CN110186684A - 一种航空发动机机械振动故障信号特征提取方法 - Google Patents

Abstract

本发明涉及一种航空发动机机械振动故障信号特征提取方法，包括如下步骤：S1、获取发动机振动数据，并对获得的振动数据进行数据预处理；S2、采用小波分解算法将经过数据预处理的振动数据进行局部化分解，获得原始振动数据的频域特征和时域特征；S3、在频域特征上寻找各个频率突变点，然后计算突变点的频段在时域特征上的一阶导数，若该一阶导数大于阈值T，则将该变化作为一个待分辨特征；S4、通过聚类算法对待分辨特征和突变点时刻发动机频率变化的控制输入数据进行聚类，获得故障特征。本发明提供的提取方法，能够精确地诊断出航空发动机机械振动的故障信号。

Description

一种航空发动机机械振动故障信号特征提取方法

技术领域

本发明属于航空发动机故障诊断技术领域，尤其涉及一种航空发动机机械振动故障信号特征提取方法。

背景技术

航空发动机作为航空航天系统中的核心系统，它是航空设备中故障率最高、维护工作最困难、调整最复杂的系统，运行状态中的发动机一旦发生故障，很可能会导致重大社会、经济损失。其中，很多航空发动机故障是由机械震动故障引起的。由于航空发动机转子系统工作环境极为恶劣，其子系统构成复杂度极高，这对他的振动故障诊断造成了很大的障碍。

发明内容

(一)要解决的技术问题

针对现有存在的技术问题，本发明提供一种航空发动机机械振动故障信号特征提取方法，能够精确地诊断出航空发动机机械振动的故障信号。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

一种航空发动机机械振动故障信号特征提取方法，包括如下步骤：

S1、获取发动机振动数据，并对获得的振动数据进行数据预处理；

S2、采用小波分解算法将经过数据预处理的振动数据进行局部化分解，获得原始振动数据的频域特征和时域特征；

S3、在频域特征上寻找各个频率突变点，然后计算突变点的频段在时域特征上的一阶导数，若该一阶导数大于阈值T，则将该变化作为一个待分辨特征；

S4、通过聚类算法对待分辨特征和突变点时刻发动机频率变化的控制输入数据进行聚类，获得故障特征。

优选地，所述聚类为故障分类；

根据发动机振动故障类型为各个故障分类命名；

所述故障类型至少包括：正常状态、轴承对中性故障、支撑系统在垂直与水平面不等故障、转子或静子松动故障、叶片摩擦故障、密封碰摩故障、次谐波共振故障、轴承内外环损伤故障、工作叶片裂纹故障、失衡故障、震荡栅烧故障、旋转失速故障、临街转速故障、失稳故障、结构共振故障。

优选地，所述小波包分解算法要求原始振动数据的采样频率为10240Hz，奈奎斯特采样频率是5120Hz。

优选地，所述小波包分解算法采用dmey小波函数对原始振动数据进行8层分解，得到256个频段的时频特征。

优选地，所述小波包分解算法的表达式为：

其中，f(t)表示基于时间的原始震动信号，表示小波包中第j层上第i个小波包系数；G、H分别为小波分解滤波器。

优选地，所述待分辨特征的表达式为：F′_j(t)，含义为该信号在第j个频段，t时刻的一阶导数。

优选地，所述聚类算法为自组织映射神经网络算法。

优选地，所述自组织映射神经网络算法包括使用欧式距离作为判别函数：

其中d_j(x)表示自组织神经网络中的输出节点j与输入节点之间的判别函数，w_ij表示各输入单元i和神经元j之间的连接权重，判别函数最小的为胜利者。

优选地，所述自组织映射神经网络算法还包括激活节点I(x)后，更新临近节点权重：

其中表示节点j与I(x)的欧氏距离，σ是一个随时间衰减的函数，表示方式为：

σ＝σ₀*e^-t/2

其中σ₀为常数。

优选地，所述自组织映射神经网络算法还包括更新节点参数，使用梯度下降法：

Δw_ij＝n(t)*T_j,I(x)(t)*(x_i-w_ij)；

其中，η(t)训练时间t和邻域神经元与获胜神经元I(x)之间的拓扑距离的关联函数，表示的是学习效率。

(三)有益效果

本发明的有益效果是：本发明提供的一种航空发动机机械振动故障信号特征提取方法，该方法主要提取原始振动数据在频域上的变化与特定频段的持续时间作为主要特征；该方法结合发动机的控制参数，使用自组织映射神经网络算法进行聚类，从而诊断发动机所处的健康状态。

