CN105956514A - 一种振动数据驱动的直升机旋翼异常检测方法 - Google Patents

Abstract

本发明公开一种振动数据驱动的直升机旋翼异常检测方法，包括：原始振动数据分析和处理；提取直升机旋翼状态特征；用正常状态的旋翼数据特征训练支持向量数据模型；最后根据建立的模型对旋翼进行异常检测。本发明的优点是：针对非平稳、非线性的振动数据，提取了有效的故障特征，在只有正常状态数据可用的情况下，本发明给出了一种直升机旋翼异常检测方法，克服了常规方法必须有异常特征数据的需求。

Description

一种振动数据驱动的直升机旋翼异常检测方法

技术领域

本发明涉及振动数据驱动的直升机旋翼异常检测方法，是一种专门针对直升机旋翼振动数据的异常检测方法，属于航空工程与信息科学的交叉领域。

背景技术

直升机旋翼作为升力面和操纵面，不仅为前进提供动力，还是各种姿态变换的动力来源。旋翼系统工作在周期性变化的气动环境中，承受了复杂的气弹载荷，如前飞过程中的不平衡周期的交变载荷，这些载荷容易造成轴承、减摆器等出现磨损现象，更有甚者振动载荷会导致直升机的重要的飞行组件出现疲劳损伤，使旋翼产生故障进而导致事故的发生。在直升机故障中旋翼故障率高达20％，其中直升机一级事故中有35％与旋翼故障相关。因此，对直升机旋翼系统的检测和故障诊断就显得尤为重要。

由于直升机旋翼系统的工作特性，直接对旋翼系统进行检测和诊断技术难度较大。旋翼发生故障时，机体的振动频率中包含了旋翼的故障信息。通过分析采集的机体振动数据为旋翼系统故障诊断开辟了新途径，经理论分析和实践证明，该方法行之有效且易于操作。直升机旋翼复杂的结构和工作环境决定了直升机振动数据是非平稳和非线性的，选用时域或者频域的分析方法很难获取有效的旋翼故障特征。时-频分析方法在两维空间中同时展示了振动数据的时域和频域信息，常用于提取旋转器械的故障特征。常用的时-频分析方法有短时傅里叶变化，小波分析，S变换、Cohen类双线性变换方法以及希尔伯特黄变换等。

相比于国外的研究，我国在直升机诊断方面的认识不够全面，研究起步较晚，因此积极深入直升机故障诊断方面的研究将具有实际意义。目前已经从理论和实践两个方面证实了旋翼频率与故障之间具有映射关系，利用异常模式识别，可进行故障检测。直升机故障诊断研究主要集中于旋翼的不平衡故障，有关旋翼异常检测方面的研究很少。传统的故障诊断一般是二分类问题，主要借助分类算法进行处理，其中人工神经网络和支持向量机已经取得了不错的诊断效果。然而，这些故障诊断方法的应用前提是有大量的故障数据。在真实场景中，考虑到直升机旋翼的未知故障模式多种多样，难以预料，无法事先大量获取各种状态下的故障数据；正常状态的数据很容易获取，故障状态时旋翼可能已经损坏；又因为故障模拟的代价非常高，在实践中往往不允许，导致故障状态样本很难捕获而致出现严重匮乏。因此，基于正常状态的振动数据，及时检测出旋翼异常信息显得尤为重要。

发明内容

本发明的目的是基于振动试验数据，发明一个针对直升机旋翼异常检测的方法，基于该方法，可检测直升机旋翼状态的变化，从而提供直升机旋翼的早期故障预警，降低旋翼的维修成本的同时，提高旋翼飞行的安全性和可靠性。

本发明的具体技术方案包括以下几个步骤：

步骤一：对旋翼振动数据进行预处理，选用小波阈值去噪对原始数据进行去噪处理。

步骤二：对降噪后的振动数据进行经验模态分解，获取有限个内蕴模式函数。

步骤三：用获取的内蕴模式函数构建矩阵，并进行奇异值分解，将得到奇异值归一化到区间[-1，1]，最终组成旋翼故障特征向量。

步骤四：利用支持向量数据描述，基于旋翼正常特征构建超球体，计算出超球体的球心和半径，并根据此超球体检测旋翼是否出现异常。

本发明的有益效果是：

本发明基于直升机旋翼振动数据进行分析，选用时-频分析方法提取有效的旋翼状态特征，利用支持向量数据描述针对旋翼正常状态特征构建状态模型，解决了在只有正常状态样本数据可用的情况下，如何检测出旋翼是否出现故障的问题。

