CN115270896B - 一种用于识别航空发动机主轴承松动故障的智能诊断方法 - Google Patents

Abstract

一种用于识别航空发动机主轴承松动故障的智能诊断方法，包括：获取振动信号和转速信号并生成振动信号数据和转速信号数据；将振动信号数据进行转化得到频率数据和振动幅值数据；将转速信号数据、频率数据和振动幅值数据生成特征数据集；根据归一化转子振幅故障诊断规则对特征数据集进行处理生成拓展特征数据集；将拓展特征数据集划分为三种主轴承状态；搭建故障诊断模型，并对故障诊断模型进行训练和测试；保存训练达到预期的故障诊断模型；调用故障诊断模型进行主轴承松动故障诊断；归一化转子振幅故障诊断规则能够使主轴承松动故障的信号特征凸显，避免了人工对故障信号的处理与分析工作，降低了对技术人员专业能力的高要求。

Description

一种用于识别航空发动机主轴承松动故障的智能诊断方法

技术领域

本发明涉及航空发动机故障诊断技术领域，特别是一种用于识别航空发动机主轴承松动故障的智能诊断方法。

背景技术

航空发动机作为具有高度复杂性和精密性的热力旋转机械，其安全性和可靠性对于整个飞行平台的安全至关重要。航空发动机转子主轴承长期工作在高温、高转速、高负荷的恶劣环境中，极易出现故障。以往，对航空发动机的日常维护和故障诊断往往会耗费大量的人力、物力和财力。然而，随着传感器技术的不断发展，对航空发动机转子系统的运行情况进行监测可获得海量数据，推动航空发动机的故障诊断进入“大数据”时代。与此同时，航空发动机的大数据也给其故障诊断带来了新的挑战。

目前，对航空发动机转子系统主轴承松动故障的诊断主要依靠一线工程专家对发动机测试信号及测试过程中的异常现象等信息的综合分析及研判。而该技术方法存在以下技术问题：

航空发动机转子系统主轴承松动故障作为支承故障的一种，其诱发的转子系统振动信号具有较大的非线性和不确定性，其故障特征的复杂性易使得工程技术人员形成误判，增加了诊断难度，需要相关技术人员具有极强的理论基础和工程经验，并且需要大量的专业分析人员对信号数据进行分析处理，故障诊断分析时间较长、准确度较低。

发明内容

本发明的目的在于克服现有技术的缺点，提供一种用于识别航空发动机主轴承松动故障的智能诊断方法。能够解决故障特征的复杂性易使得工程技术人员形成误判，增加了诊断难度，需要相关技术人员具有极强的理论基础和工程经验，并且需要大量的专业分析人员对信号数据进行分析处理，故障诊断分析时间较长、准确度较低的技术问题。

本发明的目的通过以下技术方案来实现：一种用于识别航空发动机主轴承松动故障的智能诊断方法，其特征在于，包括：

S101：获取振动信号和转速信号并生成振动信号数据和转速信号数据；

S102：将所述振动信号数据进行时域到频域的转化得到频率数据和振动幅值数据；将所述转速信号数据、所述频率数据和所述振动幅值数据生成特征数据集；

S103：根据归一化转子振幅故障诊断规则对特征数据集进行处理生成拓展特征数据集；将所述拓展特征数据集划分为三种主轴承状态；

S104：通过一维卷积神经网络搭建故障诊断模型，并对所述故障诊断模型进行训练和测试；保存训练达到预期的故障诊断模型；

S105：调用故障诊断模型进行主轴承松动故障诊断。

优选的，步骤S101包括：通过传感器获取转子系统的振动信号和转速信号；将所述振动信号和转速信号发送到信号调理器，所述信号调理器接收所述振动信号和转速信号进行信号调理并发送到数据采集卡。

优选的，所述数据采集卡接收由所述信号调理器发送的振动信号和转速信号并进行采集，生成振动信号数据和转速信号数据，将所述振动信号数据和所述转速信号数据发送到计算机。

优选的，步骤S102包括：将转子振动信号数据进行傅里叶变换至频域，得到转子不同转速下的频率数据及其对应的振动幅值数据；

将所述转速信号数据、频率数据和振动幅值数据生成特征数据集并保存。

优选的，所述归一化转子振幅故障诊断规则，包括：所述归一化转子振幅故障诊断规则包含引入倍频和归一化振幅；

其中，所述倍频为以每个转速下的基频为基准，在同一转速下其它频率数据与基频数据的比值得到倍频数据；所述归一化振幅为以每个转速下的基频振幅为基准，在同一转速下其它频率分量的振幅与基频振幅的比值得到归一化振幅数据；

将所述转速信号数据、频率数据、振动幅值数据、倍频数据和归一化振幅数据生成拓展特征数据集；

将所述拓展特征数据集划分为三种主轴承状态。

优选的，将所述拓展特征数据集划分为主轴承正常状态、主轴承外环松动状态和主轴承内环松动状态。

优选的，步骤S104包括：对所述的主轴承正常状态、主轴承外环松动状态和主轴承内环松动状态三种状态的数据集打标签；

将所述拓展特征数据集按照8：2的比例随机划分训练集与测试集；再在所述训练集中随机划分10%的数据作为验证集。

优选的，通过训练集对故障模型进行训练；验证集用来验证故障诊断模型每次的训练效果；测试集用来测试故障诊断模型的诊断效果；

经过训练和测试之后，判定所述故障诊断模型的诊断准确率，若诊断准确率大于98%，则保存模型；若诊断准确率低于98%，则调整故障诊断模型参数再次训练。

优选的，步骤S105包括：将已训练好的诊断准确率大于98%且保存的模型直接调用，诊断航空发动机主轴承松动故障，并对故障进行定位。

本发明具有以下优点：基于上述方案，本发明通过获取振动信号和转速信号并生成振动信号数据和转速信号数据；将振动信号数据进行时域到频域的转换；将所述转速信号数据、频率数据和振动幅值数据生成特征数据集并保存；根据归一化转子振幅故障诊断规则对特征数据集进行进一步处理生成拓展特征数据集；根据运转过程中轴承的实际松动情况将所述拓展特征数据集划分为主轴承正常状态、主轴承外环松动状态和主轴承内环松动状态；利用一维卷积神经网络搭建故障诊断模型，并对故障诊断模型进行训练和测试；保存训练达到预期效果的故障诊断模型；调用故障诊断模型进行主轴承松动故障诊断；归一化转子振幅故障诊断规则能够使故障信号数据的特征凸显，并能够有效避免易混淆数据对诊断结果的影响。其处理过程无需人工经验的帮助，避免了人工对故障信号的处理与分析工作，降低了对技术人员专业能力的高要求，并大幅度缩短信号处理与分析所需要的时间。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，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相关的附图。

图1 为本发明的流程示意图；

图2 为本发明神经网络模型测试示意图；

图3 为本发明整体构思结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，一种用于识别航空发动机主轴承松动故障的智能诊断方法，包括如下步骤：

S101：获取振动信号和转速信号并生成振动信号数据和转速信号数据；

具体来说，通过传感器获取转子系统的振动信号和转速信号；将振动信号和转速信号发送到信号调理器，信号调理器接收振动信号和转速信号进行信号调理并发送到数据采集卡。其中，传感器可以是振动传感器和光电传感器，通过传感器获取到航空发动机转子振动信号和转速信号，传感器将获取到的振动信号和转速信号发送到信号调理器，信号调理器接收传感器发送的振动信号和转速信号，通过信号调理器的滤波、放大调理后将信号发送到数据采集卡，数据采集卡接收由信号调理器发送的振动信号和转速信号并进行采集，生成振动信号数据和转速信号数据，将振动信号数据和转速信号数据发送到计算机。

S102：将所述振动信号数据进行时域到频域的转化得到频率数据和振动幅值数据；将所述转速信号数据、所述频率数据和所述振动幅值数据生成特征数据集；

具体地，将从转子系统获取的振动信号进行傅里叶变换，将振动信号变换至频域，得到每个转速下转子系统的各个频率所对应的振动幅值数据，将转速数据、频率数据和振动幅值数据保存。

S103：根据归一化转子振幅故障诊断规则对特征数据集进行处理生成拓展特征数据集；将所述拓展特征数据集划分为三种状态，根据运转过程中轴承的实际松动情况将所述拓展特征数据集划分为主轴承正常状态、主轴承外环松动状态和主轴承内环松动状态三种主轴承状态。

具体为，归一化转子振幅故障诊断规则包括：引入倍频和归一化振幅；去除易混淆数据。其中，倍频为以每个转速的基频为基准，在同一转速下其他频率分量与基频的比值；归一化振幅为以每个转速下的基频振幅为基准，在同一转速下其他频率分量的振幅与基频振幅的比值；通过归一化转子振幅故障诊断规则对频域数据进行进一步处理，生成转速、频率、振幅、倍频和归一化振幅五种数据特征。以归一化振幅为评判指标，去除归一化振幅小于0.1的数据集，即去除倍频振动分量占基频振动量小于10%的数据集；根据运转过程中轴承的实际松动情况将所述拓展特征数据集划分为主轴承正常状态、主轴承外环松动状态和主轴承内环松动状态三种状态。振动信号数据经归一化转子振幅故障诊断规则处理后，能够使信号数据中的故障特征凸显，去除易混淆数据，并便于故障诊断模型对故障特征的提取。

