CN107036816B - 一种航空发动机轴承故障诊断方法 - Google Patents

Abstract

本发明公开了一种航空发动机轴承故障诊断方法，首先通过采集涡喷发动机的振动信号、发动机转速、发动机排气温度、燃油流量、发动机推力5种信号；提取各种信号的经典的时域统计学特征、频域特征，以及基于小波包分解获得时频域特征；然后分别对各种信号的特征参数采用深度波尔曼兹机进行特征学习；接下来采用数据融合技术将深度波尔曼兹机学习到的各源特征进行融合；最后将融合后的特征参数作为分类器支持向量机的输入，对发动机故障进行分类识别。本发明提升了涡喷发动机的轴承故障的识别精度和稳定性；有效的挖掘了数据的本质特征；极大的提高了涡喷发动机轴承故障精度。

Description

一种航空发动机轴承故障诊断方法

技术领域

本发明属于发动机故障诊断技术领域，尤其涉及一种航空发动机轴承故障诊断方法。

背景技术

通用航空活动正在我国快速发展。已广泛用于农业、林业、渔业和建筑业的飞行作业，在抢险救灾、气象监测、科学实验等领域尤其活跃。通用航空飞机的可靠性一直是航空业界优先考虑，因为一旦出现故障，后果不堪设想。对通用航空飞机，进行可预测性维护，在提高飞机可靠性，降低运营维护成本有着非常重要意义。发动机是飞机心脏，也是飞机可预测性维护重点。滚动轴承是涡喷发动机的最易损伤的部件之一，相当多的发动机故障与轴承损伤有关联。为了提高发动机运行可靠性和安全性，有必要通过监控手段，对航空发动机进行预测性维护，尤其是针对轴承进行监测与故障诊断，采用故障诊断技术，跟踪状态特征，对轴承进行健康状态诊断，是确保航空发动机可靠运行的有效措施。目前轴承的故障诊断中，常用的单一模态的状态特征，很难完全体现复杂的早期轴承故障状态信息。涡喷航空发动机轴承的状态信息蕴藏在振动信号、发动机转速、发动机排气温度、燃油流量、发动机推力等状态信号中。虽然每一种模态的状态信息都在一定程度上能够反映轴承故障信息，但是其普适性和鲁棒性仍然有待提升。

综上所述，目前轴承的故障诊断中，常用的单一模态的状态特征，很难完全体现复杂的早期轴承故障状态信息。

发明内容

本发明的目的在于提供一种航空发动机轴承故障诊断方法，旨在解决目前轴承的故障诊断中，常用的单一模态的状态特征，很难完全体现复杂的早期轴承故障状态信息的问题。

本发明是这样实现的，一种航空发动机轴承故障诊断方法，所述航空发动机轴承故障诊断方法包括以下步骤：

首先通过采集涡喷发动机的振动信号、发动机转速、发动机排气温度、燃油流量、发动机推力5种信号；提取各种信号的经典的时域统计学特征、频域特征，以及基于小波包分解获得时频域特征；

然后分别对各种信号的特征参数采用深度波尔曼兹机进行特征学习；接下来采用数据融合技术将深度波尔曼兹机学习到的各源特征进行融合；

最后将融合后的特征参数作为分类器支持向量机的输入，对发动机故障进行分类识别。

进一步，所述时域统计学特征包括：

有量纲参数，包括：平均值、均方根值、方差、方根幅值、峰值、峭度、偏度；

无量纲参数，包括：波形指标、峰值指标、脉冲指标、裕度指标、峭度指标。

进一步，所述频域特征提取包括：应用快速傅里叶变换时域信号，获得频域参数；频域特征参数包括：均值、方差、标准方差、偏度、峭度、中心频率、均方根值；均方根值，指的是在指定频带的频率幅值均方根值。

进一步，所述基于小波包分解提取时频域特征：每个小波包分解中，分解级数为6，也就是说获得2⁶个小波系数；每个小波系数的能量被计算，每个母小波共计2⁶个小波系数的能量组成一个特征向量，表征故障状态特征。

进一步，所述深度波尔曼兹机的能量函数定义如下：

式中，v表示可视层；h⁽¹⁾，…，h^(L)表示L个隐藏层；模型参数θ＝{W，a，b}，其中W表示网络间的连接权值矩阵，a表示可视层的偏值，b表示隐藏层的偏值；n_v表示可视层神经元数，n_hl表示第l隐藏层的神经元数。