附图说明

图1是本发明方法的总体流程图。

图2是经验模态分解的流程图。

图3旋翼状态特征提取的流程图。

具体实施方式

下面结合附图和相关算法，对本发明做进一步的说明。

本发明的总体流程如图1所示。

本发明基于直升机振动数据进行异常检测，采用小波阈值去噪法对振动数据进行去噪处理。利用经验模态分解获取有限个内蕴模式函数，对内蕴模式函数矩阵进行奇异值分解，提取直升机旋翼状态特征。采用支持向量数据描述，针对直升机正常状态特征向量构建超球体，检测旋翼异常。其具体实施步骤如下：

1.小波阈值去噪

本发明应用于直升机旋翼振动数据，通过传感器测得的振动数据不可避免地含有噪声，在特征提取之前选用小波阈值去噪法对振动数据进行去噪处理。小波阈值去噪具体过程如下：

对含噪声的振动数据x(t)做小波变换，得到一组小波系数W；

通过对W进行阈值处理，得到估计系数W′，使得W与W′两者的差值尽可能小；

利用进行小波重构，得到去躁后的振动数据。

2.经验模态分解

本发明针对去噪后的振动数据进行经验模态分解。经验模态分解能把一个复杂的振动数据分解为若干不同的内蕴模式函数之和。每一个内蕴模式函数反应了信号内部固有的波动特性，且只包含一个波动模态，避免了多波动模态的混叠。

内蕴模式函数必须满足如下两个条件：

在整个数据段内，极值点的个数(包括极大值和极小值)和过零点的个数相等或者最多只相差一个；

在任意时间点上，由局部极大值点形成的上包络线和局部极值点形成的下包络线的平均值为零。

针对振动数据x(t)，经验模态分解具体步骤如下：

确定x(t)上所有的极值点，然后用三次样条曲线分别把极大值点和极小值点连起来，形成上、下包络线；

求出上下包络线的平均值，记为m₁，将m₁从x(t)中分离出来

h₁＝x(t)-m₁ (8)

如果h₁满足内蕴模式函数的两个条件，那么h₁就是x(t)分解出来的第一个内蕴模式函数，若h₁不满足内蕴模式函数的条件，则把h₁作为原始数据，重复前面的过程直至满足相应的条件或者预先设置的停止准则，记第一个内蕴模式函数为c₁。

把c₁从x(t)中分离出来，得到

r₁＝x(t)-c₁ (9)

将r₁作为原始数据，根据上述方法继续对r₁进行分解，直至r_n变成一个单调函数，不能再从中选出满足经验模态函数条件的分量时，循环结束，最终得到

$x\left(t\right)={\Σ}_{i=1}^n{c}_i+r_n---\left(10\right)$

其中r_n是残余函数，代表振动数据的平均趋势。利用经验模态分解获取的内蕴模式函数为c₁，c₂，...，c_n。

3.奇异值分解

经验模态分解利用数据中的特征时间尺度识别出包含其内的内蕴模式函数c₁～c_n，构建内蕴模式函数矩阵T＝[c₁ c₂ … c_n]，对矩阵T进行奇异值分解。奇异值分解的步骤如下：

假设T是M*N的矩阵，U是M*M的矩阵，其中U的列为TT^T的正交特征向量，V为N*N的矩阵，其中V的列为TT^T的正交特征向量，m为矩阵T的秩，则存在奇异值分解：

T＝U∑V^T (11)

其中TT^T和T^TT的特征值相同，记为λ₁，...，λ_m，∑为M*N的对角矩阵，对角元素为其余位置数值为0，则奇异值为由奇异值构成的奇异值谱为u＝[σ₁，σ₂，...，σ_m]。

