EEMD與鄰域粗糙集結合的渦槳發動機轉子系統故障診斷方法與流程
2023-09-22 19:48:00
本發明屬於航空發動機的故障診斷技術領域，具體涉及一種EEMD與鄰域粗糙集結合的渦槳發動機轉子系統故障診斷方法。
背景技術：
轉子系統作為航空發動機的重要組成部分，它的工作狀態直接決定著發動機整機的運行可靠性和安全性。然而由於轉子系統長期工作在高溫、高壓以及高轉速的惡劣環境下，經常會出現各類故障，嚴重影響其使用壽命和飛機的飛行安全。同時由於轉子位於發動機內部，在整機無故障運行情況下很少有機會對發動機進行拆卸以檢測轉子結構是否出現疲勞開裂以及磨損等故障先兆。因此需要一種有效準確的故障診斷方法來實時監測發動機的運行狀況，對轉子系統出現的早期故障進行預警。
航空發動機轉子系統的振動信號中包含了豐富的力學特徵，能夠全面準確的反映發動機當前的運行狀態，因此通過在發動機承力機閘上安裝振動加速度傳感器採集振動信號進行分析是一種理想的監測手段，然而由於發動機結構複雜，包括轉子系統、液壓系統、滑油系統、氣路系統等十幾個部件和系統，傳感器採集到的信號是由這些不同振源信號經過不同傳遞路徑混疊而成的結果，此外還伴隨大量強背景噪聲，因此採集的振動信號具有強烈的非線性和非平穩性特徵，需要利用自適應非線性的信號處理方法才能從中提取微弱的故障信息，提高故障診斷的準確率。
技術實現要素：
有鑑於此，本發明的主要目的在於提供一種EEMD與鄰域粗糙集結合的渦槳發動機轉子系統故障診斷方法。
為達到上述目的，本發明的技術方案是這樣實現的：
本發明實施例提供一種EEMD與鄰域粗糙集結合的渦槳發動機轉子系統故障診斷方法，該方法通過以下步驟實現：
步驟1：對渦槳發動機轉子系統不同故障狀態下的原始振動信號進行EEMD分解，獲得若干個IMF分量；
步驟2：提取渦槳發動機轉子系統的原始振動信號和所述若干個IMF分量中的IMF主分量所包含的多種不同特徵指標，構造原始聯合特徵集；
步驟3：根據鄰域粗糙集屬性約簡方法評估原始特徵集中各特徵的屬性重要度，從原始特徵集中選出對轉子系統故障分類較為敏感的特徵集；
步驟4：將訓練樣本的敏感特徵集輸入到支持向量機(Support Vector Machine,SVM)多分類器中，採用交叉驗證法，在指數範圍內確定最優的分類器參數c和g的組合，最後根據訓練好的SVM模型對測試樣本進行分類識別。
上述方案中，所述步驟1中對轉子系統振動信號進行EEMD分解，具體步驟為：
步驟1.1：根據動態測試系統採集轉子系統的振動加速度信號x(t)，確定信號疊加白噪聲的次數N以及白噪聲幅值ξ，N從1開始；
步驟1.2：原始信號x(t)第一次疊加白噪聲後的結果為x1＝x(t)+n1，n1為第一次預先添加的白噪聲，根據EMD分解算法對疊加信號x1進行分解，得到的分解結果式中，ci為第i階IMF分量，r1為分解產生的餘項；
步驟1.3：循環步驟1.2，直到達到預先設定的疊加白噪聲次數，第n次疊加白噪聲所得到各階IMF分量為：式中cin為第n次疊加白噪聲後分解產生的第i階IMF分量，rn為餘項；
步驟1.4：根據白噪聲的零均值原理，對N次得到的EMD分解結果進行總體平均計算得到最終的IMF分量和餘項為：
上述方案中，所述步驟2中構造原始聯合特徵集，其具體步驟為：
步驟2.1：分別提取原始振動信號以及前八階IMF主分量的均方根值、偏斜度、峭度指標、波形指標、峰值指標、脈衝指標和裕度指標7個時域特徵；
步驟2.2：計算渦槳發動機轉子振動信號在不同尺度下的排列熵值，構造多尺度排列熵(Multiscale Permutation Entropy,MPE)特徵向量；
