将声发射技术应用于液膜密封端面状态监测时,声发射信号易受噪声影响、特征信号难以提取,为此提出一种基于奇异值分解和自适应变分模态分解(SVD-AVMD)的信号处理方法。该方法首先以奇异值分解消除信号中的随机强噪声影响,获取降噪信号,然后在不同模态数下对降噪信号作变分模态分解,并计算各模态分量与降噪信号之间的显著性水平,以显著性水平大于阈值作为分解的停止准则,最终达到获取最优模态分量的目的。结果表明:SVD-AVMD对各模态分量中心频率的捕捉能力以及对各模态分量的恢复效果均明显优于单纯的变分模态分解,能够滤除背景噪声的同时最大程度地保留有效信息;获得表征液膜密封端面状态的声发射信号,实现了对液膜密封端面状态的识别。

基于转子在临界转速下的涡动特性,分析转子涡动的轴心运动轨迹。由于动环圆心运动轨迹追随转子,故以动环圆心的圆形运动轨迹为研究点,建立动环偏心的液膜区域模型。采用有限差分法对广义雷诺方程进行离散,通过SOR迭代方法对离散方程进行求解,得到液膜密封端面压力分布,并探讨动环偏心距对液膜开启力、摩擦扭矩、泄漏量以及空化率等液膜密封性能参数的影响规律。结果表明:随着偏心距的增大,内径开槽的密封环槽区面积减少,导致动压效应降低,使密封端面压力呈现出不对称分布的结果;液膜开启力和摩擦扭矩由于密封环表面压力降低且分布不均匀都呈现出下降的趋势;泄漏量随偏心距的增加有下降的趋势,而空化率随着偏心距增加呈现出先上升后下降的规律。

针对液膜密封状态监测领域无损监测开发不足、信号特征评估困难以及摩擦状态判别智能化特性缺乏的问题,提出一种基于声发射时频分析与卷积神经网络的液膜密封摩擦状态识别方法。该方法将声发射无损监测技术应用于液膜密封的摩擦状态监测,卷积神经网络作为液膜密封摩擦状态自主决策的实现手段,声发射信号的时频信息作为卷积神经网络的特征输入,分析短时傅立叶变换、S变换以及小波变换3种时频分析方法对卷积神经网络识别性能的影响。结果表明:对于液膜密封的声发射信号,3种时频分析方法与卷积神经网络结合的优选顺序为:短时傅立叶变换、S变换、小波变换;基于声发射时频分析与卷积神经网络的液膜密封摩擦状态识别方法准确率较高,相比其他识别方法取得了较好的识别效果。