一種航空發動機軸承故障診斷方法與流程

文檔序號：11578324閱讀：799來源：國知局

本發明屬于發動機故障診斷技術領域，尤其涉及一種航空發動機軸承故障診斷方法。

背景技術：

通用航空活動正在我國快速發展。已廣泛用于農業、林業、漁業和建筑業的飛行作業，在搶險救災、氣象監測、科學實驗等領域尤其活躍。通用航空飛機的可靠性一直是航空業界優先考慮，因為一旦出現故障，后果不堪設想。對通用航空飛機，進行可預測性維護，在提高飛機可靠性，降低運營維護成本有著非常重要意義。發動機是飛機心臟，也是飛機可預測性維護重點。滾動軸承是渦噴發動機的最易損傷的部件之一，相當多的發動機故障與軸承損傷有關聯。為了提高發動機運行可靠性和安全性，有必要通過監控手段，對航空發動機進行預測性維護，尤其是針對軸承進行監測與故障診斷，采用故障診斷技術，跟蹤狀態特征，對軸承進行健康狀態診斷，是確保航空發動機可靠運行的有效措施。目前軸承的故障診斷中，常用的單一模態的狀態特征，很難完全體現復雜的早期軸承故障狀態信息。渦噴航空發動機軸承的狀態信息蘊藏在振動信號、發動機轉速、發動機排氣溫度、燃油流量、發動機推力等狀態信號中。雖然每一種模態的狀態信息都在一定程度上能夠反映軸承故障信息，但是其普適性和魯棒性仍然有待提升。

綜上所述，目前軸承的故障診斷中，常用的單一模態的狀態特征，很難完全體現復雜的早期軸承故障狀態信息。

技術實現要素：

本發明的目的在于提供一種航空發動機軸承故障診斷方法，旨在解決目前軸承的故障診斷中，常用的單一模態的狀態特征，很難完全體現復雜的早期軸承故障狀態信息的問題。

本發明是這樣實現的，一種航空發動機軸承故障診斷方法，所述航空發動機軸承故障診斷方法包括以下步驟：

首先通過采集渦噴發動機的振動信號、發動機轉速、發動機排氣溫度、燃油流量、發動機推力5種信號；提取各種信號的經典的時域統計學特征、頻域特征，以及基于小波包分解獲得時頻域特征；

然后分別對各種信號的特征參數采用深度波爾曼茲機進行特征學習；接下來采用數據融合技術將深度波爾曼茲機學習到的各源特征進行融合；

最后將融合后的特征參數作為分類器支持向量機的輸入，對發動機故障進行分類識別。

進一步，所述時域統計學特征包括：

有量綱參數，包括：平均值、均方根值、方差、方根幅值、峰值、峭度、偏度；

無量綱參數，包括：波形指標、峰值指標、脈沖指標、裕度指標、峭度指標。

進一步，所述頻域特征提取包括：應用快速傅里葉變換到時域信號，獲得頻域參數；頻域特征參數包括：均值、方差、標準方差、偏度、峭度、中心頻率、均方根值；均方根值，指的是在指定頻帶的頻率幅值均方根值。

進一步，所述基于小波包分解提取時頻域特征：每個小波包分解中，分解級數為6，也就是說獲得2⁶個小波系數；每個小波系數的能量被計算，每個母小波共計2⁶能量組成一個特征向量，表征故障狀態特征。

進一步，所述深度玻爾曼茲機的能量函數定義如下：

式中，v表示可視層；h⁽¹⁾，…，h^(l)表示l個隱藏層；模型參數θ＝{w，a，b}，其中w表示網絡間的連接權值矩陣，a表示可視層的偏值，b表示隱藏層的偏值；nv表示可視層神經元數，表示第l隱藏層的神經元數。

