CN101173869A - 用于诊断机构的方法和设备 - Google Patents

Abstract

本发明涉及对机构行为的指示符(i)的变化进行分析的方法，该方法包括以下运算：(OP1，OP2)从指示符(i)提取噪声(w)和任何不连续点(b，s)以获得趋势(c)；(OP8)将趋势(c)的变化与一个或多个参考值进行比较；以及(OP10)根据比较(OP8)的结果指示机构故障。

Description

用于诊断机构的方法和设备

技术领域

本发明涉及诊断机构的方法、机构诊断程序和适于执行该程序以实现该方法的设备。

本发明的技术领域是用于监控旋翼飞机的状态的系统的技术领域。

本发明尤其用于对在旋翼飞机的至少一个引擎与至少一个转子之间插入的传动机构的诊断。

这种机构通常包括与齿轮匹配并用于从旋翼飞机的引擎将力矩传送到其转子的多个轴和附件。

背景技术

对机构内故障的出现进行监控或检测组成大量研究的题目；可参考涉及检测传感器故障的专利文献EP-0 838 048。

监控涡轮或引擎状态的某些方面在专利文献US 6 301 572、US 2004/0176902和US 2005/0096873中特别描述。

为诊断目的而分析飞机引擎趋势数据在专利文献EP-0 843 244中描述。

专利文献EP-0 407 179和Brian D.Larder于1999年在American HelicopterSociety 55^th Annual Forum(Montreal，Quebec)上的文献“Helicopter HUM/FDRbenefits and developments”给出涉及直升机状态监控的信息。

Paul Grabill等于2003年在American Helicopter Society 59^th Annual Forum(Phoenix，Arizona)上的文献“Vibration monitoring techniques investigated for themonitoring of a ch-47d swashplate bearing”描述了用于从振动数据检测滚动轴承缺陷(rolling bearing defect)的技术。

Paul Samuel等于2003年在American Helicopter Society 59th Annual Forum(Phoenix，Arizona)上的文献“Helicopter transmission diagnostics using constrainedadaptive lifting”描述了对直升机传动机构使用应用小波的诊断算法；小波用于使该算法适用于规定的机构；该小波从情况良好的传动装置的振动数据确定，并允许构建模型以预测振动信号的波形。该算法在传动装置运行过程中确定预测误差，且该预测误差的幅度给出对齿轮中存在某类故障的指示。

本发明尤其涉及通过分析从在直升机上进行振动测量所确定的指示符(indicator)的变化(随时间)和/或通过分析所述振动测量而对直升机动力传动机构进行的诊断。

为了进行测量，直升机被安装上加速计，该加速计被置于(固定于)发动机、传动变速箱、轴承和/或直升机结构的其它位置。

飞行中，由传感器传送的信号被转化成数据并适当同步化(使用由转动传感器传送的信号)，并且/或者“平均”，然后在直升机上进行记录。

着陆后，对所记录的数据进行相关和分析。

对数据的解释是复杂的：需要专家的长久介入。

用于为诊断传动机构中机械故障目的而自动分析数据的已知工具是不完整且有缺陷的；存在的故障未被检测到，而有时却由这种分析工具产生未得到证明的故障指示。

发明内容

本发明的目的是提出分析这种数据的方法、分析程序和包括所述程序的设备，该设备允许建立可靠的诊断，即最大化检测到真实缺陷的比例并最小化未得到证实的缺陷的比例。

本发明的目的是提出不需要预先由操作员学习的此类方法、程序和设备。

本发明的目的是提出得到改进的、和/或至少部分地修正目前已知的方法、程序和设备的不足和缺点的此类方法、程序和设备。

根据本发明的一个方面，提出了通过分析从机构采集的振动测量值和/或通过分析涉及该机构的行为的指示符信号(i)的变化而诊断该机构的方法，该方法包括以下连续运算：

参考机构中运算参数(PA)的同时变化、尤其参考旋翼飞机的表速(indicatedairspeed)(ias)的同时变化来归一化(修正)指示符的变化；

在该机构无故障运行的时段中从指示符的变化确定指示符(i)或至少一个其分量(w，b，s，c)的变化速率的参考值或阈值；以及然后

将指示符(i)或至少一个其分量(w，b，s，c)的变化速率与参考值或阈值进行比较。

归一化运算可包括过滤指示符变化数据。该运算可包括指示符或测量值的参数模型，其中从该测量值提取该指示符。

该机构可以是旋翼飞机的传动机构，指示符可以从对飞行中的旋翼飞机上的变化测量值的同步分析得到，且运算参数(PA)可以是旋翼飞机的表速(ias)。

在本发明的另一方面中，提出了分析机构行为的指示符(i)的变化的方法，该方法包括以下运算：

(OP1，OP2)从指示符(i)提取噪声(w)和任何不连续点(b，s)以获得趋势(c)；

(OP8)将趋势(c)的变化与一个或多个参考值进行比较；以及

(OP10)相关于比较结果(OP8)指示该机构的故障。

在本发明的较佳实施例中：

为了提取任何不连续点，执行以下运算：(OP1)搜索并减去指示符数据(i)中的任何异常(outlier)数据(s)；以及(OP2)从由运算(OP1)获得的数据(i-s)提取任何边缘数据(b)；

为了找到异常数据(s)的时间，从指示符数据(i)减去该指示符数据的移动中间值(mm(i))以便于获得噪声数据(i’)，并识别噪声数据(i’)的幅度与指示符数据水平(wrms(i))的比值大于阈值(ts)的时间；

为了识别数据(i-s)中边缘(b)的出现，对与数据(i-s)变化的小波变换(wavelettransform)对应的尺度系数(d’)的变化进行分析；

当尺度系数的平均值(abs(mean(d’)))与这些系数(d’)的变化的标准偏差(std(d’))的比值b_p超过第一确定值t_p时，以及当尺度系数的所述平均值(abs(mean(d’)))与数据(i₁＝i-s)的水平(wrms(i-s))的比值b_m超过第二确定值t_m时，在数据(i-s)中识别到潜在边缘(b)；

为了将趋势变化与参考值进行比较，进行以下运算，(OP5)计算趋势数据(c)的小波变换的尺度变化数据，以及(OP8)将趋势数据的小波变换的尺度变化数据与参考值进行比较；

也要进行以下运算：(OP3)计算噪声(w)的水平(wrms(w))；(OP7)将噪声水平(wrms(w))的变化与一个或多个参考值进行比较；以及(OP9)根据在运算(OP7)中进行比较的结果指示机构故障；

为了将噪声水平(wrms)的变化与参考值进行比较，进行以下运算，(OP4)计算噪声水平变化(wrms(w))的小波变换的尺度变化数据，以及(OP7)将噪声水平(wrms(w))的小波变换的尺度变化数据与诸参考值进行比较；

