CN108731945B - 一种航空发动机转子系统故障信号特征信息的提取方法 - Google Patents

Abstract

本发明公开了一种航空发动机转子系统故障信号特征信息的提取方法，该方法先对转子碰摩振动信号进行采集，并对采集到的转子碰摩振动信号进行FDM分解，得到完备的碰摩振动信号FIBFs分量，再构造降噪后转子碰摩故障振动信号的Hankel矩阵，并对获得降噪碰摩振动信号的奇异值绘制奇异值曲线，确定奇异值突变点并进行重构阶数和对该信号进行包络谱分析，从而实现故障信息的有效提取。该方法利用基于FDM分解和奇异值差分谱分析，实现了转子系统故障特征频率的合理提取，同时又高效滤除了碰摩振动信号中的噪声信号成份，从而能由低频段强噪声背景中提取出弱故障特征信息，实现了故障信息的有效提取。

Description

一种航空发动机转子系统故障信号特征信息的提取方法

技术领域

本发明涉及一种信号特征信息的提取方法，尤其涉及一种航空发动机转子系统故障信号特征信息的提取方法。

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，往往多种故障会表现为相同的振动，而同一故障又会表现为不同的振动，所以会导致漏报和误报，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、准确、高效的特征信息提取方法。

目前，航空发动机转子系统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转子系统故障诊断和信号特征提取做出了一定的贡献，但其诊断手段相对单一，难以较为准确、快捷的提取航空发动机转子系统的工况特征信息，而且反映航空发动机转子系统的运行状态不够全面。

同时，授权公告号为CN101968379B的专利和申请公布号为CN107506709A的专利申请分别公开了两种航空发动机转子系统故障信号特征信息的提取方法，这两种方法都是利用电涡流位移传感器测取振动信号，并分别采用构思不同的小波聚类进行分析，从大量振动位移信号中挖掘隐含的特征信息，实现工况特征的提取，前一种方法在提取精度和速度上仍然存在一定的不足，后一种提取方法在前一种的基础上进行了突破性改进，但其和前者仍然都存在一共性问题，即在提取结果中噪声背景频谱得不到有效的滤除，且弱故障特征信息与故障特征信息频率频谱冲击振幅接近，在一定程度上影响了转子故障特征的合理提取，所以，为了去除噪声干扰并更加合理地对航空发动机转子系统故障进行诊断和信号特征提取，还需通过其他方向做进一步的改进。

发明内容

(1)要解决的技术问题

针对现有技术的不足，本发明的目的在于提供一种航空发动机转子系统故障信号特征信息的提取方法，该方法利用基于FDM分解和奇异值差分谱分析，实现了转子系统故障特征频率的合理提取，同时又高效滤除了碰摩振动信号中的噪声信号成份，从而能由低频段强噪声背景中提取出弱故障特征信息，有效地去除了干扰信号对碰摩故障振动信号特征提取的影响，实现了对航空发动机转子碰摩振动信号中所包含的故障信息的有效提取。

(2)技术方案

为了解决上述技术问题，本发明提供了这样一种航空发动机转子系统故障信号特征信息的提取方法，包括如下过程：

一、航空发动机转子碰摩振动信号的采集；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一定数量的航空发动机转子在某个采样时段的碰摩振动信号x[n]，n＝0,1,…，N-1；

二、对采集航空发动机转子的碰摩振动信号进行降噪处理，具体步骤为：

(1)构建离散傅里叶变换函数信号，由式

对x[n]，n＝0,1,…，N-1进行展开，

展开得到

其中，N信号采样长度；

令X[0]与为实数，

得到

其中，Re{z₁[n]}为z₁[n]的实部；

(2)以LTH-FS方式筛选搜索AFIBFs信号分量，由式

令N₀＝0、N_M＝(-1+N/2)，

得到

即通过步骤二，对采集到的航空发动机转子系统信号进行FDM分解，得到完备的碰摩振动信号FIBFs分量。

三、重构信号，提取转子系统故障信号特征信息，具体步骤为：

(1)航空发动机转子原始信号的分解重构，由式

其中，1＜n＜N；

令，m＝N-n+1，

得到Hankel矩阵的矢量表达为

其中，u_i∈R^m×1，v_i∈R^n×1，i＝1,2,…p，p＝min(m，n)；

令A_i∈R^m×n为Hankel矩阵的行矢量，Q_i，l为A_i的第一列行矢量，H_i，n为A_i除去最后一列矢量第一行数值的子列矢量，从而构造原始信号的分量信号Q_i，其矢量表达为Q_i，l∈R^l×n，H_i，n∈R^(m-l)×n，

