CN108388860B - 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法 - Google Patents

Abstract

本发明属于航空发动机故障诊断技术领域，提供了一种基于功率熵谱‑随机森林的航空发动机滚动轴承故障诊断方法。本发明针对现有传统技术存在的上述不足，提出基于随机森林的航空发动机滚动轴承故障诊断方法，其中，首先使用某研究机构提供的航空发动机滚动轴承试验测量数据建立训练数据集和测试数据集；基于故障特征提取的思想，采用小波分析对原始采集数据进行时域统计分析和频域分析；从而从工程应用角度出发，实现了有效的故障诊断。

Description

一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊 断方法

技术领域

本发明属于航空发动机故障诊断技术领域，具体涉及一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法。

背景技术

航空发动机作为航空发动机系统的核心部件之一，其能否正常工作将直接影响到飞机的飞行安全。而滚动轴承是航空发动机中应用最广泛的一种通用机械部件，研究表明，在航空发动机的各种故障中，滚动轴承故障占有相当大的比例。因此，如何准确监测识别出航空发动机滚动轴承所处的不同故障模式，对确保飞机飞行安全以及降低维修成本起关键作用，具有重要的军事与经济价值。

目前已有很多国内外学者展开了滚动轴承的检测及诊断研究方面的工作，常用诊断技术包括热诊断、声学诊断、光纤诊断、油液诊断以及振动诊断技术。其中，振动诊断技术理论相对成熟，其通过采集和处理运行过程中的振动信号，对滚动轴承中的变形、脱落等进行监测和诊断。本文中采用的即为振动诊断技术。而随着

综上，本文提出一种基于随机森林的航空发动机滚动轴承故障诊断模型，从工程实际应用角度出发，对发动机滚动轴承的内圈故障、外圈故障以及滚动体故障等10类状态进行识别。

发明内容

本发明针对现有传统技术存在的上述不足，提出基于随机森林的航空发动机滚动轴承故障诊断方法。

本发明的技术方案：

一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法，如附图1主流程图所示，步骤如下：

第一步，航空发动机性滚动轴承故障数据预处理

对原始滚动轴承数据，首先进行(1)、(2)步预处理：

(1)滚动轴承实验测量数据包括转速n₁、驱动端振动加速度a₁、风扇端振动加速度a₂、故障直径d、滚珠个数Z、内圈半径r₁、外圈半径r₂和接触角度α₂，共8组参数；

(2)数据集成：滚动轴承实验测量数据包括多个实验过程现场采集数据，将多源实验数据结合起来统一存储，并建立滚动轴承故障数据库；

待提取出故障特征后，对特征数据进行(3)、(4)、(5)步处理：

(3)重采样：对于特征数据进行分析，由于采时间间隔不等，为了方便之后的滚动预测，采用线性重采样法对滚动轴承实验测量数据进行重采样处理；

(4)归一化：对重采样处理后的数据进行归一化处理，以取消各维数据间数量级差别，避免因输入输出数据数量级差别较大而造成预测误差较大；使用最大最小法，其转换形式如下：

x_no_r＝(x_no_r-x_min)/(x_max-x_min)

式中，x_nor为待归一化数据序列，x_min为数据序列中的最小数，x_max为数据序列中的最大数；

(5)数据筛选与清理：对归一化后的数据进行可视化处理，讲故障数据进行简单聚类和清理；

第二步，滚动轴承数据特征向量提取

对采集的滚动轴承实验测量数据进行处理以作为特征向量来表征振动故障特征情况，特征向量包括时域参数和功率谱熵；

(1)时域参数

振动信号时域参数的变化往往反映着设备工作运行状态的改变，因此将信号的一些时域参数作为特征参数；振动时域特征参数一般分为有量纲和无量纲两种，设采集到的振动数据为

其中N为实验观测时间；

其中，有量纲时域振动参数如下

均值：

方差：

均方根值：

峰值：

X_p＝max(|X_t|)

其中，无量纲时域振动参数如下：

峰值指标：

偏态指标：

峭度指标：

脉冲指标：

波性指标：

裕度指标：

其中，N为实验观测时间，即原始信号长度；

(2)功率谱熵

利用MATLAB中的小波工具箱对振动信号进行分解与重构，在进行分解与重构之前，首先选取和确定小波基函数、小波阶数和小波包分解层数，其中，小波基函数选择Db小波，小波阶数选择1，小波包分解层数选择3；