使用哈尔(Haar)小波以及与哈尔小波关联的尺度函数；

当检测到边缘时，将该边缘的时间与涉及机构维护的历史数据进行比较；

将数据(i-s)的幅度与参考值的至少三分之一进行比较(OP9)；以及

根据比较的结果诊断机构故障。

根据本发明的再一方面，提出了用于相关于从在机构上进行的变化测量获得的数据(i)诊断该机构的设备，其中该设备被编程以进行本发明的方法的运算。

根据本发明的再一方面，提出了用于相关于从在机构上进行的变化测量获得的数据(i)诊断该机构的程序，该程序的特征是被安排(构架和组织)成进行本发明的方法的运算。

该程序可被安排成进行以下运算：

(OP1)搜索并分离出数据(i)中的任何异常数据(s)；

(OP2)从由运算(OP1)获得的数据(i-s)提取噪声数据(w)和任何边缘数据(b)，以便于获得趋势数据(c)；

(OP3)从噪声数据计算噪声水平数据(wrms(w))；

(OP4)计算涉及噪声水平数据随时间的变化速率的数据；

(OP5)计算涉及趋势数据随时间的变化速率的数据；

(OP6)产生边缘检测，其中从边缘数据实用地计算边缘时间，并将该边缘时间与涉及机构维护的历史数据进行比较；

(OP7)将噪声水平数据随时间的变化数据速率与第一参考值进行比较；

(OP8)将趋势数据随时间的变化数据速率与第二参考值进行比较；

(OP9)将在运算(OP1)结束时获得的数据(i-s)的幅度与参考值的至少三分之一进行比较；以及

(OP10)根据比较(OP6、OP7、OP8、OP9)的结果产生指示故障在机构中被检测到的数据。

从在使用机构的时段中在该机构上进行的振动测量产生的数据(i)可尤其对应于以下变化：

以同步频率(即该机构的元件的转动频率)或多个所述频率在该机构上测量的加速度(能量)水平的变化；或

以频带在该机构上测量的加速度水平的变化；或

振动测量频谱的平整度的指示符、诸如峰度的变化。

附图说明

本发明的其它方面、特征和优点将从参照附图的以下描述中变得显而易见，附图示出本发明的较佳实施例，而不旨在任何限制。

图1A是示出旋翼飞机传动齿轮的指示符(Ω-71)相对于时间的变化的曲线图。

图1B是示出首先同一指示符相对于旋翼飞机的速度的变化，以及其次速度对所述指示符的影响的多项式模型的曲线图。

图2是示出在修正速度对指示符的影响之前(上方曲线)和之后(下方曲线)图1A和1B的指示符相对于时间以及相对于旋翼飞机速度(ias)的变化的曲线图。

图3是示出信号的功率谱密度(PSD)水平相对于旋翼飞机传动轴转动频率以及相对于旋翼飞机表速的变化(“原始”指示符或信号)的曲线图。

图4是示出图3所示信号变化的参数模型H^(ias)(ω)相对于转动频率ω的相应变化的曲线图；该频率简化模型用于获得用来消除因频率噪声引起的离差(dispersion)和不规则性(irregularity)的近似。

图5是示出从图3信号的模型H^(ias)(ω)获得的频率和速度(ias)的模型

的相应变化的曲线图。

图6是示出相同的已滤波信号的相应变化的曲线图。

图7是示出与指示符的小波变换关联的四个尺度因子d1-d4的变化的曲线图。

图8是示出第一指示符的变化的曲线图，且图9A-9D是分别(从左到右，从上至下)示出从所述指示符提取的四个分量(s)、(w)、(b)和(c)的变化的四个曲线图。

图10是示出第二指示符的变化的曲线图，且图11A-11D是分别(从左到右，从上至下)示出从所述指示符提取的四个分量(s)、(w)、(b)和(c)的变化的四个曲线图。

图12是示出图9D的第一指示符的趋势分量(c)随时间变化的放大曲线图，且图13是示出与所述指示符的趋势分量(c)关联并表示所述分量的变化速率的四个尺度因子d3-d6在相同时段的相应变化的曲线图。

图14是示出无故障信号的指示符随时间的变化的曲线图。

图15是示出包括在引起指示符中边缘的维护操作时段内信号指示符随时间的变化的曲线图。

图16是示出表示出现机械故障的信号的指示符随时间变化的曲线图。

图17是示出被编程成实现本发明的方法的运算的设备的主模块配置的框图。

图18是示出用于为分析而分离指示符的四个分量、形成图17所示的本发明的设备的一部分的模块配置的示图。

具体实施方式

参照图17，本发明的设备包括用于读取数据并将其输出连接到模块21的输入的模块20，其中模块21用于修正场景变化，因此用于分析的数据被引导到模块21。

从模块21的输出处得到的修正指示符或信号(i)被引导到模块22用于分离以下变量：干扰(s)、噪声(w)、边缘(b)和趋势(c)，并且也被引导到从该指示符减去干扰(s)的加法器23。

各个分量(b)和(c)的数据由相应模块26或27分析，用来计算这些分量值的变化速率并将结果传送到分析模块30。

各个分量(w)和(s)的相应水平分别由两个水平计算模块24和25计算，该水平计算模块24和25将它们相应的结果传送到模块28用于计算噪声水平的变化速率以及传送到模块29用于计算干扰出现的频率；在一简化实施例中，可省略用于处理干扰的模块25和29。

因此，模块22进行在图18中详细示出的运算OP1和OP2，同时模块24、27、和28分别进行运算OP3、OP5和OP4。分析模块30将由模块26-29传送的数据与阈值进行比较(运算OP6-OP9)；这些比较的结果可经由显示器和/或警报装置31传送给用户。

以下详细描述这些运算。

符号

在本发明的一个实施例中，移动中间值用于从信号即指示符的时变数据通过滤波来消除或提取实质上与干扰或不正常数据(“异常”)对应的部分或分量。计算该移动中间值与滤波类似。

数据x的高至具有系数n的值的K个连续值的中间值可写成mm(x，n，K)：

$\mathrm{mm}(x,n,K)={\mathrm{median}}_{k=n-K}^n\left[x\left(k\right)\right]$ (公式1)

加窗均方根(RMS)用于估计与连续数据点的序列或“窗”对应的信号一部分的能量。长度为N的信号的长度为K的加窗RMS给出长度结果M＝N-K。

数据点x的高至系数n的项的K个连续值的RMS值写成“wrms(x，n，K)”，其中

$\mathrm{wrms}(x,n,K)=\frac{1}{K}\underset{k=n-K}{\overset{n}{\mathrm{\Σ}}}{(x\left(k\right)-\stackrel{\‾}{x})}^2$ (公式2)

