CN108760327A - 一种航空发动机转子故障的诊断方法 - Google Patents

Abstract

本发明公开了一种航空发动机转子故障的诊断方法，该方法先利用电涡流加速度传感器对航空发动机转子的振动加速度信号进行采集，再对采集航空发动机转子的振动加速度信号进行降噪处理，并提取航空发动机转子降噪后的信号特征量，又基于马氏距离的自动密度峰值聚类对信号特征量进行聚类分析。该故障诊断方法利用小波分解并进行阈值处理，再通过提升小波重构，高效地去除了信号中的噪声干扰，并提取出降噪后的信号特征量，再基于马氏距离的自动密度峰值聚类对信号特征量进行聚类分析，从而在将噪音干扰消除至最小值，实现了对航空发动机转子故障信息的诊断，并快速得出各类航空发动机转子的故障结果。

Description

一种航空发动机转子故障的诊断方法

技术领域

本发明涉及一种机械故障的诊断方法，尤其涉及一种航空发动机转子故障的诊断方法。

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故障的诊断方法，该故障诊断方法利用小波分解并进行阈值处理，再通过提升小波重构，高效地去除了信号中的噪声干扰，并提取出降噪后的信号特征量，再基于马氏距离的自动密度峰值聚类对信号特征量进行聚类分析，从而在将噪音干扰消除至最小值，实现了对航空发动机转子故障信息的诊断，并快速得出各类航空发动机转子的故障结果。

(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故障的诊断方法，包括如下过程：

一、航空发动机转子振动加速度信号的采集；通过电涡流加速度传感器，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系统在某个采样时段的振动加速度信号；

对旋转机械来说，振动加速度、振动速度和振动位移这三个是作为衡量设备状态的重要参数，由于航空装置结构振动频率较高，所以常通过振动加速度和振动位移来评定航空发动机的振动状态，因此我们在涡轮机匣的水平及垂直位置布置电涡流式加速度传感器，用来采集机匣的振动加速度信号。