在经过小波包正交分解处理后，由于测量振动信号所得的各个频带信号相对独立，因此可监测由小波包得到的各个频带的能量这种方法，测出包括谐波分量在内的所有信号分量；

信号分量计算公式为：

其中，E_ij为能量，S_ij(t)为重构信号，i为小波包分解层数，j为第i层节点，j＝1，...，2ⁱ；m＝1，2，…，n，n∈Z，n为重构信号的离散点数目；

然后计算功率谱熵；功率谱是指功率有限的信号在单位频带内功率随频率变化情况；对信号进行j层小波包分解后得到小波包分解序列S(j，m)，m取0～2^j-1，在此把信号的小波分解看成对信号的一种划分，定义该划分的测度：

其中，S_F(j，m)(i)为S(j，m)的傅里叶变换序列的第i个值；N是原始信号长度；

基于信息熵的基本理论，同样定义小波包空间上的功率谱熵：

根据分析选择时域参数(均值、方差、均方根值、峰值、峰值指标、偏态指标、峭度指标、脉冲指标、波形指标及裕度指标等10项指标)及功率谱熵共11个参数作为特征参数作为随机森林方法中的输入属性。故障特征提取中的时域分析如附表1所示，功率熵计算分析如附图2所示。

第三步，构建训练数据库

设第r类故障的样本容量为G(r)，该组样本稀疏表示后为{X(1)，X(2)，，，(X(G(r))}，其中X(h)＝{x_h(1)，x_h(2)...x_h(dim)，}为每一个样本中对应的多维特征向量；

设{y(1)，y(2)...y(G(r))}为对应的多分类故障标签，则随机森林模型的输入量为{X(h)}，输出量为{y(h)}；

第四步，构建基于随机森林的滚动轴承振动故障分类模型

随机森林是一种基于分类树的组合算法，由Breiman于2001年提出。由于具备参数调整较少、不必担心过拟合，对噪声有较好的抗干扰性等特点故在多个领域得到了应用。其实现原理简述如下：

随机森林的重要参数有两个，分别为：ntree，即生成的决策树的个数；以及mtry，即回归树的特征数量；

随机森林模型训练步骤如下：

1)首先给定训练集Train、测试集Test以及特征维数F，并确定决策树数量ntree、每棵树的深度depth以及回归树的特征数量mtry；

2)对于第i棵树(i＝1：ntree)，从Train中有放回的抽取大小和Train一样的训练集Train(i)，作为根节点的样本；

3)如果在当前节点上达到终止条件，即节点上有最少的样本数s，以及节点上有最少的信息增益m，则设置当前节点为叶子节点，并继续依次训练其他节点；

如果当前节点没有达到终止条件，则从F维特征中随机选取mtry维特征，fmtry＜＜F；利用mtry维特征，寻找分类效果最好的一维特征m及其阈值threshold，并继续训练其他节点；

4)重复步骤2)和3)直到所有节点都训练过或被标记为叶子节点；

5)重复步骤2)、3)和4)直到所有决策树都得到训练；

6)对于测试集Test中的样本，从根节点开始，根据当前节点的阈值threshold，判断是进入左节点还是进入右节点，直到其到达某个叶子节点，并输出分类标签；

7)根据测试集中数据，统计分类准确率，评价模型分类效果(效果如附表2所示)。

本发明的有益效果：本发明的方法，首先使用某研究机构提供的航空发动机滚动轴承试验测量数据建立训练数据集和测试数据集；基于故障特征提取的思想，采用小波分析对原始采集数据进行时域统计分析和频域分析；从而从工程应用角度出发，实现了有效的故障诊断。

附图说明

图1是航空发动机滚动轴承故障诊断方法建立流程图。

图2是滚动轴承时域振动信号显示图。

图3是功率谱熵分析结果显示(频带能量谱)。

具体实施方式

以下结合附图和技术方案，进一步说明本发明的具体实施方式。

本方法使用的数据是某研究机构提供的滚动轴承试验数据320组。

第一步，航空发动机性滚动轴承故障数据预处理

(1)轴承原始数据包括转速n₁、驱动端振动加速度a₁、风扇端振动加速度a₂、故障直径d、滚珠个数Z、内圈半径r₁、外圈半径r₂、接触角度α₂，共8组参数；

(2)数据集成：滚动轴承实验数据包括多个实验过程现场采集数据。将之建立滚动轴承故障数据仓库；

待提取出故障特征后，对特征数据进行(3)、(4)、(5)步处理：

(3)重采样：对于数据进行分析，由于采时间间隔不等，为了方便之后的滚动预测，采用线性重采样法对航发性能参数数据进行重采样处理；

(4)归一化：对重采样处理后的数据进行归一化处理，转化为一定范围内的数据，以取消各维数据间数量级差别，避免因输入输出数据数量级差别较大而造成预测误差较大。使用最大最小法。