其中

是x的平均值。

以下简要列出小波变换所涉及的一些原理和符号。在小波理论中，信号f(t)可表示函数ψ_j，k(t)的加权平均(参照公式3)。(整数)下标j和k表示小波基函数ψ_j，k(t)或基本小波的尺度(即扩张或收缩)和移位(参照公式4)。特定ψ_j，k(t)根据应用选择。对于消除噪声并进行压缩的目的，有可能在对系数矩阵d_j，k(参照公式5)不同部分进行分析下选择限定信号的噪声和有用部分的小波。为了检测事件，有可能选择对该事件给出容易分辨的特征的小波。

$f\left(t\right)=\underset{j,k}{\mathrm{\Σ}}{d}_{j,k}{\mathrm{\ψ}}_{j,k}\left(t\right)$ (公式3)

${\mathrm{\ψ}}_{j,k}\left(t\right)=2^{\frac{j}{2}}\mathrm{\ψ}(2^{j}t-k)$ (公式4)

d_j，k＝<f(t)，ψ_j，k(t)>             (公式5)

对于有限长度的信号，有限长度的矩阵以移位维度(shift dimension)(k)获得。由于可能的尺度数目(j)是无限的，信号重建需要计算无限个尺度的系数。

离散小波变换(DWT)通过只使用有限数目的尺度系数/函数且信号f(t)的剩余部分形成近似矢量a_k而克服了该困难。因此，系数矩阵d_j，k和近似矢量a_k一起包含了重建原始信号所需的全部信息(参照公式6)。尺度的数目应该选择成使得近似矢量和系数矩阵的尺度矢量之间的所分析信号特征获得适当的分离：

$f\left(t\right)=\underset{k}{\mathrm{\&Sigma;}}{a}_k\mathrm{\&phi;}(t-k)+\underset{j,k}{\mathrm{\&Sigma;}}{d}_{j,k}{\mathrm{\&psi;}}_{j,k}\left(t\right)$ (公式6)

小波函数ψ(t)和关联尺度函数φ(t)必须正交(参照公式7)：

<ψ(t)，φ(t)>＝0                    (公式7)

从而，可仅通过使用存在正交尺度函数的母小波函数计算DWT。

实际上，有可能使用从小波和尺度函数推演来的二阶滤器(h，h₁)集合(参照公式8和公式9)：

$\mathrm{\&phi;}\left(t\right)=\underset{n}{\mathrm{\&Sigma;}}h\left(n\right)\sqrt{2}\mathrm{\&phi;}(2t-n)$ (公式8)

$\mathrm{\&psi;}\left(t\right)=\underset{n}{\mathrm{\&Sigma;}}{h}_1\left(n\right)\sqrt{2}\mathrm{\&phi;}(2t-n)$ (公式9)

这形成了回归方程系统，其中初始近似矢量是待变换的函数：a_j0＝f(t)(参照公式10和公式11)。对任何尺度a_j的输入是先前近似的结果。

$d_{j,k}=\underset{n}{\mathrm{\&Sigma;}}{h}_1(n-2k)a_{j+1,n}$ (公式10)

$a_{j,k}=\underset{n}{\mathrm{\&Sigma;}}h(n-2k)a_{j+1,n}$ (公式11)

信号重建(公式12)通过使用近似矢量和低阶系数矩阵d_j，k开始以便于重建高阶近似。回归算法使获得原始系数a_j0成为可能。从而，重建原始输入(信号)仅需要最低阶近似矢量和整个系数矩阵。

$a_{j+1,k}=\underset{n}{\mathrm{\&Sigma;}}h(k-2n)a_{j,n}+\underset{n}{\mathrm{\&Sigma;}}{h}_1(k-2n)d_{j,n}$ (公式12)

滤器的2k移位因子来自与尺度相关的因子2(参照公式4)。因此，各个尺度因子具有与先前尺度因子一半的系数。从而，系数的总数目等于输入样本的数目，而与迭代次数无关。通过仅保存大值系数，合理精度的重建可通过仅使用开始系数的一部分获得。通过将表示噪声的系数减小到零，该重建使获得去噪声信号(输入)成为可能。

为了从信号(输入)去除噪声，最佳结果常常通过使用平稳小波变换(SWT)获得。SWT与DWT的不同之处在于对偶数(2k)项系数和奇数项(2k+1)系数分别进行提取和处理。这产生了冗余，因为各层(j)——或系数矩阵d_j，k的细节水平——产生与输入信号数目相同的系数。这使得与系数j的大值对应的高尺度系数获得更好的时间精度(k)。在重建过程中，各个冗余系数集合的贡献仅仅被平均。

为了保存与滤器输入处的长度相等的滤器信号输出的长度(或测量值的数目i)，以及为了最小化瞬变(transient)，采集的信号测量值在开始和结束处被填充。附加测量值包括具有信号中预定数量的第一/最后样本的平均值的样本。这给出比周期填充(圆卷积)更好的结果，尤其在开始和结束信号出现不同幅度时。

归一化/修正分析数据或信号

在机构操作过程中，尤其飞行时在直升机动力传动机构操作过程中记录的采集可受到移动数目的贡献因子(操作和/或环境参数)影响。通常，在从t至t+d的时段内记录的有限长度观测信号x可视为每个都可以被认为是模型M_k的乘积，而每个模型M_k都依赖于参数p_N ^(k)的(可选线性)组合(参照公式13)。当参数在记录时段“d”内改变时，由于在这些(操作和/或环境)参数变化的模型的输出处的反冲(repercussion)，信号的至少一些分量可改变。

$x\left(t\right)=\underset{k}{\mathrm{\&Pi;}}{M}_k\left(p_1^{\left(k\right)},...,p_N^{\left(k\right)}\right)$ (公式13)

为了简化，参数可视为未在(单个)记录时段中以显著方式变化。该假设对于诸如发现轴承变化的短时间记录在大多数情况下有效。对于监控传动装置和轴的测量值(对轴的至少两百转进行平均)，时段d的持续时间很长且参数可能漂移。在监控传动装置和轴时，可对获取进行同步平均以便于在整个获取时段上减小随机噪声。这表示信号可被细分成各个表示一个轴转动的窗口并在此采样成各个窗口具有相同的长度，之后进行平均。如果模型之一在记录时段显著漂移，则信号x可能不具有随轴转动的周期性，且集成有用来计算平均值的算法的收敛计算可导致获取被拒绝。

从而，在最小精度损失的情况下，信号x可被视为是诸模型的乘积，其中模型依赖于在获取开始处记录的诸参数。

这一表示可进一步通过仅考虑机构的关联分量Mc的状态和环境因子Me的影响而得到简化(参照公式14)。故障检测包括通常在练习阶段之后使用正常态E估计Mc以及将连续观察与模型进行比较。

x(t)＝M_c(E(t)).M_e(p₁，...，p_N)                (公式14)