进一步，所述特征学习过程如下：

a)将特征数据输入第一个受限波尔曼兹机RBM₁，假设其可视层为v，采用一步对比散度算法，基于重构的可视层矢量中场值，学习计算得到隐藏层第一层 h⁽¹⁾、层间自顶向下的连接权值W⁽¹⁾，层间自底向上的连接权值矩阵为2W⁽¹⁾；

b)冻结RBM₁的自底向上的连接权值矩阵为2W⁽¹⁾，按照条件概率 P(h⁽¹⁾|v；2W⁽¹⁾)抽样，提取特征h⁽¹⁾作为第一个受限波尔曼兹机RBM₂的输入； RBM₂自顶向下和自底向上两个方向的连接权值都为2W⁽²⁾，基于重构的可视层矢量中场值，采用一步对比散度算法，训练RBM₂；

c)冻结RBM₂的连接权值矩阵为2W⁽²⁾，按照条件概率P(h⁽²⁾|v；2W⁽¹⁾，2W⁽²⁾)抽样提取特征h⁽²⁾，作为RBM₃的输入，训练方式同步骤b)；

d)步骤c)进行递归处理，直到L-1层，L指深度波尔曼兹机的隐藏层数；

e)使用一步对比散度算法训练顶层的受限波尔曼兹机RBM，约束条件为：自底向上的连接权重为W^(L)，自顶向下的连接权重为2W^(L)；

f)使用连接权值{W⁽¹⁾，W⁽²⁾，…，W^(L)}，构建一个深度波尔曼兹机；

g)利用构建好的深度波尔曼兹机进行特征提取。

进一步，采用多特征参数数据融合算法，对提取的各种模态特征进行特征融合。

本发明的另一目的在于提供一种利用所述航空发动机轴承故障诊断方法诊断的航空发动机轴承。

本发明的另一目的在于提供一种利用所述航空发动机轴承故障诊断方法诊断的涡喷航空发动机轴承。

本发明的另一目的在于提供一种利用所述航空发动机轴承故障诊断方法诊断的发动机轴承。

本发明提供的航空发动机轴承故障诊断方法，运用多伦多大学RuslanSalakhutdinov和Geoffrey Hinton提出的深度波尔曼兹机，来进行特征提取。与传统的特征提取方法相比，通过构建多隐层网络模型和海量数据训练，提升分类和预测的准确性。本发明针对60公斤推力以下的民用通用涡喷航空发动机轴承，进行故障诊断；采用数据融合技术，对各状态下的特征状态信息进行融合，可以有效提高提取的状态特征参数的有效性和稳定性，有利于更精确的识别轴承故障。

本发明采用多源特征融合数据，较之单源特征状态数据，效果明显，提升了涡喷发动机的轴承故障的识别精度和稳定性；区别于传统的时域、频域、时频域的信号特征提取方法，本发明利用深度波尔曼兹机方法直接对各种模态原始数据进行重构，在保留数据原始信息的同时，有效的挖掘了数据的本质特征；将无监督学习到的多源特征，进行数据融合之后，输入到支持向量机模型，并对深度波尔曼兹机进行微调，极大的提高了涡喷发动机轴承故障精度。

附图说明

图1是本发明实施例提供的航空发动机轴承故障诊断方法流程图。

图2是本发明实施例提供的实施例1的流程图。

图3是本发明实施例提供的深度波尔曼兹机模型结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明通过实时监测涡喷发动机工作状态，采集振动信号、发动机转速、发动机排气温度、燃油流量、发动机推力5种信号，对采集的到的多种模态下的信号采用深度波尔曼兹机进行特征提取之后，采取数据融合技术，融合多种模态下的状态特征，作为故障诊断的依据。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的航空发动机轴承故障诊断方法包括以下步骤：

S101：通过采集涡喷发动机的振动信号、发动机转速、发动机排气温度、燃油流量、发动机推力5种信号，首先提取各种信号的经典的时域统计学特征、频域特征，以及基于小波包分解获得时频域特征；

S102：然后分别对各种信号的特征参数采用深度波尔曼兹机进行学习；接下来采用数据融合技术将深度波尔曼兹机学习到的各源特征进行融合；

S103：最后将融合后的特征参数作为分类器支持向量机的输入，对发动机故障进行分类识别。

下面结合附图对本发明的应用原理作进一步的描述。

本发明基于多源特征数据融合和深度波尔曼兹机的航空发动机轴承故障诊断方法，流程图如图2所示。具体步骤如下：

(1)采集振动信号、发动机转速、发动机排气温度、燃油流量、发动机推力5种信号，分别在涡喷航空发动机上安装加速度传感器、转速传感器、温度传感器、流量传感器、压力传感器，在线采集其运行过程中的五种模态下的各种信号；

(2)提取各种模态下信号特征，对采集到的振动信号等五种信号，提取其时域统计学特征，基于快速傅里叶变换提取频域特征，基于小波包分解提取时频域特征。

主要时域特征包括有量纲参数有：平均值，均方根值(有效值)，方差，方根幅值，峰值，峭度，偏度。无量纲参数：波形指标，峰值指标，脉冲指标，裕度指标，峭度指标。

频域特征提取包括：应用快速傅里叶变换时域信号，获得频域参数。频域特征参数被考虑，如均值、方差、标准方差、偏度、峭度、中心频率、均方根值。其中均方根值，指的是在指定频带的频率幅值均方根值。

