CN104614166B - 一种飞机发动机转子振动信号故障状态识别的方法 - Google Patents

Abstract

本发明提出一种飞机发动机转子振动信号故障状态识别的方法，主要包括以下步骤：首先提取转子振动信号的11种时域、频域和时频域特征；然后通过聚类，选择合适的特征；接下来利用聚类结果训练分类器；最后将新数据代入到训练好的分类器，产生分类结果。本发明解决了现有飞机发动机转子故障状态识别时，由于主客观方面的原因，提取的大量诊断特征中存在很多不相关或冗余信息的问题。本发明采用聚类和分类器相结合的飞机发动机转子振动信号故障分类的方法，提出一种飞机发动机转子振动信号故障状态识别的方法框架，能够自动识别出对故障特征敏感的关键特征，剔除对故障特征不敏感的相关特征，能够有效地提升飞机发动机转子振动信号故障状态识别性能。

Description

一种飞机发动机转子振动信号故障状态识别的方法

技术领域

本发明，属于机电系统故障诊断和状态监测技术领域，具体为一种飞机发动机转子振动信号故障状态识别的方法。

背景技术

飞机运行于复杂环境中，对系统可靠性有较高的要求，飞机系统的状态监控、诊断和预测是确保飞机安全的重要手段。例如飞机系统需要监控发动机性能(如专利：CN103370667A)，起落架状态(如专利：CN 103963986)、升降舵操控性(如专利：CN 202987498)以及各种电子和机电设备(如专利：CN 102700718A)是否正常工作等各系统的状态。这些系统的整体状态受到下级子系统的影响，例如，防滑刹车控制盒(如专利：CN 104049630A)、飞机线缆(如专利：103558513A)和发动机反推(如专利：CN 103979114A)的状态监控。这些状态信息输送到飞机的ACMS(Aircraft Condition Monitoring System，ACMS)系统中，实现对各系统和子系统状态进行监控，在发生故障情况下采取相应的报警和隔离措施。飞机各系统的状态监控和故障诊断已经成为飞行安全和基于状态的维修必备的手段。

航空发动机是现代飞机的“心脏”，它工作在高压、高温和高负载的恶劣环境下，发动机工作状态的好坏直接影响飞机的安全性和可靠性。现代航空发动机设计追求大推力、高功质比，使得发动机体积减小、转速升高；同时为保证压气机效率，转子和定子的间隙几乎小到了极致。在工作过程中，一旦转子涡动量大于转定子间隙，转子叶片和定子壳体间就会出现碰磨，轻则影响转子短时间内工作稳定性，重则会使发动机损坏失效。

因此，在发动机地面试验中常以振动信号监测为手段观察其工作状态。当碰磨状况严重或较为明显时，不论从响应信号幅值还是从零件外观都可以容易的判断出故障状态。但发生轻微碰磨时，既难于从声音判断，也不易靠观察零件外观识别。虽然目前有提取碰磨故障特征，进行故障状态识别的方法，但是由于主客观方面的原因，提取的大量诊断特征中存在很多不相关或冗余信息，导致了数据的内部特征逐渐增多，表现为故障数据状态参数分布空间的复杂化、数据样本的重复冗余和状态参数在维数上的高度冗余。高维数据在处理过程中会产生较大的计算消耗，同时对于这些多属性共同决定的故障问题，很难直观地分析某些主要属性对于系统的影响，从而为找到故障的本质变化和规律，以及在计算机上可视化分析这些数据的结构、关联和分布情况带来了很大困难。

综上所述，飞机发动机转子振动信号的一些关键特征对故障比较敏感，而且相互独立，能够提供互补信息，提高诊断精度，应该充分利用；一些冗余或者不相关的特征对故障不敏感，没有利用价值，会增加诊断工作量和成本，应该从中剔除。因此，现下所需要的就是，能够自动选取飞机发动机转子振动信号关键特征，观察其工作状态，进行故障状态识别的方法。