环境Me的影响是获取时间内的环境的结果。各个获取伴随有描述所述环境的场景参数(context parameter)集合。这些参数可以是诸如直升机表速、由传动机构传送的力矩或该机构的润滑油温度的飞行数据。因此，Me取决于这些场景参数p1(t)-pN(t)。

对于有限长度的信号集合x_n(t)，其中t表示在获取开始时的时间(日期)且n表示在从获取过程中稳定的状态E分量的测量值得到的各个获取中的样本数目，模型Mc的输出恒定。从而，贡献于x_n(t)随时间t变化的唯一因素是Me。函数Me可从信号x_n(t)估计，如果记录了必要的场景参数，还可从Me所依赖的场景参数估计。

为了消除环境变化的影响，必须定义参考环境，且需要修正各个观测以便于使其如同在参考环境中进行。因此，修正函数(参照公式15)对各个观测提供在观测时刻的环境影响Me与参考环境的影响Me的比值。通过将各个观测乘以修正函数G_e，因而Me从该观测去相关，从而使该观测如同在参考环境中进行。

$G_e(p_1\left(t\right),...,p_N\left(t\right))=\frac{M_e(p_1\left(\mathrm{ref}\right),...,p_N\left(\mathrm{ref}\right))}{M_e(p_1\left(t\right),...,p_N\left(t\right))}$ (公式15)

建模指示符

Ω-kz类的指示符通常用作传动装置的状态指示符。它们是简单的频谱幅度指针，其中Ω是承载传动装置的轴的角频率，z是所考虑的传动装置的齿的数目，且k是大于零的整数。在该符号表示中，短线表示相乘符号。这些指示符表示啮合频率(Ωz)或所述频率的倍数(k)的振动信号的能量，且它们与传动装置的状态E相关。这种指示符可受到由传动装置传送的力矩的影响且受到旋翼飞机的表速(ias)的间接影响。以下使用表速来解释指示符数值和振动特征的变化。当然，所述方法可与机构的其它操作参数一起使用或与多个操作参数的结合一起使用。

多个指示符可从有限长度的信号x的集合计算。如果关联传动装置的状态E对于与信号相关的数据集合恒定，则在时间t内指示符数值的任何变化肯定是Me的结果。图1A通过示例示出在连续获取过程中与直升机传动机构中小锥齿轮(具有71齿)的状态关联的指示符“Ω-71”的变化，而图1B示出同一指示符相对于获取时刻的表速的变化。示出指示符“Ω-71”相对于时间的变化(即信号x)的曲线图中的任何趋势应表示与所述指示符关联的部件的状态随时间变化，即关联部件的状态正在退化。图1A的曲线图未示出任何变化趋势，而图1B的曲线图示出清晰的下降变化趋势。这表示在指示符Ω-71与表速ias之间存在关系而在表速与时间之间不存在任何明显的相关。

图1B中的虚线表示速度ias对指示符Ω-71影响Me(ias)的多项式近似(参照公式16)。矩阵P从ias测量值的列向量形成，其中P的各个列包含不同幂指数的相同ias列。在本示例中使用4阶多项式模型：P(ias)＝[ias⁰(t)，ias¹(t)，ias²(t)，ias³(t)，ias⁴(t)]。该模型的系数向量包含各个幂指数的权重。变量e是该模型的误差，即由该模型给出的结果与观测值之间的差。该模型的估计(参照公式16和17)通过对矩阵求逆并通过将值(i)乘以观测指示符获得。

${\hat{M}}_e\left(\mathrm{ias}\right)=\hat{a}P\left(\mathrm{ias}\right)-e$ (公式16)

$\hat{a}={\left({\mathrm{PP}}^T\right)}^{-1}{P}^{T}i$ (公式17)

以下给出指示符相关函数(参照公式18)，并提供各个指示符观测的相关因子。将各个指示符数据点或值与由对应表速给出的修正因子相乘，将指示符数值与表速去相关，如同所有指示符是在所选参考环境中进行的测量的结果。

$\hat{G}\left(\mathrm{ias}\right)=\frac{{\hat{M}}_e\left(\mathrm{ref}\right)}{{\hat{M}}_e\left(\mathrm{ias}\right)}$ (方程18)

建模信号

诸如在上述文献“Helicopter transmission diagnostics using constrained adaptivelifting”或在文献“Nearest neighbor-time series analysis classification of faults inrotating machinery”，Journal of Vibration，Acoustics，Stress and Reliability in Design，105：178-184，1983中所描述的某些指示符比上述的简单频谱指示符更复杂。这些方法使用参考小波/滤器作为信号的近似，并计算各个信号样本和参考之间的距离。一旦标量特征被提取，则不可能进行修正。

在这种情形下，有必要直接修正原始信号和/或建立描述信号波形上环境影响的模型。这可通过估计随显著的环境因子例如表速变化的信号的功率谱密度(PSD)进行(参看图3，其中频率相关于轴的转速)。该数据是在慢速巡航飞行中直升机上获取。从记录的振动数据，非参数PSD通过离散傅立叶变换获得，该信号被预先在时域平均。因此PSD的幅度和相位形成时域中的信号表示而无信息损失。

为了将频谱行为建模为表速的函数，有必要使用参数模型建立信号PSD的近似。如图3所示，传动装置振动信号的PSD的曲线包括在噪声背景之上对应于记录谐波和调制边带的高水平/能量区域。该形式的频谱可通过自动回归(AR)模型有效地近似(参照公式19)。对应于AR模型的极点k的频率可写成ω_k，而对应的能量水平可写成r_k，且总水平写成b_o。所有的复数极点必须具有复数共轭，否则来自该模型的输出为复数。

$H\left(\mathrm{\&omega;}\right)=\frac{b_0}{1+\underset{k=0}{\overset{k=K-1}{\mathrm{\&Pi;}}}{r}_k{e}^{j{\mathrm{\&omega;}}_k}{e}^{-\mathrm{j\&omega;}}}$ (公式19)

该曲线的高能量区域的水平随表速变化，而其在频率轴上的位置保持恒定。为了防止极点为零或∏形成畸变而在纪录频率没有显著能量，ω_k对各个部件被清楚地定义且只有b_o和r_k被优化。诸如线性预测系数(LPC)的常规参数估计值不可用于此目的。

然后，通过场景参数建模该模型的参数b_o和r_k。修正AR模型被定义(参照公式20和21)，其中各个极点具有复数共轭。由于没有获取给出啮合频率的谐波以及在频率零或∏处的调制边带，该修正是可能的。

$H^{\left(\mathrm{ias}\right)}\left(\mathrm{\&omega;}\right)=\frac{{b_0}^{\left(\mathrm{ias}\right)}}{1+\underset{k=0}{\overset{k=K-1}{\mathrm{\&Pi;}}}{z_k}^{\left(\mathrm{ias}\right)}{e}^{-\mathrm{j\&omega;}}{z_k}^{*\left(\mathrm{ias}\right)}{e}^{-\mathrm{j\&omega;}}}$ (公式20)