基于小波包分解提取时频域特征：每个小波包分解中，分解级数为6，也就是说获得2⁶个小波系数。每个小波系数的能量被计算，每个母小波共计2⁶个小波系数的能量组成一个特征向量，表征故障状态特征。

(3)分别就每个模态下提取的特征，作为深度神经网络输入，采用深度波尔曼兹机进行学习。图3所示为一个有3个隐藏层的深度波尔曼兹机网络结构。

深度波尔曼兹机的能量函数定义如下：

式中，v表示可视层；h⁽¹⁾，…，h^(L)表示L个隐藏层；模型参数θ＝{W，a，b}，其中W表示网络间的连接权值矩阵，a表示可视层的偏值，b表示隐藏层的偏值；n_v表示可视层神经元数，n_hl表示第l隐藏层的神经元数。

整个网络分配到可视层的概率如下：

可视层和各隐藏层间的条件分布分别定义如下：

式 (3) ～ (6) 中， g( · ) 为逻辑函数 。可选取sigmoid函数或者双正切函数。

每种模态下，特征学习过程如下：

a)将特征数据输入第一个受限波尔曼兹机(Restricted Boltzmann machines，RBM)RBM₁，假设其可视层为v，采用一步对比散度算法(One-step ContrastiveDivergence),基于重构的可视层矢量中场值(mean-field reconstructions of RBM₁’svisiblevectors)，学习计算得到隐藏层第一层h⁽¹⁾、层间自顶向下的连接权值W⁽¹⁾，层间自底向上的连接权值矩阵为2W⁽¹⁾。

b)冻结RBM₁的自底向上的连接权值矩阵为2W⁽¹⁾，按照条件概率 P(h⁽¹⁾|v；2W⁽¹⁾)抽样，提取特征h⁽¹⁾作为第一个受限波尔曼兹机RBM₂的输入。 RBM₂自顶向下和自底向上两个方向的连接权值都为2W⁽²⁾，基于重构的可视层矢量中场值，采用一步对比散度算法，训练RBM₂。

c)冻结RBM₂的连接权值矩阵为2W⁽²⁾,按照条件概率P(h⁽²⁾|v；2W⁽¹⁾,2W⁽²⁾)抽样提取特征h⁽²⁾，作为RBM₃的输入，训练方式同步骤b)。

d)如图步骤c)进行递归处理，直到L-1层，这里L指深度波尔曼兹机的隐藏层数。

e)使用一步对比散度算法训练顶层的受限波尔曼兹机RBM，约束条件为：自底向上的连接权重为W^(L)，自顶向下的连接权重为2W^(L)。

f)使用连接权值{W⁽¹⁾，W⁽²⁾，…,W^(L)},构建一个深度波尔曼兹机。

g)利用构建好的深度波尔曼兹机进行特征提取。

(4)采用多特征参数数据融合算法，对步骤(3)提取的各种模态特征进行特征融合。

(5)基于步骤(4)融合的特征参数，采用支持向量机进行故障分类识别。

下面结合具体实施例对本发明的应用效果作详细的描述。

本发明的应用试验平台，该试验平台为20公斤推力的通用航空涡喷发动机，采用发明的方法，对发动机轴承故障进行诊断。试验方案如下：

(1)采集信号

(a)振动加速度信号：a(t)，用振动加速度传感器(1000mV/g)测量，该传感器采用透明胶带缠绕在发动机上面。发动机表面应该磨平(因为加速度传感器的底部是平的)。采样频率：200kHz。

(b)温度信号：T(t)，由厂家提供，输出方式0-5V，采样频率：1Hz。

(c)转速信号：r(t)，由厂家提供，输出方式0-5V，采样频率：200kHz。

(d)推力信号：F(t)。

(e)油耗信号：O(t)。

(2)发动机轴承故障诊断

(a)正常部件下，设定转速为6000、10000、12000rpm，采集信号，长度为 10s，采集20次。

(b)轴承内圈故障(直径分别为0.05mm、0.1mm、0.2mm、0.3mm、0.5mm)，设定转速为6000、10000、12000rpm，采集信号，长度为10s，采集20次。

(c)轴承外圈故障(直径分别为0.05mm、0.1mm、0.2mm、0.3mm、0.5mm)，设定转速为6000、10000、12000rpm，采集信号，长度为10s，采集20次。

(d)轴承球故障(直径分别为0.05mm、0.1mm、0.2mm、0.3mm、0.5mm)，设定转速为6000、10000、12000rpm，采集信号，长度为10s，采集20次。