4.数据归一化

本发明针对获取的旋翼特征向量u＝[σ₁，σ₂，...，σ_m]，采用线性函数对各属性进行归一化处理，其过程可用算法1来描述：

算法1：数据归一化

输入：旋翼特征向量集{u_i}

输出：归一化后的数据{u′_i}

5.旋翼正常状态建模

本发明选取旋翼正常状态下的特征向量集，训练得到旋翼健康状态模型。

其本质是构建一个超球体包含所有或者几乎所有旋翼正常状态下的特征向量集X＝{x₁，x₂，…x_N}，此处的x即为提取的特征u，超球体的球心为a半径为R。训练的目标是最小化超球体的体积，降低接受异常样本的概率。考虑到训练特征向量集中可能有少数正常的特征偏离目标类，通过引入松弛因子ξ_i和惩罚参数C，允许少数样本点分布在超球体之外。

优化函数如下所示：

$\begin{array}{c}\begin{array}{cc}\underset{R,a,\mathrm{\ξ}}{\min }& R^2+C\underset{i=1}{\overset{l}{\Σ}}{\mathrm{\ξ}}_i\end{array}\\ \begin{array}{cc}s.t.& ||\mathrm{\φ}\left(x_i\right)-a||\≤R^2+{\mathrm{\ξ}}_i\end{array}\\ {\mathrm{\ξ}}_i\≥0,i=1,\mathrm{...},n\end{array},---\left(12\right)$

为了避免过拟合，引入了惩罚参数C，表示对错分样本惩罚的程度，实现了在错分样本的比例和区域容量之间的折衷。将上述的述优化问题，转换为其拉格朗日对偶问题进行求解：

$\begin{array}{c}\begin{array}{cc}\underset{\mathrm{\α}}{\max }& \underset{i=1}{\overset{n}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_j\left(\mathrm{\φ}\right(x_i)\·\mathrm{\φ}(x_j\left)\right)-\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i\left(\mathrm{\φ}\right(x_i)\·\mathrm{\φ}(x_i\left)\right)\end{array}\\ \begin{array}{cc}s.t.& \underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i=1\end{array}\\ 0\≤{\mathrm{\α}}_i\≤C,i=1,2,\mathrm{...},n\end{array}---\left(13\right)$

其中，α_i为拉格朗日乘子。如果参数设置合理，高斯径向基函数K(x_i，x_j)可以逼近大多数核函数。本发明采用K(x_i，x_j)来代替函数内积(φ(x_i)·φ(x_j))，实现由低维空间到高维空间的映射。

$K(x_i,x_j)=\exp \left(\frac{-{||x_i-x_j||}^2}{2{\mathrm{\τ}}^2}\right)---\left(14\right)$

假定支持向量的数量是N_sv，x_m表示一个支持向量，则超球体球心和半径的计算公式如下：

$a=\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_{i}K(x_i,x_i)---\left(15\right)$

$R^2=K(x_m,x_m)-2\underset{i}{\overset{N_{sv}}{\Σ}}{\mathrm{\α}}_{i}K(x_i,x_m)+\underset{i=1}{\overset{N_{sv}}{\Σ}}\underset{j=1}{\overset{N_{sv}}{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_{j}K(x_i,x_j)---\left(16\right)$

6.异常检测

针对直升机旋翼测试状态特征向量集，根据正常状态建立的模型，计算测试特征的决策函数值。本发明将决策函数值定义为状态特征向量偏离正常状态模型中心a的程度。若测试特征的决策函数值大于20％，则认为有异常发生。

对于测试样本x可计算出其距离球心的距离为

$d={||x-a||}^2=K(x,x)-2\underset{i}{\overset{N_{sv}}{\Σ}}{\mathrm{\α}}_{i}K(x_i,x)+\underset{i=1}{\overset{N_{sv}}{\Σ}}\underset{j=1}{\overset{N_{sv}}{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_{j}K(x_i,x_j)---\left(17\right)$

决策函数定义如下：

$f\left(x\right)=\frac{{||x-a||}^2-R^2}{R^2}=\frac{d-R^2}{R^2}---\left(18\right)$

决策函数的具体计算过程可用算法2来描述：

算法2：计算决策函数值

输入：待测试的样本x，基于健康状态特征建立的模型model

输出：样本x的决策函数值

Claims (5)