本发明能够有效提取发动机震动特征，过滤其中的低频干扰信息，从而精准判断发动机所处的健康状态，并且本发明关注频域的变化，而不必每次采样都需要进行分类计算，在提高预测精度的同时，降低计算量。

附图说明

图1为本发明提供的一种航空发动机机械振动故障信号特征提取方法的流程示意图；

图2为本发明提供的一种航空发动机机械振动故障信号特征提取方法的小波分解树主视图。

具体实施方式

为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。

如图1所示，本实施例中提供了一种航空发动机机械振动故障信号特征提取方法，包括如下步骤：

S1、获取发动机振动数据，并对获得的振动数据进行数据预处理；

这里采用传感器在每一个发动机测点都会采集垂直、水平、径向和轴向四个维度的振动数据。

S2、采用小波分解算法将经过数据预处理的振动数据进行局部化分解，获得原始振动数据的频域特征和时域特征；

S3、在频域特征上寻找各个频率突变点，然后计算突变点的频段在时域特征上的一阶导数，若该一阶导数大于阈值T，则将该变化作为一个待分辨特征；

S4、通过聚类算法对待分辨特征和突变点时刻发动机频率变化的控制输入数据进行聚类，获得故障特征。

应说明的是：本实施例中所述聚类为故障分类；根据发动机振动故障类型为各个故障分类命名。

具体地，这里所述的故障类型至少包括：正常状态、轴承对中性故障、支撑系统在垂直与水平面不等故障、转子或静子松动故障、叶片摩擦故障、密封碰摩故障、次谐波共振故障、轴承内外环损伤故障、工作叶片裂纹故障、失衡故障、震荡栅烧故障、旋转失速故障、临街转速故障、失稳故障、结构共振故障。

本实施例中所述小波包分解算法要求原始振动数据的采样频率为10240Hz，奈奎斯特采样频率是5120Hz。

相应地，本实施例中所述小波包分解算法采用dmey小波函数对原始振动数据进行8层分解，得到256个频段的时频特征。

本实施例中所述小波包分解算法的表达式为：

其中，f(t)表示基于时间的原始震动信号，表示小波包中第j层上第i个小波包系数；G、H分别为小波分解滤波器。

应说明的是，本实施例中所述待分辨特征的表达式为：F′_j(t)，含义为该信号在第j个频段，t时刻的一阶导数。

最后，应指出的是：所述聚类算法为自组织映射神经网络算法。

本实施例中所述自组织映射神经网络算法包括使用欧式距离作为判别函数：

其中d_j(x)表示自组织神经网络中的输出节点j与输入节点之间的判别函数，w_ij表示各输入单元i和神经元j之间的连接权重，判别函数最小的为胜利者。

本实施例中所述自组织映射神经网络算法还包括激活节点I(x)后，更新临近节点权重：

其中表示节点j与I(x)的欧氏距离，σ是一个随时间衰减的函数，表示方式为：

σ＝σ₀*e^-t/2

其中σ₀为常数。

本实施例中所述自组织映射神经网络算法还包括更新节点参数，使用梯度下降法：

Δw_ij＝n(t)*T_j,I(x)(t)*(x_r-w_ij)；

其中，η(t)训练时间t和邻域神经元与获胜神经元I(x)之间的拓扑距离的关联函数，表示的是学习效率。

本实施例中航空发动机会在带测量的位置布置多个振动测点，每个测点都会采集垂直、水平、径向和轴向四个维度的振动数据，本发明将每一个测点、每一个维度的振动数据作为不同的通道进行操作，使用小波包分解算法对每一个通道的数据进行时、频局部化分解，从而获取原始数据的频域和时域特征。

因为发动机的振动可能是由控制输入变化和故障两个方面的原因导致的，所以本发明将控制输入也作为故障诊断的一个重要参数，而原始数据在频域上的变化特征，结合时域特征作为另一个参数。接下来，根据这些特征参数采用自组织神经网络聚类算法将特征进行聚类分析，该分类就是故障分类，根据发动机振动故障类型为各个故障分类命名，包括：正常状态、轴承对中性故障、支撑系统在垂直与水平面不等故障、转子或静子松动故障、叶片摩擦故障、密封碰摩故障、次谐波共振故障、轴承内外环损伤故障、工作叶片裂纹故障、失衡故障、震荡栅烧故障、旋转失速故障、临街转速故障、失稳故障、结构共振故障。

在使用小波包分解算法对原始数据进行分解时，算法要求传感器对数据的采样频率为10240Hz，相应地，奈奎斯特采样频率是5120Hz。小波包分解算法采用dmey小波函数进行8层分解，以获取足够详细的时频特征。该算法的具体实现方式是：

