航空發(fā)動(dòng)機(jī)轉(zhuǎn)子故障特征提取方法研究

余　匯，鞠文煜，馬雙云

（中國商飛上海飛機(jī)設(shè)計(jì)研究院，上海 201210）

航空發(fā)動(dòng)機(jī)轉(zhuǎn)子故障特征提取方法研究

余匯，鞠文煜，馬雙云

（中國商飛上海飛機(jī)設(shè)計(jì)研究院，上海 201210）

航空發(fā)動(dòng)機(jī)的轉(zhuǎn)子系統(tǒng)扮演著重要的角色，如果在運(yùn)行過程中出現(xiàn)預(yù)期之外的故障會(huì)造成嚴(yán)重的后果。為了預(yù)防這類事件，采用轉(zhuǎn)子的振動(dòng)信號作為目標(biāo)信號，對振動(dòng)信號進(jìn)行智能基函數(shù)分析，采用支持向量機(jī)分類器測試所提取的智能特征。實(shí)驗(yàn)表明，該方案的分類精度達(dá)到95.6%，是針對航空發(fā)動(dòng)機(jī)轉(zhuǎn)子系統(tǒng)故障診斷的一種有效的特征提取方法。

航空發(fā)動(dòng)機(jī)轉(zhuǎn)子系統(tǒng)；故障診斷；振動(dòng)分析；特征提??；智能基函數(shù)

1　概述

在航空發(fā)動(dòng)機(jī)轉(zhuǎn)子系統(tǒng)中，常見的故障就是內(nèi)圈故障，它的初始征兆就是振動(dòng)信號異常。內(nèi)圈故障的結(jié)果就是導(dǎo)致機(jī)械部件的疲勞。更為嚴(yán)重的是，轉(zhuǎn)子系統(tǒng)內(nèi)的軸承會(huì)慢慢地磨損，使得系統(tǒng)密封性遭到破壞，最終導(dǎo)致機(jī)械性能的退化［1］。統(tǒng)計(jì)數(shù)據(jù)顯示，90%的發(fā)生在滾動(dòng)軸承中的故障是由裂縫導(dǎo)致的，有關(guān)裂縫的滾動(dòng)軸承的故障模式可以分為3種不同類型，內(nèi)圈故障，外圈故障，和滾動(dòng)體故障［2］。

關(guān)于滾動(dòng)軸承元件的故障診斷與健康管理（Prognostic and Health Management，PHM）技術(shù)可以增強(qiáng)全機(jī)的可靠性和安全性，并實(shí)現(xiàn)基于狀態(tài)的維修。發(fā)展PHM不僅能夠監(jiān)控旋轉(zhuǎn)機(jī)械的狀態(tài)和性能，同時(shí)也能有效地避免整臺(tái)機(jī)器突然停止運(yùn)轉(zhuǎn)，甚至傷亡事故。多種有關(guān)滾動(dòng)軸承狀態(tài)監(jiān)測的PHM技術(shù)已經(jīng)在文獻(xiàn)中提出［3］，主要用于診斷旋轉(zhuǎn)機(jī)械故障的工具就是振動(dòng)分析。為了分析振動(dòng)信號并提取信號特征，不同的技術(shù)例如時(shí)域［4—5］，頻域［6—7］的方法被廣泛使用。

2　方法架構(gòu)

