航空发动机的轴承故障动力特征指纹提取方法研究

◇广州民航职业技术学院飞机维修工程学院 徐红波 叶宝玉 刘 熊

航空发动机主轴轴承是航空发动机中的关键部件，其使用条件苛刻，长时间工作在高速、高温的恶劣环境下，因而它是发动机最容易损伤的零件之一。主轴轴承损伤会导致发动机故障，严重威胁飞机的安全平稳飞行甚至造成更大的安全事故。故而，针对航空发动机主轴轴承进行故障评定方法研究，对于及时发现航空发动机主轴轴承缺陷，确保航空器的安全飞行具有重大意义。对航空发动机主轴轴承的状态监测、评定及诊断，其关键、难点在于如何从轴承振动信号中提取出轴承的动力特征指纹信息。在某种程度上，动力特征指纹提取可以说是当前航空发动机主轴轴承故障评定与诊断研究中的瓶颈问题。

压气机、燃烧室、涡轮、进气系统和排气系统五个部分组成了航空发动机。这五个部分均通过轴承支撑，其中涡轮的主轴使用滚动轴承支撑。但是，作为航空发动机支撑单元的滚动轴承，长时间工作于高温和高压环境条件下，承受着高热和剧烈振动，可以说轴承的额定工作寿命直接影响、决定着发动机的寿命。因此，非常有必要开展航空发动机主轴滚动轴承故障的诊断研究，尤其是基于滚动轴承振动信号的轴承故障动力特征指纹提取研究。

对于轴承故障，传统的动力特征指纹提取方法是基于对振动信号进行时域和频域分析，确定故障特征指纹提取方法。然而，由于负载、摩擦、间隙和刚度等非线性因素对振动信号的影响，仅在时域和频域上对滚动轴承工作状态进行精确动力特征指纹提取是比较困难的。实际测取的振动信号往往是非线性、非平稳信号，将极大地影响实际动力特征指纹的提取。因此，如何从非平稳的振动信号中提取出故障动力特征指纹信息是轴承故障评定、诊断的关键[1-4]。

1 EEMD

经验模式分解（Empirical Mode Decom-position，EMD）是基于信号的局部特征时间尺度对实测信号进行分解，本质是对非平稳信号进行平稳化处理，把混杂的信号分解为有限个固有模态函数（Intrinsic Mode Function，IMF），并将信号中不同尺度的波动或趋势逐级分解出来。EEMD算法则是预先在实测原始信号中加人白噪声再进行EMD分解，其实质是一种噪声辅助信号处理方法。EEMD借助白噪声融合实测信号来构造信号在不同频率尺度上时域的连续性，进而保证端点效应和模态混叠效应的处理。EEMD借助白噪声均值为零的特性，对多次分解获得的各IMF分量进行总体平均，最终消除白噪声的影响。EEMD的具体流程如图1所示。

图1 EEMD流程

EEMD适用于非线性、非平稳信号。一个非平稳信号通过EEMD处理，可得到若干个平稳的本征模函数（IMF）。滚动轴承不同部位有缺陷时，在不同频带内的信号能量值会发生改变，由此可以通过计算不同振动信号的IMF能量熵，进而判断轴承是否发生缺陷。

2 IPSO-LSSVM

2.1 LSSVM

支持向量机（Support Vector Machine，SVM）是一种较为主流的机器学习规则，它根据有限的样本信息，在模型的复杂性和学习能力之间寻求最佳折衷，从而很好地解处理非线性、小样本、高维数等实际问题。在SVM基础上，Suykens和Vandewalle提出了最小二乘支持向量机（LSSVM），直接将二次规划问题转为线性方程问题，提升了问题处理的速度以及结果的收敛精度。然而，LSSVM的性能也依赖于学习模型的性能参数；如何确定学习机模型的最优结构参数，也一直是研究的热点、难点。

2.2 IPSO

为了有效识别滚动轴承的缺陷、故障，本文提出在IMF能量熵构架下改进粒子群优化的最小二乘支持向量机（IPSOLSSVM）的故障特征动力指纹提取方法。基本流程是：首先利用EEMD对实测非平稳信号进行分解，构建IMF能量熵指标；然后，在IMF能量熵指标基础上，引入改进的粒子群算法（IPSO），用于搜索最小二乘支持向量机（LSSVM）分类算法的最优参数，最后根据LSSVM最优工程模型进行回归计算判断滚动轴承的工作状态和缺陷类型。改进粒子群算法步骤见表1。

表1 改进粒子群方法步骤

2.3 改进PSO的LSSVM模型参数优化

对于LSSVM的回归函数估计，正则化参数γ、核函数参数σ的选取对模型建立有非常重要的作用。为得到具有较好预测能力的数学模型，必须对上述参数进行优化计算。对需要优化的参数(γ,σ)，本文使用改进PSO计算正则化参数γ和核函数参数σ，并依据根标准差（RMSE）进行模型性能评估。同时，将RMSE作为改进PSO算法的目标函数：

3 故障动力特征指纹提取

当滚动轴承发生不同类型的缺陷时，会激起相应的固有频率，此时故障振动信号的能量会随频率的分布情况产生变化。选择各个IMF的能量熵作为最小二乘支持向量机的特征动力指纹。

（1）信号分解：对实测振动信号进行EEMD分解，由主成分分析法确定包含主要故障信息的前m个IMF分量，并按图2进行特征动力指纹计算。

图2 特征指纹计算

（2）建立多故障动力指纹分类器：分别按轴承正常、外圈缺陷和内圈缺陷三类实测信号的IMF能量熵指标构成训练样本集合；在训练样本基础上利用改进PSO算法对LSSVM参数对(γ,σ)进行调整训练；得到最优分类模型。流程如图3所示。

图3 改进PSO优化的动力指纹分类器的建立

（3）缺陷判定：利用优化分类器对选取的测试信号的IMF能量熵指标进行判断，确定轴承的缺陷。若回归函数模型输出为+1，则认为正常，测试结束；否则自动输入给IPSO-SVM2。依次类推，直到IPSO-SVM3。若输出不为+1，说明测试样本属于其他故障。

图4 故障识别流程

4 结语

为了验证故障动力指纹提取方法的有效性，采用Case Western Reserve Lab（CW-RU）[5]实验数据来进行轴承故障特征动力指纹提取，动力指纹提取效果好，计算精度高。其对航空发动机主轴滚动轴承故障特征动力指纹提取有重要指导意义。