CN109657558B - 一种基于最大差异延展的航空发动机机械故障诊断方法 - Google Patents

一种基于最大差异延展的航空发动机机械故障诊断方法 Download PDF

Info

Publication number
CN109657558B
CN109657558B CN201811402517.8A CN201811402517A CN109657558B CN 109657558 B CN109657558 B CN 109657558B CN 201811402517 A CN201811402517 A CN 201811402517A CN 109657558 B CN109657558 B CN 109657558B
Authority
CN
China
Prior art keywords
fault
data
aircraft engine
dimensional
maximum difference
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811402517.8A
Other languages
English (en)
Other versions
CN109657558A (zh
Inventor
张赟
李朋
贾舒宜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Naval Aeronautical University
Original Assignee
Naval Aeronautical University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Naval Aeronautical University filed Critical Naval Aeronautical University
Priority to CN201811402517.8A priority Critical patent/CN109657558B/zh
Publication of CN109657558A publication Critical patent/CN109657558A/zh
Application granted granted Critical
Publication of CN109657558B publication Critical patent/CN109657558B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于最大差异延展的航空发动机机械故障诊断方法，属于航空发动机故障诊断技术领域，其特点是采用最大差异延展算法对航空发动机机械故障振动采样数据进行非线性故障特征提取与识别，为利用非线性振动采样数据进行发动机机械故障诊断问题提供有效解决途径，提高航空发动机故障诊断的准确性。