二、对采集航空发动机转子的振动加速度信号进行降噪处理，该降噪处理采用提升小波阈值的方法进行去噪，具体步骤为：

(1)对振动加速度信号进行N层提升小波分解；对振动加速度信号通过进行小波提升，并由式

s_e(k)＝s(2k)，k∈Z

s_o(k)＝s(2k+1)，k∈Z

将数据序列{s(k),k∈Z}剖分为奇样本序列和偶样本序列；

再由式

d(k)＝s_o(k)-P[s_e(k)]，k∈Z

c(k)＝s_e(k)+U[d(k)]，k∈Z

得到N组提升小波的近似系数c和细节系数d，

其中，P(·)为预测器，用s_e(k)预测s_o(k)，预测偏差为细节信号d(k)，U(·)为更新器，以细节信号d(k)更新s_e(k)，c(k)为逼近信号；

(2)对每层细节系数进行阈值处理；由式

进行软阈值处理，

其中，sign(x)为x的符号函数；

得到估计细节系数G；

(3)用估计细节系数G与近似系数c由高至低进行提升小波重构；由式

s_e(k)＝c(k)-U[d(k)]，k∈Z

s_o(k)＝d(k)-P[s_e(k)]，k∈Z

由高至低进行提升小波重构，得到降噪后的信号；

三、提取航空发动机转子降噪后的信号特征量；由式

得到振幅熵H，

其中，P_i为第i个信号出现的概率；

再由式得到平均功率P，再通过快速傅里叶变换得到一组功率谱离散序列F(F₁,F₂,...,F_N)；

再由式得出离散功率谱重心；

即通过步骤三，根据航空发动机转子在不同故障类型下振动信号的特点，选取功率谱重心E和振幅熵H两个信号的特征属性作为特征量，构成二维的振动信号特征值。

将熵的概念引入到振动信号中，得到振幅熵的概念，其物理意义为振动的区间分布情况，振幅熵越小，振动范围越小，振动越平稳；振幅熵越大，振动范围就越广，振动越散乱。

当N→∞时，x_N(t)→x(t)，若的极限存在，则定义他是功率谱密度函数，简称功率谱，他表示了在单位频带中信号功率随频率的变化情况，即功率在频域的分布情况。

四、基于马氏距离的自动密度峰值聚类对信号特征量进行聚类分析，具体步骤为：

(1)确定马氏距离中的d值；由式

得到马氏距离中的d值，

其中，为样本的总体均值，μ为类的总体均值，C为信号特征量矩阵的协方差矩阵x为样本点，σ为标准差；

(2)对信号特征量进行聚类分析；由式

得到Ρ_i和Δ_i，

其中，ρ为局部密度，ρ_min为ρ_i中的最小值，ρ_max为ρ_i中的最大值，δ为相对高密度点距离，δ_min为δ_i中的最小值，δ_max为δ_i中的最大值；

再由式γ_i＝Ρ_i·Δ_i

得到聚类中心判定参数γ，通过聚类中心判定参数γ从而确定不同故障信号特征信息的聚类中心，进而诊断出航空发动机转子不同的故障信息。

根据聚类计算，显然当某点的γ值越大，该点为聚类中心的概率也就越大，因此，可以通过设定一个阈值来自动的选择密度峰值，当γ值大于阈值，则确定为其密度峰值点即为数据集的聚类中心；从而确定了不同故障信号特征信息的聚类中心，进而诊断出航空发动机转子不同的故障信息。

根据对信号特征值提取结果的分析，对经过提升小波阈值去噪后的信号进行特征提取比对原始信号直接进行特征提取得到的特征值更能体现故障的类别性，有利于我们进行之后的故障聚类操作，由此也更加印证了提升小波阈值去噪方法在故障诊断过程中的重要性和优越性。

(3)有益效果

与现有技术相比，本发明的有益效果在于：

1.该方法在步骤二中通过提升小波的方式，对信号低频成分进行分解，使下一级分辨率的低频中所含的高频成分减少，显现出原有信号的本质，使得信号更为聚拢，特征值表现出密集的特性；

2.该方法对信号进行去噪重构，有效地滤除了干扰的噪声信号，使特征值的离散点被信号最本质的信息所体现，在对信号去噪之前，其特征值的平面分布十分散乱，且很难分辨出各种运行状态的分布情况，而在进行去噪处理后，其特征值分布情况有着明显的改善，特征值的分布都比较密集，且各种运行状态之间都存在这比较明显的间隔，因此可以非常明显地诊断出航空发动机转子不同的故障信息；

3.该方法通过引入马氏距离的方式，优化了信号各个维度的尺度，方便截断距离的选择，使聚类参数更易确定，并能够实现自动选择密度峰值作为聚类中心的，进而实现对航空发动机转子故障信息的诊断。

总体而言，该故障诊断方法利用小波分解并进行阈值处理，再通过提升小波重构，高效地去除了信号中的噪声干扰，并提取出降噪后的信号特征量，再基于马氏距离的自动密度峰值聚类对信号特征量进行聚类分析，从而在将噪音干扰消除至最小值，实现了对航空发动机转子故障信息的诊断，并快速得出各类航空发动机转子的故障结果。

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降噪后的信号结果图。

图2为本发明具体实施方案中在2400r/min的转速下得到的聚类结果图。

图3为本发明具体实施方案中在2700r/min的转速下得到的聚类结果图。

图4为本发明具体实施方案中故障特征聚类结果图。

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。

航空发动机转子故障的诊断方法实施案例，包括如下过程：

第一步，航空发动机转子振动加速度信号的采集；通过电涡流加速度传感器，选取航空发动机转子转速为2400r/min和2700r/min的数据，采样频率为10240HZ，样本长度8192，样本数1525组；实施案例中选择左侧机匣水平方向上的加速度传感器所采集到的信号，信号为离散的振动加速度信号，由于每组信号在首尾可能存在误差，因此，在信号处理与计算时，只取用每组数据中段的5120个数据，最后主要采用转子综合状态比较稳定的状态，并对数据进行分析，正常状态下的数据各151组，碰摩故障状态下的数据各100组，转子不平衡故障状态下的数据各151组，转子不对中故障状态下的数据各28组，试验数据样本如下表所示。