$z_k^{\left(n\right)}=r_k^{\left(n\right)}{e}^{j{\mathrm{\&omega;}}_k^{\left(n\right)}}$ (公式21)

复数共轭极点的数目K选择成与高能量区域的数目相同，且极点角度ω_k被选择成对应于这些区域的频率。参数b_o和r_k可通过使用“置信域”算法估计。该估计也可通过使用调优算法或通过使用诸如基于梯度的方法的其它滤器-估计方法进行。通过估计数据集合中各个信号X^(ias)(ω)，可获得对应的近似H^(ias)(ω)，由b_o ^(ias)和r_k ^(ias)给出：

H^(ias)(ω)＝X^(ias)(ω)-E^(ias)(ω)                      (公式22)

图4示出由H^(ias)(ω)建模的信号的幅度的示例。定义模型的参数b_o ^(ias)和r_k ^(ias)自身可通过多项式建模。

通过用其多项式近似

和

代替参数b_o ^(ias)、r_k ^(ias)和ω^(ias)，获得了对于随频率和表速变化的信号能量的模型

，如图5所示并对应于以下公式23：

${\hat{H}}^{\left(\mathrm{ias}\right)}\left(\mathrm{\&omega;}\right)=\frac{{{\hat{b}}_0}^{\left(\mathrm{ias}\right)}}{1+\underset{k=0}{\overset{k=K-1}{\mathrm{\&Pi;}}}{{\hat{z}}_k}^{\left(\mathrm{ias}\right)}{e}^{-\mathrm{j\&omega;}}{{\hat{z}}_k}^{*\left(\mathrm{ias}\right)}{e}^{-\mathrm{j\&omega;}}}$ (公式23)

为了修正信号，选择参考表速(ref)。修正滤器G^(ias)(ω)对应于参考功率频谱与功率频谱之间的比值，而功率频谱对应于任意表速。由于两个自动回归滤器的偏差，修正滤器是自动回归移动平均。

$G^{\left(\mathrm{ias}\right)}\left(\mathrm{\&omega;}\right)=\frac{{\hat{H}}^{\left(\mathrm{ref}\right)}\left(\mathrm{\&omega;}\right)}{{\hat{H}}^{\left(\mathrm{ias}\right)}\left(\mathrm{\&omega;}\right)}$ (公式24)

${\hat{H}}^{\left(\mathrm{ias}\right)}\left(\mathrm{\&omega;}\right)=\frac{{{\hat{b}}_0}^{\left(\mathrm{ref}\right)}(1+\underset{k=0}{\overset{k=K-1}{\mathrm{\&Pi;}}}{{\hat{z}}_k}^{\left(\mathrm{ias}\right)}{e}^{-\mathrm{j\&omega;}}{{\hat{z}}_k}^{\left(\mathrm{ias}\right)}{e}^{-\mathrm{j\&omega;}})}{{{\hat{b}}_0}^{\left(\mathrm{ias}\right)}(1+\underset{k=0}{\overset{k=K-1}{\mathrm{\&Pi;}}}{z_k}^{\left(\mathrm{ias}\right)}{e}^{-\mathrm{j\&omega;}}{z_k}^{*\left(\mathrm{ias}\right)}{e}^{-\mathrm{j\&omega;}})}$ (公式25)

当修正模型G^(ias)(ω)乘以表速模型

时，获得所有速度值ias的参考功率频谱。在时域中给定速度ias的滤器系数b_k和a_k是对应于的分子和分母多项式的系数。从与信号各个部分关联的表速计算修正滤波器并在随后变换之前过滤信号，这被用来去除表速对该信号的大部分影响(参照示出通过该方法过滤的信号的图6)。

将信号的功率谱幅度从直升机的行进速度去相关的方法未考虑功率谱的相位：修正滤器可导致显著的相位变形。如果适当，则该数据可通过相位平衡器处理以修正由信号幅度修正器导致的相移。

以上提出的修正/归一化方法有助于修正环境对振动数据的影响，使得在不同环境条件下获取的数据更容易比较，从而增加系统的总体可靠性。

分离信号源(或分量)

为了能够从数据集合消除噪声，常常假设观测值(i)是确定过程d(n)与随机过程w(n)之和。根据本发明的一个方面，监控指示符i(n)被细分成四个部分或分量：不连续分量s(n)；随机噪声分量w(n)；边缘/台阶分量b(n)；以及趋势分量c(n)：

i(n)＝s(n)+w(n)+b(n)+c(n)                  (公式27)

完全位于数据正常范围外的不连续分量的值容易识别。这种不连续性通常来源于传感器缺陷，或者在飞行测量环境下来源于在获取振动信号过程中在不适当状态中飞行。机械退化在某些情况下也可导致这种不正常测量值或“异常”的频率的增加。

随机噪声分量是指示符的总趋势附近的离差。由于该噪声分量是宽带分量，更难将其分离并去除。随机噪声能量的增加可能是机械退化的结果。

信号中边缘(或偏置)被引入，使得公式27中分量c(n)的起始点总等于零。该初始偏置的值是在分量s(n)和w(n)被减去之后指示符的初始值。该偏置表示正常状态中数据集合的值，使得分量c(n)的任何非零值对应于从正常状态的偏离。

当对分析下的机构进行重大维护操作时，指示符正常状态的值可改变。该改变对应于数据集合中的边缘(台阶)。在这种情况下，b(n)的值也必须变化以反映正常状态水平的变化。

将指示符(i)细分成四个分量(b，c，w，s)的运算OP1和OP2在图18中示出并在以下详细描述。

运算OP1：分离不正常数据(异常)

通过使用尺度为Ls的窗去除数据的移动中间值而去除数据集合(i)的趋势。移动中间值去除分量(s)和分量(w)的一部分同时完好保存分量(c)和(b)的主要部分。因此，修正的数据集合(i’)包含分量(s)、分量(w)的一部分和分量(c)和(b)的一小部分：

i′(n)＝i-mm(i，n，L_s)                 (公式28)

由于经修正的数据包含趋势或边缘的较小贡献，其平均值基本上为零。不连续性被定义为一个这种修正数据点(i’)，其中标准偏差超过数据集合平均值。由于信号波动可随时间改变，因而使用加窗平均：

$s\left(n\right)=i^{\&prime;}\left(n\right)(\frac{\mathrm{abs}\left[i^{\&prime;}\left(n\right)\right]}{\mathrm{wrms}[i,n,L_s]}>t_s)$ (公式29)

在分离出分量(w)、(b)和(c)之前，从指示符数据减去对应于不正常数据的不连续分量s(n)：

i₁(n)＝i(n)-s(n)                       (公式30)