(5)数据筛选与清理：讲故障数据进行简单聚类和清理；

第二步，滚动轴承数据特征向量提取

对采集的轴承振动数据进行处理以作为特征向量来表征振动故障特征情况，特征向量主要包括时域参数和功率谱熵。

(1)时域参数

振动信号时域参数的变化往往反映着设备工作运行状态的改变，因此我们可以将信号的一些时域参数作为特征参数。振动时域特征参数一般分为有量纲和无量纲两种。

(2)功率谱熵

利用MATLAB中的小波工具箱对振动信号进行分解与重构。在进行分解与重构之前，首先要选取合适的小波基函数、小波阶数、小波包分解层数。这里小波基函数选择Db小波，小波阶数选择1，小波包分解层数选择3。

基于信息熵的基本理论，同样可以定义小波包空间上的功率谱熵并进行计算。

故综上所述，根据分析选择时域参数(均值、方差、均方根值、峰值、峰值指标、偏态指标、峭度指标、脉冲指标、波形指标及裕度指标等10项指标)及功率谱熵共11个参数作为特征参数作，将之当作随机森林方法中的输入属性。特征参数提取如附表1所示(取10个样本故障提取结果)。功率谱熵计算分析如附图2所示。

表1特征参数提取(时域参数与功率谱熵)

第三步，构建训练数据库

本次实验中共有数据320组。根据提取的11维特征向量，其中输入数据的维数为11维。输出数据是对应的故障类型，共有10类故障。在320组数据中，选择训练数据200组，测试数据使用剩余的120组。

第四步，构建基于随机森林的滚动轴承振动故障分类模型

随机森林的重要参数有ntree和mtry，其中ntree为生成的决策树的个数，mtry即回归树的特征数量。

随机森林模型训练步骤如下：

(1)首先给定训练集Train、测试集Test以及特征维数F。并确定决策树数量ntree、每棵树的深度depth以及回归树的特征数量mtry；

(2)对于第i棵树(i＝1:ntree)，从Train中有放回的抽取大小和Train一样的训练集Train(i)，作为根节点的样本；

(3)根据当前节点是否达到终止条件，对当前节点进行相应阈值threshold等指标的确定。

(4)重复步骤上述步骤直到所有决策树都得到训练。从而建立诊断模型。

(6)对于测试集Test中的样本，从根节点开始，根据当前节点的阈值threshold，判断是进入左节点还是进入右节点，直到其到达某个叶子节点，并输出分类标签。

(7)统计分类准确率，其10类故障的分类效果如附表2所示。

表2基于随机森林模型的滚动轴承各故障类型分类效果统计

由上表统计结果可知，随机森林故障诊断模型具有较高地故障分类效果，故障识别率达到了97.5％，同时该实验结果也说明了以时域指标和功率谱熵作为故障特征表征原始传感器信号达到了良好的效果。综上所述，本文中提出的基于随机森林的航空发动机滚动轴承故障诊断方法达到了较好的应用效果。

Claims (1)

1.一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法，其特征在于，步骤如下：

第一步，航空发动机滚动轴承故障数据预处理

对原始滚动轴承数据，首先进行(1)、(2)步预处理：

(1)滚动轴承实验测量数据包括转速n₁、驱动端振动加速度a₁、风扇端振动加速度a₂、故障直径d、滚珠个数Z、内圈半径r₁、外圈半径r₂和接触角度α₂，共8组参数；

(2)数据集成：滚动轴承实验测量数据包括多个实验过程现场采集数据，将多源实验数据结合起来统一存储，并建立滚动轴承故障数据库；

待提取出故障特征后，对特征数据进行(3)、(4)、(5)步处理：

(3)重采样：对于特征数据进行分析，由于采样时间间隔不等，为了方便之后的滚动预测，采用线性重采样法对滚动轴承实验测量数据进行重采样处理；

(4)归一化：对重采样处理后的数据进行归一化处理，以取消各维数据间数量级差别，避免因输入输出数据数量级差别较大而造成预测误差；使用最大最小法，其转换形式如下：

x_nor＝(x_nor-x_min)/(x_max-x_min)