2400r/min正常状态下数据样本

2400r/min转子碰磨故障数据样本

2400r/min转子不平衡故障数据样本

2400r/min转子不对中故障数据样本

2700r/min正常状态下数据样本

2700r/min转子不平衡故障数据样本

2700r/min转子碰摩故障数据样本

2700r/min转子不对中故障数据样本

对旋转机械来说，振动加速度、振动速度和振动位移这三个是作为衡量设备状态的重要参数，由于航空装置结构振动频率较高，所以常通过振动加速度和振动位移来评定航空发动机的振动状态，因此我们在涡轮机匣的水平及垂直位置布置电涡流式加速度传感器，用来采集机匣的振动加速度信号。

第二步，对采集航空发动机转子的振动加速度信号进行降噪处理，该降噪处理采用提升小波阈值的方法进行去噪，具体步骤为：

(1)对振动加速度信号进行N层提升小波分解；对振动加速度信号通过进行小波提升，并由式

s_e(k)＝s(2k)，k∈Z

s_o(k)＝s(2k+1)，k∈Z

将数据序列{s(k),k∈Z}剖分为奇样本序列和偶样本序列；

再由式

d(k)＝s_o(k)-P[s_e(k)]，k∈Z

c(k)＝s_e(k)+U[d(k)]，k∈Z

得到N组提升小波的近似系数c和细节系数d，

其中，P(·)为预测器，用s_e(k)预测s_o(k)，预测偏差为细节信号d(k)，U(·)为更新器，以细节信号d(k)更新s_e(k)，c(k)为逼近信号；

(2)对每层细节系数进行阈值处理；由式

进行软阈值处理，

其中，sign(x)为x的符号函数；

得到估计细节系数G；

(3)用估计细节系数G与近似系数c由高至低进行提升小波重构；由式

s_e(k)＝c(k)-U[d(k)]，k∈Z

s_o(k)＝d(k)-P[s_e(k)]，k∈Z

由高至低进行提升小波重构，得到降噪后的信号结果图如图1所示。

第三步，提取航空发动机转子降噪后的信号特征量；由式

得到振幅熵H，

其中，P_i为第i个信号出现的概率；

再由式得到平均功率P，再通过快速傅里叶变换得到一组功率谱离散序列F(F₁,F₂,...,F_N)；

再由式得出离散功率谱重心；

即通过步骤三，根据航空发动机转子在不同故障类型下振动信号的特点，选取功率谱重心E和振幅熵H两个信号的特征属性作为特征量，构成二维的振动信号特征值。

将熵的概念引入到振动信号中，得到振幅熵的概念，其物理意义为振动的区间分布情况，振幅熵越小，振动范围越小，振动越平稳；振幅熵越大，振动范围就越广，振动越散乱。

当N→∞时，x_N(t)→x(t)，若的极限存在，则定义他是功率谱密度函数，简称功率谱，他表示了在单位频带中信号功率随频率的变化情况，即功率在频域的分布情况。

通过计算，得到了在转速为2400rpm时，151组正常状态下的二维特征向量；151组不平衡状态下的二维特征向量；37组不对中状态下的二维特征向量；151组碰摩状态下的二维特征向量。在转速为2700rpm时，153组正常状态下的二维特征向量；150组不平衡状态下的二维特征向量；28组不对中状态下的二维特征向量；101组碰摩状态下的二维特征向量，分别得到特征向量如下表所示。

2400r/min转子正常状态下的151组特征值

	1	2	3	…	149	150	151
								振幅熵(H)	2.7247	2.7238	2.7252	…	2.7590	2.7493	2.7439
功率谱重心(E)	154.6759	155.0186	155.6566	…	151.7128	151.3415	151.6586

2400r/min转子不平衡状态下的151组特征值

	1	2	3	…	149	150	151
								振幅熵(H)	2.6695	2.6629	2.6622	…	2.6327	2.6573	2.6595
功率谱重心(E)	144.3754	143.9408	142.6636	…	143.0792	143.0476	142.6893