运算OP2：分离出一个或多个边缘

为了检测边缘，使用具有标量因子-1至-J的公式(5)通过哈尔小波(参照公式31)对指示符的数组i₁(n)进行展开(延伸)。

ψ(t)＝δ(t)-δ(t-1)                 (公式31)

对于长度N、由因子(-1)至(-J)展开的输入数据样本，变换产生系数d_1，j、维度为J×N的矩阵D。由小波系数矩阵传达的信息取决于所选小波。对于哈尔小波，该系数对应于在不同尺度(scale)的数据集合数值导数——即变化速率。矢量d_j包含在2^j个点的滑动窗上的数据集合的平均导数。

趋势对应于现象(信号)中的较慢变化且它们被隔离在矩阵F具有系数j的层中。在更高尺度中的随机噪声的出现相对于趋势能量可以忽略。只有对所有尺度具有显著影响的分量是边缘。在给定尺度的单位幅度边缘的影响是d_i，j＝2^j/2。

从而，可通过在所有尺度寻找边缘特征来识别边缘(参照图7)。计算系数d’_i，j的修正矩阵(参照公式32)以确定边缘的幅度。幅度A的边缘和位置p产生修正矩阵，其系数满足：对于j的所有值d’_J，P＝A。

${d^{\&prime;}}_{j,n}=2^{\frac{-j}{2}}{d}_{j,n}$ (公式32)

通过使用上述定义，边缘是在对于j的所有值d_j，n相等的时刻n的位置。因为分量(w)和(c)的出现，在尺度上的值不完全相等，且边缘特征量度需要定义，例如通过下式：

$b_p\left(n\right)=\frac{\mathrm{abs}\left(\mathrm{mean}\right[d^{\&prime;}\left(n\right)\left]\right)}{\mathrm{std}\left[d^{\&prime;}\left(n\right)\right]}$ (公式33)

b_p(n)表示边缘在时间轴的点n出现的程度。该平均值和标准偏差(std)函数在各个点n对尺度j计算。因此，边缘可定义为对应于b_p(n)大于阈值t_p的时刻n的点(或数据点)。该方法使识别/定位满足上述标准的甚至幅度较小的任何突然转变成为可能。可使用用于从转变中选择边缘的附加准则，以只保留呈现最大幅度的那些转变，例如通过使用下式：

$b_m\left(n\right)=\frac{\mathrm{abs}\left(\mathrm{mean}\right[d^{\&prime;}\left(n\right)\left]\right)}{\mathrm{wrms}[i_1,n,2^{J_{\mathrm{edge}}}]}$ (公式34)

边缘是明显超过背景噪声的转变。上式通过位置n且大小为2^jedge的窗中的数据集合的能量对边缘的幅度进行归一化。因此，检测到的边缘对应于满足边缘特征标准且幅度b_m(n)大于阈值t_m的在n时刻的数据点，这对应于以下两个公式：

b_true(n)＝(b_p(n)＞t_p)∧(b_m(n)＞t_m)               (公式35)

b′(n)＝b′(n-1)+mean[d′(n)]b_true(n)            (公式36)

b’的初始值为零。修正数据集合i₂(n)通过减去边缘分量获得：

i₂(n)＝i₁(n)-b′(n)                              (公式37)

运算OP3：分离出随机噪声

数据集合i₂(n)在(-1)至(-J_noise)的尺度使用平稳小波变换(SWT)通过哈尔小波展开。常数J_noise选择成捕获实际数据集合的a_-j的趋势能量的主要部分。与D和a_-j之间的趋势分布无关，矢量d_1，k实际上不包含来自(c)的贡献。从而，d_1，k的能量主要是噪声(w)。假设(w)是高斯白噪声，则d_1，k的能量水平表示对于所有尺度的(w)的贡献。随时间变化的能量(w)的估计可通过加窗均方根获得：

w_m(n)＝wrms[d₁，n，2^J]                            (公式38)

假设分量(w)由绝对值小于阈值P_w的系数形成，其对所有尺度应用同一阈值：

dw_j，n＝d_j，n(|d_j，n|＜(w_m(n)t_w))                 (公式39)

去除噪声通常包括在重建之前将d的最小系数设定为零。相反，当期望分离噪声时，在重建之前将d和a的较大系数设定为零(参照公式12)。

边缘分量基于上述确定计算b’，但被进行修正以使得其初始值是没有(w)和(s)的数据集合的初始值：

b(n)＝b′(n)+i₂(0)-w(0)                           (公式40)

趋势分量由去除(s)、(w)和(b)之后的冗余数据组成：

c(n)＝i(n)-s(n)-w(n)-b(n)                         (公式41)

也可使用其它方法来隔离噪声分量

示例

使用Super Puma AS332L2直升机的左辅助变速箱中的中间齿轮的振动的RMS指示符进行测试，其中该变化在图8中示出且四个分量的相应变化在图9A-9D中示出。在对应于分析数据集合的时段中，固定中间齿轮的螺杆松动。因而，齿轮具有“摆动的”旋转轨迹，损坏了中间齿轮和相邻齿轮的齿形。

在约514小时的飞行之后，为计划维护将主变速箱(MGB)拆除。这需要将两个辅助变速箱移除，之后安装在新的MGB上。在示出大修时RMS指示符的变化的曲线中清楚地看到边缘。

同样对相邻机械部件即液压泵齿轮的RMS指示符进行分析(参照图15A和15B)。由该曲线给出的数据集合从对应于图8的曲线的时段之后的时段采集。且它覆盖故障传播的时段的末端。514小时的飞行之后的检查不包括该数据。指示符示出导致该部分损坏的清晰趋势(在约1000小时飞行处)。清晰转变出现在约735小时飞行处的曲线中。然而，转变是连续的，因此比边缘或跳跃更说明趋势。用于分离指示符分量的计算的参数值如下：

J_edge＝J_noise＝4；        t_p＝10；        t_m＝2；

t_s＝2；                   t_w＝5；         L_s＝7

趋势分析

除了检测超过阈值的指示符外，有可能检测指示符期望值的组件变化的过程。机构部件的退化引起指示符数值随时间变化的可检测波动。趋势分析是用参数表示指示符波动，且它存在于所需测量数据的第二级参量化中。

对于以规则间隔在飞行中获取的测量数据，关于飞行时间的各个指示符数值之间的间隔基本上均匀。当间隔不均匀时，例如由于传感器故障而丢失数据时，则指示符数据序列可使用平滑函数差值并重新采样。

分离指示符分量

如上所述，指示符被细分成四个分量。跳跃/边缘被检测为指示符数据序列中的不连续性，而白噪声和趋势通过使用小波得以分离，异常则从噪声提取。

非参数趋势分析(运算OP4-OP6)