為了提供一個(gè)更加準(zhǔn)確的故障診斷方法，文章提出了一個(gè)新穎的基于基函數(shù)方法的航空發(fā)動(dòng)機(jī)轉(zhuǎn)子的故障診斷框架。首先分別對每一類振動(dòng)信號提取其時(shí)域和頻域特征，基函數(shù)分別從每一類所提取的特征中學(xué)習(xí)。一個(gè)過完備的字典通過合并所有基函數(shù)以構(gòu)建出來。基于過完備字典，診斷信息可通過對振動(dòng)參量的稀疏表示來獲取。這些稀疏特征易于被支持向量積這一分類器識(shí)別出來。將基函數(shù)方法應(yīng)用于航空發(fā)動(dòng)機(jī)故障診斷的優(yōu)勢有兩方面。第一，它能夠從無標(biāo)簽的基函數(shù)中捕獲高層特征，并且這些特征中包含語義信息。它們適用于針對航空發(fā)動(dòng)機(jī)轉(zhuǎn)子各種故障診斷的復(fù)雜任務(wù)。此外，稀疏編碼可以學(xué)習(xí)過完備基組，從而相比于有限正交基可以更充分地表示不同類型的信號。它可以捕獲大量的正常和異常模式下航空發(fā)動(dòng)機(jī)轉(zhuǎn)子的采樣信號。

為了能診斷出滾動(dòng)軸承的不同狀態(tài)，本方法進(jìn)行了兩次特征提取，其特征按照下面的方式進(jìn)行提?。涸讷@取轉(zhuǎn)子臺(tái)每一類滾動(dòng)軸承狀態(tài)的振動(dòng)加速度信號后，這些信號首先按照時(shí)間序列加窗截?cái)啵?024個(gè)點(diǎn)作為一個(gè)時(shí)間窗），接下來分別對加窗截?cái)嗟臉颖具M(jìn)行時(shí)域和頻域的特征提取獲得低層特征，包括：平均值、中位數(shù)、方差、偏斜度、最小值、最大值、峭度值、均方根、峰峰值、峰值指標(biāo)、最大梯度、頻率峰值均值比、頻域均方根、三層小波包分解的第一個(gè)節(jié)點(diǎn)和第二個(gè)節(jié)點(diǎn)。

利用基函數(shù)方法進(jìn)行第二次高層特征提?。菏紫仁腔瘮?shù)的構(gòu)造，基函數(shù)的個(gè)數(shù)是提前人為指定的，并且基函數(shù)是分別從每一類的低層特征中學(xué)習(xí)出來的，通過合理減少時(shí)間窗口數(shù)來實(shí)現(xiàn)。例如，指定每一類樣本基函數(shù)的個(gè)數(shù)為10，并且每一類時(shí)間窗的個(gè)數(shù)為100?；瘮?shù)的獲取可以通過計(jì)算每十個(gè)時(shí)間窗的算術(shù)平均數(shù)來得到，即每10個(gè)時(shí)間窗可以得到一個(gè)基函數(shù)，100個(gè)時(shí)間窗就可以得到10個(gè)基函數(shù)。一個(gè)過完備字典集的建立可以通過合并所有學(xué)到的基函數(shù)。這些每一類的子字典進(jìn)行自動(dòng)合并。

圖1　故障診斷方法流程

基于過完備的集和特征符號搜索算法對進(jìn)行優(yōu)化求解，訓(xùn)練集和測試集的故障信息，即基函數(shù)特征可以表示出來。將基函數(shù)特征作為訓(xùn)練集，另一半作為測試集。結(jié)合訓(xùn)練集的故障信息（基函數(shù)特征）和類標(biāo)信息，訓(xùn)練支持向量機(jī)這一分類器。最終，利用訓(xùn)練好的分類器和測試集的診斷信息，來檢測提取的基函數(shù)特征是否具有區(qū)分性。

3　實(shí)驗(yàn)驗(yàn)證

為了驗(yàn)證所提方法的效用和效率，采取0hp負(fù)載下的滾動(dòng)軸承數(shù)據(jù)作為驗(yàn)證，振動(dòng)數(shù)據(jù)來自于凱瑟西楚大學(xué)，已被廣泛地應(yīng)用于滾動(dòng)軸承領(lǐng)域，并且被評定為參考基準(zhǔn)。故障種類有滾動(dòng)體故障、內(nèi)圈故障和3個(gè)不同方向的外圈故障（3：00，6：00，12：00方向），損傷尺度分別為0.007英寸、0.014英寸、0.021英寸、0.028英寸。振動(dòng)加速度信號的采樣頻率為12KHz。