按σ₁≥σ₂≥…≥σ_p≥0的顺序依次展开，得到信号分解为

X_l＝Q_1，1+Q_2，1+…+Q_p，1

其中，A_i为Q_i，1，Q_i，2，…Q_i，m，Q_i，m∈R^l×n行矢量的叠加，A的行矢量为X₁，X₂，…X_m，X_m∈R^l×n；

令，H_i，n为列矢量H_i，n∈R^(m-1)×1的叠加，A的列矢量为

得到航空发动机转子原始信号的分解重构为

即通过步骤三中的(1)，构造降噪后航空发动机转子碰摩故障振动信号的Hankel矩阵。

(2)提取航空发动机转子系统故障信号的特征信息，

在分解重构后的原始信号中，包含噪声的离散碰摩振动信号为x(i)＝s(i)+n(i)，i＝1,2，…，N

其中，s(i)为目标信号，n(i)为噪声信号，N为信号采样长度；

由此构造离散碰摩振动信号x(i)的Hankel矩阵为A＝A_s+A_n

其中，A_s为目标信号s(i)的Hankel矩阵，A_n为噪声信号n(i)的Hankel矩阵，且A_s，A_n∈R^m×n；

再由此构造无噪声目标信号s(i)中Hankel矩阵A_s的奇异值近似矢量阵σ(A_s)＝(σ_s1,σ_s2,…,σ_sk,0,…,0)

其中，p＝min(m，n)为矩阵的长；

再由此构造Hankel矩阵的奇异值矩阵，令其奇异值排序为σ_A＝(σ₁,σ₂,…,σ_p)，并进行后向差分，得到

b_i＝σ_i-σ_i+1,i＝1,2，…,p-1；

再由所有的奇异值差分值构成奇异值差分谱序列B＝(b₁,b₂，…,b_p-1)

其中，当奇异值数值显著突变时，在奇异值差分谱上即出现奇异值差分谱曲线峰值，该点即为信号突变点，即为航空发动机转子系统故障发生的起始位置，从而实现对航空发动机转子碰摩振动信号中所包含的故障信息的有效提取。

即通过步骤三中的(2)，获得降噪碰摩振动信号的奇异值，绘制奇异值曲线，求绘制对应的奇异值差分谱，由此确定奇异值突变点，并以该突变点为航空发动机转子系统碰摩故障振动信号进行重构阶数，对该信号进行包络谱分析，提取航空发动机转子系统故障信号的特征信息。

综合上述步骤，通过该方法实现了对航空发动机转子采样数据的完备分解降噪，并利用奇异值差分谱的分析方法，提取航空发动机转子系统碰摩故障振动信号奇异值曲线突变点，重构航空发动机转子系统碰摩故障振动信号，并对重构后的碰摩振动信号进行包络谱分析，以实现航空发动机转子系统故障特征频率的有效提取和故障识别。

上述对航空发动机转子系统故障信号特征信息的提取过程中，涉及到了傅里叶分解(Fourier Decomposition Method，FDM)，其是首先定义傅里叶固有频带函数(Fourierintrinsic band functions，FIBFs)作为被分解信号的单分量成份，然后依次对构造满足FIBFs条件的区域周期信号进行傅里叶展开，结合Hilbert信号解析方法对周期信号进行自适应解析，得到不同分量对应的傅里叶固有频带解析函数AFIBFs，从而将样本信号分解为一系列的FIBFs分量和一个残余分量。FDM的基本原理是傅里叶分解FDM能够将多分量随机信号用一组特定的连续单傅里叶固有频带分量和一个残余分量之和进行表示。

FDM对信号的AFIBFs筛选搜索方法包含两种类型：从低频到高频前向筛选(Low toHigh Frequency Scan，LTH-FS)方式和从高频到低频反向筛选(High to Low FrequencyScan，HTL-FS)方式。本发明的提取方法是通过LTH-FS的方式来进行的。此外，汉克尔矩阵(Hankel Matrix)是指每一条副对角线上的元素都相等的方阵，Hankel矩阵也被称为重构吸引子轨道矩阵。

(3)有益效果

与现有技术相比，本发明的有益效果在于：

1.该方法通过对FIBFs函数进行Hilbert复域解析得到信号单傅里叶固有频带分量包络幅值和瞬时频率，这样不仅提高了信号的扩展效率，并且能适应非平稳数据的傅里叶分解计算，得到不同分量瞬时频率与包络时变幅值；

