余　匯，鞠文煜，馬雙云

（中國商飛上海飛機設計研究院，上海 201210）

航空發(fā)動機轉子故障特征提取方法研究

余匯，鞠文煜，馬雙云

（中國商飛上海飛機設計研究院，上海 201210）

航空發(fā)動機的轉子系統(tǒng)扮演著重要的角色，如果在運行過程中出現(xiàn)預期之外的故障會造成嚴重的后果。為了預防這類事件，采用轉子的振動信號作為目標信號，對振動信號進行智能基函數(shù)分析，采用支持向量機分類器測試所提取的智能特征。實驗表明，該方案的分類精度達到95.6%，是針對航空發(fā)動機轉子系統(tǒng)故障診斷的一種有效的特征提取方法。

航空發(fā)動機轉子系統(tǒng)；故障診斷；振動分析；特征提取；智能基函數(shù)

1　概述

在航空發(fā)動機轉子系統(tǒng)中，常見的故障就是內圈故障，它的初始征兆就是振動信號異常。內圈故障的結果就是導致機械部件的疲勞。更為嚴重的是，轉子系統(tǒng)內的軸承會慢慢地磨損，使得系統(tǒng)密封性遭到破壞，最終導致機械性能的退化［1］。統(tǒng)計數(shù)據(jù)顯示，90%的發(fā)生在滾動軸承中的故障是由裂縫導致的，有關裂縫的滾動軸承的故障模式可以分為3種不同類型，內圈故障，外圈故障，和滾動體故障［2］。

關于滾動軸承元件的故障診斷與健康管理（Prognostic and Health Management，PHM）技術可以增強全機的可靠性和安全性，并實現(xiàn)基于狀態(tài)的維修。發(fā)展PHM不僅能夠監(jiān)控旋轉機械的狀態(tài)和性能，同時也能有效地避免整臺機器突然停止運轉，甚至傷亡事故。多種有關滾動軸承狀態(tài)監(jiān)測的PHM技術已經在文獻中提出［3］，主要用于診斷旋轉機械故障的工具就是振動分析。為了分析振動信號并提取信號特征，不同的技術例如時域［4—5］，頻域［6—7］的方法被廣泛使用。

2　方法架構

為了提供一個更加準確的故障診斷方法，文章提出了一個新穎的基于基函數(shù)方法的航空發(fā)動機轉子的故障診斷框架。首先分別對每一類振動信號提取其時域和頻域特征，基函數(shù)分別從每一類所提取的特征中學習。一個過完備的字典通過合并所有基函數(shù)以構建出來?；谶^完備字典，診斷信息可通過對振動參量的稀疏表示來獲取。這些稀疏特征易于被支持向量積這一分類器識別出來。將基函數(shù)方法應用于航空發(fā)動機故障診斷的優(yōu)勢有兩方面。第一，它能夠從無標簽的基函數(shù)中捕獲高層特征，并且這些特征中包含語義信息。它們適用于針對航空發(fā)動機轉子各種故障診斷的復雜任務。此外，稀疏編碼可以學習過完備基組，從而相比于有限正交基可以更充分地表示不同類型的信號。它可以捕獲大量的正常和異常模式下航空發(fā)動機轉子的采樣信號。

為了能診斷出滾動軸承的不同狀態(tài)，本方法進行了兩次特征提取，其特征按照下面的方式進行提?。涸讷@取轉子臺每一類滾動軸承狀態(tài)的振動加速度信號后，這些信號首先按照時間序列加窗截斷（1024個點作為一個時間窗），接下來分別對加窗截斷的樣本進行時域和頻域的特征提取獲得低層特征，包括：平均值、中位數(shù)、方差、偏斜度、最小值、最大值、峭度值、均方根、峰峰值、峰值指標、最大梯度、頻率峰值均值比、頻域均方根、三層小波包分解的第一個節(jié)點和第二個節(jié)點。