進一步，所述特征學習過程如下：

a)將特征數據輸入第一個受限玻爾曼茲機rbm1，假設其可視層為v，采用一步對比散度算法,基于重構的可視層矢量中場值，學習計算得到隱藏層第一層h⁽¹⁾、層間自頂向下的連接權值w⁽¹⁾，層間自底向上的連接權值矩陣為2w⁽¹⁾；

b)凍結rbm1的自底向上的連接權值矩陣為2w⁽¹⁾，按照條件概率p(h⁽¹⁾|v；2w⁽¹⁾)抽樣，提取特征h⁽¹⁾作為第一個受限玻爾曼茲機rbm2的輸入；rbm2自頂向下和自底向上兩個方向的連接權值都為2w⁽²⁾，基于重構的可視層矢量中場值，采用一步對比散度算法，訓練rbm2；

c)凍結rbm2的連接權值矩陣為2w⁽²⁾,按照條件概率p(h⁽²⁾|v；2w⁽¹⁾,2w⁽²⁾)抽樣提取特征h⁽²⁾，作為rbm3的輸入，訓練方式同步驟b)；

d)步驟c)進行遞歸處理，直到l-1層，l指深度波爾曼茲機的隱藏層數；

e)使用一步對比散度算法訓練頂層的受限玻爾曼茲機rbm，約束條件為：自底向上的連接權重為w^(l)，自頂向下的連接權重為2w^(l)；

f)使用連接權值{w⁽¹⁾，w⁽²⁾，…,w^(l)},構建一個深度波爾曼茲機；

g)利用構建好的深度波爾曼茲機進行特征提取。

進一步，采用多特征參數數據融合算法，對提取的各種模態特征進行特征融合。

本發明的另一目的在于提供一種利用所述航空發動機軸承故障診斷方法診斷的航空發動機軸承。

本發明的另一目的在于提供一種利用所述航空發動機軸承故障診斷方法診斷的渦噴航空發動機軸承。

本發明的另一目的在于提供一種利用所述航空發動機軸承故障診斷方法診斷的發動機軸承。

本發明提供的航空發動機軸承故障診斷方法，運用多倫多大學ruslansalakhutdinov和geoffreyhinton提出的深度波爾曼茲機，來進行特征提取。與傳統的特征提取方法相比，通過構建多隱層網絡模型和海量數據訓練，提升分類和預測的準確性。本發明針對60公斤推力以下的民用通用渦噴航空發動機軸承，進行故障診斷；采用數據融合技術，對各狀態下的特征狀態信息進行融合，可以有效提高提取的狀態特征參數的有效性和穩定性，有利于更精確的識別軸承故障。

本發明采用多源特征融合數據，較之單源特征狀態數據，效果明顯，提升了渦噴發動機的軸承故障的識別精度和穩定性；區別于傳統的時域、頻域、時頻域的信號特征提取方法，本發明利用深度波爾曼茲機方法直接對各種模態原始數據進行重構，在保留數據原始信息的同時，有效的挖掘了數據的本質特征；將無監督學習到的多源特征，進行數據融合之后，輸入到支持向量機模型，并對深度波爾曼茲機進行微調，極大的提高了渦噴發動機軸承故障精度。

附圖說明

圖1是本發明實施例提供的航空發動機軸承故障診斷方法流程圖。

圖2是本發明實施例提供的實施例1的流程圖。

圖3是本發明實施例提供的深度波爾曼茲機模型結構圖。

具體實施方式

為了使本發明的目的、技術方案及優點更加清楚明白，以下結合實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，并不用于限定本發明。

本發明通過實時監測渦噴發動機工作狀態，采集振動信號、發動機轉速、發動機排氣溫度、燃油流量、發動機推力5種信號，對采集的到的多種模態下的信號采用深度波爾曼茲機進行特征提取之后，采取數據融合技術，融合多種模態下的狀態特征，作為故障診斷的依據。

下面結合附圖對本發明的應用原理作詳細的描述。

如圖1所示，本發明實施例提供的航空發動機軸承故障診斷方法包括以下步驟：

s101：通過采集渦噴發動機的振動信號、發動機轉速、發動機排氣溫度、燃油流量、發動機推力5種信號，首先提取各種信號的經典的時域統計學特征、頻域特征，以及基于小波包分解獲得時頻域特征；

s102：然后分別對各種信號的特征參數采用深度波爾曼茲機進行學習；接下來采用數據融合技術將深度波爾曼茲機學習到的各源特征進行融合；

s103：最后將融合后的特征參數作為分類器支持向量機的輸入，對發動機故障進行分類識別。

下面結合附圖對本發明的應用原理作進一步的描述。

本發明基于多源特征數據融合和深度波爾曼茲機的航空發動機軸承故障診斷方法，流程圖如圖2所示。具體步驟如下：

(1)采集振動信號、發動機轉速、發動機排氣溫度、燃油流量、發動機推力5種信號，分別在渦噴航空發動機上安裝加速度傳感器、轉速傳感器、溫度傳感器、流量傳感器、壓力傳感器，在線采集其運行過程中的五種模態下的各種信號；