1.一种振动数据驱动的直升机旋翼异常检测的方法，其特征包括如下步骤：

(1)针对直升机旋翼振动数据的特点，按异常检测过程的特殊需要对原始数据进行分析和处理；

(2)选用信号处理领域的时-频分析方法，对振动数据进行经验模态分解获取有限个内蕴模式函数；

(3)用获取的内蕴模式函数构建矩阵，并进行奇异值分解，将得到奇异值归一化到区间[-1，1]，最终组成旋翼状态特征向量；

(4)利用支持向量数据描述，选用旋翼正常特征构建超球体，检测旋翼是否出现故障。

2.根据权利要求1所述的振动数据驱动的直升机旋翼异常检测的方法，其特征在于，步骤(1)针对直升机振动数据的分析和处理，其实现方法如下：

(21)选用小波阈值去噪方法对原始的振动数据进行去噪处理。

3.根据权利要求1所述的方法，其特征在于，步骤(2)对去噪后的数据进行经验模态分解，得到有限个相互独立的内蕴模式函数，获取旋翼振动数据的时频特性，其实现方法包括：

针对振动数据x(t)，确定x(t)上所有的极值点，然后用三次样条曲线分别把极大值点和极小值点连起来，形成上、下包络线；

求出上下包络线的平均值，记为m₁，将m₁从x(t)中分离出来：

h₁＝x(t)-m₁ (1)

如果h₁满足内蕴模式函数的两个条件，那么h₁就是x(t)分解出来的第一个内蕴模式函数，若h₁不满足内蕴模式函数的条件，则把h₁看作原始数据，重复前面的过程直至满足相应的条件或者预先设置的停止准则，记第一个内蕴模式函数为c₁；

把c₁从x(t)中分离出来，得到

r₁＝x(t)-c₁ (2)

将r₁作为原始数据，根据以上过程继续对r₁进行分解，直至r_n变成一个单调函数，不能再从中选出满足内蕴模式函数条件的分量时，循环结束，最终满足如下关系：

其中r_n表示残余函数，代表振动数据的平均趋势。利用经验模态分解获取的内蕴模式函数为c₁，c₂，…，c_n，获取的内蕴模式函数之间两两相互独立。

4.根据权利要求1所述方法，其特征在于，步骤(3)用获取的内蕴模式函数构建矩阵，并进行奇异值分解，将得到的奇异值归一化到区间[-1，1]，组成旋翼状态特征向量

(41)构建内蕴模式函数矩阵：

振动数据经经验模态分解后变成了n个相互独立的内蕴模式函数，记做c₁～c_n，以内蕴模式函数为列向量构建矩阵T；

T＝[c₁ c₂ … c_n] (4)

(42)奇异值分解：

对内蕴模式函数矩阵T进行奇异值分解，获取m个奇异值，将奇异值按从大到小的顺序进行排列，则σ₁≥σ₂≥...≥σ_m，构成的奇异值谱u＝[σ₁，σ₂，...，σ_m]代表了旋翼振动数据的状态特征；

(43)归一化处理：

为了消除量纲属性对异常检测的影响，对获取的奇异值进行归一化处理，将数值规约到[-1，1]之间。归一化函数如下所示：

式中，σ_i′表示归一化后的奇异值，和分别表示第i个属性的下限和上限，归一化处理后下限和下限分别变为-1和1。

5.根据权利要求1所述方法，其特征在于，步骤(4)利用支持向量数据描述，选用旋翼正常状态的特征构建超球体，检测直升机旋翼是否出现故障，实现方法如下：

基于旋翼正常状态下提取的特征，利用支持向量数据描述，依据结构风险最小化原理，对正常状态的特征向量集X＝{x₁，x₂，…x_N}构建超球体，该超球体尽可能多的包含正常状态的样本特征同时尽可能降低接受异常特征的概率。考虑到训练特征向量集中可能有少数正常的特征偏离目标类，通过引入松弛因子ξ_i和惩罚参数C，允许少数样本点分布在超球体区域之外。构建超球体可转化为以下优化问题的求解：

通过求解上述优化问题，计算得到超球体的球心是a，半径是R，对于新的样本特征x，决策函数定义如下：

若样本特征的决策函数值f(x)＞20％，则认为有异常发生。