[發(fā)明專利]一種航空發(fā)動機機械振動故障信號特征提取方法在審
| 申請?zhí)枺?/td> | 201910555424.7 | 申請日: | 2019-06-25 |
| 公開(公告)號: | CN110186684A | 公開(公告)日: | 2019-08-30 |
| 發(fā)明(設(shè)計)人: | 彭玉懷;潘向鵬;吳菁晶 | 申請(專利權(quán))人: | 東北大學(xué) |
| 主分類號: | G01M15/00 | 分類號: | G01M15/00 |
| 代理公司: | 北京易捷勝知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11613 | 代理人: | 韓國勝 |
| 地址: | 110169 遼*** | 國省代碼: | 遼寧;21 |
| 權(quán)利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關(guān)鍵詞: | 航空發(fā)動機 故障信號 機械振動 突變點 數(shù)據(jù)預(yù)處理 頻域特征 時域特征 特征提取 一階導(dǎo)數(shù) 振動數(shù)據(jù) 分辨 控制輸入數(shù)據(jù) 發(fā)動機頻率 發(fā)動機振動 故障特征 聚類算法 小波分解 原始振動 局部化 頻段 聚類 算法 分解 診斷 | ||
1.一種航空發(fā)動機機械振動故障信號特征提取方法,其特征在于,包括如下步驟:
S1、獲取發(fā)動機振動數(shù)據(jù),并對獲得的振動數(shù)據(jù)進行數(shù)據(jù)預(yù)處理;
S2、采用小波分解算法將經(jīng)過數(shù)據(jù)預(yù)處理的振動數(shù)據(jù)進行局部化分解,獲得原始振動數(shù)據(jù)的頻域特征和時域特征;
S3、在頻域特征上尋找各個頻率突變點,然后計算突變點的頻段在時域特征上的一階導(dǎo)數(shù),若該一階導(dǎo)數(shù)大于閾值T,則將該變化作為一個待分辨特征;
S4、通過聚類算法對待分辨特征和突變點時刻發(fā)動機頻率變化的控制輸入數(shù)據(jù)進行聚類,獲得故障特征。
2.根據(jù)權(quán)利要求1所述的提取方法,其特征在于,所述聚類為故障分類;
根據(jù)發(fā)動機振動故障類型為各個故障分類命名;
所述故障類型至少包括:正常狀態(tài)、軸承對中性故障、支撐系統(tǒng)在垂直與水平面不等故障、轉(zhuǎn)子或靜子松動故障、葉片摩擦故障、密封碰摩故障、次諧波共振故障、軸承內(nèi)外環(huán)損傷故障、工作葉片裂紋故障、失衡故障、震蕩柵燒故障、旋轉(zhuǎn)失速故障、臨街轉(zhuǎn)速故障、失穩(wěn)故障、結(jié)構(gòu)共振故障。
3.根據(jù)權(quán)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動數(shù)據(jù)的采樣頻率為10240Hz,奈奎斯特采樣頻率是5120Hz。
4.根據(jù)權(quán)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小波函數(shù)對原始振動數(shù)據(jù)進行8層分解,得到256個頻段的時頻特征。
5.根據(jù)權(quán)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達式為:
其中,f(t)表示基于時間的原始震動信號,表示小波包中第j層上第i個小波包系數(shù);G、H分別為小波分解濾波器。
6.根據(jù)權(quán)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達式為:F′j(t),含義為該信號在第j個頻段,t時刻的一階導(dǎo)數(shù)。
7.根據(jù)權(quán)利要求6所述的提取方法,其特征在于,所述聚類算法為自組織映射神經(jīng)網(wǎng)絡(luò)算法。
8.根據(jù)權(quán)利要求7所述的提取方法,其特征在于,所述自組織映射神經(jīng)網(wǎng)絡(luò)算法包括使用歐式距離作為判別函數(shù):
其中dj(x)表示自組織神經(jīng)網(wǎng)絡(luò)中的輸出節(jié)點j與輸入節(jié)點之間的判別函數(shù),wij表示各輸入單元i和神經(jīng)元j之間的連接權(quán)重,判別函數(shù)最小的為勝利者。
9.根據(jù)權(quán)利要求8所述的提取方法,其特征在于,所述自組織映射神經(jīng)網(wǎng)絡(luò)算法判別出獲勝節(jié)點后,假定此刻的優(yōu)勝節(jié)點為I(x),以I(x)節(jié)點為中心,t時刻為權(quán)值調(diào)整域,計算優(yōu)勝鄰域j,鄰域函數(shù)為:
其中表示節(jié)點j與I(x)的歐氏距離,σ是一個隨時間衰減的函數(shù),表示方式為:
σ=σ0*e-t/2
其中σ0為常數(shù)。
10.根據(jù)權(quán)利要求9所述的提取方法,其特征在于,所述自組織映射神經(jīng)網(wǎng)絡(luò)算法還包括更新節(jié)點參數(shù),使用梯度下降法:
Δwij=η(t)*Tj,I(x)(t)*(xi-wij)。
其中,η(t)訓(xùn)練時間t和鄰域神經(jīng)元與獲勝神經(jīng)元I(x)之間的拓撲距離的關(guān)聯(lián)函數(shù),表示的是學(xué)習(xí)效率。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息,商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于東北大學(xué),未經(jīng)東北大學(xué)許可,擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作,請聯(lián)系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/201910555424.7/1.html,轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。