Description

一种基于最大差异延展的航空发动机机械故障诊断方法
技术领域
本发明涉及航空发动机故障诊断技术领域，具体的讲是一种航空发动机机械故障诊断方法。
背景技术
航空发动机是飞机的“心脏”，其运行状态直接关系着飞机的飞行安全。因此，航空发动机的故障诊断理论方法及应用研究得到了广泛重视。航空发动机机械故障诊断中一个有挑战性的难题就是如何处理具有高维数、非线性化特点的振动故障数据。传感器提供了大量的高维观测数据，它们包含了许多用于故障识别的有用信息。然而，在维数很高的数据空间中，不同的故障数据之间的理想分类边界通常是高度非线性的。传统的主成分分析、线性鉴别分析和独立分量分析等模式识别方法要求数据服从全局线性分布，无法有效的处理蕴含在高维空间故障数据的非线性结构，导致故障诊断准确性不高。
发明内容
本发明的目的是克服上述已有技术的不足，而提供一种基于最大差异延展的航空发动机机械故障诊断方法，为利用非线性振动采样数据进行故障诊断问题提供有效解决途径。
为了达到上述目的，本发明是这样实现的：
基于最大差异延展的航空发动机机械故障诊断方法，其特征在于包括如下步骤：
(1)将航空发动机机械故障产生的振动信号构建成高维采样信号空间数据；
(2)采用最大差异延展算法对高维采样信号空间数据进行非线性故障特征提取；
(3)采用重构误差法对提取的非线性故障特征进行故障识别，完成航空发动机的机械故障诊断。
优选地，所述的步骤(1)包含如下具体步骤：
(1a)对每段航空发动机机械故障产生的振动信号进行零均值化与方差单位化处理；
(1b)以振动信号的N个连续时域采样值来构造高维采样信号空间\N，每段振动信号被映射成该高维采样信号空间的一个数据点。
优选地，所述的步骤(2)包含如下具体步骤：
(2a)在高维采样信号空间中为每个数据点确定它的k个近邻点，建立邻域关系，即构造一个邻接矩阵W，Wij为矩阵W的第i行第j列元素，如果第i个数据点xi是第j个数据点xj的近邻，则Wij＝1，否则Wij＝0；
(2b)将高维信号采样空间中的数据点向低维故障特征空间进行非线性映射，映射过程要保持近邻点间的欧式距离不变，同时满足中心化约束，并且使得故障特征数据彼此之间差异最大化，具体为求解优化问题
Figure BDA0001876596310000021
s.t.||yi-yj||2Wij＝||xi-xj||2Wij,
Figure BDA0001876596310000022
获得故障特征数据yi，从而完成非线性故障特征的提取。
优选地，所述的步骤(3)包含如下具体步骤：
(3a)对于待诊断的故障数据y*，分别从每类故障特征数据中选择它的k个近邻点，计算近邻点对y*的重构误差ε，即
Figure BDA0001876596310000023
(3b)将最小的ε值所对应的故障类别判定为故障数据y*所属的故障类别，完成航空发动机机械故障诊断。
本发明所述的基于最大差异延展的航空发动机机械故障诊断方法与已有技术相比具有突出的实质性特点和显著进步：能够有效处理具有非线性结构特点的航空发动机机械故障数据，能够克服传统的主成分分析、线性鉴别分析等线性故障特征提取方法的不足，提高航空发动机故障诊断的准确性。
附图说明
图1是本发明的基于最大差异延展的航空发动机机械故障诊断方法总体流程图；
图2是采用基于最大差异延展的故障诊断方法将发动机故障数据映射到二维空间的结果。
具体实施方式
为了更好的理解与实施，下面结合附图给出具体实例详细说明本发明基于最大差异延展的航空发动机机械故障诊断方法。
基于最大差异延展的航空发动机机械故障诊断方法总体流程见图1，其具体步骤如下：
首先对每段发动机机械故障振动采样信号xi＝[xi(1),xi(2),…,xi(N)]进行零均值化和方差单位化预处理，其中N是训练信号的采样长度，i＝1,2,…,m，m为训练信号的数目。构造高维采样信号空间
Figure BDA0001876596310000031
将x1,x2,…,xm看成是空间中的N个数据点。
采用最大差异延展算法对高维采样信号空间中的数据x1,x2,…,xm映射到更低的d维空间以获得数据的低维故障特征表示y1,y2,…,ym。具体为构造一个n×n 的邻接矩阵W，如果xi是xj的k近邻，则Wij＝1，否则Wij＝0。求解如下的优化问题：
Figure BDA0001876596310000032
s.t.||yi-yj||2Wij＝||xi-xj||2Wij,
Figure BDA0001876596310000033
其中第一个约束函数是局部等距约束，它保证高维空间中的数据点向低维映射时，近邻点间的欧式距离保持不变，数据集的局部结构因此得以保留。第二个是中心化约束，用来消除平移自由度。
采用非凸二次规划法对上述优化问题进行求解，获得故障特征数据yi，从而完成非线性故障特征的提取。
最后，对于待诊断的故障数据y*，分别从每类故障特征数据中选择它的k个近邻点，计算近邻点对y*的重构误差ε，即
Figure BDA0001876596310000034
将最小的ε值所对应的故障类别判定为故障数据y*所属的故障类别，完成航空发动机机械故障诊断。
采用实测的航空发动机转子故障数据来验证基于最大差异延展的航空发动机机械故障诊断方法的有效性。故障数据集来源于某型航空发动机台架试车时所测的三种状态的发动机振动信号，即不对中、碰摩故障以及松动故障状态。
图2显示了当故障数据样本数为每类100个时，使用基于最大差异延展的机械故障诊断方法将三类发动机故障数据映射到二维空间的结果，故障诊断正确率达到94.82％，表现出很好的故障诊断性能。
表1给出了三种方法在不同故障样本数目下的故障诊断结果。可以看出，在每种训练样本数目下，基于最大差异延展的故障诊断方法的性能都显著优于主成分分析法和线性鉴别法，特别是当训练样本数很小时(每类40个)，主成分分析法和线性鉴别法的故障诊断正确率迅速下降，分别为84.26％和76.12％，而最大差异延展算法的诊断正确率依然很高(88.49％)。因此，最大差异延展法比主成分分析法和线性鉴别法表现出更佳的故障诊断性能。
表1不同故障样本数下的平均故障诊断正确率(％)

Claims (1)

1.基于最大差异延展的航空发动机机械故障诊断方法，其特征在于包括如下步骤：
a，对每段航空发动机振动采样信号进行零均值化与方差单位化处理；
b，以振动信号的N个连续时域采样值来构造高维采样信号空间
Figure FDA0003995304910000011
每段振动信号被映射成该高维采样信号空间的一个数据点；
c，在高维采样信号空间中为每个数据点确定它的k个近邻点，建立邻域关系，即构造一个邻接矩阵W，Wij为矩阵W的第i行第j列元素，如果第i个数据点xi是第j个数据点xj的近邻，则Wij＝1，否则Wij＝0；
d，将高维信号采样空间中的数据点向低维故障特征空间进行非线性映射，映射过程要保持近邻点间的欧式距离不变，同时满足中心化约束，并且使得故障特征数据彼此之间差异最大化，具体为求解优化问题
Figure FDA0003995304910000012
s.t.||yi-yj||2Wij＝||xi-xj||2Wij,
Figure FDA0003995304910000013
获得故障特征数据yi，从而完成非线性故障特征的提取；
e，对于待诊断的故障数据y*，分别从每类故障特征数据中选择它的k个近邻点，计算k个近邻点对y*的重构误差ε，即
Figure FDA0003995304910000014
f，将最小的ε值所对应的故障类别判定为故障数据y*所属的故障类别，完成航空发动机机械故障诊断。
CN201811402517.8A 2018-11-23 2018-11-23 一种基于最大差异延展的航空发动机机械故障诊断方法 Active CN109657558B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811402517.8A CN109657558B (zh) 2018-11-23 2018-11-23 一种基于最大差异延展的航空发动机机械故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811402517.8A CN109657558B (zh) 2018-11-23 2018-11-23 一种基于最大差异延展的航空发动机机械故障诊断方法

