航空发动机主轴承使用寿命预测技术研究

论文摘要

准确预测主轴承的使用寿命将会对改善航空发动机的可靠性、适用性和安全性起到关键作用。本文针对航空发动机主轴承的工况、使用特点,开创性的采用“状态寿命”（即状态良好、初步损伤、故障发展和即将失效4个寿命阶段）描述主轴承的使用寿命,并建立了基于飞行参数记录数据,确定主轴承状态寿命的模型。该模型由理论计算模型和状态寿命评估模型两部分组成。建立了滚动轴承状态寿命的理论计算模型。针对航空发动机主轴承受载复杂的特点,采用拟动力学方法计算滚动轴承的载荷分布,结合额定动载荷理论修正L-P寿命模型,建立任意载荷下主轴承的寿命计算模型,并研究了不同结构参数和载荷参数对轴承寿命的影响规律;在主轴承的寿命仿真计算、主轴承载荷分析的基础上,结合对飞行参数记录数据典型变化特征的统计分析,以转速和过载为基准,确定主轴承的典型工况和载荷谱,建立主轴承的载荷提取模型。这样根据飞行参数记录数据即可计算主轴承的累积寿命消耗,基于可靠度给出主轴承状态寿命的理论计算值,用以描述主轴承“状态”的统计规律。为了提高理论预测的确定性,建立了以状态监视为依据的滚动轴承状态寿命评估模型,基于振动分析智能评估主轴承个体状态寿命的“经验值”。状态寿命评估模型建模的关键:一是构造状态寿命特征向量;二是状态寿命的辨识算法。结合滚动轴承的全寿命试验,综合考虑诊断能力和灵敏度,提出了基于时域统计量和小波包重构信号的频带能量分布两种构造状态寿命特征向量的方案。由于滚动轴承损伤传播过程的高度非线性、失效模式的多样性和损伤机理的不确定性,本文采用BP神经网络和支持向量机作为状态寿命评估的算法。研究表明,基于贝叶斯正则化方法的BP网络模型的可信性良好;与改进的BP神经网络相比,支持向量机具有鲁棒性、模型训练具有稳定性以及参数优化选择方法具有可移植性等明显的优势,是一种适合工程应用的算法;特征向量的选择显著影响状态寿命评估模型的性能,以小波包频带能量特征向量为输入的评估模型,其收敛速度、准确性均明显优于基于统计量特征向量的模型。最后,基于模糊逻辑推理建立滚动轴承的状态寿命模型,该模型融合状态寿命的理论计算模型和评估模型,确定滚动轴承的状态寿命。设计并建立了滚动轴承多功能试验系统,开展了滚动轴承的全寿命试验,试验验证了本文方法的有效性和可行性。本文的研究为进行航空发动机主轴承使用寿命的预兆和管理提供了一种全面、可靠而独特的方法。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 背景意义和研究目的
• 1.2 相关研究文献综述
• 1.2.1 统计学寿命模型
• 1.2.2 基于断裂力学方法的寿命模型
• 1.2.3 “经验”寿命模型
• 1.2.4 滚动轴承加速寿命试验
• 1.3 本文主要研究内容
• 1.3.1 研究思路及论文概况
• 1.3.2 论文创新点
• 第二章 滚动轴承载荷分布计算模型
• 2.1 基于静力学法的载荷分布计算
• 2.1.1 计算模型
• 2.1.2 计算结果与讨论
• 2.2 基于拟动力学法的载荷分布计算
• 2.2.1 计算模型
• 2.2.2 计算结果与讨论
• 2.3 基于有限元法的载荷分布计算
• 2.3.1 有限元模型
• 2.3.2 计算结果与讨论
• 2.4 本章小结
• 第三章 滚动轴承状态寿命的理论计算模型
• 3.1 状态寿命理论计算模型概述
• 3.1.1 状态寿命的理论计算值
• 3.1.2 使用寿命消耗计算
• 3.2 任意载荷下轴承的寿命计算模型
• 3.2.1 修正L-P寿命计算模型