2400r/min转子不对中状态下的37组特征值

	1	2	3	…	35	36	37
								振幅熵(H)	1.9546	1.9529	1.9576	…	1.9475	1.9473	1.9565
功率谱重心(E)	167.5482	167.5504	167.5338	…	170.6443	170.5932	170.5634

2400r/min转子碰摩状态下的151组特征值

	1	2	3	…	149	150	151
								振幅熵(H)	2.8774	2.8777	2.8707	…	2.8425	2.8493	2.8435
功率谱重心(E)	163.0849	162.9678	162.8795	…	159.9348	160.2526	160.5098

2700r/min转子正常状态下的153组特征值

	2	3	…	151	152	153
							振幅熵(H)	2.7152	2.7156	…	2.6504	2.6371	2.6559
功率谱重心(E)	105.1975	105.2090	…	104.8453	104.7672	104.9980

2700r/min转子不平衡状态下的150组特征值

	1	2	3	…	148	149	150
								振幅熵(H)	3.0086	3.0322	3.020	…	2.9908	3.0004	3.0099
功率谱重心(E)	114.2310	114.0242	114.0316	…	115.4992	114.5801	114.1359

2700r/min转子不对中状态下的28组特征值

	1	2	3	…	26	27	28
								振幅熵(H)	1.7219	1.7115	1.718	…	1.6785	1.6749	1.6845
功率谱重心(E)	102.0475	102.0996	102.1673	…	101.4053	101.6529	101.8543

2700r/min转子碰摩状态下的101组特征值

	1	2	3	…	99	100	101
								振幅熵(H)	3.1691	3.1649	3.1646	…	3.1420	3.1408	3.1509
功率谱重心(E)	85.9804	86.0904	86.2176	…	83.9993	83.9166	83.8183

第四步，基于马氏距离的自动密度峰值聚类对信号特征量进行聚类分析，具体步骤为：

(1)确定马氏距离中的d值；由式

得到马氏距离中的d值，

其中，为样本的总体均值，μ为类的总体均值，C为信号特征量矩阵的协方差矩阵x为样本点，σ为标准差；

(2)对信号特征量进行聚类分析；由式

得到Ρ_i和Δ_i，

其中，ρ为局部密度，ρ_min为ρ_i中的最小值，ρ_max为ρ_i中的最大值，δ为相对高密度点距离，δ_min为δ_i中的最小值，δ_max为δ_i中的最大值；

再由式γ_i＝Ρ_i·Δ_i

得到聚类中心判定参数γ，通过聚类中心判定参数γ从而确定不同故障信号特征信息的聚类中心，进而诊断出航空发动机转子不同的故障信息。

根据聚类计算，显然当某点的γ值越大，该点为聚类中心的概率也就越大，因此，可以通过设定一个阈值来自动的选择密度峰值，当γ值大于阈值，则确定为其密度峰值点即为数据集的聚类中心；从而确定了不同故障信号特征信息的聚类中心，进而诊断出航空发动机转子不同的故障信息。

根据对信号特征值提取结果的分析，对经过提升小波阈值去噪后的信号进行特征提取比对原始信号直接进行特征提取得到的特征值更能体现故障的类别性，有利于我们进行之后的故障聚类操作，由此也更加印证了提升小波阈值去噪方法在故障诊断过程中的重要性和优越性。

对于所提取到的转速为2400r/min和2700r/min下的不同种运行状态特征信息，分别进行聚类计算，在2400r/min的转速下，我们对提取到的151组正常状态下特征向量，151组不平衡状态下的特征向量，37组不对中状态下的特征向量，151组碰摩状态下的特征向量，共计490组，使用基于马氏距离的自动密度峰值聚类方法进行聚类计算，由于基于马氏距离的自动密度峰值聚类方法不需要人工干预即可得到聚类结果，得到的聚类结果如图2所示。

在2700r/min的转速下，我们对提取到的153组正常状态下特征向量，150组不平衡状态下的特征向量，28组不对中状态下的特征向量，101组碰摩状态下的特征向量，共计432组，进行聚类计算，使用基于马氏距离的自动密度峰值聚类方法得到的聚类结果如图3所示。

由此可以看出，通过改进后的聚类计算后，可以明显的看到数据点的聚类结果变得完整且清晰，在对比输出的聚类结果和原始数据的故障标签后，我们发现聚类结果与故障标签完全吻合；基于马氏距离的自动密度峰值聚类方法对2700r/min的转速下采集到的信号所提取到的特征值的聚类结果与原始数据的故障标签吻合。

根据转子故障类型的不同所产生的运行状态信号也不同的原则，从转子系统故障形成机理的角度，分析上述聚类结果分别代表的故障类型。分别截取自转速2400r/min时和2700r/min时，使用基于马氏距离的自动密度峰值聚类方法得到的故障特征聚类结果图，横坐标为振幅熵(H)，纵坐标为功率谱重心(E)，标注先前采集时得到的运行状态信息，具体的故障特征聚类结果如图4所示。

从上图中可以看出：

(1)正常状态下，振幅熵随着转速的增加并没有什么变化。

(2)碰摩故障状态下，振幅熵值都很大，且随着转速的增大变化不明显。

(3)不对中和不平衡状态下，功率谱重心随转速的变化很大。

如下为不平衡、不对中、碰摩三种转子故障的故障特征表。

三种转子故障的故障特征表

根据上表中所揭示的不同故障所对应的故障特征，结合聚类结果分析，当转子存在碰摩故障时，轴心轨迹最为紊乱，因此其振动熵也最大；当转子存在不平衡故障时，其振动对于速度非常敏感，随着转动速度增大，其振动熵增大十分显著。由以上的分析可以判断出故障类型，同时也验证了故障诊断的有效性。

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故障的诊断方法，其特征在于，包括如下过程：

一、航空发动机转子振动加速度信号的采集；通过电涡流加速度传感器，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系统在某个采样时段的振动加速度信号；

二、对采集航空发动机转子的振动加速度信号进行降噪处理，具体步骤为：

(1)对振动加速度信号进行N层提升小波分解；对振动加速度信号通过进行小波提升，并由式

s_e(k)＝s(2k)，k∈Z

s_o(k)＝s(2k+1)，k∈Z

将数据序列{s(k),k∈Z}剖分为奇样本序列和偶样本序列；

再由式

d(k)＝s_o(k)-P[s_e(k)]，k∈Z

c(k)＝s_e(k)+U[d(k)]，k∈Z

得到N组提升小波的近似系数c和细节系数d，

其中，P(·)为预测器，用s_e(k)预测s_o(k)，预测偏差为细节信号d(k)，U(·)为更新器，以细节信号d(k)更新s_e(k)，c(k)为逼近信号；

(2)对每层细节系数进行阈值处理；由式

进行软阈值处理，

其中，sign(x)为x的符号函数；

得到估计细节系数G；

(3)用估计细节系数G与近似系数c由高至低进行提升小波重构；由式

s_e(k)＝c(k)-U[d(k)]，k∈Z

s_o(k)＝d(k)-P[s_e(k)]，k∈Z

由高至低进行提升小波重构，得到降噪后的信号；

三、提取航空发动机转子降噪后的信号特征量；由式

得到振幅熵H，

其中，P_i为第i个信号出现的概率；

再由式得到平均功率P，再通过快速傅里叶变换得到一组功率谱离散序列F(F₁,F₂,...,F_N)；

再由式得出离散功率谱重心；

四、基于马氏距离的自动密度峰值聚类对信号特征量进行聚类分析，具体步骤为：

(1)确定马氏距离中的d值；由式

得到马氏距离中的d值，

其中，为样本的总体均值，μ为类的总体均值，C为信号特征量矩阵的协方差矩阵x为样本点，σ为标准差；

(2)对信号特征量进行聚类分析；由式

得到Ρ_i和Δ_i，

其中，ρ为局部密度，ρ_min为ρ_i中的最小值，ρ_max为ρ_i中的最大值，δ为相对高密度点距离，δ_min为δ_i中的最小值，δ_max为δ_i中的最大值；

再由式γ_i＝Ρ_i·Δ_i

得到聚类中心判定参数γ，通过聚类中心判定参数γ从而确定不同故障信号特征信息的聚类中心，进而诊断出航空发动机转子不同的故障信息。