通过分析本发明提出的一种基于多源特征数据融合和深度波尔曼兹机的航空发动机轴承故障诊断方法在20公斤推力的涡喷发动机上应用的试验结果，可以得出如下结论：

(1)本发明采用多源特征融合数据，较之单源特征状态数据，效果明显，提升了涡喷发动机的轴承故障的识别精度和稳定性。

(2)区别于传统的时域、频域、时频域的信号特征提取方法，本发明利用深度波尔曼兹机方法直接对各种模态原始数据进行重构，在保留数据原始信息的同时，有效的挖掘了数据的本质特征。

(3)本发明将无监督学习到的多源特征，进行数据融合之后，输入到支持向量机模型，并对深度波尔曼兹机进行微调，极大的提高了涡喷发动机轴承故障精度。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种航空发动机轴承故障诊断方法，其特征在于，所述航空发动机轴承故障诊断方法包括以下步骤：

首先通过采集涡喷发动机的振动信号、发动机转速、发动机排气温度、燃油流量、发动机推力5种信号；提取各种信号的经典的时域统计学特征、频域特征，以及基于小波包分解获得时频域特征；

然后分别对各种信号的特征参数采用深度波尔曼兹机进行特征学习；接下来采用数据融合技术将深度波尔曼兹机学习到的各源特征进行融合；

最后将融合后的特征参数作为分类器支持向量机的输入，对发动机故障进行分类识别；

所述时域统计学特征包括：

有量纲参数，包括：平均值、均方根值、方差、方根幅值、峰值、峭度、偏度；

无量纲参数，包括：波形指标、峰值指标、脉冲指标、裕度指标、峭度指标；

所述频域特征提取包括：应用快速傅里叶变换时域信号，获得频域参数；频域特征参数包括：均值、方差、标准方差、偏度、峭度、中心频率、均方根值；均方根值，指的是在指定频带的频率幅值均方根值；

所述基于小波包分解提取时频域特征：每个小波包分解中，分解级数为6，也就是说获得2⁶个小波系数；每个小波系数的能量被计算，每个母小波共计2⁶个小波系数的能量组成一个特征向量，表征故障状态特征。

2.如权利要求1所述的航空发动机轴承故障诊断方法，其特征在于，所述深度波尔曼兹机的能量函数定义如下：

式中，v表示可视层；h⁽¹⁾，…，h^(L)表示L个隐藏层；模型参数θ＝{W，a，b}，其中W表示网络间的连接权值矩阵，a表示可视层的偏值，b表示隐藏层的偏值；n_v表示可视层神经元数，n_hl表示第l隐藏层的神经元数。

3.如权利要求1所述的航空发动机轴承故障诊断方法，其特征在于，所述特征学习过程如下：

a)将特征数据输入第一个受限波尔曼兹机RBM₁，假设其可视层为v，采用一步对比散度算法，基于重构的可视层矢量中场值，学习计算得到隐藏层第一层h⁽¹⁾、层间自顶向下的连接权值W⁽¹⁾，层间自底向上的连接权值矩阵为2W⁽¹⁾；

b)冻结RBM₁的自底向上的连接权值矩阵为2W⁽¹⁾，按照条件概率P(h⁽¹⁾|v；2W⁽¹⁾)抽样，提取特征h⁽¹⁾作为第一个受限波尔曼兹机RBM₂的输入；RBM₂自顶向下和自底向上两个方向的连接权值都为2W⁽²⁾，基于重构的可视层矢量中场值，采用一步对比散度算法，训练RBM₂；

c)冻结RBM₂的连接权值矩阵为2W⁽²⁾，按照条件概率P(h⁽²⁾|v；2W⁽¹⁾，2W⁽²⁾)抽样提取特征h⁽²⁾，作为RBM₃的输入，训练方式同步骤b)；

d)步骤c)进行递归处理，直到L-1层，L指深度波尔曼兹机的隐藏层数；

e)使用一步对比散度算法训练顶层的受限波尔曼兹机RBM，约束条件为：自底向上的连接权重为W^(L)，自顶向下的连接权重为2W^(L)；

f)使用连接权值{W⁽¹⁾，W⁽²⁾，...，W^(L)}，构建一个深度波尔曼兹机；

g)利用构建好的深度波尔曼兹机进行特征提取。

4.如权利要求1所述的航空发动机轴承故障诊断方法，其特征在于，采用多特征参数数据融合算法，对提取的各种模态特征进行特征融合。

5.一种利用权利要求1～4任意一项所述航空发动机轴承故障诊断方法的航空发动机轴承。

6.一种利用权利要求1～4任意一项所述航空发动机轴承故障诊断方法的涡喷航空发动机轴承。

7.一种利用权利要求1～4任意一项所述航空发动机轴承故障诊断方法的发动机轴承。