式中，x_nor为待归一化数据序列，x_min为数据序列中的最小数，x_max为数据序列中的最大数；

(5)数据筛选与清理：对归一化后的数据进行可视化处理，将故障数据进行简单聚类和清理；

第二步，滚动轴承数据特征向量提取

对采集的滚动轴承实验测量数据进行处理以作为特征向量来表征振动故障特征情况，特征向量包括时域参数和功率谱熵；

(一)时域参数

振动信号时域参数的变化往往反映着设备工作运行状态的改变，将信号的一些时域参数作为特征参数；振动时域特征参数分为有量纲和无量纲两种，设采集到的振动数据为

其中N为实验观测时间；

其中，有量纲时域振动参数如下

均值：

方差：

均方根值：

峰值：

X_p＝max(|X_t|)

其中，无量纲时域振动参数如下：

峰值指标：

偏态指标：

峭度指标：

脉冲指标：

波性指标：

裕度指标：

其中，N为实验观测时间，即原始信号长度；

(二)功率谱熵

利用MATLAB中的小波工具箱对振动信号进行分解与重构，在进行分解与重构之前，首先选取和确定小波基函数、小波阶数和小波包分解层数，其中，小波基函数选择Db小波，小波阶数选择1，小波包分解层数选择3；

在经过小波包正交分解处理后，由于测量振动信号所得的各个频带信号相对独立，因此可监测由小波包得到的各个频带的能量这种方法，测出包括谐波分量在内的所有信号分量；

信号分量计算公式为：

其中，E_ij为能量，S_ij(t)为重构信号，i为小波包分解层数，j为第i层节点，j＝1，…，2ⁱ；u＝1，2，…，n，n∈Z，n为重构信号的离散点数目；

然后计算功率谱熵；功率谱是指功率有限的信号在单位频带内功率随频率变化情况；对信号进行j层小波包分解后得到小波包分解序列S(j,m)，m取0～2^j-1，在此把信号的小波分解看成对信号的一种划分，定义该划分的测度：

其中，S_F(j,m)(i)为S(j,m)的傅里叶变换序列的第i个值；N是原始信号长度；

基于信息熵的基本理论，同样定义小波包空间上的功率谱熵：

根据分析选择时域参数及功率谱熵作为特征参数作为随机森林方法中的输入属性；

第三步，构建训练数据库

设第r类故障的样本容量为G(r)，该组样本稀疏表示后为{X(1),X(2)…X(G(r))}，其中X(h)＝{x_h(1),x_h(2)…x_h(dim)}为每一个样本中对应的多维特征向量；

设{y(1),y(2)…y(G(r))}为对应的多分类故障标签，则随机森林模型的输入量为{X(h)}，输出量为{y(h)}；

第四步，构建基于随机森林的滚动轴承振动故障分类模型

随机森林的重要参数有两个，分别为：ntree，即生成的决策树的个数；以及mtry，即回归树的特征数量；

随机森林模型训练步骤如下：

1)首先给定训练集Train、测试集Test以及特征维数F，并确定决策树数量ntree、每棵树的深度depth以及回归树的特征数量mtry；

2)对于第i棵树，i＝1:ntree，从Train中有放回的抽取大小和Train一样的训练集Train(i)，作为根节点的样本；

3)如果在当前节点上达到终止条件，即节点上有最少的样本数s，以及节点上有最少的信息增益g，则设置当前节点为叶子节点，并继续依次训练其他节点；

如果当前节点没有达到终止条件，则从F维特征中随机选取mtry维特征，mtry<<F；利用mtry维特征，寻找分类效果最好的一维特征w及其阈值threshold，并继续训练其他节点；

4)重复步骤2)和3)直到所有节点都训练过或被标记为叶子节点；

5)重复步骤2)、3)和4)直到所有决策树都得到训练；

6)对于测试集Test中的样本，从根节点开始，根据当前节点的阈值threshold，判断是进入左节点还是进入右节点，直到其到达某个叶子节点，并输出分类标签；

7)根据测试集中数据，统计分类准确率，评价模型分类效果。

Images