2.该方法利用了FDM具有完备性、正交性、局部性和自适应性的特点，保证了FDM分解的完备正交性，使信号经FDM分解后信号的能量在时域和频域内保持恒定，从而揭示出信号在时刻的时变幅值与瞬时频率的局部时频特性，进而自适应获取信号完备的分量成份，并通过信号的自适应时频分析，实现了非线性非平稳信号的完备自适应分解；

3.该方法利用Hankel矩阵进行分解重构，完整地保留了信号分量包含的所有时频特征和物理意义，满足零相位偏移特征，实现了对信号的无偏移时频特征信息提取，该方法的构思具有很强的使用价值，而且该方法延伸的奇异值差分谱时频分析法，同样具有该类型信号分解的零相位偏移特征特征，能够对信号做出有效的频谱分析；

4.该方法利用奇异值差分谱，有效地规避了存在多个奇异值曲线突变假点的可能性，从而有效提取出离散碰摩振动信号中能够真实反映特征信息的分量组份，不仅能够实现离散碰摩振动信号的降噪分析，还能精准把握机械振动信号的突变信息，进而实现对碰摩振动信号中所包含的故障信息的有效提取。

总体而言，本发明故障信号特征信息的提取方法利用基于FDM分解和奇异值差分谱分析，实现了转子系统故障特征频率的合理提取，同时又高效滤除了碰摩振动信号中的噪声信号成份，从而能由低频段强噪声背景中提取出弱故障特征信息，有效地去除了干扰信号对碰摩故障振动信号特征提取的影响，实现了对航空发动机转子碰摩振动信号中所包含的故障信息的有效提取。

附图说明

为了更清楚的说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术中描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一种实施方式，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明具体实施方案中信号x₁(t)的时域波形图。

图2为本发明具体实施方案中信号x₁(t)傅里叶变换的结果频谱图。

图3为本发明具体实施方案中对傅里叶变换后的复值函数x₁(f)进行幅值、相位、实部和虚部频谱分析得到的频谱分析结果图。

图4为本发明具体实施方案中信号经FDM分解得到的信号分解结果图。

图5为本发明具体实施方案中降噪后碰摩振动信号奇异值差分谱图。

图6为本发明具体实施方案中重构转子碰摩故障振动信号的结果图。

图7为本发明具体实施方案中重构得到转子故障特征提取的结果图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面对本发明具体实施方式中的技术方案进行清楚、完整的描述，以进一步阐述本发明，显然，所描述的具体实施方式仅仅是本发明的一部分实施方式，而不是全部的样式。

航空发动机转子系统故障信号特征信息的提取方法实施案例，包括如下过程：

第一步，航空发动机转子碰摩振动信号的采集；通过电涡流位移传感器，选取转速为2000r/min时航空发动机转子的1000组碰摩振动信号数据样本，设置信号的采样频率为1000Hz；

由式构造调频调幅时序仿真信号x₁(t)，仿真信号x₁(t)包含一个非线性调频信号x₁₁(t)和一个具有一定周期的调频调幅信号x₁₂(t)，设置信号的采样频率为1000Hz；

信号x₁(t)的时域波形图如图1所示。其中，信号x₁(t)的波形图呈现出复杂的波形脉冲特性，无显著周期特性，为典型的调频调幅类信号；分量信号x₁₁(t)为非线性调频信号，其波形无明显有限长时域周期，振幅保持在原始余弦函数碰摩振动振幅[-1,1]范围内，呈现显著的非线性调频特性；分量信号x₁₂(t)具有一定的波形周期T＝0.2s，振幅具有显著的调制现象，符合调频调幅信号类型的特点。调频调幅仿真信号具备典型的调频调幅时域冲击特征。

第二步，对采集航空发动机转子的碰摩振动信号进行降噪处理，具体步骤为：

(1)构建离散傅里叶变换函数信号，由式

对x[n]，n＝0,1,…，N-1进行展开，

展开得到

其中，N信号采样长度；

令X[0]与为实数，

得到

其中，Re{z₁[n]}为z₁[n]的实部；

即对信号x₁(t)进行傅里叶变换，并作出信号x₁(t)傅里叶变换的结果频谱图，如图2所示。

再对傅里叶变换后的复值函数x₁(f)进行幅值、相位、实部和虚部频谱分析，得到频谱分析结果图，如图3所示。

信号x₁(t)在f＝100Hz处包含较为密集的调频分量，在频率200Hz＜f＜400Hz范围内存在具有显著调幅特性的分量成份，且该范围内的频谱存在频率调制现象，揭示了信号x₁(t)的调频调幅特点；而在对傅里叶变换后的信号x₁(f)进行频谱分析后得到了同样的结论。而由得到的频谱分析结果图可以知道，变换后的复值信号x₁(f)在f＝100附近存在密集的调频分量，其相位谱呈现出剧烈的频率调制现象，而在频率200Hz＜f＜400Hz范围内信号相位谱呈现出显著的信号调频调幅规律，从振幅谱和相位谱两个角度揭示了信号的调频调幅特性。