发明内容

为了解决现有飞机发动机转子振动信号故障状态识别中，故障特征中关键特征的选取问题，本发明提出了一种飞机发动机转子振动信号故障状态识别的方法。本发明的技术方案为：

所述一种飞机发动机转子振动信号故障状态识别的方法，其特征在于：包括以下步骤：

步骤1：采集飞机发动机转子的带有故障标签的原始振动信号；

步骤2：对采集到的带有故障标签的原始振动信号，提取11种特征：均值、方差、峭度、峰值指标、波形指数、脉冲指标、裕度指标、频率峰值比、频域均方根、小波包分解后第三层中的第一个和第二个节点能量，得到信号矩阵

其中，信号矩阵维数变量为d，d＝1,2,...,D，D＝11表示维数大小，t＝1,2,...,T，T表示信号的个数；

步骤3：将信号矩阵转置使信号矩阵转换为特征矩阵X_c：X_c＝X^T；

步骤4：将特征作为聚类的数据点，进行特征提取：

步骤4.1：构造马氏距离矩阵S_M：

其中

X¹,X²,...,X¹¹是特征矩阵X_c中每一列的列向量，μ₁,μ₂,...,μ₁₁是特征矩阵X_c中每一列的均值，1^T为T×1的矩阵且矩阵里的每个元素均为1，E为期望，median表示取中位数；

步骤4.2：设置最大循环次数N；

步骤4.3：初始化a(i,j)＝0，利用以下公式更新r(i,j)：

其中，a(i,j)表示i选择j作为其中心点的累积证据,r(i,j)表示j作为i中心点的累积证据，a_p为a(i,j)上次迭代的值，为a_p的当前迭代的值，a_p+1为的当前迭代更新后的值，相应的r_p为r(i,j)上次迭代的值，为r_p的当前迭代的值，r_p+1为的当前迭代更新后的值，λ是收敛系数；

步骤4.4：利用以下公式更新a(i,j)

步骤4.5：确定特征i的聚类中心，根据j＝arg max_j{a(i,j)+r(i,j)}(i＝1,2,...,D)来确定每个特征的归属类以及各类的中心：在停止迭代后，对于特征i，若i≠j，表明i的聚类中心就是j；若i＝j时，表明i本身是聚类中心；

步骤4.6：若聚类中心连续若干次迭代不发生改变，或迭代次数达到指定次数N，则进行步骤5，否则执行步骤4.3；

步骤5：将带有故障标签的聚类结果利用分类器中进行训练，得到训练好的分类器；

步骤6：将新采集到未知结果的数据，按照步骤2～步骤4进行特征提取，再用步骤5训练好的分类器进行分类，产生分类结果。

有益效果

本发明采用的飞机发动机转子振动信号故障状态识别方法，能够自动识别出对故障特征敏感的关键特征，剔除对故障特征不敏感的相关特征，不依赖初始聚类点的随机选取，反而将所有特征都作为候选代表点，并将聚类结果作为分类器的输入进行故障诊断。

本发明所述的飞机发动机转子振动信号故障状态识别方法，可以发现对故障敏感的特征：一方面可以利用较少的特征识别故障，达到降低诊断成本，提高诊断效率的目的，另一方面，对于故障识别而言，可缩短训练时间，提高泛化能力，或者减少计算工作量，避免“维数灾难”问题，从而为飞机发动机转子振动信号故障状态识别提供了良好的方法框架。

附图说明

图1是本发明方法具体流程图。

具体实施方式

下面结合附图对本发明的内容作进一步详细说明：

飞机发动机转子的一般故障包括：内圈故障、外圈故障、滚动体故障、不平衡故障。飞机发动机转子振动信号故障状态识别的方法能够识别出这些故障状态，大致流程可分为离线和在线两个过程：离线过程，即将已知故障类别的发动机转子振动数据，通过本发明提及的方法处理，得到训练好的分类器；在线过程，即利用飞机上加速度传感器从发动机转子上采集新的振动数据，然后运用振动信号故障分析的方法对数据进行处理，并代入训练好的分类器，最后显示故障状态结果。

