无人船被广泛应用在水面和水下环境监测、海上作战、对敌侦察等领域,随着无人船技术的发展,对无人船的航行稳定性、降噪性以及续航能力等都提出了更高的要求[1]。发动机是无人船的核心部件,无人船发动机前端附件驱动系统的振动可能会导致发动机的输出失稳,导致无人船的航行稳定性和续航能力降低,需要构建优化的无人船发动机前端附件驱动系统横向振动性能分析模型,结合对发动机的系统结构分析和振动信号分析方法,提高振动监测能力,从而提高无人船发动机的输出稳定性[2]。
对无人船发动机前端附件驱动系统横向振动性能分析建立在对振动信号特征分析基础上,结合对振动负荷加载特征分析,实现对无人船发动机的动态特征参数分析,提高输出稳定性。当前对力学性能和结构性能参数分析是通过结构部件特征分析以及振动强度和刚度分析,实现对无人船发动机前端附件驱动系统横向减振控制,但传统方法在进行无人船发动机前端附件驱动振动特征性分析的刚度解耦和阻尼振荡抑制能力不好。
针对上述问题,本文提出基于动力学和结构可靠性分析的驱动系统横向振动分析模型,并分析其性能。
1 信号模型和特征分析 1.1 前端附件驱动系统横向振动信号模型为了实现无人船发动机前端附件驱动系统横向振动性能动态监测分析,结合振动信号特征分析方法,通过分析横向振动和纵向振动的动态特性,提出基于多策略动态计算和自适应滑模控制的方法[3]。建立无人船发动机前端附件驱动控制的滑模减振模型,实现对系统横向振动控制模型设计。结合模型参数和运动学参数分析,采用特征量提取传感信息融合的方法,建立无人船发动机前端附件驱动系统横向动力学参数分析模型。通过重力势能和锚线系统的机构模型分析,进行振动信号检测,得到无人船发动机前端附件驱动系统横向振动性能分析的总体结构如图1所示。
根据图1的总体结构模型,在机舱中安装主动作动器,采用动态振动特征分析方法,实现对无人船发动机前端附件驱动系统横向振动的运动空间进行联合规划识别[4],构建无人船发动机前端附件驱动系统横向振动的空间坐标系为
无人船发动机前端附件驱动系统横向振动的双轮质心为坐标系原点
$ \left\{ {\begin{aligned} & {{J_s}({{\ddot \theta }_s} + {{\ddot \theta }_c}) = {T_s} + \sum\limits_{n = 1} {{F_{Eyn}}{r_s}} },\\ & {{J_r}({{\ddot \theta }_r} + {{\ddot \theta }_c}) = \sum\limits_{n = 1} {{F_{lyn}}{r_r} - {k_{\theta r}}\left( {{\theta _r} + {\theta _c}} \right)} },\\ & {({J_c} + N{m_p}r_c^2){{\ddot \theta }_r} = {T_c} - \sum\limits_{n = 1} {({F_{lyn}}\cos {\alpha _s} + {F_{lyn}}\cos {\alpha _r}){r_c}} },\\ & {{J_{pn}}{{\ddot \theta }_{pn}} = {F_{Eyn}}{r_{pn}} - {F_{lyn}}{r_{pn}}}。\end{aligned}} \right. $ | (1) |
式中:
由此建立无人船发动机前端附件驱动系统横向振动参数传感特征分析模型,采用频带的敏感特性特征分析,进行轴箱垂向减振控制和振动特性监测。
2 振动性能动态监测 2.1 驱动系统横向振动信号幅频特征分析对发动机前段的轴箱垂向减振器、二系垂向减振器进行联合特征分析,对减振器的速度和加速度进行惯性特征分析和信号幅频特征检测[5],得到幅频检测方程为:
$ A = \left[ {\begin{array}{*{20}{c}} {{f_{{x_1}}}}&{{f_{{x_2}}}} \\ {{g_{{x_1}}}}&{{g_{{x_2}}}} \end{array}} \right] = \left[ {\begin{array}{*{20}{c}} {{r_1}(1 - \displaystyle\frac{{2{x_1}}}{{{N_1}}} - \displaystyle\frac{{{\sigma _1}{x_2}}}{{{N_2}}})}&{ - \displaystyle\frac{{{r_1}{\sigma _1}{x_1}}}{{{N_2}}}} \\ { - \displaystyle\frac{{{r_2}{\sigma _2}{x_2}}}{{{N_1}}}}&{{r_2}(1 - \displaystyle\frac{{{\sigma _2}{x_1}}}{{{N_1}}} - \displaystyle\frac{{2{x_2}}}{{{N_2}}})} \end{array}} \right] 。$ | (2) |
式中:x1和x2为减振器载荷和载荷-速度融合参数,
假设振动系统状态 q 完全可测,得到最大的频率范围内的特征量
$ m\left( A \right) = \left\{ {\begin{aligned} &{\frac{{\displaystyle\sum\limits_{ \cap {A_i} = A} {\prod\limits_{1 \leqslant i \leqslant n} {{{m'}_i}\left( {{A_i}} \right)} } }}{{1 - K}}{\text{ }},A \ne \emptyset } ,\\ & {0,{\text{}}A = \emptyset } 。\end{aligned}} \right. $ | (3) |
$ K = \sum\limits_{ \cap {A_j} = \emptyset } {\prod\limits_{1 \leqslant i \leqslant n} {{{m'}_i}\left( {{A_j}} \right)} } 。$ | (4) |
式中:
为了提高对驱动系统高频振动抑制能力,通过求解无人船发动机前端附件驱动系统的运动学规划模型,采用高频振动峰值减振率误差补偿的方法,得到扰动抑制的反馈控制函数为[6]:
$ \left\{ \begin{gathered} a({H_{ac}}) = 1 - \frac{{{H_{ac}}}}{{\max ({H_{ac}}) + l}} ,\\ \max ({H_{ac}}) = {\log _2}k 。\\ \end{gathered} \right. $ | (5) |
式中:
构建耦合动力学模型,得到驱动系统横向振动的附加应变能和离心刚度为:
$ {x_i}(n) = \sum\limits_{j = 1}^M {{h_{ij}}{{(n)}^{\rm{T}}}} {s_j}(n) + {v_i}(n) ,$ | (6) |
$ {y_j}(n) = \sum\limits_{i = 1}^P {{f_{ij}}} {(n)^{\rm{T}}}{x_i}(n) 。$ | (7) |
式中:
根据信号幅频特征提取结果以及振动惯性参数检测结果,实现对驱动系统横向振动性能动态分析,如图3所示。
通过仿真测试验证本文方法在实现无人船发动机前端附件驱动系统横向振动状态监测的应用性能,设定振动信号采样长度为2400,频率为12 kHz,变增益状态反馈系数为0.34,发动机轮毂平均风速为4.5 rad/s,自由衰减状态参数为0.13 dB,驱动系统构件几何参数如表1所示。
根据上述参数设定,进行无人船发动机前端附件驱动系统横向振动特性分析。使用L3G4002D二自由度陀螺仪实现对无人船发动机前端附件驱动系统振动信号检测,得到原始信号如图4所示。
以图4 振动信号为测试对象,采用本文方法进行振动特征提取,得到幅频特征检测结果如图5所示。分析可知,本文方法对无人船发动机前端附件驱动系统横向振动的幅频检测性能较好,对振动控制的收敛性较好。
测试不同方法进行无人船发动机前端附件驱动系统横向振动抑制的误差,得到对比结果如表2所示。分析可知,本文方法进行无人船发动机前端附件驱动系统横向振动抑制的误差较小。
构建优化的无人船发动机前端附件驱动系统横向振动性能分析模型,结合对发动机的系统结构分析和振动信号分析方法,提高振动监测能力。本文提出基于动力学和结构可靠性分析的驱动系统横向振动分析模型,建立无人船发动机前端附件驱动控制的滑模减振模型,通过对驱动系统横向振动信号幅频特征分析,实现对驱动系统的横向振动控制和抑制。分析可知,本文方法能有效实现对振动的幅频特征检测,提高振动抑制能力。
[1] |
邱雨晴, 王磊, 王晓宇, 等. 基于改进函数拟合法的冲击载荷识别研究[J]. 机械工程学报, 2022, 58(3): 157–166. QIU Yu-qing, WANG Lei, WANG Xiao-yu, et al Research on impact load identification based on improved function fitting method [J] Journal of Mechanical Engineering, 2022, 58 (3): 157–166. |
[2] |
王帅, 黄海鸿, 韩刚, 等. 基于PCA与GA-BP神经网络的磁记忆信号定量评价[J]. 电子测量与仪器学报, 2018, 32(10): 190-196. WANG Shuai, HUANG Hai-hong, HAN Gang, et al. Quantitative evaluation of magnetic memory signals based on PCA and GA-BP neural networks[J]. Journal of Electronic Measurement and Instrumentation, 2018, 32(10): 190-196. DOI:10.13382/j.jemi.2018.10.026 |
[3] |
张磊, 郑侃, 孙连军, 等. 基于小波包敏感频带选择的复材铣边颤振监测研究[J]. 机械工程学报, 2022, 58(3): 140–148. ZHANG Lei, ZHENG Kan, SUN Lian-jun, et al. Research on monitoring of composite milling edge chatter based on wavelet packet sensitive frequency band selection [J] Journal of Mechanical Engineering, 2022, 58 (3): 140–148. |
[4] |
董冠华, 殷勤, 殷国富, 等. 基于模态分析理论的结合部动刚度辨识[J]. 振动与冲击, 2017(36): 125–131. DONG Guanhua, YAN Qin, YIN Guofu, et al. Identification of joint dynamic stiffness based on modal analysis theory [J]. Vibration and Shock, 2017 (36): 125–131. |
[5] |
聪颖, 刘蕴, 殷国富, 等. 基于响应面方法的数控机床空间动态特性研究[J]. 工程科学与技术, 2017, 49(4): 211–218. CONG ying, LIU Yun, YIN Guofu, et al. Research on spatial dynamic characteristics of CNC machine tools based on response surface method [J]. Engineering Science and Technology, 2017, 49 (4): 211–218. |
[6] |
成雨, 原园, 甘立, 等. 尺度相关的分形粗糙表面弹塑性接触力学模型[J]. 西北工业大学学报, 2016, 34(3): 485–492. CHENG yu, YUAN yuan, GAN li, et al. Scale dependent elastic-plastic contact mechanics model of fractal rough surface [J]. Journal of Northwest University of Technology, 2016, 34 (3): 485–492. |