(2)以LTH-FS方式筛选搜索AFIBFs信号分量，由式

令N₀＝0、N_M＝(-1+N/2)，

得到

即对上述信号进行信号的FDM分解，得到信号分解结果图，如图4所示。

第三步，重构信号，提取转子系统故障信号特征信息，具体步骤为：

(1)航空发动机转子原始信号的分解重构，由式，

其中，1＜n＜N；

令，m＝N-n+1，

得到Hankel矩阵的矢量表达为

其中，u_i∈R^m×1，v_i∈R^n×1，i＝1,2,…p，p＝min(m，n)；

令A_i∈R^m×n为Hankel矩阵的行矢量，Q_i，l为A_i的第一列行矢量，H_i，n为A_i除去最后一列矢量第一行数值的子列矢量，从而构造原始信号的分量信号Q_i，其矢量表达为Q_i，l∈R^l×n，H_i，n∈R^(m-l)×n，

按σ₁≥σ₂≥…≥σ_p≥0的顺序依次展开，得到信号分解为

X_l＝Q_1，1+Q_2，1+…+Q_p，1

其中，A_i为Q_i，1，Q_i，2，…Q_i，m，Q_i，m∈R^l×n行矢量的叠加，A的行矢量为X₁，X₂，…X_m，X_m∈R^l×n；

令，H_i，n为列矢量H_i，n∈R^(m-1)×1的叠加，A的列矢量为

得到航空发动机转子原始信号的分解重构为

(2)提取航空发动机转子系统故障信号的特征信息，

在分解重构后的原始信号中，包含噪声的离散碰摩振动信号为x(i)＝s(i)+n(i)，i＝1,2，…，N

其中，s(i)为目标信号，n(i)为噪声信号，N为信号采样长度；

由此构造离散碰摩振动信号x(i)的Hankel矩阵为A＝A_s+A_n

其中，A_s为目标信号s(i)的Hankel矩阵，A_n为噪声信号n(i)的Hankel矩阵，且A_s，A_n∈R^m×n；

再由此构造无噪声目标信号s(i)中Hankel矩阵A_s的奇异值近似矢量阵σ(A_s)＝(σ_s1,σ_s2,…,σ_sk,0,…,0)

其中，p＝min(m，n)为矩阵的长；

再由此构造Hankel矩阵的奇异值矩阵，令其奇异值排序为σ_A＝(σ₁,σ₂,…,σ_p)，并进行后向差分，得到

b_i＝σ_i-σ_i+1,i＝1,2，…,p-1；

再由所有的奇异值差分值构成奇异值差分谱序列B＝(b₁,b₂，…,b_p-1)

即通上述计算得到转子碰摩振动信号的奇异值如下：

i分量	1	2	3	4	5	6	7	8	…
										奇异值σ<sub>i</sub>	333.6	333.4	326.3	326.2	277.0	276.8	225.8	225.8	…
差分值b<sub>i</sub>	0.22	7.04	0.17	49.21	0.19	50.97	0.03	0	…

由上述碰摩振动信号奇异值及其对应的差分值绘制降噪后碰摩振动信号奇异值差分谱图如图5所示。

由上奇异值差分谱图可以看出，虚线为奇异差分值的参考线，标定了奇异值差分谱的极值点位于b₆处，对应后向差分的奇异值为σ₇，因此转子碰摩振动信号重构阶数k＝7，重构转子碰摩故障振动信号的结果图如图6所示。

由此可以看出，航空发动机转子原始碰摩振动信号进FDM分解降噪和奇异值差分谱分析后得到的重构转子碰摩振动信号有效滤除了强噪声背景信号成份和干扰信号成份，重构信号波形平滑，无复杂的脉冲波峰冲击。