本实施方式所述的飞机发动机转子振动信号故障状态识别的方法，具体流程如附图1所示：

步骤1：利用安装在转子上的加速度传感器，采集飞机发动机转子的带有故障标签的原始振动信号。

步骤2：对采集到的带有故障标签的原始振动信号，提取11种特征：均值、方差、峭度、峰值指标、波形指数、脉冲指标、裕度指标、频率峰值比、频域均方根、小波包分解后第三层中的第一个和第二个节点能量，得到信号矩阵

其中，信号矩阵维数变量为d，d＝1,2,...,D，D＝11表示维数大小，t＝1,2,...,T，T表示信号的个数。

步骤3：将信号矩阵转置使信号矩阵转换为特征矩阵X_c：X_c＝X^T。

步骤4：将特征作为聚类的数据点，进行特征提取：

该聚类方法不要求指定聚类数和初始化中心，只需要输入数据点之间的马氏距离矩阵S。s(i,j)表示i归入以j为中心的类的可能性,该值越大，i越有可能归入该类中。当i＝j时,s(j,j)表示j作为类中心的可能性,显然s(j,j)越大，j越有可能成为中心。通常根据一定的度量,计算出所有s(i,j)(i≠j)后，s(j,j)可以取一个常量，如果所有的数据点一开始作为中心点的可能性一样,则取相同的常量,需要注意的是，s(j,j)的值直接影响着聚类的结果，一般情况下，s(j,j)越大，最后产生的聚类越多。

步骤4.1：利用协方差矩阵公式和马氏距离矩阵公式，计算特征矩阵列向量与列向量之间的马氏距离，构造马氏距离矩阵S_M，并令S_M每一个对角线位置取值为S_M矩阵相应那一行的中位数：

其中马氏距离矩阵公式为

协方差矩阵公式为

X¹,X²,...,X¹¹是特征矩阵X_c中每一列的列向量，μ₁,μ₂,...,μ₁₁是特征矩阵X_c中每一列的均值，1^T为T×1的矩阵且矩阵里的每个元素均为1，E为期望，median表示取中位数。

步骤4.2：设置最大循环次数N＝50。

步骤4.3：初始化a(i,j)＝0，利用以下公式更新r(i,j)：

其中，a(i,j)表示i选择j作为其中心点的累积证据,r(i,j)表示j作为i中心点的累积证据，a_p为a(i,j)上次迭代的值，为a_p的当前迭代的值，a_p+1为的当前迭代更新后的值，相应的r_p为r(i,j)上次迭代的值，为r_p的当前迭代的值，r_p+1为的当前迭代更新后的值，λ是收敛系数，用于调节算法的收敛速度和迭代过程的稳定性，λ越大消除振荡的效果越好，但收敛速度越慢，反之亦然，这里λ＝0.5。

步骤4.4：利用以下公式更新a(i,j)

步骤4.5：确定特征i的聚类中心，根据j＝arg max_j{a(i,j)+r(i,j)}(i＝1,2,...,D)来确定每个特征的归属类以及各类的中心：在停止迭代后，对于特征i，若i≠j，表明i的聚类中心就是j；若i＝j时，表明i本身是聚类中心。

步骤4.6：若聚类结果稳定，即聚类中心连续若干次迭代不发生改变，或迭代次数达到指定次数N，则进行步骤5，否则执行步骤4.3，最终能够自动产生若干个聚类中心，同时将剩下的数据点归入到相应的类中。选择出聚类中心对应的特征为特征选择的结果，从而找出哪些特征是所有特征的中心，剔除掉冗余特征。

