基于小波变换的动态发动机过热信号检测技术研究

李玮瑶，王启明

(平顶山学院计算机科学与技术学院，河南 平顶山 467000)

0 引言

随着航空行业的快速发展，大型远程客机的作用越来越明显，为保障客机安全飞行，降低安全事故发生，涡扇发动机过热信号检测技术显得越来越重要［1］。传统方法一般通过传感器获取发动机过热温度信号，依据稳定信号特征挖掘过热信号，但无法克服发动机运行波动造成的温度变化信号非线性失真问题［2-4］，过热信号检测效果不佳。在对以上问题进行分析的基础上，本文提出基于小波变换和融合诊断网络的发动机温度过热诊断方法，有效地提高了大型远程客机涡扇发动机温度过热检测的准确性。

1 发动机过热检测原理

传统采用支持向量机的检测方法利用信号分解方法提取温度过热变化特征，将信号特征分解到不同的频段上，找出信号特征频率与频率阈值之间的差异，最终完成温度过热检测［5-6］。

在实际情况中，发动机在运转中随着转速和负荷的不同，温度存在波动或会发生较大变化，发动机的油耗速度不可控，不同的存油量对发动机的温度影响不同，造成发动机温度变化随着油量的不同，信号特征存在非线性［7-9］，所以传统方法检测效果不佳。

2 温度过热信号特征提取优化

通过小波变换的方法对发动机温度过热信号特征进行提取，有助于温度过热信号的进一步分析。该方法的优点是在时间域或者频率域中均有很强的特征表现力［10］，以频率不同的温度过热信号为特征，能够实现发动机动态温度过热信号的挖掘。

假设任一发动机温度过热信号特征信号为g(u)(g(u)∈M2(S))，采用式(1)对其进行连续小波转换［11］:

其中，b=2k，c=2k，(k，l)∈A2。通过多频率分析法对发动机温度过热信号进行二进小波转换，完成信号的分解处理:

完成对分解后高频特征值以及低频特征值的求和操作，再按照顺序对其进行排列，具体过程为［12］:

1)通过小波变换完成对传感器采集的发动机温度过热信号的转换操作，得到第1 层至第P 层的分解结果为{e1，e2，…，eP};

2)对全部小波变换层析的绝对值进行累加。假设Pd为第P 层低频分解结果的绝对值的和，Ek为第k 层高频分解结果的绝对值的和;

3)求出发动机动态温度过热信号特征的分量。以某种顺序以及不同层次的小波转换结果的绝对值的和为基础，求出发动机温度过热信号特征的分量;

4)采用式(3)对发动机温度过热变化特征分量进行归一化处理:

通过上述方法能够得到动态发动机温度异过热信号的特征，从而给出挖掘温度过热信号的准确数据。

3 温度过热信号挖掘优化

通过上述分析利用小波变换方法采集发动机温度过热信号特征，使用融合诊断网络对发动机温度过热信号进行深度挖掘。该融合诊断网络通常由3 层前向型神经网络组成［13-14］。在隐含层中，通过函数g1对温度过热信号挖掘过程中的数据进行传输。在输出层中，通过函数f2对温度过热信号挖掘过程中的数据进行传输。

在融合诊断网络中，可用XJ表示输入层到隐含层的连接参数，用υJ表示与其相应的阈值，用W2表示隐含层到输出层的连接参数，用c2表示与其相应的阈值，用Ql表示输入特征的分量，用zl表示温度过热空间分量，用bJ表示与其相应的阈值［15］。

完成对融合诊断网络中的发动机温度过热信号特征权值系数与阈值的调整，以便提高融合诊断网络的收敛效率，使得到的发动机温度过热信号特征分量可达到整体最优。

第k 个隐含层数据的输入值为［16］:

隐含层输出结果为:

融合诊断网络第l 个输出单元为:

如果融合诊断网络输出结果的误差大于已知的发动机温度过热挖掘误差阈值，则应对温度过热挖掘结果的逆向误差进行补偿处理，具体误差函数用式(7)描述:

输出层和隐含层之间的误差步长参数为:

融合诊断网络输入层和隐含层之间的误差补偿参数为:

其中，0 ＜κ ＜1 表示样本训练效率，β 表示惩罚因子，m 表示训练次数。

融合诊断网络的样本是由其子网络的输出结果提供的。在进行融合诊断时，子网络输出结果引起的发动机温度过热特征分量为［Qij，Q2j，…，Qpj］［17］，与该特征分量对应的权值系数组成的出具集合为sj=［sj1，sj2，…，sjp］，通过融合诊断网络可求得输出结果为Z=Q·S。

第j 个信号特征为温度过热特征，其概率为:

采用以上方法可通过小波变换法对动态发动机温度过热信号的特征进行提取，通过融合诊断网络得到发动机温度过热信息，最终对动态发动机温度过热信号进行深度挖掘。

4 实验与结果分析

在实验中，假设训练样本总数为1000 个，实验次数为10 次，在发动机运转时转速存在较大变化的状态下，分别采用传统模型和本模型对发动机温度过热信号进行挖掘，得到的结果如图1 所示。

图1 转数变化较大时发动机温度过热变化挖掘结果

由以上实验可以看出，在发动机运转转数发生较大变化时，采用本模型获取的发动机温度过热变化挖掘误差大大低于传统模型，验证了本文模型的有效性。

表1 和表2 描述了发动机运转时转数变化较大的条件下得到的实验数据。

表1 传统模型实验数据表

表2 本文模型实验数据表

通过上述实验可以看出，采用本文模型完成动态发动机温度过热信号的深度挖掘，可有效防止传统模型因发动机在运转中转速波动较大导致的温度过热信号不完整或信号波动的缺点，最终达到提高发动机温度过热信号挖掘准确性的目的。

5 结束语

本文提出了一种基于小波变换和融合诊断网络的发动机温度过热信号挖掘技术，利用小波变换方法，采集动态发动机温度过热信号特征，以温度过热信号特征为依据，通过在隐含层中对温度过热信号挖掘过程中的数据进行传输，得到过热温度变化信息，实现发动机温度过热信号的深度挖掘。实验结果表明，采用本文所提出的挖掘技术能够提高发动机温度过热信号挖掘的准确性，有利于故障的快速修复。

［1］罗光坤.Morlet 小波变换理论与应用研究及软件实现［D］.南京:南京航空航天大学，2007.

［2］吕景秀，马庆林，王新.基于模糊神经网络的异步电动机故障诊断研究［J］.煤矿机电，2009(4):4-7.

［3］赵道利.水电机组振动信号的子带能量特征提取方法研究［J］.水力发电学报，2004，23(6):116-119.

［4］Suykens J A K，Vandewalle J.Least square support vector machine classifiers［J］.Neural Processing Letters，1999，9(3):293-300.

［5］张国江，邱家驹，李继红.基于人工神经网络的电力数据坏数据辨识与调整［J］.中国电机工程学报，2001，21(8):104-107.

［6］傅强.某型涡轴发动机起动过程建模及仿真［J］.计算机仿真，2013，30(12):57-60.

［7］蒲军平，池延东.考虑摩擦与刹车制动力作用时的车桥耦合振动数值分析［J］.科技通报，2012(1):168-172.

［8］唐强，朱志强，王建元.国外无人机自主飞行控制研究［J］.系统工程与电子技术，2004，26(3):418-422.

［9］于坤林.基于图像融合的航空发动机温度场检测技术研究［J］.计算机与数字工程，2013(12):1906-1908.

［10］陈瑞瑞.基于小波变换的电弧故障检测技术研究［D］.杭州:杭州电子科技大学，2013.

［11］Chen J，Patton R J.动态系统基于模型的鲁棒发动机过热诊断［M］.吴建军，译.北京:国防工业出版社，2009.

［12］陈阳.燃料电池发动机的模糊神经网络温度控制研究［J］.计算机测量与控制，2010，18(3):542-546.

［13］周龙华，付青，余世杰，等.基于小波变换的谐波检测技术［J］.电力系统及其自动化学报，2010(1):80-83.

［14］李昕泽.大型医疗射频设备硬件过热检测方法研究［J］.计算机仿真，2014(7):434-437.

［15］王军敏，袁书卿，卞和营.基于AT89S51 和nRF905 的无线温度检测系统设计［J］.矿工自动化，2013(7):93-96.

［16］陈亮甫，韩玉杰，徐凯宏.基于无线通信技术的多点动态温度测控系统［J］.传感器与微系统，2011(2):81-83.

［17］李艳平.大型远程客机涡扇发动机过热检测方法研究［J］.计算机测量与控制，2014(1):22-24.