S104：通过一维卷积神经网络搭建故障诊断模型，并对所述故障诊断模型进行训练和测试；保存训练达到预期的故障诊断模型；

具体为，轴承正常状态的数据标签为1，发生轴承内环松动的数据标签为2，轴承外环松动的数据标签为3；根据8：2的比例随机划分数据集为训练集与测试集；再在训练集中随机划分10%的数据作为验证集。训练集、测试集和验证集互相不包含，通过训练集对故障模型进行训练；验证集用于验证故障诊断模型每次的训练效果；测试集用于测试故障诊断模型的诊断效果；

经过训练和测试之后，判定故障诊断模型的诊断准确率，若诊断准确率大于98%，则保存模型；若诊断准确率低于98%，则调整故障诊断模型参数再次训练。

S105：调用故障诊断模型进行主轴承松动故障诊断。将已训练好的诊断准确率大于98%且保存的模型直接调用，诊断航空发动机主轴承松动故障，并对故障进行定位。

本发明实施例中，引入倍频与归一化振幅，以拓展数据特征。倍频指：以每个转速下的基频为基准，在同一转速下其他频率分量与基频的比值。归一化振幅指：以每个转速下的基频振幅为基准，在同一转速下其他频率分量的振幅与基频振幅的比值。由于数据集中有大量包含较少故障特征的易混淆数据，在对故障诊断模型的训练与测试中，极易影响训练的效果，并大幅度降低故障诊断模型的诊断准确率。因此，本发明结合一线航空发动机故障诊断专家的实际经验，以归一化振幅为评判指标，去除拓展特征数据集中归一化振幅数值小于0.1的数据，即去除倍频振动分量占基频振动量小于10%的数据，从而达到去除易混淆数据的目的，避免包含较少故障特征的易混淆数据对故障诊断准确率的影响。

采用搭建的基于1D-CNN的故障诊断模型对航空发动机转子轴承松动故障进行诊断的流程如图2所示：

通过本发明提出的基于归一化转子振幅的故障诊断规则完成对信号数据的处理。

在实验与测试阶段，将拓展特征数据集随机划分为训练集、验证集和测试集，对搭建的基于1D-CNN的故障诊断模型进行训练与测试。训练与测试的具体流程为：给拓展特征数据集打标签。轴承正常状态的数据标签为1，发生轴承内环松动的数据标签为2，轴承外环松动的数据标签为3。

按照8:2的比例随机划分为训练集与测试集，其中为了验证模型训练中每次的训练效果，在训练集中再随机划分10%的数据作为验证集，训练集、测试集和验证集之间相互不包含。

利用训练集对故障诊断模型进行训练，验证集用来验证模型每次的训练效果，测试集则用来最终测试故障诊断模型的诊断效果。经过训练与测试后，如果故障诊断模型的诊断准确率达到了98%以上则保存模型，如果未达到要求的准确率，则需调节故障诊断模型参数再继续进行训练直到故障诊断模型的诊断准确率达到98%以上并保存模型。

本发明在工程应用中，可以将已训练好的故障诊断模型直接调用，将航空发动机的相关测试信号经基于归一化转子振幅的故障诊断规则处理后输入故障诊断模型，便可实现对航空发动机转子主轴承松动故障的智能诊断与故障定位。

本发明实施例中，如图3所示：本发明的整体构思为首先完成对航空发动机转子系统振动信号与转速信号的采集与记录，然后将记录的转子系统时域振动信号经傅里叶变换为频域信号，此时特征数据集中包含了转速、频率、振幅三类特征。然后利用本发明提出的基于归一化转子振幅的故障诊断规则对特征数据集进行处理。其中，归一化转子振幅故障诊断规则处理的过程主要包括两个方面，一是拓展数据特征，将倍频与归一化转子振幅引入数据集中，使拓展特征数据集包含的特征拓展为五种，分别是：转速信号数据、频率数据、振动幅值数据、倍频数据和归一化转子振幅数据。二是以拓展特征数据集中的归一化转子振幅数据为评判指标，去除归一化转子振幅数值小于0.1数据样本，从而去除拓展特征数据集中包含较少故障特征的易混淆数据，避免这类数据对故障诊断模型的训练及诊断准确率的影响。搭建基于1D-CNN的故障诊断模型。

在前期实验阶段，需要明确已知的转子系统信号数据，即数据集中必须包含三类数据，即主轴承正常状态、主轴承内环松动状态、主轴承外环松动状态下航空发动机转子系统的振动信号和转速信号。将数据分别打好标签，其中，主轴承正常状态的数据标签为1，主轴承内环松动的数据标签为2，主轴承外环松动的数据标签为3，通过基于归一化转子振幅的故障诊断规则处理后，对故障诊断模型进行训练与测试，并将能够达到高精度诊断的故障诊断模型保存。

