增强稀疏分解及其在叶片振动参数识别中的应用

叶端定时是发动机叶片监测有效手段,相比于传统的应变片测量方式,叶端定时不仅可以同时监测所有叶片的振动状态,而且不会对叶片本身的振动造成影响。但是叶端定时采样数据存在高度欠采样的特点,针对该问题,提出基于增强稀疏分解(Enhancing sparse decomposition,ESD)的叶片振动参数辨识技术。稀疏分解是一种在冗余字典中对信号进行分解,通过求解优化问题得到信号在冗余字典下最稀疏解的信号处理方法。增强稀疏分解相比于传统的基追踪算法,可以得到更为稀疏的解。在建立了增强稀疏优化模型后采用原对偶内点法对优化问题进行求解,从而实现信号特征参数的有效辨识。将提出的基于增强稀疏分解的叶片振动参数辨识技术应用于不同类型的仿真数据和转子叶片试验台参数辨识,并与传统的MUSIC算法和最小二乘拟合相对比,提出的算法可以有效避免频谱混叠和泄露现象,并滤除其他频率成分的干扰,得到更清晰的谱图。     

基于总体最小二乘准则旋转不变子空间法的叶尖定时欠采样信号分析

考虑到传统的应变法无法同时测量所有叶片的振动且存在一定的安全隐患,故利用叶尖定时技术对叶片振动进行监测。由于该方法得到的信号属于严重欠采样信号,且实际获得的信号存在噪声干扰,传统的傅里叶分析无法得到叶片的真实振动频率。研究基于总体最小二乘准则(TLS)的旋转不变子空间法(Esprit)对存在噪声干扰的欠采样信号进行频率估计,并以估计结果作为先验知识对欠采样信号进行重构。通过仿真信号分析及高速旋转叶片试验台验证方法的有效性。结果表明,所提方法可以有效地对含噪欠采样信号进行处理并估计出叶片的真实频率信息,具有很好的工程应用价值。     

基于熵变匹配追踪的叶端定时数据缺失识别方法研究

为解决叶端定时系统在实际应用中存在的数据缺失问题,提出基于熵变匹配追踪的叶端定时数据 缺失识别方法。该方法利用相关熵诱导度量基于高斯核函数度量样本的权重。不同于正交匹配追踪对所有观测 数据赋予相同权重,熵变匹配追踪基于相关熵诱导度量变化,对观测数据赋予不同范数类型的权重,使得其对 异常值具有较好的鲁棒性。通过仿真分析与实验对该方法的性能进行验证,结果显示所采用的熵变权重因子为 数据缺失位置分配了接近于零的权重,有效降低了数据缺失对特征提取结果的影响,证明了该方法的鲁棒性。基 于熵变匹配追踪的叶端定时数据缺失识别方法为叶端定时系统的装机应用提供了理论支撑,具有技术借鉴价值。