衡故障。假设振动信号激励源为３个，找出除高、 低压转子不平衡故障的其他振动激励源，用快速固 定点算法和联合近似对角化法分别进行分离，可以 相互验证算法的有效性。两种算法分离效果相近，说 明分离结果比较准确，可信度高。从预处理后振动信
关键词 航空发动机盲源分离 谱分析故障诊断 机械振动 中图分类号ＴＮ９１１．７
引言
航空涡扇发动机是一种高温、高负荷的动力机 械，其运行中的振动问题十分突出。振动故障分析是 飞机状态监测及故障诊断中的一项重要任务。由于 发动机结构复杂，检测的振动信号往往由若干个信 号混叠在一起，亦有噪声和干扰。传统的振动信号处 理方法抗扰去噪效果并不理想，给信号特征识别和 故障诊断带来了困难［１吨］。盲源分离技术由于自身独 特的盲处理优势，可以有效去除外来干扰并分离出 故障激励源信号，有助于提高诊断的准确性。
立源信号；Ｘ（￡）＝Ｅｘｌ（ｆ），ｚ２（￡），…，ｚ。（ｆ）］Ｔ为用ｍ
个传感器测得的观测信号；ｎ（￡）为噪声信号向量；Ａ
为特性未知的Ｍ×Ｎ阶混合矩阵，且Ｍ＞Ⅳ。 盲源分离就是从工（ｆ）出发，构造一个分离矩阵

ｗ。获得对未知源信号ｌ（￡）的估计
ｙ（ｆ）＝Ｗｘ（ｔ）
（２）
盲源分离的核心问题是分离（或解混合）矩阵的
联合近似对角化法及快速固定点算法理论基础
截然不同，达到的效果却是一样的，收敛速度和稳健
性也相近。二者都是盲源分离领域比较成熟的算法，
具有很好的代表性［５］。因此，本文在处理发动机信号
时采用这两种方法。
２．２振动信号的盲源分离处理
发动机运行时传感器测得的振动信号为高压转 子、低压转子和传动系统等不同激振源所激起的振 动混叠，同时还包含了测量噪声。由于引起发动机振 动的激振力是各式各样的，其大小不同、频率迥异， 且发动机中某些结构为非线性，使得发动机的振动 频带很宽、形式复杂。如何正确处理采集的振动信 号、提取出故障相关的振动特征量是一个很关键的 问题，而传统的振动信号处理方法抗扰去噪效果并 不理想。
合近似对角化法由法国学者Ｃａｒｄｏｓｏ于１９９９年提
出，他以Ｃｏｍｏｎ的成对数据旋转方法为基础，加强
了算法的代数概念，引入了多变量数据的四维累计
量矩阵，并对其作特征分解。算法先要对观测向量
ｘ（ｆ）进行白化，通过寻优步骤求ｗ，以使白化后矩阵
的四维累计量矩阵对角化。该方法具有很强的稳健
性Ｅ¨。快速固定点算法是芬兰学者Ａａｐｏ Ｈｙｖａｒｉｎｅｎ
·国家自然科学基金资助项目（编号：６０６７２１８４）。 收稿日期：２００７—１０—２２；修改稿收到日期：２００７—１２—２９。
万方数据
２
振动、测试与诊断
第２９卷
故障之一，双转子发动机内外转子的碰摩比较少见。 转子碰摩会引起整机振动过大，能使机匣发生较大 的变形，或使发动机转子叶片产生裂纹甚至断裂。
斑＿
篓马 ｏ ０
ｌ五 ．兰．Ｌ．．＾一．。ｌ羔．。▲＾．．Ｌ．．．．
１．Ｌ▲．＾．
１ ０００
ｌ ５００
２ ０００
ｆ／ｌ－ｌｚ
（ｄ）“Ｏ
５００
１ ０００
ｌ ５００
ｆ／ｌ－ｌｚ （ｃ）瓤ｒ）
图２振动信号频谱图
２ ０００
由图２可以看出频率成分比较多，高压转子基 频厂ｈ和低压转子基频＾比较突出，由此可以初步判 断发动机振动过大的主要原因是转子不平衡。频谱 中其他频率是各种调制及固有振荡综合产生的，仅 仅靠频谱图难以判断是什么振动原因，需要进一步 处理。