(2)提取各種模態下信號特征，對采集到的振動信號等五種信號，提取其時域統計學特征，基于快速傅里葉變換提取頻域特征，基于小波包分解提取時頻域特征。

主要時域特征包括有量綱參數有：平均值，均方根值(有效值)，方差，方根幅值，峰值，峭度，偏度。無量綱參數：波形指標，峰值指標，脈沖指標，裕度指標，峭度指標。

頻域特征提取包括：應用快速傅里葉變換到時域信號，獲得頻域參數。頻域特征參數被考慮，如均值、方差、標準方差、偏度、峭度、中心頻率、均方根值。其中均方根值，指的是在指定頻帶的頻率幅值均方根值。

基于小波包分解提取時頻域特征：每個小波包分解中，分解級數為6，也就是說獲得2⁶個小波系數。每個小波系數的能量被計算，每個母小波共計2⁶能量組成一個特征向量，表征故障狀態特征。

(3)分別就每個模態下提取的特征，作為深度神經網絡輸入，采用深度波爾曼茲機進行學習。圖3所示為一個有3個隱藏層的深度玻爾曼茲機網絡結構。

深度玻爾曼茲機的能量函數定義如下：

式中，v表示可視層。h⁽¹⁾，…，h^(l)表示l個隱藏層。模型參數θ＝{w，a，b}，其中w表示網絡間的連接權值矩陣，a表示可視層的偏值，b表示隱藏層的偏值；nv表示可視層神經元數，表示第l隱藏層的神經元數。

整個網絡分配到可視層的概率如下：

可視層和各隱藏層間的條件分布分別定義如下：

式(3)～(6)中，g(·)為邏輯函數。可選取sigmoid函數或者雙正切函數。

每種模態下，特征學習過程如下：

a)將特征數據輸入第一個受限玻爾曼茲機(restrictedboltzmannmachines，rbm)rbm1，假設其可視層為v，采用一步對比散度算法(one-stepcontrastivedivergence),基于重構的可視層矢量中場值(mean-fieldreconstructionsofrbm1’svisiblevectors)，學習計算得到隱藏層第一層h⁽¹⁾、層間自頂向下的連接權值w⁽¹⁾，層間自底向上的連接權值矩陣為2w⁽¹⁾。

b)凍結rbm1的自底向上的連接權值矩陣為2w⁽¹⁾，按照條件概率p(h⁽¹⁾|v；2w⁽¹⁾)抽樣，提取特征h⁽¹⁾作為第一個受限玻爾曼茲機rbm2的輸入。rbm2自頂向下和自底向上兩個方向的連接權值都為2w⁽²⁾，基于重構的可視層矢量中場值，采用一步對比散度算法，訓練rbm2。

c)凍結rbm2的連接權值矩陣為2w⁽²⁾,按照條件概率p(h⁽²⁾|v；2w⁽¹⁾,2w⁽²⁾)抽樣提取特征h⁽²⁾，作為rbm3的輸入，訓練方式同步驟b)。

d)如圖步驟c)進行遞歸處理，直到l-1層，這里l指深度波爾曼茲機的隱藏層數。

e)使用一步對比散度算法訓練頂層的受限玻爾曼茲機rbm，約束條件為：自底向上的連接權重為w^(l)，自頂向下的連接權重為2w^(l)。

f)使用連接權值{w⁽¹⁾，w⁽²⁾，…,w^(l)},構建一個深度波爾曼茲機。

g)利用構建好的深度波爾曼茲機進行特征提取。

(4)采用多特征參數數據融合算法，對步驟(3)提取的各種模態特征進行特征融合。

(5)基于步驟(4)融合的特征參數，采用支持向量機進行故障分類識別。

下面結合具體實施例對本發明的應用效果作詳細的描述。

本發明的應用試驗平臺，該試驗平臺為20公斤推力的通用航空渦噴發動機，采用發明的方法，對發動機軸承故障進行診斷。試驗方案如下：

(1)采集信號

(a)振動加速度信號：a(t)，用振動加速度傳感器(1000mv/g)測量，該傳感器采用透明膠帶纏繞在發動機上面。發動機表面應該磨平(因為加速度傳感器的底部是平的)。采樣頻率：200khz。