步骤5：将带有故障标签的聚类结果利用分类器中进行训练，得到训练好的分类器。

步骤6：将新采集到未知结果的数据，按照步骤2～步骤4进行特征提取，再用步骤5训练好的分类器进行分类，产生分类结果。

本发明所述方法的分析和实现思路，显然并不局限于飞机发动机转子振动信号故障状态识别的问题。还可针对其他复杂系统的信号故障状态识别问题，进行适应性的调整，从而基于系统状态监测数据开展故障状态识别的方法研究，为各类复杂系统的综合保障维护提供较为有效的决策支撑方法。

Claims (1)

1.一种飞机发动机转子振动信号故障状态识别的方法，其特征在于：包括以下步骤：

步骤1：采集飞机发动机转子的带有故障标签的原始振动信号；

步骤2：对采集到的带有故障标签的原始振动信号，提取11种特征：均值、方差、峭度、峰值指标、波形指数、脉冲指标、裕度指标、频率峰值比、频域均方根、小波包分解后第三层中的第一个和第二个节点能量，得到信号矩阵

其中，信号矩阵维数变量为d，d＝1,2,...,D，D＝11表示维数大小，t＝1,2,...,T，T表示信号的个数；

步骤3：将信号矩阵转置使信号矩阵转换为特征矩阵X_c：X_c＝X^T；

步骤4：将特征作为聚类的数据点，进行特征提取：

步骤4.1：构造马氏距离矩阵S_M：

其中

$s(i,j)=\left\{\begin{array}{c}\sqrt{{(X^i-X^j)}^T{\left(\mathrm{\Σ}\right)}^{-1}(X^i-X^j)},i\≠j\\ {\mathrm{median}}_{i\≠j}s(i,j),i=j\end{array}\right.i,j=\mathrm{1,2},...,11$

X¹,X²,...,X¹¹是特征矩阵X_c中每一列的列向量，μ₁,μ₂,...,μ₁₁是特征矩阵X_c中每一列的均值，1^T为T×1的矩阵且矩阵里的每个元素均为1，E为期望，median表示取中位数；

步骤4.2：设置最大循环次数N；

步骤4.3：初始化a(i,j)＝0，利用以下公式更新r(i,j)：

$r(i,j)=s(i,j)-\underset{u\≠j}{\max }\{a(i,u)+s(i,u)\}$

$\left\{\begin{array}{c}{a}_{p+1}=(1-\mathrm{\λ})*a_{p+1}^{\mathrm{old}}+\mathrm{\λ}*a_p\\ r_{p+1}=(1-\mathrm{\λ})*r_{p+1}^{\mathrm{old}}+\mathrm{\λ}*r_p\end{array}\right.$

其中，a(i,j)表示i选择j作为其中心点的累积证据,r(i,j)表示j作为i中心点的累积证据，a_p为a(i,j)上次迭代的值，为a_p的当前迭代的值，a_p+1为的当前迭代更新后的值，相应的r_p为r(i,j)上次迭代的值，为r_p的当前迭代的值，r_p+1为的当前迭代更新后的值，λ是收敛系数；

步骤4.4：利用以下公式更新a(i,j)

$a(i,j)=\left\{\begin{array}{c}\min \{0,r(j,j)+\underset{v\∉\{i,j\}}{\mathrm{\Σ}}\max \{0,r(v,j)\},i\≠j\\ \underset{v\≠j}{\mathrm{\Σ}}\max \{0,r(v,j)\},i=j\end{array}\right.;$

步骤4.5：确定特征i的聚类中心，根据j＝argmax_j{a(i,j)+r(i,j)}(i＝1,2,...,D)来确定每个特征的归属类以及各类的中心：在停止迭代后，对于特征i，若i≠j，表明i的聚类中心就是j；若i＝j时，表明i本身是聚类中心；

步骤4.6：若聚类中心连续若干次迭代不发生改变，或迭代次数达到指定次数N，则进行步骤5，否则执行步骤4.3；

步骤5：将带有故障标签的聚类结果利用分类器中进行训练，得到训练好的分类器；

步骤6：将新采集到未知结果的数据，按照步骤2～步骤4进行特征提取，再用步骤5训练好的分类器进行分类，产生分类结果。