步驟2.3：根據計算各IMF主分量的能量值，構造能量特徵向量，其中i＝1,2...n分別表示信號中的各離散點，x(i)是各信號離散點的幅值。
步驟2.4：對由IMF主分量構成的矩陣進行奇異值分解，根據得到的各奇異值構造特徵向量；
步驟2.5：通過上述從不同角度提取的表徵渦槳發動機運行狀態的時域特徵、MPE特徵、能量特徵和奇異值特徵，構造原始聯合特徵集。
上述方案中，所述步驟3中根據鄰域粗糙集屬性約簡方法評估原始特徵集中各特徵的屬性重要度，構造對轉子系統故障分類較為敏感的特徵集，具體步驟為：
步驟3.1：構造鄰域決策系統其中稱為論域，C為條件屬性集，D為決策屬性集，初始化屬性約簡集合red為對於計算鄰域關係NA；
步驟3.2：定義它表示決策屬性D對於特徵屬性的依賴程度，分別計算每一個屬性的重要度：
步驟3.3：從中選擇屬性重要度最高的特徵Ak，即滿足：
SIG(Ak,red,D)＝max(SIG(Ai,red,D))
步驟3.4：如果SIG(Ak,red,D)＞0，則將特徵Ak加入約簡屬性集合red中，循環執行步驟3.2，否則迭代結束，red即為最終選出的敏感特徵集。
上述方案中，所述步驟4具體為：
步驟4.1：將訓練樣本的敏感特徵集輸入到SVM中，通過交叉驗證法確定在該訓練集下分類準確率最高同時保持較好泛化性能的核函數參數g以及懲罰因子c；
步驟4.2：根據訓練好的分類模型對測試樣本進行分類識別，據此實現對渦槳發動機轉子系統的故障診斷。
與現有技術相比，本發明的有益效果：
本發明應用於渦槳發動機轉子系統的故障診斷中，能夠從不同角度儘可能挖掘潛藏在振動信號中可以反映轉子系統運行狀態的信息，通過鄰域粗糙集方法選擇敏感特徵集，利用SVM準確有效地識別出轉子系統不同的運行狀態，同時也降低了故障特徵的冗餘度和分類器計算的複雜度。
附圖說明
圖1為本發明實施例提供一種EEMD與鄰域粗糙集結合的渦槳發動機轉子系統故障診斷方法的流程圖；
圖2為某型渦槳發動機整體結構圖；
圖3為渦槳發動機1#的振動信號；
圖4為渦槳發動機2#的振動信號；
圖5為減速器齒輪轂帶有裂紋的渦槳發動機3#的振動信號；
圖6為運行時間超過600h的渦槳發動機4#的振動信號；
圖7為渦槳發動機3#振動信號的EEMD分解結果；
圖8為渦槳發動機四種運行狀態下前8階IMF分量的奇異值；
圖9為渦槳發動機四種運行狀態下不同尺度因子的排列熵值；
圖10為利用鄰域粗糙集方法計算的特徵重要度；
圖11為渦槳發動機四種故障狀態的聚類效果；
圖12為利用原始特徵集訓練SVM的分類器參數優化結果；
圖13為SVM對原始特徵集測試樣本的分類結果；
圖14為SVM對敏感特徵集測試樣本的分類結果；
圖15為各分類器利用不同特徵集的分類效果對比。
具體實施方式
為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，並不用於限定本發明。
本發明實施例提供一種EEMD與鄰域粗糙集結合的渦槳發動機轉子系統故障診斷方法，如圖1所示，該方法通過以下步驟實現：
步驟1：對渦槳發動機轉子系統不同故障狀態下的原始振動信號進行EEMD分解，獲得若干個IMF分量；
具體地，所述步驟1中對轉子系統振動信號進行EEMD分解，具體步驟為：
步驟1.1：根據動態測試系統採集轉子系統的振動加速度信號x(t)，確定信號疊加白噪聲的次數N以及白噪聲幅值ξ，N從1開始；
步驟1.2：原始信號x(t)第一次疊加白噪聲後的結果為x1＝x(t)+n1，n1為第一次預先添加的白噪聲，根據EMD分解算法對疊加信號x1進行分解，得到的分解結果式中，ci為第i階IMF分量，r1為分解產生的餘項；