利用基函數(shù)方法進行第二次高層特征提?。菏紫仁腔瘮?shù)的構造，基函數(shù)的個數(shù)是提前人為指定的，并且基函數(shù)是分別從每一類的低層特征中學習出來的，通過合理減少時間窗口數(shù)來實現(xiàn)。例如，指定每一類樣本基函數(shù)的個數(shù)為10，并且每一類時間窗的個數(shù)為100?；瘮?shù)的獲取可以通過計算每十個時間窗的算術平均數(shù)來得到，即每10個時間窗可以得到一個基函數(shù)，100個時間窗就可以得到10個基函數(shù)。一個過完備字典集的建立可以通過合并所有學到的基函數(shù)。這些每一類的子字典進行自動合并。

圖1　故障診斷方法流程

基于過完備的集和特征符號搜索算法對進行優(yōu)化求解，訓練集和測試集的故障信息，即基函數(shù)特征可以表示出來。將基函數(shù)特征作為訓練集，另一半作為測試集。結合訓練集的故障信息（基函數(shù)特征）和類標信息，訓練支持向量機這一分類器。最終，利用訓練好的分類器和測試集的診斷信息，來檢測提取的基函數(shù)特征是否具有區(qū)分性。

3　實驗驗證

為了驗證所提方法的效用和效率，采取0hp負載下的滾動軸承數(shù)據(jù)作為驗證，振動數(shù)據(jù)來自于凱瑟西楚大學，已被廣泛地應用于滾動軸承領域，并且被評定為參考基準。故障種類有滾動體故障、內圈故障和3個不同方向的外圈故障（3：00，6：00，12：00方向），損傷尺度分別為0.007英寸、0.014英寸、0.021英寸、0.028英寸。振動加速度信號的采樣頻率為12KHz。

將按照時間窗（1024個點）截斷的樣本，提取其15個時域和頻域特征，每一類設定10個基，每一個基有15個點，根據(jù)算術平均數(shù)從該類軸承樣本中學習出來。因此，對每一類軸承樣本，自適應學習一個的矩陣作為一個子字典。一個過完備字典的建立，通過合并16類樣本的子字典得到，即得到一個矩陣的過完備的字典。在過完備的字典的基礎上，對每一類振動信號求取其基函數(shù)特征。實驗結果如表1所示，各類的誤分類結果以分數(shù)形式表示，分母表示該類樣本總數(shù)，分子表示該類錯誤分類的個數(shù)，分類精度為95.647% （813/850）。

表1　在0hp負載下的故障軸承數(shù)據(jù)描述

4　結語

本文提出了一種基于基函數(shù)分解的航空發(fā)動機轉子系統(tǒng)故障診斷方法，該方法通過訓練的基函數(shù)提取振動信息，利用不同種類的基函數(shù)轉換為故障代碼。

［1］李應強，孔慶春.設備故障診斷技術的進展［C］//第十屆全國設備監(jiān)測與診斷技術學術會議論文集，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］李興林.滾動軸承故障診斷技術現(xiàn)狀及發(fā)展［C］// 2009年全國青年摩擦學學術會議；長沙：2009（1）50，56-62.

［4］胡耀斌，厲善元，胡良斌.基于神經網絡的滾動軸承故障診斷方法的研究［J］.機械設計與制造，2012（2）：187-189.

［5］湯寶平，習建民，李鋒.基于Elman神經網絡的旋轉機械故障診斷［J］.計算機集成制造系統(tǒng)，2010（10）：2014，2152.

［6］吳小濤，楊錳，袁曉輝，等.基于峭度準則EEMD及改進形態(tài)濾波方法的軸承故障診斷［J］.振動與沖擊，2015（2）：38-44.

［7］從飛云，陳進，董廣明.基于譜峭度和AR模型的滾動軸承故障診斷［J］.振動測試與診斷，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

項目名稱：國家重大科技專項；項目編號：No.MIZ-2015-Y-089。

余匯（1985— ），男，江西上饒，工程師；研究方向：民用飛機維護系統(tǒng)與健康管理系統(tǒng)的研發(fā)。