民航发动机振动信号分析与故障诊断技术研究

一、引言

民航发动机作为现代航空器的核心动力装置，其运行安全性和可靠性直接关系到飞行安全和航空运输的稳定性。随着航空技术的不断发展，发动机结构日益复杂，运行环境更加严苛，发动机在高速、高温、高压等极端工况下工作，导致其内部零部件易产生各种机械故障，尤其是振动异常成为故障诊断的重要信号来源。振动信号作为反映发动机运行状态的关键物理量，蕴含着丰富的故障信息，如何准确采集、有效分析并实现故障的早期诊断，成为保障民航发动机安全运行的核心技术难题之一。

二、民航发动机振动信号的特性分析

（一）振动信号的来源与分类

在民航发动机振动信号的特性分析中，振动信号的来源主要包括发动机的转子、轴承和齿轮等关键部件。不同部件的振动产生机制和信号特征各具特点，是故障诊断的重要依据。

首先，发动机转子作为动力传递的核心部件，其振动主要源于转子不平衡、轴向和径向载荷变化以及转子与轴承间的相互作用。转子振动信号通常表现为基频及其倍频成分，且在临界转速附近会出现共振峰，振动幅值显著增加。其次，轴承作为转子的重要支撑部件，其振动信号来源于内圈、外圈、滚动体及保持架的相对运动。健康轴承的振动响应主要包含与轴速同步的周期性信号和随机噪声，而当轴承出现局部损伤（如疲劳裂纹、剥落等）时，会产生冲击激励，导致振动信号中出现特定的故障特征频率，这些频率与轴转速成比例。最后，齿轮作为动力传递链中的关键传动部件，其振动信号主要由齿轮啮合过程中的周期性冲击和摩擦引起。齿轮振动信号中包含啮合频率及其倍频成分，齿轮故障如齿面磨损、断齿等会导致振动信号中出现额外的冲击成分和侧频带，表现为频谱中啮合频率附近的异常峰值。

（二）振动信号的时域、频域及时频域特性

时域特性主要表现为振动信号的幅值随时间的变化。 通过时域波形可以观察振动的瞬时幅值、冲击脉冲及周期性变化，反映转子不平衡、轴承冲击等故障的瞬时 性则通过傅里叶变换（FFT）将时域信号转换为频率成分，得到振动信号的幅值谱。幅值谱显示各频率成分的能量分布，是识别发动机转子基频、齿轮啮合频率及轴承特征频率的重要手段。

时频域特性结合了时域和频域的优势，利用短时傅里叶变换（STFT）、小波变换等方法，获得振动信号的时频分布图，揭示频率成分随时间的变化规律。

三、振动信号的采集与预处理技术

（一）传感器布置与数据采集系统设计

1.测点选择与多维布置

我们将根据航空发动机结构特性，把传感器通常布置于进气机匣垂直/水平方向、中介机匣垂直/水平方向、涡轮机匣垂直/水平方向共 6 个测点，以覆盖转子-机匣系统的多维振动特征 。同时，传感器选址需满足机匣传力响应敏感度、响应相似度及安装条件三大函数，确保测点对故障敏感且符合物理约束。

2.同步整周期采集与抗混叠设计

我们需针对变转速工况，采用同步整周期采集技术，确保采样频率与转速同步，避免频谱泄漏 。而数据采集系统则需包含信号适调模块（调整信号量程以适应 A/D 转换器）和抗混叠低通滤波器（滤除高于奈奎斯特频率的成分）。在量化精度通常为12 位以上A/D 转换器，部分系统采用16 位以提升分辨率。

(二)数据预处理方法

1.处理去噪与异常值

在数据处理方面，首先基于3σ 原则排除异常值：计算信号均值（μ）和标准差（σ），剔除超出[μ-3σ, μ+3σ]范围的数据点 。然后采用滑动平均值法或中值滤波抑制随机噪声。

2. 去除滤波与趋势项

在低通滤波方面需要滤除高频干扰，保留转子基频及谐波成分 。在高通滤波方面，需要消除基线漂移 。而在积分处理方面。则需要将加速度信号转换为速度/位移信号，适用于壳体振动分析（注：不可直接用于转子相对振动比较）。

四、信号增强与特征提取的预处理策略

（一）数学形态学滤波

数学形态学滤波基于集合论与几何变换，通过设计结构元素对信号进行腐蚀和膨胀操作，结合开运算与闭运算提取冲击型故障的脉冲特征。开运算可消除信号中的窄脉冲噪声，保留宽脉冲冲击；闭运算则填补信号凹陷，平滑背景噪声。在航空发动机轴承故障诊断中，采用扁平结构元素（宽度与故障冲击周期匹配）进行开-闭组合滤波，能有效抑制高斯噪声与非周期性强干扰，增强故障冲击的信噪比。

