CN101968379B - 航空发动机转子系统工况振动信号特征信息提取方法 - Google Patents
航空发动机转子系统工况振动信号特征信息提取方法 Download PDFInfo
- Publication number
- CN101968379B CN101968379B CN 201010298385 CN201010298385A CN101968379B CN 101968379 B CN101968379 B CN 101968379B CN 201010298385 CN201010298385 CN 201010298385 CN 201010298385 A CN201010298385 A CN 201010298385A CN 101968379 B CN101968379 B CN 101968379B
- Authority
- CN
- China
- Prior art keywords
- signal
- class
- distance
- sample
- rotor system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Abstract
一种航空发动机转子系统工况振动信号特征信息提取方法,其特征是方法为:1)通过电涡流位移传感器测取振动位移信号;2)对信号进行小波变换,获取该信号沿尺度轴上的能量模分布情况,将其按尺度顺序排列成向量,作为特征向量,将多个特征向量组成初始样本集Q,求取样本集Q特征向量作为待诊断样本,3)将Q按距离准则逐步聚类得到聚类结果,比较待诊断样本与初始样本之间的距离,获得转子系统工况振动信号特征信息。本发明的优点是:克服了单一方法信号特征信息提取方式复杂、特征信息不明显等不足,提高了航空发动机转子系统运行状态识别的准确性和效率,能应用于航空发电机转子系统的工况监测、智能诊断和监测。
Description
技术领域
本发明涉及一种信号特征信息提取方法,尤其涉及一种航空发动机转子系统工况振动信号特征信息提取方法。
背景技术
航空发动机是飞机的心脏,是航空机械设备中故障率最高、调整最复杂、维护工作量最大的系统,其工作状态的好坏直接影响到飞机的安全可靠与运行。一旦发动机在运行中出现了故障,就可能导致飞机无法正常飞行,危及人身安全,造成重大的社会、经济损失。
据统计,航空发动机的故障发生率约占整个飞机故障的30% 。飞机因机械原因发生的重大飞行事故中40%左右是由于发动机故障导致的。发动机由于自身特点不同于一般机械,即使非常轻微的一些机械缺陷或损伤都会引起转子系统的振动,包括从几乎小得微不足道的振动到大得足以导致发动机破坏的振动,由于航空发动机转子系统的复杂性,多种故障表现为相同的振动,同一故障表现为不同的振动,往往导致漏报和误报,严重影响了航空发动机转子系统故障诊断的可靠性。为了提高航空发动机转子系统故障诊断水平,需要发展实用、高效的特征信息提取方法。
目前,航空发动机振动故障诊断和信号特征提取的方法很多。例如,侯胜利、李应红等在《基于主元核相似度免疫机制的故障诊断方法及应用》一文中基于主元核理论和免疫系统机制,提出了基于主元核相似度免疫机制的故障诊断方法。文振华、左洪福在《基于粗糙集—集成神经网络的航空发动机磨损故障诊断方法》一文中将粗糙集理论和神经网络相结合并应用到航空发动机磨损故障诊断中,依据属性的重要性和决策表的相容性,采用粗糙集理论对征兆信息进行属性约简,获取征兆的主要特征。徐启华、师军在《基于支持向量机的航空发动机故障诊断》一文中提出一种基于支持向量机的航空发动机故障诊断方法,应用该方法成功地对发动机气路部件的几种典型故障进行了正确诊断。王威、侯胜利在《一种基于人工免疫理论的性能监控与故障诊断方法》一文中针对航空发动机故障样本获取比较困难等问题,提出了一种基于人工免疫理论的航空发动机性能监控与故障诊断方法。蔡开龙,谢寿生在《航空发动机的模糊故障诊断方法研究》一文中提出了一种基于T-S模糊模型的故障诊断方法,将基于T—S模糊模型的故障诊断方法应用于航空发动机。
这些方法都对航空发动机振动信号特征信息的提取做出了贡献,但诊断手段单一,不能高效、准确、快捷的提取航空发动机转子系统的工况特征信息,全面反映航空发动机转子系统的运行状态。
发明内容
本发明的目的在于提供一种航空发动机转子系统工况振动信号特征信息提取方法,利用传感器测取振动位移信号,采用小波分析与聚类分析相结合的方法,从大量振动信号中挖掘隐含的特征信息,实现工况特征的准确、高效提取。
本发明是这样来实现的,其特征是方法为:
1)特征向量获取:通过电涡流位移传感器,按确定的时间间隔或采样频率测取确定数量个航空发动机转子系统在某个采样时段的振动位移信号,对振动位移信号进行小波变换,并获取该信号沿尺度(频率)轴上的能量模分布情况,然后将其按尺度顺序排列成向量,作为特征向量;将确定数量个特征向量组成初始样本集Q,求取样本集Q特征向量作为待诊断样本;
2)聚类分析:将Q按距离准则逐步聚类,类别由多到少(聚集法),直到满足合适的分类要求为止,通过比较待诊断样本与各个初始样本之间的距离,最终获得转子系统工况振动信号特征信息。
所述的特征向量获取的具体步骤如下:
(1)通过电涡流位移传感器,按确定的时间间隔或采样频率测取确定数量个航空发动机转子系统在某个采样时段的振动位移信号;
(2)选择小波基函数,并用该基函数对信号进行连续小波变换;
(3)确定尺度参数的取值范围;
(4)求信号的连续小波变换的系数的模,由式
(6)重复步骤(1)~(4),得到n个表征转子运行状态的特征向量,将n个特征向量组成初始样本集,求取该样本集特征向量为待诊断样本。
所述的聚类分析的具体步骤为:
(5)比较待诊断样本与各个初始样本之间的距离,最终获得航空发动机转子系统工况振动信号的特征信息。
本发明的优点是:将小波分析和聚类分析有机结合,既运用了小波分析良好的时频特性和对突变信号和非平稳信号突出的处理能力,又利用了聚类分析能提高数据集中数据对象相似度的特性。既克服了传统特征提取方法,如傅里叶变换,只能获取信号整体频谱,不能获取局部频谱,只能对平稳信号分析,不能对突变信号和非平稳吸信号进行较良好分析的缺陷,又克服了单一信号分析特征信息不明显的不足。大大提高了航空发动机运行状态识别的准确性和效率,能应用于航空发电机转子系统的工况监测、智能诊断和智能监测。
具体实施方式
第一步,获取特征向量。
(1)选取采样频率为2560Hz,采样点数为512个,通过电涡流位移传感器分别测取转子在不平衡、不对中、碰摩和油膜涡动四种故障运行状态下的振动位移信号各3组;
(2)选Daubechies小波基函数对信号进行连续小波变换;
(3)取尺度因子的范围为[2, 30]之间的间隔为4的整数;
(4)求信号的连续小波变换的系数的模;
(5)按照尺度因子由小到大将信号连续小波变换的能量模顺序排列,得到与转子运行状态相对应的特征向量。
(6)重复步骤(1)~(4),得到转子在不平衡、不对中、碰摩和油膜涡动四种故障运行状态下的特征向量各三组,作为用于聚类分析的初始样本集:
表1 基于尺度-能量模的转子特征向量(初始样本集)
Claims (1)
1.一种航空发动机转子系统工况振动信号特征信息提取方法,其特征是方法为:
1)特征向量获取,具体步骤为:
(4)求信号的连续小波变换的能量模,由式
求得连续小波变换的系数,其中
(5)按照尺度因子 由小到大将信号连续小波变换的能量模顺序排列,即得到与转子运行状态相对应的特征向量,本向量为基于尺度-能量模的特征向量;
(6)重复步骤(1)~(5)n次,得到n个表征转子运行状态的特征向量;
将n个特征向量组成初始样本集,作为待诊断样本;
2)聚类分析,具体步骤为:
(3)采用最短距离法和最长距离法计算合并后的新类别之间的距离,得距离矩阵 ;假设和是两个聚类,则两类间的最短距离定义为: ,最长距离为: ;式中, 表示类中的 样本和类中的样本 之间的距离, 表示类中的所有样本与类中所有样本之间的最小距离, 表示类中的所有样本与类中所有样本之间的最长距离,如果类是由类和类合并而成的,则有 ;
(5)比较待诊断样本与各个初始样本之间的距离,最终获得航空发动机转子系统工况振动信号的特征信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010298385 CN101968379B (zh) | 2010-09-30 | 2010-09-30 | 航空发动机转子系统工况振动信号特征信息提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010298385 CN101968379B (zh) | 2010-09-30 | 2010-09-30 | 航空发动机转子系统工况振动信号特征信息提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101968379A CN101968379A (zh) | 2011-02-09 |
CN101968379B true CN101968379B (zh) | 2013-03-06 |
Family
ID=43547567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010298385 Expired - Fee Related CN101968379B (zh) | 2010-09-30 | 2010-09-30 | 航空发动机转子系统工况振动信号特征信息提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101968379B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104614166B (zh) * | 2015-01-29 | 2017-04-19 | 西北工业大学 | 一种飞机发动机转子振动信号故障状态识别的方法 |
CN106323452B (zh) * | 2015-07-06 | 2019-03-29 | 中达电子零组件(吴江)有限公司 | 一种设备异音的检测方法及检测装置 |
CN107506709A (zh) * | 2017-08-15 | 2017-12-22 | 南昌航空大学 | 航空发动机转子系统故障信号特征信息提取方法 |
CN117037427B (zh) * | 2023-08-23 | 2024-02-20 | 旺苍县地质环境监测站 | 一种地质灾害联网监测预警系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101571120A (zh) * | 2009-05-31 | 2009-11-04 | 北京航空航天大学 | 基于倍频相对能量和的分层聚类航空泵多故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100666452B1 (ko) * | 2005-09-07 | 2007-01-09 | 울산대학교 산학협력단 | 회전기계의 상태 진단방법 및 그 방법을 사용하는 진단시스템 |