• 3.2.2 寿命影响因素分析与讨论
• 3.3 主轴承载荷提取模型
• 3.3.1 主轴承的载荷分析
• 3.3.2 主轴承的工况
• 3.3.3 主轴承的载荷谱
• 3.4 状态寿命的理论计算
• 3.5 本章小结
• 第四章 振动信号特征提取与试验研究
• 4.1 试验装置
• 4.2 滚动轴承振动分析基础
• 4.2.1 特征频率
• 4.2.2 固有频率
• 4.2.3 滚动轴承的频谱结构
• 4.3 振动信号特征提取的试验研究
• 4.3.1 特征提取试验设计
• 4.3.2 统计参数分析
• 4.3.3 快速傅立叶变换
• 4.3.4 共振解调法
• 4.3.5 小波包能量法
• 4.4 滚动轴承全寿命试验
• 4.4.1 全寿命试验设计
• 4.4.2 1#试验轴承数据后处理
• 4.4.3 2#试验轴承数据后处理
• 4.4.4 全寿命试验结果分析与讨论
• 4.5 本章小结
• 第五章 基于BP神经网络的状态寿命评估模型
• 5.1 状态寿命评估模型概述
• 5.1.1 状态寿命的评估值
• 5.1.2 状态寿命评估模型
• 5.2 BP网络的原理
• 5.2.1 BP网络的数学模型
• 5.2.2 基于梯度的学习算法
• 5.3 BP网络的改进应用方法
• 5.3.1 BP算法的缺点与困难
• 5.3.2 BP算法的改进
• 5.4 基于BP网络的状态寿命评估模型
• 5.4.1 数据样本的构造
• 5.4.2 输入和输出样本的处理
• 5.4.3 误差评价指标
• 5.4.4 算法设计
• 5.4.5 基于统计量特征向量的BP网络模型训练及推广能力检验
• 5.4.6 基于小波包频带能量特征向量的BP网络模型训练及推广能力检验
• 5.5 结果分析与讨论
• 5.6 BP神经网络评估模型的应用
• 5.6.1 推广性能检验
• 5.6.2 适应性检验
• 5.7 本章小结
• 第六章 基于支持向量机的状态寿命评估模型
• 6.1 统计学习理论
• 6.1.1 机器学习
• 6.1.2 经验风险最小化原则
• 6.1.3 VC维与“推广性的界”
• 6.1.4 结构风险最小化原则
• 6.2 回归支持向量机原理及算法
• 6.2.1 线性回归及损失函数
• 6.2.2 ε不敏感损失函数回归
• 6.2.3 非线性回归支持向量机原理
• 6.2.4 支持向量机的训练算法
• 6.3 支持向量机参数的优化选择方法
• 6.4 基于支持向量机的状态寿命评估模型
• 6.4.1 建模的方法与步骤
• 6.4.2 基于统计量特征向量的SVM模型训练及推广能力检验
• 6.4.3 基于小波包频带能量特征向量的SVM模型训练及推广能力检验
• 6.4.4 结果分析与讨论
• 6.5 SVM模型的应用
• 6.5.1 推广性能检验
• 6.5.2 适应性检验
• 6.6 支持向量机与BP神经网络方法的对比分析
• 6.7 本章小结
• 第七章 滚动轴承状态寿命模型及其应用
• 7.1 模糊逻辑的理论基础
• 7.1.1 模糊逻辑理论概述
• 7.1.2 模糊逻辑的数学基础
• 7.1.3 模糊逻辑推理系统
• 7.2 基于模糊逻辑推理的信息融合
• 7.3 基于模糊推理的滚动轴承状态寿命模型
• 7.3.1 设计模糊推理规则
• 7.3.2 输入量与输出量的模糊化
• 7.3.3 推理引擎设计
• 7.4 滚动轴承状态寿命模型的应用
• 7.5 本章小结
• 结论与展望
• 参考文献
• 附录1 轴承参数表
• 附录2 试验轴承失效特征图
• 攻读博士学位期间取得的研究成果
• 致谢
• 作者简介