航空发动机转子系统故障信号特征信息提取方法技术方案

本发明专利技术公开了一种航空发动机转子系统故障信号特征信息提取方法，该方法的步骤为：1)特征向量选取：通过电涡流位移传感器，按确定的时间间隔或采样频率测取一定数量的航空发动机转子系统在某个采样时段的振动位移信号，对振动位移信号进行小波变换，并获取该信号沿尺度(频率)轴上的能量模分布情况，然后将其按尺度顺序排列成向量，作为特征向量；将一定数量的特征向量组成初始样本集Q，求取样本集Q特征向量作为待诊断样本；2)聚类分析：将Q按距离准则逐步聚类，类别由多到少(聚集法)，直到满足合适的分类要求为止，通过比较待诊断样本与各个初始样本之间的距离，最终获得转子系统工况振动信号特征信息。本发明专利技术提高了聚类的精度和速度。

Fault signal feature extraction method for aero engine rotor system

The invention discloses a method for extracting fault features of aeroengine rotor system, the method comprises the following steps: 1) select the feature vector by eddy current displacement sensor, according to the time interval or sampling frequency measurement of aero engine rotor system in a certain number of sampling periods of the vibration displacement signal, wavelet to transform the vibration displacement signal, and acquires the signal along the scale (frequency) energy norm distribution on the axis, and then according to its scale sequence into a vector, as a feature vector; the feature vector is composed of a number of initial sample set Q, set Q to calculate the sample feature vector as the diagnosis sample; 2) clustering analysis: Q by stepwise clustering distance criterion, categories from more to less (aggregation method), until meet the appropriate classification requirements, by comparing the sample and the early diagnosis The distance between the beginning samples is finally obtained by the vibration signal characteristic information of the rotor system. The invention improves the precision and speed of clustering.

【技术实现步骤摘要】
航空发动机转子系统故障信号特征信息提取方法
本专利技术涉及一种信号特征信息提取方法，尤其涉及一种航空发动机转子系统故障信号特征信息提取方法。
技术介绍
航空发动机是飞机的心脏，是航空机械设备中故障率最高、调整最复杂、维护工作量最大的系统，其工作状态的好坏直接影响到飞机的安全可靠与运行。一旦发动机在运行中出现了故障，就可能导致飞机无法正常飞行，危及人身安全，造成重大的社会、经济损失。据统计，航空发动机的故障发生率约占整个飞机故障的30％，飞机因机械原因发生的重大飞行事故中40％左右是由于发动机故障导致的，发动机由于自身特点不同于一般机械，即使非常轻微的一些机械缺陷或损伤都会引起转子系统的振动，包括从几乎小得微不足道的振动到大得足以导致发动机破坏的振动。由于航空发动机转子系统的复杂性，往往多种故障会表现为相同的振动，而同一故障又会表现为不同的振动，所以会导致漏报和误报，严重影响了航空发动机转子系统故障诊断的可靠性。为了提高航空发动机转子系统故障诊断水平，需要发展实用、准确、高效的特征信息提取方法。目前，航空发动机振动故障诊断和信号特征提取的方法很多，经测试，运行理念最先进，实际操作效果最有效的，当属专利号为201010298385.6公开的一种航空发动机转子系统工况振动信号特征信息提取方法，该方法利用电涡流位移传感器测取振动位移信号，并采用小波分析与聚类分析相结合的方法，从大量振动信号中挖掘隐含的特征信息，实现工况特征的准确、高效提取。传统小波聚类算法是用一种尺寸对空间进行均匀网格量化，从而得到体积、大小相等的网格单元，然后进行聚类分析的方法，传统小波聚类算法由于能在精度不同的情况下能够找到任意形状的簇，形成簇的结果不会因为噪声而产生影响，而且对数据输入的顺序不敏感等优点，因此在故障诊断中得到了有效应用。综合来讲，传统小波聚类能够有效的处理对航空发动机转子故障进行分析，但是传统小波聚类算法是在一种尺寸网格下进行的聚类分析，由于网格单元中数据的分布是不均匀的，因而会降低聚类精度，而高维空间数据是稀疏的，量化后，网格数远远小于数据数，含有大量的空单元，这些空单元会增大空间复杂度，降低聚类的速度，因此利用传统小波聚类对航空发动机转子系统故障信号进行分析在精度和速度上都还有提高的空间，所以，为了更加精细化地对航空发动机进行振动故障诊断和信号特征提取，还需做进一步的改进。
技术实现思路
1要解决的技术问题针对现有技术的不足，本专利技术要解决的技术问题是提供一种航空发动机转子系统故障信号特征信息提取方法，该方法利用传感器测取振动位移信号，并通过基于散列函数的小波聚类对其进行分析，从大量振动位移信号中挖掘隐含的特征信息，实现故障信号特征准确而快速的提取。2技术方案为了解决上述技术问题，本专利技术提供了这样一种航空发动机转子系统故障信号特征信息提取方法，包括如下过程：1)特征向量选取：通过电涡流位移传感器，按确定的时间间隔或采样频率测取一定数量的航空发动机转子系统在某个采样时段的振动位移信号，对振动位移信号进行小波变换，并获取该信号沿尺度(频率)轴上的能量模分布情况，然后将其按尺度顺序排列成向量，作为特征向量；将一定数量的特征向量组成初始样本集Q，求取样本集Q特征向量作为待诊断样本；2)聚类分析：将Q按距离准则逐步聚类，类别由多到少(聚集法)，直到满足合适的分类要求为止，通过比较待诊断样本与各个初始样本之间的距离，最终获得转子系统工况振动信号特征信息。所述的特征向量获取的具体步骤为：(1)通过电涡流位移传感器，按确定的时间间隔或采样频率测取一定数量的航空发动机转子系统在某个采样时段的振动位移信号f(t)；(2)构建散列函数，由式hi＝{(f(t)modm)+i(B(f(t)amod1))}modB对振动位移信号进行连续小波变换，其中N为振动位移信号的数量，α为预设值，α的取值范围为(0.65,0.85)，f(t)为振动位移信号，mod为求余函数，i＝1、2、……、B-1，m为预设的正整数，m不超过B的最大素数；(3)求信号的连续小波变换的能量模，由式求得连续小波变换的系数，其中为的共轭函数，s为尺度因子，τ为平移因子，取尺度因子s的范围为[3，38]之间的间隔为5的整数，再由式得到其尺度-能量谱，然后用式Xs＝(Es)1/2转化成连续小波变换的能量模；(4)按照尺度因子s由小到大将信号连续小波变换的能量模顺序排列，即得到与转子运行状态相对应的特征向量，本向量为基于尺度-能量模的特征向量；(5)重复步骤(1)～(4)n次，得到n个表征转子运行状态的特征向量。所述的聚类分析的具体步骤为：(1)初始化，令n个特征向量作为初始样本自成一类，即建立n个子集计算各子集之间的空间距离，可得到一个n×n维的散列矩阵D(0)，其中右上角标号(0)表示聚类开始运算前的状态，设定迭代计算器为b＝0；(2)求散列矩阵D(b)中的最小元素，角点元素除外，如果该最小元素为和两类之间的空间距离，则将和合并为一类并由此建立新的分类：(3)采用最短距离法和最长距离法计算合并后的新类别之间的空间距离，得距离矩阵D(b+1)，假设A和B是两个聚类，则两类间的最短空间距离定义为：最长空间距离为：式中，da，b表示A类中的xa样本和B类中的样本xb之间的空间距离，表示A类中的所有样本与B类中所有样本之间的最小空间距离，表示A类中的所有样本与B类中所有样本之间的最长空间距离，如果B类是由E类和F类合并而成的，则有DA,B＝min{DA,B，DA,F}；(4)令b＝b+1，,跳转到步骤(2)，重复计算及合并，直到D(b)满足条件，算法停止，所得到的分类结果即为聚类结果，将聚类结果合并得到空间距离矩阵；(5)比较待诊断样本与各个初始样本之间的距离，最终获得航空发动机转子系统故障信号的特征信息。3有益效果与现有技术相比，本专利技术利用了基于散列函数上的传统小波聚类算法，通过将非空数据单元存储在散列表，在散列空间上进行小波变换，并在散列表中寻找连通单元并聚类，给单元分配标签，最后得到聚类结果。因此，通过上述的运算过程，利用散列函数本身的优越性，可以很明显的看出，基于散列函数的传统小波聚类算法与传统小波聚类算法相比，其在聚类的精度和速度上都得到提高。本专利技术通过基于散列函数的小波聚类对其有机结合并进行分析，既运用了小波分析良好的时频特性和对突变信号和非平稳信号突出的处理能力，又利用了聚类分析能提高数据集中数据对象相似度的特性。同时，克服了传统小波聚类算法仅能在一种尺寸网格下进行聚类分析，由于网格单元中数据的分布是不均匀的，因此会降低聚类精度的缺点；另外，因为高维空间数据是稀疏的，量化后网格数远远小于数据数，会含有大量的空单元，这些空单元会增大空间复杂度，降低聚类的速度，因此通过基于散列函数的小波聚类实现故障信号特征准确而快速的提取，大大提高了航空发动机运行状态识别的准确性和效率,能应用于航空发电机转子系统的故障监测、智能诊断和智能监测。为了更清楚的说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的本文档来自技高网...

【技术保护点】
一种航空发动机转子系统故障信号特征信息提取方法，其特征在于，包括如下过程：1)特征向量选取，具体步骤为：(1)通过电涡流位移传感器，按确定的时间间隔或采样频率测取一定数量的航空发动机转子系统在某个采样时段的振动位移信号f(t)；(2)构建散列函数，由式hi＝{(f(t)mod m)+i(B(f(t)a mod 1))}mod B对振动位移信号进行连续小波变换，其中

【技术特征摘要】
1.一种航空发动机转子系统故障信号特征信息提取方法，其特征在于，包括如下过程：1)特征向量选取，具体步骤为：(1)通过电涡流位移传感器，按确定的时间间隔或采样频率测取一定数量的航空发动机转子系统在某个采样时段的振动位移信号f(t)；(2)构建散列函数，由式hi＝{(f(t)modm)+i(B(f(t)amod1))}modB对振动位移信号进行连续小波变换，其中N为振动位移信号的数量，α为预设值，α的取值范围为(0.65,0.85)，f(t)为振动位移信号，mod为求余函数，i＝1、2、……、B-1，m为预设的正整数，m不超过B的最大素数；(3)求信号的连续小波变换的能量模，由式求得连续小波变换的系数，其中为的共轭函数，s为尺度因子，τ为平移因子，取尺度因子s的范围为[3，38]之间的间隔为5的整数，再由式得到其尺度-能量谱，然后用式Xs＝(Es)1/2转化成连续小波变换的能量模；(4)按照尺度因子s由小到大将信号连续...

【专利技术属性】
技术研发人员：刘晓波，辜振谱，韩子东，
申请(专利权)人：南昌航空大学，
类型：发明
国别省市：江西,36