航空发动机转子故障特征提取方法研究

余　汇，鞠文煜，马双云

（中国商飞上海飞机设计研究院，上海 201210）

航空发动机转子故障特征提取方法研究

余汇，鞠文煜，马双云

（中国商飞上海飞机设计研究院，上海 201210）

航空发动机的转子系统扮演着重要的角色，如果在运行过程中出现预期之外的故障会造成严重的后果。为了预防这类事件，采用转子的振动信号作为目标信号，对振动信号进行智能基函数分析，采用支持向量机分类器测试所提取的智能特征。实验表明，该方案的分类精度达到95.6%，是针对航空发动机转子系统故障诊断的一种有效的特征提取方法。

航空发动机转子系统；故障诊断；振动分析；特征提取；智能基函数

1　概述

在航空发动机转子系统中，常见的故障就是内圈故障，它的初始征兆就是振动信号异常。内圈故障的结果就是导致机械部件的疲劳。更为严重的是，转子系统内的轴承会慢慢地磨损，使得系统密封性遭到破坏，最终导致机械性能的退化［1］。统计数据显示，90%的发生在滚动轴承中的故障是由裂缝导致的，有关裂缝的滚动轴承的故障模式可以分为3种不同类型，内圈故障，外圈故障，和滚动体故障［2］。

关于滚动轴承元件的故障诊断与健康管理（Prognostic and Health Management，PHM）技术可以增强全机的可靠性和安全性，并实现基于状态的维修。发展PHM不仅能够监控旋转机械的状态和性能，同时也能有效地避免整台机器突然停止运转，甚至伤亡事故。多种有关滚动轴承状态监测的PHM技术已经在文献中提出［3］，主要用于诊断旋转机械故障的工具就是振动分析。为了分析振动信号并提取信号特征，不同的技术例如时域［4—5］，频域［6—7］的方法被广泛使用。

2　方法架构

为了提供一个更加准确的故障诊断方法，文章提出了一个新颖的基于基函数方法的航空发动机转子的故障诊断框架。首先分别对每一类振动信号提取其时域和频域特征，基函数分别从每一类所提取的特征中学习。一个过完备的字典通过合并所有基函数以构建出来。基于过完备字典，诊断信息可通过对振动参量的稀疏表示来获取。这些稀疏特征易于被支持向量积这一分类器识别出来。将基函数方法应用于航空发动机故障诊断的优势有两方面。第一，它能够从无标签的基函数中捕获高层特征，并且这些特征中包含语义信息。它们适用于针对航空发动机转子各种故障诊断的复杂任务。此外，稀疏编码可以学习过完备基组，从而相比于有限正交基可以更充分地表示不同类型的信号。它可以捕获大量的正常和异常模式下航空发动机转子的采样信号。

为了能诊断出滚动轴承的不同状态，本方法进行了两次特征提取，其特征按照下面的方式进行提取：在获取转子台每一类滚动轴承状态的振动加速度信号后，这些信号首先按照时间序列加窗截断（1024个点作为一个时间窗），接下来分别对加窗截断的样本进行时域和频域的特征提取获得低层特征，包括：平均值、中位数、方差、偏斜度、最小值、最大值、峭度值、均方根、峰峰值、峰值指标、最大梯度、频率峰值均值比、频域均方根、三层小波包分解的第一个节点和第二个节点。

利用基函数方法进行第二次高层特征提取：首先是基函数的构造，基函数的个数是提前人为指定的，并且基函数是分别从每一类的低层特征中学习出来的，通过合理减少时间窗口数来实现。例如，指定每一类样本基函数的个数为10，并且每一类时间窗的个数为100。基函数的获取可以通过计算每十个时间窗的算术平均数来得到，即每10个时间窗可以得到一个基函数，100个时间窗就可以得到10个基函数。一个过完备字典集的建立可以通过合并所有学到的基函数。这些每一类的子字典进行自动合并。

图1　故障诊断方法流程

基于过完备的集和特征符号搜索算法对进行优化求解，训练集和测试集的故障信息，即基函数特征可以表示出来。将基函数特征作为训练集，另一半作为测试集。结合训练集的故障信息（基函数特征）和类标信息，训练支持向量机这一分类器。最终，利用训练好的分类器和测试集的诊断信息，来检测提取的基函数特征是否具有区分性。

3　实验验证

为了验证所提方法的效用和效率，采取0hp负载下的滚动轴承数据作为验证，振动数据来自于凯瑟西楚大学，已被广泛地应用于滚动轴承领域，并且被评定为参考基准。故障种类有滚动体故障、内圈故障和3个不同方向的外圈故障（3：00，6：00，12：00方向），损伤尺度分别为0.007英寸、0.014英寸、0.021英寸、0.028英寸。振动加速度信号的采样频率为12KHz。

将按照时间窗（1024个点）截断的样本，提取其15个时域和频域特征，每一类设定10个基，每一个基有15个点，根据算术平均数从该类轴承样本中学习出来。因此，对每一类轴承样本，自适应学习一个的矩阵作为一个子字典。一个过完备字典的建立，通过合并16类样本的子字典得到，即得到一个矩阵的过完备的字典。在过完备的字典的基础上，对每一类振动信号求取其基函数特征。实验结果如表1所示，各类的误分类结果以分数形式表示，分母表示该类样本总数，分子表示该类错误分类的个数，分类精度为95.647% （813/850）。

表1　在0hp负载下的故障轴承数据描述

4　结语

本文提出了一种基于基函数分解的航空发动机转子系统故障诊断方法，该方法通过训练的基函数提取振动信息，利用不同种类的基函数转换为故障代码。

［1］李应强，孔庆春.设备故障诊断技术的进展［C］//第十届全国设备监测与诊断技术学术会议论文集，2000（1）：1-5.

［2］HONG J，MIAO X，HAN L，et al.Prognostics model for predicting aero-engine bearing grade-life［J］.ASME Turbo Expo，2009（1）：639-647.

［3］李兴林.滚动轴承故障诊断技术现状及发展［C］// 2009年全国青年摩擦学学术会议；长沙：2009（1）50，56-62.

［4］胡耀斌，厉善元，胡良斌.基于神经网络的滚动轴承故障诊断方法的研究［J］.机械设计与制造，2012（2）：187-189.

［5］汤宝平，习建民，李锋.基于Elman神经网络的旋转机械故障诊断［J］.计算机集成制造系统，2010（10）：2014，2152.

［6］吴小涛，杨锰，袁晓辉，等.基于峭度准则EEMD及改进形态滤波方法的轴承故障诊断［J］.振动与冲击，2015（2）：38-44.

［7］从飞云，陈进，董广明.基于谱峭度和AR模型的滚动轴承故障诊断［J］.振动测试与诊断，2012（4）：538-541.

Prognostics and health management for aircraft engine rotor system

Yu Hui， Ju Wenyu， Ma Shuangyun
（Shanghai aircraft design and research institute， Shanghai200232， China）

The rotor system of aircraft engine plays a vital role during flight， in which unexpected mechanical faults during operation can lead to severe consequences. We take the vibration signals of rotor system as the target signals and analyze the vibration signal by means of decomposition of intelligent basis functions. A support vector machine classifier is used to verify the extracted sparse features whether it is suitable. Experiments show that the total classification accuracy can reach 95.6%， and the method is an effective feature extraction method for aircraft engine rotor system.

aircraft engine rotor system； fault diagnosis； vibration analysis； feature extraction

项目名称：国家重大科技专项；项目编号：No.MIZ-2015-Y-089。

余汇（1985— ），男，江西上饶，工程师；研究方向：民用飞机维护系统与健康管理系统的研发。