-
2010
- 2010-09-30 CN CN 201010298385 patent/CN101968379B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101571120A (zh) * | 2009-05-31 | 2009-11-04 | 北京航空航天大学 | 基于倍频相对能量和的分层聚类航空泵多故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
刘晓波等.基于小波包分解的风机故障诊断技术研究.《金属矿山》.2005,(第1期),56-58. * |
刘晓波等.小波包分解及其在旋转机械故障诊断中的应用.《风机技术》.2004,(第6期),51-53. * |
马超.小波分析在语音信号处理中的应用.《信息与电脑》.2010,38. * |
Also Published As
Publication number | Publication date |
---|---|
CN101968379A (zh) | 2011-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106526400B (zh) | Dc600v列车供电系统的接地故障诊断方法及装置 | |
CN109115491B (zh) | 一种电力推进船舶轴系推进系统机械故障诊断的证据融合方法 | |
CN102564568B (zh) | 大型旋转机械复杂工况下的早期故障搜索方法 | |
CN105466693B (zh) | 基于灰色模型的柴油机燃油系统故障预诊断方法 | |
CN103245907B (zh) | 一种模拟电路故障诊断方法 | |
CN105760839A (zh) | 基于多特征流形学习与支持向量机的轴承故障诊断方法 | |
CN108760327A (zh) | 一种航空发动机转子故障的诊断方法 | |
CN109613428A (zh) | 一种能像系统及其在电机设备故障检测方法中的应用 | |
CN110376522A (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
CN109375010A (zh) | 基于振动分布特征模型的电力变压器绕组故障诊断方法 | |
CN101968379B (zh) | 航空发动机转子系统工况振动信号特征信息提取方法 | |
CN106441896A (zh) | 滚动轴承故障模式识别及状态监测的特征向量提取方法 | |
CN109187060B (zh) | 列车速度传感器信号异常检测及轴抱死故障诊断方法 | |
CN103822786A (zh) | 基于多元统计分析的风电机组机械设备状态诊断方法 | |
CN105678343A (zh) | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 | |
CN104134010A (zh) | 一种基于朴素贝叶斯算法面向离散型数据的卫星故障诊断方法 | |
Chen et al. | Looseness diagnosis method for connecting bolt of fan foundation based on sensitive mixed-domain features of excitation-response and manifold learning | |
CN111678699A (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN114372489A (zh) | 一种柴油机工况识别与异常诊断方法 | |
CN107607342A (zh) | 空调机房设备群的健康能效检测方法 | |
CN113295413B (zh) | 一种基于间接信号的牵引电机轴承故障诊断方法 | |
Yu et al. | Rolling bearing fault feature extraction and diagnosis method based on MODWPT and DBN | |
CN109782168A (zh) | 基于小波包支持向量机的感应电机转子断条故障诊断方法 | |
CN107506709A (zh) | 航空发动机转子系统故障信号特征信息提取方法 | |
Asada et al. | Development of an effective condition monitoring system for AC point machines |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130306 Termination date: 20140930 |
|
EXPY | Termination of patent right or utility model |