Ｏ 薹｜２
３某型涡扇发动机转子振动故障诊断
某型涡扇发动机表现为振动超标。其动态振动数
据由５个加速度传感器以＾采样检测得到的。这５种
信号分别为：右发风扇进气机匣垂直振动信号ｚ。（ｆ）、
右发中介机匣垂直振动信号ｚ。（ｆ）、右发中介机匣水
平振动信号ｚｓ（￡）、右发后机匣框架外垂直振动信号
ｚｔ（ｆ）和右发后机匣框架外水平振动信号ｚ。（￡）。
通常，飞机发动机中的各个激励源不能直接被 观测，测得的信号中难免会有其他成分，而且各种源 信号到传感器之间的传输特征很难建立其数学模 型，也就是说发动机的测量信号具有盲特性，盲信号
万方数据
第１期
马建仓等：航空发动机转子振动信号的分离测试技术
３
分离方法就成为一种可能的选择。盲源分离针对源 信号不能被观测、源信号如何混合是未知的源信号 求解问题，这与飞机发动机振动信号的检测模型吻 合。盲源分离在不知道传输信号特征Ａ和真实源信 号ｓＣｔ）的情况下，可以从传感器采集的观测信号工（￡） 中分离或估计出各个激励源信号，然后根据估计的 源信号来进行状态监测或故障诊断，这样就能降低 诊断的难度和复杂度，提高诊断的准确性。
２ ０００ Ｈｚ以下频率含有有用信息，转子基频的各阶 倍频比较明显，所以预处理低通滤波截止频率设为 ２ ０００ Ｈｚ。为了更准确地分析信号的统计特性，对数 据进行了零均值和去跳点处理，消除了数据中缓慢 变化的、周期大于记录长度的线性趋势项成分。对这 ５种信号做频谱分析，频率分辨率为０．３ Ｈｚ。频谱图 如图２所示。
挖掘等领域发展迅速。盲源分离技术原则上不利用
任何训练数据，也没有关于卷积、滤波和混合系数等
先验知识。简而言之，盲信号分离就是根据观测到的
混合数据向量寻找一个变换矩阵，以恢复原始信号 或源信号。
检测信号工（ｆ）可用下面的混合方程描述
Ｘ（￡）＝Ａｓ（￡）＋ｎ（￡）
（１）
其中：ｓ（￡）＝［－ｓ。（ｆ），ｓ２（ｆ），…，晶（￡）］Ｔ为，ｚ个统计独
（４）
』＝１
，。＿。。●●。。。＿＿＿－－＿＿－－＿＿－。－＿＿－一
Ｗ卢＋ｌ＝Ｗ户＋１／√ｗＴ户＋１Ｃｗｐ＋１
（５）
其中：Ｃ＿－－｛ＸＸＴ｝为观测数据的协方差矩阵，式（４）、
式（５）两式迭代运算直到ｗ什，收敛。
进行分离前需要对信号进行白化预处理口］。固
定点算法又称为快速ＩＣＡ算法，是目前盲源分离技
术应用最广泛的方法。
号由安装在发动机机匣上的振动传感器采集获得。 发动机的故障诊断就是根据振动信号的分析并结合 发动机故障的基本机理进行故障类型判断，找出故 障源。
航空发动机整机振动问题虽然非常复杂，引起 振动的原因多种多样，但也是有迹可寻的。在研究发 动机振动时，常按结构激振源来进行分类，即分成主 转子振动、叶片振动和轴承振动等，并考查基频及各 次谐波的幅值和能量，以便于查找振源，排除故障。 双转子涡扇飞机发动机的常见故障及特征如下【３】：
因采样速率大，时间长，发动机的信号数据量很
大，这些数据包含发动机运行从启动、慢车、快车、降
速到停止等多个过渡状态和稳定状态。为分析方便，
本文截取其稳定状态的４ ５００个数据点进行分析。预
处理后信号波形如图１所示。在初步分析中发现在
铀１
趔０ 馨一１
０
５００ １ Ｏｏｏ ｌ ５００ ２０００ ２５００ ３ ０００ ３ ００ ４０００ ４ ５００ 采样点数