信号x的趋势分析使用哈尔小波通过连续小波变换(CWT)进行。这对应于滑动窗的线性回归。窗的尺度由尺度系数j给出，使得其中进行线性回归的窗的大小等于2^j。从而，j的较小值捕获快速波动，而j的较大值用于捕获较慢趋势。为了检测与机械退化关联的上升和下降趋势，有必要使用多个j值。这产生尺度系数的矩阵D/d_j ^(x)(n)，该矩阵具有N×J的维度：

$d_j^{\left(x\right)}\left(n\right)=\underset{k}{\mathrm{\&Sigma;}}x\left(n\right){\mathrm{\&psi;}}_{j,k}\left(n\right)$ (公式49)

ψ(t)＝δ(t)-δ(t-1)     (公式50)

$\mathrm{\&psi;}\left(t\right)=2^{\frac{j}{2}}\mathrm{\&psi;}\left(2^{j}t\right)$ (公式51)

图7示出小波尺度d1-d4如何用于检测输入数据中的边缘并记录其时间：这四个系数的幅度基本上大于其在普通时间的相应平均值(对应于图7，基本上为250小时的飞行时间)。

图13示出小波尺度d3-d6如何对应于趋势数据中的慢或快变化。由于其数值在整个分析时段基本上为零，不使用系数d1和d2。

在这些附图中示出的各个曲线对应于趋势分量的变化速率(导数)在分析时段上的变化：d3对应于在8个连续点的窗中该分量的“局部”变化。

该系数d3对应于滤器h1(3)＝[-1，-1，-1，-1，1，1，1，1]；d4-d6分别对应于使用16、32和64连续点的窗计算的局部变化

在图13中，可看到在分析时段的末端、640小时飞行时间附近系数d4-d6的显著上升(绝对值)。

指示符及其分量随时间的变化形状

图14-16分别示出示例指示符中的“正常”变化、涉及边缘的变化、和涉及趋势(上升)的变化。

检测故障

对于机构的特定部分，诸如引擎、主轴和转子，总的指示符数值(数据)较佳地在最初减去干扰或异常数据之后，可直接给出较好的诊断结果(参照图17)。该减法的结果则可直接应用到分类系统，该系统将观测与预先确定或在练习阶段确定的阈值进行比较。

对于未调节成与固定阈值比较的那些机构部件，使用趋势测量。这可通过分析指示符趋势分量(c)的变化速率进行，如图16所示。指示符数值的连续上升或下降被隔离在该分量(c)中。因此该分量的趋势分析指示了指示符的期望值是稳定的还是波动的。

飞行中或陆地上进行的测量包括特定水平的随机噪声。然而，噪声水平的规则上升表示机械部件或测量部件的退化。为了估计在连续数据点样本的各点处的噪声水平，进行加窗均方根运算，其通过使用窗来计算(运算OP3)在点(时刻)n的指示符或信号x的能量。一旦计算了噪声能量水平，就可以与趋势分量(c)相同的方式对所述水平的变化速率进行考察(运算OP4和OP7)。

测量数据或指示符中的边缘或台阶通常表示维修操作。台阶的出现使通过与预定阈值进行比较来检测故障更加困难，因为一般而言有必要在每次出现台阶之后进行练习。当检测到台阶时，必须提醒监控系统的操作员/用户，或必须进行旋翼飞机机构的历史自动检查，以确认实际上的确在该台阶的时刻(日期和时间)发生了维护操作(运算OP6)。如果该时刻没有维护操作被记录，则该边缘必定被视为发现了潜在机械损伤。

趋势分析(运算OP5和OP8)用于将指示符波动的观测集合与各类故障的特征关联。这使得更精确地识别故障类别以及通过检测由关于已知退化过程的当前观测反映的以后状态来进行预测成为可能。

通过使用从AS332直升机上测量值得到的练习数据进行测试。收集包括观测的故障的数据历史并隔离所记录故障的传播时段。从包含已知故障的时段外的时段随机选择数组以便于组成无故障历史(或案例)；下标中的条目1-21的每一个是在不同直升机上进行测量的结果。

故障状态(案例No.1-No.14)对应于用于固定中间齿轮的螺杆松动。与轴的不平衡故障不同，通常很难检测这种故障，因为齿轮的退化不导致振动能量的任何显著增加。

用于检测该类故障的较佳指示符是齿轮的调制边带和剩余能量。当齿轮以不平衡的方式转动时，调制出现在轴的转动频率与齿轮齿的啮合频率之间；调制边带出现在记录频率的两侧，其距离对应于齿轮的转速。随着不平衡增加，调制边带中的能量也增加。

齿轮振动信号通常包含啮合频率的谐波处高于背景噪声的高水平。剩余能量指示符是在所有啮合频率的谐波被移除后作为包括背景噪声的结果的信号总能量。由其不平衡转动导致的齿轮分布式损坏导致该能量的增加。

在下表中，“持续时间”一栏包含对于每一所分析案例的飞行时间小时数的持续时间(小时)。故障案例No.6示出过短以至于不能进行趋势检测的持续时间，因为需要相当长的练习时间以获知各个指示符的动态变化阈值。

“HUMS”一栏包含通过已知监控系统使用由常规练习获得的阈值而获得的故障检测结果。包括故障的四个案例(No.1、No.3、No.12、No.14)未由已知诊断系统检测到，而是由警报或检查发现。案例No.7由检查指示符和信号的操作员发现。

与趋势分量的变化速率关联的阈值从案例17-20的波动包络确定：各个指示符尺度因子的最大和最小阈值被设定在案例17-20遇到的相应极值的120％。尺度因子d3-d8选择成分析这些趋势波动。

标题为“趋势A”的一栏给出直接使用CWT的检测的结果，从而给出对指示符幅度敏感的波动水平。

标题为“趋势B”的一栏给出使用CWT、通过白噪声(w)和异常(s)归一化的检测结果。该归一化用来将趋势与指示符幅度相关。则对应于10％的增加的趋势给出同样的结果而不管指示符的幅度如何，这与导致“趋势A”一栏的结果的方法不同。

案例	状态	持续时间	HUMS	趋势A	趋势B
						1	故障	86.03	否	是	是
2	故障	372.80	是	是	是
						3	故障	336.92	否	是	是
4	故障	78.52	是	是	是
						5	故障	267.37	是	否	是
6	故障	50.92	是	否	否
						7	故障	194.47	n/a	是	是
8	故障	251.02	是	是	是
						9	故障	336.88	是	是	是
10	故障	232.45	是	是	是
						11	故障	77.43	是	是	是
12	故障	49.44	否	是	否
						13	故障	195.99	是	是	是
14	故障	36.53	否	是	是
						15	良好	877.78	n/a	否	否
16	良好	2019.85	n/a	否	否
						17	良好	1608.58	n/a	否	否
18	良好	1479.90	n/a	否	否
						19	良好	1093.09	n/a	否	否
20	良好	218.50	n/a	否	否