將按照時(shí)間窗（1024個(gè)點(diǎn)）截?cái)嗟臉颖?，提取?5個(gè)時(shí)域和頻域特征，每一類設(shè)定10個(gè)基，每一個(gè)基有15個(gè)點(diǎn)，根據(jù)算術(shù)平均數(shù)從該類軸承樣本中學(xué)習(xí)出來。因此，對每一類軸承樣本，自適應(yīng)學(xué)習(xí)一個(gè)的矩陣作為一個(gè)子字典。一個(gè)過完備字典的建立，通過合并16類樣本的子字典得到，即得到一個(gè)矩陣的過完備的字典。在過完備的字典的基礎(chǔ)上，對每一類振動(dòng)信號求取其基函數(shù)特征。實(shí)驗(yàn)結(jié)果如表1所示，各類的誤分類結(jié)果以分?jǐn)?shù)形式表示，分母表示該類樣本總數(shù)，分子表示該類錯(cuò)誤分類的個(gè)數(shù)，分類精度為95.647% （813/850）。

表1　在0hp負(fù)載下的故障軸承數(shù)據(jù)描述

4　結(jié)語

本文提出了一種基于基函數(shù)分解的航空發(fā)動(dòng)機(jī)轉(zhuǎn)子系統(tǒng)故障診斷方法，該方法通過訓(xùn)練的基函數(shù)提取振動(dòng)信息，利用不同種類的基函數(shù)轉(zhuǎn)換為故障代碼。

［1］李應(yīng)強(qiáng)，孔慶春.設(shè)備故障診斷技術(shù)的進(jìn)展［C］//第十屆全國設(shè)備監(jiān)測與診斷技術(shù)學(xué)術(shù)會(huì)議論文集，2000（1）：1-5.

［2］HONG J，MIAO X，HAN L，et al.Prognostics model for predicting aero-engine bearing grade-life［J］.ASME Turbo Expo，2009（1）：639-647.

［3］李興林.滾動(dòng)軸承故障診斷技術(shù)現(xiàn)狀及發(fā)展［C］// 2009年全國青年摩擦學(xué)學(xué)術(shù)會(huì)議；長沙：2009（1）50，56-62.

［4］胡耀斌，厲善元，胡良斌.基于神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法的研究［J］.機(jī)械設(shè)計(jì)與制造，2012（2）：187-189.

［5］湯寶平，習(xí)建民，李鋒.基于Elman神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械故障診斷［J］.計(jì)算機(jī)集成制造系統(tǒng)，2010（10）：2014，2152.

［6］吳小濤，楊錳，袁曉輝，等.基于峭度準(zhǔn)則EEMD及改進(jìn)形態(tài)濾波方法的軸承故障診斷［J］.振動(dòng)與沖擊，2015（2）：38-44.

［7］從飛云，陳進(jìn)，董廣明.基于譜峭度和AR模型的滾動(dòng)軸承故障診斷［J］.振動(dòng)測試與診斷，2012（4）：538-541.

Prognostics and health management for aircraft engine rotor system

Yu Hui， Ju Wenyu， Ma Shuangyun
（Shanghai aircraft design and research institute， Shanghai200232， China）

The rotor system of aircraft engine plays a vital role during flight， in which unexpected mechanical faults during operation can lead to severe consequences. We take the vibration signals of rotor system as the target signals and analyze the vibration signal by means of decomposition of intelligent basis functions. A support vector machine classifier is used to verify the extracted sparse features whether it is suitable. Experiments show that the total classification accuracy can reach 95.6%， and the method is an effective feature extraction method for aircraft engine rotor system.

aircraft engine rotor system； fault diagnosis； vibration analysis； feature extraction

項(xiàng)目名稱：國家重大科技專項(xiàng)；項(xiàng)目編號：No.MIZ-2015-Y-089。

余匯（1985— ），男，江西上饒，工程師；研究方向：民用飛機(jī)維護(hù)系統(tǒng)與健康管理系統(tǒng)的研發(fā)。