[發(fā)明專利]一種航空發(fā)動(dòng)機(jī)機(jī)械振動(dòng)故障信號(hào)特征提取方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910555424.7
• 申請(qǐng)日: 2019-06-25
• 公開（公告）號(hào): CN110186684A
• 公開（公告）日: 2019-08-30
• 發(fā)明（設(shè)計(jì)）人: 彭玉懷;潘向鵬;吳菁晶
• 申請(qǐng)（專利權(quán)）人: 東北大學(xué)
• 主分類號(hào): G01M15/00
• 分類號(hào): G01M15/00
• 代理公司: 北京易捷勝知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11613
• 代理人: 韓國勝

本發(fā)明涉及一種航空發(fā)動(dòng)機(jī)機(jī)械振動(dòng)故障信號(hào)特征提取方法，包括如下步驟：S1、獲取發(fā)動(dòng)機(jī)振動(dòng)數(shù)據(jù)，并對(duì)獲得的振動(dòng)數(shù)據(jù)進(jìn)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(dòng)數(shù)據(jù)進(jìn)行局部化分解，獲得原始振動(dòng)數(shù)據(jù)的頻域特征和時(shí)域特征；S3、在頻域特征上尋找各個(gè)頻率突變點(diǎn)，然后計(jì)算突變點(diǎn)的頻段在時(shí)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(gè)待分辨特征；S4、通過聚類算法對(duì)待分辨特征和突變點(diǎn)時(shí)刻發(fā)動(dòng)機(jī)頻率變化的控制輸入數(shù)據(jù)進(jìn)行聚類，獲得故障特征。本發(fā)明提供的提取方法，能夠精確地診斷出航空發(fā)動(dòng)機(jī)機(jī)械振動(dòng)的故障信號(hào)。

技術(shù)領(lǐng)域

本發(fā)明屬于航空發(fā)動(dòng)機(jī)故障診斷技術(shù)領(lǐng)域，尤其涉及一種航空發(fā)動(dòng)機(jī)機(jī)械振動(dòng)故障信號(hào)特征提取方法。

背景技術(shù)

航空發(fā)動(dòng)機(jī)作為航空航天系統(tǒng)中的核心系統(tǒng)，它是航空設(shè)備中故障率最高、維護(hù)工作最困難、調(diào)整最復(fù)雜的系統(tǒng)，運(yùn)行狀態(tài)中的發(fā)動(dòng)機(jī)一旦發(fā)生故障，很可能會(huì)導(dǎo)致重大社會(huì)、經(jīng)濟(jì)損失。其中，很多航空發(fā)動(dòng)機(jī)故障是由機(jī)械震動(dòng)故障引起的。由于航空發(fā)動(dòng)機(jī)轉(zhuǎn)子系統(tǒng)工作環(huán)境極為惡劣，其子系統(tǒng)構(gòu)成復(fù)雜度極高，這對(duì)他的振動(dòng)故障診斷造成了很大的障礙。

發(fā)明內(nèi)容

(一)要解決的技術(shù)問題

針對(duì)現(xiàn)有存在的技術(shù)問題，本發(fā)明提供一種航空發(fā)動(dòng)機(jī)機(jī)械振動(dòng)故障信號(hào)特征提取方法，能夠精確地診斷出航空發(fā)動(dòng)機(jī)機(jī)械振動(dòng)的故障信號(hào)。

(二)技術(shù)方案

為了達(dá)到上述目的，本發(fā)明采用的主要技術(shù)方案包括：

一種航空發(fā)動(dòng)機(jī)機(jī)械振動(dòng)故障信號(hào)特征提取方法，包括如下步驟：

S1、獲取發(fā)動(dòng)機(jī)振動(dòng)數(shù)據(jù)，并對(duì)獲得的振動(dòng)數(shù)據(jù)進(jìn)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(dòng)數(shù)據(jù)進(jìn)行局部化分解，獲得原始振動(dòng)數(shù)據(jù)的頻域特征和時(shí)域特征；

S3、在頻域特征上尋找各個(gè)頻率突變點(diǎn)，然后計(jì)算突變點(diǎn)的頻段在時(shí)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(gè)待分辨特征；

S4、通過聚類算法對(duì)待分辨特征和突變點(diǎn)時(shí)刻發(fā)動(dòng)機(jī)頻率變化的控制輸入數(shù)據(jù)進(jìn)行聚類，獲得故障特征。

優(yōu)選地，所述聚類為故障分類；

根據(jù)發(fā)動(dòng)機(jī)振動(dòng)故障類型為各個(gè)故障分類命名；

所述故障類型至少包括：正常狀態(tài)、軸承對(duì)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(dòng)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。

優(yōu)選地，所述小波包分解算法要求原始振動(dòng)數(shù)據(jù)的采樣頻率為10240Hz，奈奎斯特采樣頻率是5120Hz。

優(yōu)選地，所述小波包分解算法采用dmey小波函數(shù)對(duì)原始振動(dòng)數(shù)據(jù)進(jìn)行8層分解，得到256個(gè)頻段的時(shí)頻特征。

優(yōu)選地，所述小波包分解算法的表達(dá)式為：

其中，f(t)表示基于時(shí)間的原始震動(dòng)信號(hào)，表示小波包中第j層上第i個(gè)小波包系數(shù)；G、H分別為小波分解濾波器。

優(yōu)選地，所述待分辨特征的表達(dá)式為：F′_j(t)，含義為該信號(hào)在第j個(gè)頻段，t時(shí)刻的一階導(dǎo)數(shù)。

優(yōu)選地，所述聚類算法為自組織映射神經(jīng)網(wǎng)絡(luò)算法。

優(yōu)選地，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)：