21

良好

148.74

n/a

否

否

使用“OR”算符结合趋势分析方法A和B导致只有一个案例未被检测出：案例No.6，且这可解释为由于数据缺乏：使用尺度3-8表示使用具有8-256点(大致对应于可用点的数目)的窗来估计趋势；在该特定案例中可用信号的持续时间过短以致于不能使其得到有效分析。

在另一实施例中，两个这种趋势分析方法的结果可作为分类器的输入，如具有径向基函数的神经网络，以改进基于应用于被分析数据分量的小波变换计算尤其是基于应用于趋势分量的计算检测故障(在练习神经网络之后)的效率。

Claims (20)

1.一种分析机构行为的指示符(i)的变化的方法，所述方法的特征在于它包括以下运算：

(OP1，OP2)从所述指示符(i)提取噪声(w)和任何不连续点(b，s)，以获得趋势(c)；

(OP8)将所述趋势(c)的变化与一个或多个参考值进行比较；以及

(OP10)相关于(诸)比较(OP8)的结果指示所述机构的故障。

2.如权利要求1所述的方法，其特征在于，为了提取任何不连续点，执行以下运算：

(OP1)搜索并减去所述指示符数据(i)中的任何异常数据(s)；以及

(OP2)从由所述运算(OP1)获得的数据(i-s)中提取任何边缘数据(b)。

3.如权利要求2所述的方法，其特征在于，为了找到所述异常数据(s)的时间：

从所述指示符数据(i)减去所述指示符数据的移动中间值(mm(i))以便于获得噪声数据(i’)；以及

识别所述噪声数据(i’)的幅度与所述指示符数据水平(wrms(i))的比值大于阈值(ts)的所述(诸)时间。

4.如权利要求2或权利要求3所述的方法，其特征在于，为了识别所述数据(i-s)中边缘(b)的存在，对与所述数据(i-s)变化的小波变换相对应的尺度系数(d’)的变化进行分析。

5.如权利要求4所述的方法，其特征在于，当所述尺度系数的平均值(abs(mean(d’)))与所述这些系数(d’)变化的标准偏差(std(d’))的比值b_p超过第一确定值t_p时，并且当所述尺度系数的所述平均值(abs(mean(d’)))与所述数据(i₁＝i-s)的水平(wrms(i-s))的比值b_m超过第二确定值t_m时，在所述数据(i-s)中识别到潜在边缘(b)。

6.如权利要求1至4的任一项所述的方法，其特征在于，为了将趋势变化与参考值进行比较，进行以下运算：

(OP5)计算所述趋势数据(c)的小波变化数据；以及

(OP8)将所述趋势数据的小波变换的尺度变化数据于参考值进行比较。

7.如权利要求1至6的任一项所述的方法，其特征在于，要执行以下运算：

(OP3)计算所述噪声(w)的水平(wrms(w))；

(OP7)将所述噪声水平(wrms(w))的变化与一个或多个参考值进行比较；以及

(OP9)相关于在所述运算(OP7)中所执行的比较的结果指示机构故障。

8.如权利要求7所述的方法，其特征在于，为了将所述噪声水平(wrms)的变化与所述参考值进行比较，执行以下运算：

(OP4)计算所述噪声水平变化(wrms(w))的小波变换的尺度变化数据；以及

(OP7)将所述噪声水平(wrms(w))的小波变换的尺度变化数据与所述参考值进行比较。

9.如权利要求4、5、6和8的任一项所述的方法，其特征在于，使用哈尔小波以及与所述哈尔小波关联的尺度函数。

10.如权利要求2至9的任一项所述的方法，其特征在于，当检测到边缘时，将所述边缘的时间与涉及所述机构维护的历史数据进行比较。

11.如权利要求1至10的任一项所述的方法，其特征在于，将所述数据(i-s)的幅度与参考值的至少三分之一进行比较。

12.如权利要求5至11的任一项所述的方法，其特征在于，相关于所述比较结果诊断所述机构的故障。

13.如权利要求1至12的任一项所述的方法，其特征在于，还包括以下连续预先运算：

参考所述机构的运算参数(PA)的同时变化来归一化所述指示符的变化；以及

然后，在练习阶段，在所述机构无故障运行的时段中，根据所述指示符的变化确定所述指示符(i)的至少一个分量(w，b，s，c)的变化速率的参考值或阈值。

14.如权利要求13所述的方法，其特征在于，所述归一化运算包括所述指示符或从中提取所述指示符的测量值的参量建模。

15.如权利要求13或权利要求14所述的方法，其特征在于，所述归一化运算包括过滤所述指示变化数据。

16.如权利要求1至15的任一项所述的方法，其特征在于，所述机构是旋翼飞机传动机构，所述指示符从飞行中的所述旋翼飞机上进行的振动测量得到，且所述运算参数(ias)是所述旋翼飞机的表速。

17.一种用于根据从对机构进行的振动测量所产生的数据(i)诊断所述机构的设备，所述设备的特征在于，它被编程为执行如权利要求1至15的任一项所述的方法的运算。

18.一种用于根据对机构进行的振动测量所产生的数据(i)来诊断所述机构的程序，所述程序的特征在于，它被安排(构建和组织)成执行如权利要求1至16的任一项所述的方法的运算。

19.如权利要求18所述的程序，被安排来进行以下运算：

(OP1)搜索并分离出所述数据(i)中的任何异常数据(s)；

(OP2)从由运算(OP1)获得的所述数据(i-s)中提取噪声数据(w)和任何边缘数据(b)，以便于获得趋势数据(c)；

(OP3)根据所述噪声数据计算噪声水平数据(wrms(w))；

(OP4)计算涉及所述噪声水平数据随时间的变化速率的数据；

(OP5)计算涉及所述趋势数据随时间的变化速率的数据(d3-d8)；

(OP6)产生边缘检测数据，并且在适用时根据所述边缘数据计算边缘时间，并将所述边缘时间与涉及所述机构维护的历史数据进行比较；

(OP7)将所述噪声水平数据随时间的变化数据速率与第一参考值进行比较；

(OP8)将所述趋势数据随时间的变化数据速率与第二参考值进行比较；

(OP9)将在所述运算(OP1)结束时获得的数据(i-s)的幅度与参考值的至少三分之一进行比较；以及

(OP10)根据所述比较(OP6、OP7、OP8、OP9)的结果，产生指示所述故障在所述机构中被检测到的数据。

20.如权利要求18或权利要求19所述的程序，其特征在于，根据在使用所述机构的时段中对所述机构进行的振动测量产生的所述数据(i)可对应于以下变化：

以同步频率(即所述机构的元件的转动频率)或多个所述频率对所述机构测量的加速度(能量)水平的变化；或

以频带对所述机构测量的加速度水平的变化；或

诸如峰度的所述振动测量频谱的平整度的指示符。

Images