[發(fā)明專利]一種基于經(jīng)驗(yàn)?zāi)B(tài)分解與多核學(xué)習(xí)的發(fā)動(dòng)機(jī)故障檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110267321.8
• 申請(qǐng)日: 2021-03-12
• 公開（公告）號(hào): CN112949524B
• 公開（公告）日: 2022-08-26
• 發(fā)明（設(shè)計(jì)）人: 周敏
• 申請(qǐng)（專利權(quán)）人: 中國(guó)民用航空飛行學(xué)院
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/00;G06N20/10
• 代理公司: 北京正華智誠(chéng)專利代理事務(wù)所(普通合伙) 11870
• 代理人: 代維凡

本發(fā)明公開了一種基于經(jīng)驗(yàn)?zāi)B(tài)分解與多核學(xué)習(xí)的發(fā)動(dòng)機(jī)故障檢測(cè)方法，包括以下步驟：S1：采集原始發(fā)動(dòng)機(jī)信號(hào)，并進(jìn)行EEMD分解；S2：根據(jù)EEMD分解結(jié)果進(jìn)行奇異值分解，提取故障特征；S3：構(gòu)建DPSO?PRSVM算法模型；S4：利用DPSO?PRSVM算法模型對(duì)故障特征進(jìn)行分類，完成發(fā)動(dòng)機(jī)故障檢測(cè)。通過信號(hào)分解，將原始發(fā)動(dòng)機(jī)故障信號(hào)分解為多個(gè)分量，每個(gè)分量呈現(xiàn)不同的特性，即把原始的典型的非線性和非平穩(wěn)的信號(hào)分解成多個(gè)相對(duì)簡(jiǎn)單的信號(hào)，然后對(duì)每個(gè)分量建立不同的預(yù)測(cè)模型。

技術(shù)領(lǐng)域

本發(fā)明屬于發(fā)動(dòng)機(jī)故障檢測(cè)技術(shù)領(lǐng)域，具體涉及一種基于經(jīng)驗(yàn)?zāi)B(tài)分解與多核學(xué)習(xí)的發(fā)動(dòng)機(jī)故障檢測(cè)方法。

背景技術(shù)

主軸軸承作為整個(gè)發(fā)動(dòng)機(jī)系統(tǒng)的關(guān)鍵部件，在高轉(zhuǎn)速、高溫且溫度變化、負(fù)荷變化大等復(fù)雜工況環(huán)境下極易發(fā)生故障，從而嚴(yán)重影響正常的生產(chǎn)生活。目前發(fā)動(dòng)機(jī)故障檢測(cè)辦法主要有事后維修和定期維修，但事后維修對(duì)于事故不具有規(guī)避性，而定期維修受隨機(jī)因素的影響易產(chǎn)生維修不足，設(shè)備易在預(yù)定維修前發(fā)生故障,產(chǎn)生維修不足或容易在設(shè)備尚能正常工作時(shí)，提前維修造成過剩維修。因此發(fā)動(dòng)機(jī)的設(shè)備故障萌芽即將出現(xiàn)時(shí)對(duì)故障進(jìn)行快速、準(zhǔn)確地隔離和辨識(shí)，確定發(fā)動(dòng)機(jī)送修的工作范圍和深度，將會(huì)大大地減少運(yùn)營(yíng)和維修成本，避免經(jīng)濟(jì)財(cái)產(chǎn)損失、人員傷亡等事故的發(fā)生。

軸承故障診斷方法按采用的狀態(tài)量分為溫度法、油樣分析法和振動(dòng)法，其中振動(dòng)智能診斷法利用智能化手段，通過安裝在軸承座或箱體上的振動(dòng)傳感器獲取軸承運(yùn)行的振動(dòng)信號(hào)，并對(duì)此信號(hào)進(jìn)行分析和處理提取特征，在相關(guān)故障機(jī)理的基礎(chǔ)上，針對(duì)實(shí)際問題設(shè)計(jì)特定類型的分類器以建立相應(yīng)的故障識(shí)別方法。診斷過程的關(guān)鍵在于有效提取故障特征及合理設(shè)計(jì)分類器。

發(fā)動(dòng)機(jī)故障有關(guān)的振動(dòng)包含了一定的噪聲和其他機(jī)械部件的振動(dòng)，具有高度復(fù)雜的非線性和非平穩(wěn)性的特點(diǎn)，直接在原始信號(hào)上進(jìn)行準(zhǔn)確預(yù)測(cè)效果并不理想。目前“分解-預(yù)測(cè)-集成”框架已經(jīng)證明在預(yù)測(cè)時(shí)間序列方面具有優(yōu)越性，其基本思想是將復(fù)雜的時(shí)間序列分解成多個(gè)相對(duì)簡(jiǎn)單的分量，然后單獨(dú)地預(yù)測(cè)每個(gè)分量，最后將分量的預(yù)測(cè)結(jié)果進(jìn)行集成。各分量從不同角度表征原始復(fù)雜數(shù)據(jù)的一些特征，而每個(gè)分量均可以用相對(duì)簡(jiǎn)單的模型進(jìn)行預(yù)測(cè)。從復(fù)雜的原始數(shù)據(jù)進(jìn)行預(yù)測(cè)這項(xiàng)艱巨的任務(wù)被分成預(yù)測(cè)各分量的幾個(gè)相對(duì)容易的子任務(wù)，因此，該框架對(duì)于發(fā)動(dòng)機(jī)故障診斷預(yù)測(cè)是有效的。

常用的分解方法包括傅里葉變換、小波變換、經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)。傅里葉變換只能從時(shí)域或頻域中反映信號(hào)的特性，無法同時(shí)兼顧信號(hào)在時(shí)域和頻域的局部化特征和全貌。小波變換具有良好的時(shí)頻局部化特性，但不屬于自適應(yīng)信號(hào)分解方法，分解的效果受小波基的選擇以及分解層數(shù)的影響較大。經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition，簡(jiǎn)稱為EMD)、集成經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition，簡(jiǎn)稱為EEMD)等新的自適應(yīng)分解方法，由于無需預(yù)先設(shè)定任何基函數(shù)，因此具有直觀、直接、自適應(yīng)等特點(diǎn)。EMD作為一種直接針對(duì)信號(hào)數(shù)據(jù)、自適應(yīng)的非平穩(wěn)、非線性的信號(hào)分析方法，廣泛的應(yīng)用于軸承振動(dòng)信號(hào)分析故障診斷研究中。

故障診斷的另一關(guān)鍵步驟是設(shè)計(jì)合理的分類器來進(jìn)行模式識(shí)別。目前，主要方法有：A.統(tǒng)計(jì)分類器，依據(jù)貝葉斯判別、線性判別函數(shù)、非線性判別函數(shù)等判別方法；B.神經(jīng)網(wǎng)絡(luò)分類器，神經(jīng)網(wǎng)絡(luò)方法是用于模式識(shí)別的。統(tǒng)計(jì)分類器存在固有的局限性，例如貝葉斯最優(yōu)統(tǒng)計(jì)分類器，首先需要解決概率密度估計(jì)問題。神經(jīng)網(wǎng)絡(luò)分類器需要人為選取合適的網(wǎng)絡(luò)結(jié)點(diǎn)數(shù)和初始權(quán)值等參數(shù)，存在過學(xué)習(xí)、欠學(xué)習(xí)、局部極小點(diǎn)，需要有足夠多的學(xué)習(xí)樣本等問題。C.基于核的機(jī)器學(xué)習(xí)方法，核Fisher判別(Kernel Fisher discriminant，KFD)，核判別分析(Kernel discriminant analysis，KDA)，核方法有效地解決了小樣本、非線性、局部極小點(diǎn)和高維數(shù)等實(shí)際問題。單核方法具有核函數(shù)選擇難的問題，多核學(xué)習(xí)模型以核學(xué)習(xí)模型為基礎(chǔ)，具有更強(qiáng)的靈活性，是機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)新的熱點(diǎn)，將多源數(shù)據(jù)中的不同特征分量分別用對(duì)應(yīng)的核函數(shù)進(jìn)行映射，這樣不同類別的樣本在新特征空間中的區(qū)分性更強(qiáng)，能顯著提高分類正確率。