其中，f(t)表示基于时间的原始震动信号，表示小波包中第j层上第i个小波包系数；G、H分别为小波分解滤波器。8层小波分解能够获取到256个频段的时频信息。从奈奎斯特采样频率可以获取到再256个频段中，每个频段的间隔是20Hz，该信息足够详细到区分所有故障的频率特征。

本实施例中在进行故障诊断时，有两个主要的参数，其中一个是振动信号特征，具体采集方式是：将原始数据进行小波包分解后，在局部时频信号上寻找各个频率突变的的点，然后计算该频段在时域上的一阶导数，若该导数大于阈值T，则将该变化作为一个待分辨特征。其表达式为：F′_j(t)，其意义为该信号在第j个频段，t时刻的一阶导数；另一个参数是发动机频率变化的时间点的控制输入。

根据以上两个参数，如图2所示：使用自组织映射神经网络算法进行聚类，获取故障特征。其中，自组织映射神经网络算法实现过程为：

(1)使用欧式距离作为判别函数：

(2)激活节点I(x)后，更新它的临近节点权重：

(3)更新节点参数，使用梯度下降法：

Δw_ij＝n(t)*T_j,I(x)(t)*(x_i-w_ij)

(4)迭代至收敛。

最后，根据计算结果所述聚类，判断航空发动机所处的健康状态。

以上结合具体实施例描述了本发明的技术原理，这些描述只是为了解释本发明的原理，不能以任何方式解释为对本发明保护范围的限制。基于此处解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。

Claims (10)

1.一种航空发动机机械振动故障信号特征提取方法，其特征在于，包括如下步骤：

S1、获取发动机振动数据，并对获得的振动数据进行数据预处理；

S2、采用小波分解算法将经过数据预处理的振动数据进行局部化分解，获得原始振动数据的频域特征和时域特征；

S3、在频域特征上寻找各个频率突变点，然后计算突变点的频段在时域特征上的一阶导数，若该一阶导数大于阈值T，则将该变化作为一个待分辨特征；

S4、通过聚类算法对待分辨特征和突变点时刻发动机频率变化的控制输入数据进行聚类，获得故障特征。

2.根据权利要求1所述的提取方法，其特征在于，所述聚类为故障分类；

根据发动机振动故障类型为各个故障分类命名；

所述故障类型至少包括：正常状态、轴承对中性故障、支撑系统在垂直与水平面不等故障、转子或静子松动故障、叶片摩擦故障、密封碰摩故障、次谐波共振故障、轴承内外环损伤故障、工作叶片裂纹故障、失衡故障、震荡栅烧故障、旋转失速故障、临街转速故障、失稳故障、结构共振故障。

3.根据权利要求2所述的提取方法，其特征在于，

所述小波包分解算法要求原始振动数据的采样频率为10240Hz，奈奎斯特采样频率是5120Hz。

4.根据权利要求3所述的提取方法，其特征在于，

所述小波包分解算法采用dmey小波函数对原始振动数据进行8层分解，得到256个频段的时频特征。

5.根据权利要求4所述的提取方法，其特征在于，

所述小波包分解算法的表达式为：

其中，f(t)表示基于时间的原始震动信号，表示小波包中第j层上第i个小波包系数；G、H分别为小波分解滤波器。

6.根据权利要求1所述的提取方法，其特征在于，

所述待分辨特征的表达式为：F′_j(t)，含义为该信号在第j个频段，t时刻的一阶导数。

7.根据权利要求6所述的提取方法，其特征在于，所述聚类算法为自组织映射神经网络算法。

8.根据权利要求7所述的提取方法，其特征在于，所述自组织映射神经网络算法包括使用欧式距离作为判别函数：

其中d_j(x)表示自组织神经网络中的输出节点j与输入节点之间的判别函数，w_ij表示各输入单元i和神经元j之间的连接权重，判别函数最小的为胜利者。

9.根据权利要求8所述的提取方法，其特征在于，所述自组织映射神经网络算法判别出获胜节点后，假定此刻的优胜节点为I(x)，以I(x)节点为中心，t时刻为权值调整域，计算优胜邻域j，邻域函数为：

其中表示节点j与I(x)的欧氏距离，σ是一个随时间衰减的函数，表示方式为：

σ＝σ₀*e^-t/2

其中σ₀为常数。

10.根据权利要求9所述的提取方法，其特征在于，所述自组织映射神经网络算法还包括更新节点参数，使用梯度下降法：

Δw_ij＝η(t)*T_j,I(x)(t)*(x_i-w_ij)。

其中，η(t)训练时间t和邻域神经元与获胜神经元I(x)之间的拓扑距离的关联函数，表示的是学习效率。