Publications (2)

Publication Number Publication Date
CN109657558A CN109657558A (zh) 2019-04-19
CN109657558B true CN109657558B (zh) 2023-04-07

Family

ID=66112270

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811402517.8A Active CN109657558B (zh) 2018-11-23 2018-11-23 一种基于最大差异延展的航空发动机机械故障诊断方法

Country Status (1)

Country Link
CN (1) CN109657558B (zh)

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006015251A2 (en) * 2004-07-29 2006-02-09 The Research Foundation Of State University Of New York System and method for cross-talk cancellation in a multilane fluorescence detector
CN100543440C (zh) * 2007-03-28 2009-09-23 华北电力大学 异步电动机轴承故障检测方法
CN102889987A (zh) * 2012-07-20 2013-01-23 华南理工大学 一种齿轮故障诊断平台及齿轮故障诊断方法
CN103048041B (zh) * 2012-12-20 2014-11-26 北京信息科技大学 基于局部切空间和支持向量机的机电系统故障诊断方法
CN104390657B (zh) * 2014-11-05 2017-12-12 浙江大学 一种发电机组运行参数测量传感器故障诊断方法及系统
CN105911975B (zh) * 2016-04-14 2018-08-03 南京航空航天大学 一种航空发动机气路故障融合诊断方法
CN106503746B (zh) * 2016-11-03 2018-07-06 哈尔滨工业大学 一种基于性能偏移量的航空发动机故障诊断方法
CN107544447A (zh) * 2017-09-05 2018-01-05 浙江大学 一种基于核学习的化工过程故障分类方法
CN107871139A (zh) * 2017-11-01 2018-04-03 西安交通大学 一种邻域保持嵌入改进算法的数据降维方法

Also Published As

Publication number Publication date
CN109657558A (zh) 2019-04-19

Similar Documents

Publication Publication Date Title
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN106323635B (zh) 一种滚动轴承故障在线检测与状态评估方法
CN103471841B (zh) 一种旋转机械振动故障诊断方法
CN112257530B (zh) 基于盲信号分离和支持向量机的滚动轴承故障诊断方法
CN111340238A (zh) 一种工业系统的故障诊断方法、装置、设备及存储介质
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN112200244A (zh) 一种基于递阶对抗训练的航天发动机异常智能检测方法
CN108982107B (zh) 一种基于形态学和多尺度排列熵均值的轴承故障定量趋势诊断方法
CN113567130A (zh) 基于设备多工况的轴承故障诊断方法
CN109870282B (zh) 基于压缩感知的叶片振动特征辨识方法及系统
CN109632963B (zh) 一种基于时不变特征信号构建的结构损伤四维成像方法
CN110823862B (zh) 基于图像辅助原子发射光谱的油液元素检测方法及装置
CN111678699B (zh) 一种面向滚动轴承早期故障监测与诊断方法及系统
CN116793682A (zh) 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法
CN104102726A (zh) 基于层次聚类的改进k均值聚类算法
CN114462480A (zh) 基于非均衡数据集下的多源传感器轧机故障诊断的方法
CN113538560B (zh) 基于三维重建的叶面积指数提取方法
CN111046331A (zh) 一种基于信号异常的健康监控方法
CN109657558B (zh) 一种基于最大差异延展的航空发动机机械故障诊断方法
CN117171544B (zh) 基于多通道融合卷积神经网络的电机振动故障诊断方法
Xue et al. A novel framework for motor bearing fault diagnosis based on multi-transformation domain and multi-source data
Wang et al. Grouping sparse filtering: a novel down-sampling approach toward rotating machine intelligent diagnosis in 1D-convolutional neural networks
CN109697330B (zh) 一种用于信息物理系统的故障检测系统设计方法
Jianhui et al. New fault diagnosis method for rolling bearing based on PCA
CN104499001A (zh) 基于特征子空间优化相对矩阵的铝电解槽况诊断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant