一种针对轴向位移突变监测的自适应两级报警方法技术

一种针对轴向位移突变监测的自适应两级报警方法，先采集位移信号，建立数据集，预处理得到位移的训练数据集；然后对训练数据集提取特征，形成N个数据组成的特征数据集，根据时刻信息对训练数据集和特征数据集进行融合；然后根据概率密度估计特征数据集的各统计参数，建立一级报警模型；再对训练数据集的所有数据按升序排序得到数据集，计算数据集的分位距和中位数，根据多倍分位距原理确定位移训练数据集的初始阈值，建立二级报警模型；随着发动机运行时间的推移，依据两级级报警模型判断并更新；本发明专利技术实现发动机轴向信号的自适应报警，方法的计算量较小，需要的历史数据少，能够实现在线监测。

【技术实现步骤摘要】
一种针对轴向位移突变监测的自适应两级报警方法
本专利技术属于设备信号处理和监测诊断
，具体涉及一种针对轴向位移突变监测的自适应两级报警方法。
技术介绍
火箭发动机是应用于航天领域的喷气式发动机的一种，利用高温高速燃气的排出来产生推力，其特点是造价高昂，设计结构复杂和工作环境恶劣。在火箭发动机交付使用之前，往往面临极为严苛的试验。为了防止试验时发生火箭发动机爆炸和人员伤亡，火箭发动机的状态监测和故障预警就显得尤其重要。但是现在的火箭发动机存在设计结构复杂、信号采集难度大、传感器工作状况恶劣、采集的信号种类有限、信噪比很低等一系列问题，所以应用于发动机信号的故障预警方法有限。实际应用中发动机故障的发展往往伴随着泵轴向位移振动的变化，前期轴向位移振动信号的突变异常往往是故障将要进一步劣化的征兆，能否及时发现突变的时刻和幅值是故障预警、及时停机的关键，但是发动机试验往往准备周期漫长，试验成本很大，突变没发生却误报警的代价极大，所以准确地辨识突变的发生又显得尤其重要。当前，发动机故障突变检测方法是基于恒定阈值的经验法则，其规定了系统的主要参数的变化范围，当监测参数超过该范围的时候，认为发动机发生故障。这类方法操作简单，计算量小，便于程序实时监测发动机的传感器信号。但是，阈值的设定极度依赖人工经验，实际应用时，正常试验和故障试验的数量不平衡和发动机复杂的工况变化导致人工经验的应用不够成熟。而自适应监测报警技术则是充分学习发动机工况、运行时间等一系列因素的基础上，建立监测参数的动态评估准则，形成了动态的状态报警监测曲线。传统的方法是基于概率密度估计学习概率分布形成自适应报警曲线，但是这种方法需要大量的前期数据积累，无法有效地监测小样本条件下的发动机状态变化。
技术实现思路
为了克服上述现有技术的缺点，本专利技术的目的在于提供一种针对轴向位移突变监测的自适应两级报警方法，实现发动机轴向信号的自适应报警，准确检测故障发展前期的突变时刻和幅值，提供可靠的故障预警和试验停机辅助；同时，方法的计算量较小，需要的历史数据少，能够实现在线监测，在不同的发动机型号的历史数据上准确地检测出故障。为了达到上述目的，本专利技术采取的技术方案是：一种针对轴向位移突变监测的自适应两级报警方法，包括以下步骤：A.在发动机待监测的泵轴向布置电涡流传感器采集位移信号，电涡流传感器采集频率为f,发动机试验运行一段时间t秒后，得到初始位移数据样本M个，M＝f*t，根据采集到的M个轴向位移信号建立数据集S1，S1＝{x1，x2，x3,…,xM}，预处理得到位移的训练数据集S2，S2＝{X1，X2，X3,…,XM}；B.对训练数据集S2提取特征，形成某一特征的N个数据组成的特征数据集S3，S3＝{Y1，Y2，Y3,…,YN}，根据时刻信息对训练数据集S2和特征数据集S3进行融合；C.根据概率密度估计特征数据集S3的各统计参数，平滑因子h估计如下：h＝g*d，g＝1.1～1.4其中，dij为特征数据集S3数据间的距离，d为特征数据集S3数据间的平均最小距离，N为特征数据集S3的数据量，Yi与Yj为S3的样本；g为经验常数，取值为1.1～1.4；则概率密度估计如下：其中，p为样本维数，根据应用时选取的特征，假设特征数据集S3满足高斯分布，样本均值m和平滑因子h导出为：根据拉伊达准则，设定特征数据集S3初始阈值t1，其上下限分别表示为t1_upper和t1_lower为：t1_upper＝m+λ*ht1_lower＝m-λ*h其中λ为经验参数，此时，小噪声经验指标为β，小噪声消除综合指标t11：t11＝β*m此刻，一级报警模型为m1，ml＝{t1_upper，t1_lower，t11}；D.对训练数据集S2的所有数据按升序排序得到数据集S4，S4＝{Z1，Z2，Z3，…，ZM}，计算数据集S4的分位距和中位数，则第一分位数Q1和第三分位数Q3表示为：其中，M为训练数据集S2样本个数，此时的中位数Q2表示为：由上可知，训练数据集S2的四分位距IQR(interquantilerange)导出为：根据多倍分位距原理确定位移训练数据集S2的初始阈值t2，α为人工选取的经验参数，其上下限分别表示为t2_upper和t2_lower，其确定方式如下：t2_upper＝Q3+α*IQRt2_lower＝Q-α*IQR此刻二级报警模型为m2，m2＝{t2_upper，t2_lower}；E.随着发动机运行时间的推移，新的位移数据信号XM+t被采集然后预处理得到位移监测指标p2，提取特征数据集S3使用的特征得到特征监测指标p1；如果特征监测指标p1落在一级报警模型m1的阈值t1_upper与t1_lower之内，发动机工况进入正常状态；若此刻位移监测指标p1在小噪声消除指标t11之内且在阈值t2_upper和t2_lower之内，则该点异常，发动机工况进入二级报警状态，进行报警，输出实时突变幅值和时刻信息，此刻的突变幅值：X_anomaly＝XM+t-Q2，t＝1，2，3…反之，则该点正常，输出实时突变幅值为0，一级报警模型m1和二级报警模型m2按照FIFO原则更新；F.如果特征监测指标p1落在一级报警模型m1的阈值t1_upper与t1_lower之外，发动机工况进入到一级报警状态，此刻位移监测指标p2在二级报警模型的阈值t2_upper和t2_lower之内，则该点正常，一级报警状态解除，输出实时突变幅值为0，一级报警模型m1和二级报警模型m2按照FIFO原则更新；反之，若位移监测指标p2在二级报警模型的阈值t2_upper和t2_lower之外，该点异常，发动机工况进入二级报警状态，进行报警，输出实时突变幅值和时刻信息，此时突变幅值为：X_anomaly＝XM+t-Q2，t＝1，2，3…二级报警信号辅助工作人员进行停机操作判断，一级报警模型m1不更新，二级报警模型m2按照FIFO原则更新。所述的步骤B中特征为一阶差分、二阶差分、速度或加速度。本专利技术的有益效果为：本专利技术通过小样本历史数据的特征提取和两级报警模型更新，建立了针对发动机轴向位移信号的双级自适应报警模型，确定了各级的自适应报警模型和报警阈值，根据设定的模型更新方法，动态刻画了发动机运行过程工况变化过程，能够在不同的工况下自动获取有效的报警阈值，实现在线的状态监测。本专利技术不依赖大量的历史数据学习模型参数，计算量很小，实时性很高，输出的突变幅值和报警时刻准确，克服了传统方法应对连续多点突变误报漏报的不足，在实际应用中发挥了巨大的作用。附图说明图1为本专利技术的整体流程图。图2为本专利技术实施例工况一、工况二的实际应用效果图。图3为本专利技术实施例工况三、工况四的实际应用效果图。具体实施方式下面结合附图和实施例对本专利技术作详细描述，四个不同工况的实施例的所有经验参数选择一致。参照图1，一种针对轴向位移突变监测的自适应两级报警方法，包括以下步骤：A.在发动机待监测的泵轴向布置电涡流传感器采集位移信号，电涡流传感器采集频率为f＝100Hz,发动机试验运行一段时间t＝0.03秒后，得到初始位移数据样本M个，M＝f*t＝30，根据采集到的30个轴向位移信号建立数据集S1＝{x1，x2，x3,…,x30}，预处理得到位移的训练数据集S2本文档来自技高网...

【技术保护点】
1.一种针对轴向位移突变监测的自适应两级报警方法，其特征在于，包括以下步骤：A.在发动机待监测的泵轴向布置电涡流传感器采集位移信号，电涡流传感器采集频率为f,发动机试验运行一段时间t秒后，得到初始位移数据样本M个，M＝f*t，根据采集到的M个轴向位移信号建立数据集S1，S1＝{x1，x2，x3,…,xM}，预处理得到位移的训练数据集S2，S2＝{X1，X2，X3,…,XM}；B.对训练数据集S2提取特征，形成某一特征的N个数据组成的特征数据集S3，S3＝{Y1，Y2，Y3,…,YN}，根据时刻信息对训练数据集S2和特征数据集S3进行融合；C.根据概率密度估计特征数据集S3的各统计参数，平滑因子h估计如下：

【技术特征摘要】
1.一种针对轴向位移突变监测的自适应两级报警方法，其特征在于，包括以下步骤：A.在发动机待监测的泵轴向布置电涡流传感器采集位移信号，电涡流传感器采集频率为f,发动机试验运行一段时间t秒后，得到初始位移数据样本M个，M＝f*t，根据采集到的M个轴向位移信号建立数据集S1，S1＝{x1，x2，x3,…,xM}，预处理得到位移的训练数据集S2，S2＝{X1，X2，X3,…,XM}；B.对训练数据集S2提取特征，形成某一特征的N个数据组成的特征数据集S3，S3＝{Y1，Y2，Y3,…,YN}，根据时刻信息对训练数据集S2和特征数据集S3进行融合；C.根据概率密度估计特征数据集S3的各统计参数，平滑因子h估计如下：h＝g*d，g＝1.1～1.4其中，dij为特征数据集S3数据间的距离，d为特征数据集S3数据间的平均最小距离，N为特征数据集S3的数据量，Yi与Yj为S3的样本；g为经验常数，取值为1.1～1.4；则概率密度估计如下：其中，p为样本维数，根据应用时选取的特征，假设特征数据集S3满足高斯分布，样本均值m和平滑因子h导出为：根据拉伊达准则，设定特征数据集S3初始阈值t1，其上下限分别表示为t1_upper和t1_lower为：t1_upper＝m+λ*ht1_lower＝m-λ*h其中λ为经验参数，此时，小噪声经验指标为β，小噪声消除综合指标t11：t11＝β*m此刻，一级报警模型为m1，m1＝{t1_upper，t1_lower，t11}；D.对训练数据集S2的所有数据按升序排序得到数据集S4，S4＝{Z1，Z2，Z3，…，ZM}，计算数据集S4的分位距和中位数，则第一分位数Q1和第三分位数Q3表示为：其中，M为训练数据集S2样本个数，此时的中位数Q2表示为：由上可知，训练数据集S2的四分位距IQR(interquantilerange)导出为：根据多倍分位距原理确定位移训练数据集S2...

【专利技术属性】
技术研发人员：徐光华，况佳臣，张四聪，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西,61