而在实际的工程应用中，可直接调用已经训练测试好的故障诊断模型，将航空发动机转子系统的转速和振动信号经基于归一化转子振幅的故障诊断规则处理后的信号数据输入故障诊断模型，即可完成对航空发动机转子轴承松动故障快速、高效、高精度的诊断与定位。

基于上述方案，本发明通过获取振动信号和转速信号并生成振动信号数据和转速信号数据；将振动信号数据进行时域到频域的转换；得到各转速下各频率分量的转子振动幅值数据；将转子转速数据、频率数据和转子振动幅值数据生成特征数据集；根据归一化转子振幅故障诊断规则对特征数据集进行进一步处理生成拓展特征数据集；根据运转过程中轴承的实际松动情况将所述拓展特征数据集划分为主轴承正常状态、主轴承外环松动状态和主轴承内环松动状态；利用一维卷积神经网络搭建故障诊断模型，并对故障诊断模型进行训练和测试；保存训练达到预期效果的故障诊断模型；调用故障诊断模型进行诊断；本发明的归一化转子振幅故障诊断规则能够使故障信号的特征凸显，并能够有效避免易混淆数据对诊断结果的影响。其处理过程无需人工经验的帮助，避免了人工对故障信号的处理与分析工作，降低了对技术人员专业能力的高要求，并大幅度缩短信号处理与分析所需要的时间。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

上述实施例仅表达了较为优选的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (7)

1.一种用于识别航空发动机主轴承松动故障的智能诊断方法，其特征在于，包括：

S101：获取振动信号和转速信号并生成振动信号数据和转速信号数据；

S102：将所述振动信号数据进行时域到频域的转化得到频率数据和振动幅值数据；将所述转速信号数据、所述频率数据和所述振动幅值数据生成特征数据集；

S103：根据归一化转子振幅故障诊断规则对特征数据集进行处理生成拓展特征数据集；将所述拓展特征数据集划分为三种主轴承状态；

S104：通过一维卷积神经网络搭建故障诊断模型，并对所述故障诊断模型进行训练和测试；保存训练达到预期的故障诊断模型；

S105：调用故障诊断模型进行主轴承松动故障诊断；

所述归一化转子振幅故障诊断规则，包括：引入倍频和归一化转子振幅与特征数据集结合生成拓展特征数据集；去除易混淆数据；

其中，所述倍频为以每个转速下的基频为基准，在同一转速下其它频率数据与基频数据的比值得到倍频数据；所述归一化转子振幅为以每个转速下的基频振幅为基准，在同一转速下其它频率分量的振幅与基频振幅的比值得到归一化转子振幅数据；

其中，所述去除易混淆数据的具体操作方式为：以归一化转子振幅为评判指标，去除归一化转子振幅小于0.1的数据集，即去除倍频振动分量占基频振动量小于10％的数据集；

将所述转速信号数据、频率数据、振动幅值数据、倍频数据和归一化转子振幅数据生成拓展特征数据集；

将所述拓展特征数据集划分为主轴承正常状态、主轴承外环松动状态和主轴承内环松动状态。

2.根据权利要求1所述的方法，其特征在于，步骤S101包括：通过传感器获取转子系统的振动信号和转速信号；将所述振动信号和转速信号发送到信号调理器，所述信号调理器接收所述振动信号和转速信号进行信号调理并发送到数据采集卡。

3.根据权利要求2所述的方法，其特征在于，所述数据采集卡接收由所述信号调理器发送的振动信号和转速信号并进行采集，生成振动信号数据和转速信号数据，将所述振动信号数据和所述转速信号数据发送到计算机。

4.根据权利要求1所述的方法，其特征在于，步骤S102包括：将转子振动信号数据进行傅里叶变换至频域，得到转子不同转速下的频率数据及其对应的振动幅值数据；

将所述转速信号数据、频率数据和振动幅值数据生成特征数据集并保存。

5.根据权利要求1所述的方法，其特征在于，步骤S104包括：对所述的主轴承正常状态、主轴承外环松动状态和主轴承内环松动状态三种状态的数据集打标签；

将所述拓展特征数据集按照8：2的比例随机划分训练集与测试集；再在所述训练集中随机划分10％的数据作为验证集。

6.根据权利要求5所述的方法，其特征在于，通过训练集对故障诊断模型进行训练；验证集用来验证故障诊断模型每次的训练效果；测试集用来测试故障诊断模型的诊断效果；

经过训练和测试之后，判定所述故障诊断模型的诊断准确率，若诊断准确率大于98％，则保存模型；若诊断准确率低于98％，则调整故障诊断模型参数再次训练。

7.根据权利要求1所述的方法，其特征在于，步骤S105包括：将已训练好的诊断准确率大于98％且保存的模型直接调用，诊断航空发动机主轴承松动故障，并对故障进行定位。

Images