（二）冲击成分增强技术

最小熵解卷积（MED）通过设计逆滤波器最大化输出信号的峭度（反映冲击周期性），

传统MED 易受非周期强干扰影响，导致输出为孤立冲击而非故障周期序列。增强 MED 引入无偏自相关变换优化滤波器迭代过程，抑制高斯噪声与随机冲击。有关实验表明，该方法在航空发动机主轴承故障诊断中，成功提取外圈故障的周期冲击序列，而传统MED 仅能恢复单个主导冲击。矢量滤波针对瞬态过程，采用自适应窄带通滤波跟踪瞬时频率。通过转速信号构建角域重采样序列，在阶次域设计带宽 0.5 倍频的滤波器，提升变转速工况下的瞬时频率分辨率。

（三）协同诊断方法

该方法首先通过离散随机分离解耦合，从被测信号中分离出齿轮信号和轴承信号；然后，通过最小熵解卷积对分离后的信号进行逆滤波处理，得到 强的故障信号；之后分别对齿轮和轴承信号使用变分模态分解，选择齿轮和轴承故障信号的最优频带， 后通过包络谱特征来实现发动机附件机匣振动信号的故障诊断，并通过仿真信号，公开数据集和真实试验数据进行验证（如图1）。

图1：协同诊断方法流程图五、振动信号分析方法研究（一）传统频谱分析方法1.傅里叶变换与幅值谱分析

该方法的基本原理就是通过傅里叶变换将时域振动信号转换为频域幅值谱，揭示信号的频率成分及能量分布。在转子不对中故障中，该故障表现为频谱中转频的二倍频（2×）或三倍频（3×）幅值异常突出。因不对中力产生周期性二次谐波，幅值谱中该频率峰值超过基频幅值的 30%即可作为诊断依据。而在齿轮磨损或偏载故障中，该故障下频谱则呈现密集边频带，主频两侧对称分布间距为轴转频的边带簇。该分析方法仅适用于平稳信号，对非平稳瞬态冲击，如轴承剥落则敏感度低。

2.倒频谱分析技术

该方法主要针对复杂频谱中的周期结构，通过功率谱的二次谱分析分离边带信号，提升故障特征辨识精度。在齿轮箱复合故障分离的情况下， 合频 制时，功率谱呈现复杂边带。倒频谱将其转换为对应轴转频的倒频率峰，直接定位故 系。 路径干扰的情况下，振动信号经轴承、壳体等多路径传递后产生传递函数卷积。倒频谱的对数运算将卷积转换为加法，消除路径影响，保留源故障特征。

（二）盲源分离技术

1.独立成分分析（ICA）

该分析方法主要是从混叠振动信号中分离独立振源（如高压/低压转子振动），解决发动机多源信号干扰问题。而FastICA 算法则是通过负熵最大化迭代求解解混矩阵，高效恢复源信号波形。

ICA 可以通过统计独立性假设和非高斯性优化，为发动机多源振动分离提供了理论基础；FastICA 算法以负熵最大化为目标，通过高效迭代实现振源波形恢复，解决了传统方法难以处理的混叠干扰问题，为精准故障诊断提供关键技术支撑。

2.改进算法并融合应用

该方法的原理即为通过数学形态学进行预滤波，采用开-闭/闭-开组合滤波器保留信号形状，滤除噪声后再进行ICA 分离，提升高压/低压转子振动特征提取精度 。在航空发动机机匣拾取的振动信号常含高频噪声与脉冲干扰，传统滤波易破坏信号波形特征。数学形态学滤波通过开-闭（OC）和闭-开（CO）组合运算，利用结构元素对信号进行腐蚀、膨胀操作：

OC 滤波器：先腐蚀后膨胀，抑制正向脉冲噪，CO 滤波器：先膨胀后腐蚀，抑制负向脉冲噪声。组合形式（OC+CO 或CO+OC）在保留转子振动信号波形陡变特征的同时，滤除背景噪声。

总结

本文经研究，发动机振动信号作为反映发动机运行状态的重要物理量，包含了转子、轴承、齿轮等关键部件的故障信息。研究普遍采用时域、频域及时频域分析技术，结合有限元建模和模态分析，深入揭示发动机整体及局部结构的振动特性和动力学行为。而盲源分离技术通过多算法协同，解决了发动机多源振动干扰、非平稳信号解析等难题，推动故障诊断从“经验阈值”向“物理振源精准定位”跨越。未来需进一步结合深度学习优化实时性，并拓展至复合故障诊断场景。