对重构后的转子碰摩振动信号进行包络谱分析，得到转子故障特征提取结果如图7所示。

由此可以明显得出，当奇异值数值显著突变时，在奇异值差分谱上即出现奇异值差分谱曲线峰值，该点即为信号突变点，即为航空发动机转子系统故障发生的起始位置，从而实现对航空发动机转子碰摩振动信号中所包含的故障信息的有效提取。

总体而言，本发明故障信号特征信息的提取方法利用基于FDM分解和奇异值差分谱分析，实现了转子系统故障特征频率的合理提取，同时又高效滤除了碰摩振动信号中的噪声信号成份，从而能由低频段强噪声背景中提取出弱故障特征信息，有效地去除了干扰信号对碰摩故障振动信号特征提取的影响，实现了对航空发动机转子碰摩振动信号中所包含的故障信息的有效提取。

以上描述了本发明的主要技术特征和基本原理及相关优点,对于本领域技术人员而言，显然本发明不限于上述示范性具体实施方式的细节，而且在不背离本发明的构思或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将上述具体实施方式看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。

此外，应当理解，虽然本说明书按照各实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施方式中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (1)

1.一种航空发动机转子系统故障信号特征信息的提取方法，其特征在于，包括如下过程：

一、航空发动机转子碰摩振动信号的采集；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一定数量的航空发动机转子在某个采样时段的碰摩振动信号x[n]，n＝0,1,…，N-1；

二、对采集航空发动机转子的碰摩振动信号进行降噪处理，具体步骤为：

(1)构建离散傅里叶变换函数信号，由式

对x[n]，n＝0,1,…，N-1进行展开，展开得到

其中，N信号采样长度；

令N＝2k、X[0]与为实数，

得到

其中，Re{z₁[n]}为z₁[n]的实部；

(2)以LTH-FS方式筛选搜索AFIBFs信号分量，由式

令N₀＝0、N_M＝(-1+N/2)，

得到

三、重构信号，提取转子系统故障信号特征信息，具体步骤为：

(1)航空发动机转子原始信号的分解重构，由式，

其中，1＜n＜N；

令，m＝N-n+1，

得到Hankel矩阵的矢量表达为

其中，u_i∈R^m×1，v_i∈R^n×1，i＝1,2,…p，p＝min(m，n)；

令A_i∈R^m×n为Hankel矩阵的行矢量，Q_i，l为A_i的第一列行矢量，H_i，n为A_i除去最后一列矢量第一行数值的子列矢量，从而构造原始信号的分量信号Q_i，其矢量表达为Q_i，l∈R^l×n，H_i，n∈R^(m-l)×n，

按σ₁≥σ₂≥…≥σ_p≥0的顺序依次展开，得到信号分解为

X_l＝Q_1，1+Q_2，1+…+Q_p，1

其中，A_i为Q_i，1，Q_i，2，…Q_i，m，Q_i，m∈R^l×n行矢量的叠加，A的行矢量为X₁，X₂，…X_m，X_m∈R^l×n；

令，H_i，n为列矢量H_i，n∈R^(m-1)×1的叠加，A的列矢量为

得到航空发动机转子原始信号的分解重构为

(2)提取航空发动机转子系统故障信号的特征信息，

在分解重构后的原始信号中，包含噪声的离散碰摩振动信号为x(i)＝s(i)+n(i)，i＝1,2，…，N

其中，s(i)为目标信号，n(i)为噪声信号，N为信号采样长度；

由此构造离散碰摩振动信号x(i)的Hankel矩阵为A＝A_s+A_n

其中，A_s为目标信号s(i)的Hankel矩阵，A_n为噪声信号n(i)的Hankel矩阵，且A_s，A_n∈R^{m ×n}；

再由此构造无噪声目标信号s(i)中Hankel矩阵A_s的奇异值近似矢量阵σ(A_s)＝(σ_s1,σ_s2,…,σ_sk,0,…,0)

其中，p＝min(m，n)为矩阵的长；

再由此构造Hankel矩阵的奇异值矩阵，令其奇异值排序为σ_A＝(σ₁,σ₂,…,σ_p)，并进行后向差分，得到

b_i＝σ_i-σ_i+1,i＝1,2，…,p-1；

再由所有的奇异值差分值构成奇异值差分谱序列B＝(b₁,b₂，…,b_p-1)

其中，当奇异值数值显著突变时，在奇异值差分谱上即出现奇异值差分谱曲线峰值，该点即为信号突变点，即为航空发动机转子系统故障发生的起始位置，从而实现对航空发动机转子碰摩振动信号中所包含的故障信息的有效提取。