步驟1.3：循環步驟1.2，直到達到預先設定的疊加白噪聲次數，第n次疊加白噪聲所得到各階IMF分量為：式中cin為第n次疊加白噪聲後分解產生的第i階IMF分量，rn為餘項；
步驟1.4：根據白噪聲的零均值原理對N次得到的EMD分解結果進行總體平均計算得到最終的IMF分量和餘項為：
步驟2：提取渦槳發動機轉子系統的原始振動信號和所述若干個IMF分量中的IMF主分量所包含的多種不同特徵指標，構造原始聯合特徵集；
具體地，當轉子系統處於不同的運行狀態時，這些能夠揭示其故障本質的狀態信息會隱藏在不同的特徵域中，因此為了充分挖掘特徵信息，準確的反映轉子系統的故障狀態，本發明分別提取了轉子系統振動信號的時域特徵和多尺度排列熵特徵，以及前八階IMF主分量的時域特徵、能量特徵和奇異值特徵。
具體步驟為：
步驟2.1：分別提取原始振動信號以及前八階IMF主分量的均方根值、偏斜度、峭度指標、波形指標、峰值指標、脈衝指標和裕度指標7個時域特徵；
時域無量綱特徵指標不受設備運行工況和外界環境的影響，對早期故障很敏感，具有較好的穩定性，能夠表現出信號故障的本質特徵，有效反映設備的故障狀態。
本發明分別提取了轉子系統振動信號以及IMF主分量的7個時域特徵指標(T1-T7)作為渦槳發動機轉子系統故障診斷的時域特徵，它們分別為均方根值、偏斜度、峭度指標、波形指標、峰值指標、脈衝指標和裕度指標，它們的計算公式如下表1所示。
表1時域特徵指標(T1-T7)
註：xi為信號序列xi(t)中各離散點的幅值，N為離散點的個數，σ和分別為信號的標準差和均值。
步驟2.2：計算渦槳發動機轉子振動信號在不同尺度下的排列熵值，構造多尺度排列熵(Multiscale Permutation Entropy,MPE)特徵向量；
MPE是一種新的時間序列複雜度的度量方法，它可以用來研究非線性系統信號的不規則性和混亂程度。相比於排列熵算法，MPE可以定量度量時間序列在不同尺度下的隨機性和複雜性，同時計算簡單方便，抗噪能力強，具有更好的魯棒性。
由於渦槳發動機轉子系統處於高轉速、高溫的工況下，其振動信號是多處振源信號卷積等多種方式混疊而成的結果，具有強烈的非線性、複雜性和隨機性的特點，因此通過計算轉子系統振動信號的MPE特徵值來定量描述非線性系統的複雜性，比較轉子系統在不同狀態不同尺度下的排列熵值，進而選擇對故障類型分辨能力較好的尺度下的排列熵值(M1-Mn)構成MPE特徵指標。
步驟2.3：根據計算各IMF主分量的能量值，構造能量特徵向量，其中i＝1,2...n分別表示信號中的各離散點，x(i)是各信號離散點的幅值；
EEMD分解產生的各IMF分量是原始信號中的不同尺度成分按照從高頻到低頻的順序逐級分解出來的結果，轉子系統處於不同故障狀態時不同頻帶信號成分的能量分布會隨之發生變化，因此由各IMF分量的能量構成的特徵向量可以反映轉子系統的狀態。
步驟2.4：對由IMF主分量構成的矩陣進行奇異值分解，利用得到的各奇異值構造特徵向量；
相比於特徵值分解技術，奇異值分解可以提取任意階數矩陣的特徵值，這些特徵值反映了矩陣本身固有的性質，具有較好的穩定性，當矩陣元素發生微小變化時，矩陣奇異值的分解結果幾乎不受影響。在機械故障診斷領域，特徵矩陣往往並不是方陣，並且相同故障類型樣本的特徵矩陣之間差別較小，因此矩陣的奇異值可以較好的反映設備不同的故障狀態，符合模式識別的要求。
本發明分別計算了不同故障狀態下轉子系統振動信號的IMF主分量構成矩陣的奇異值，通過比較不同故障狀態下奇異值的差別，從中選擇具有較高聚類緊緻度和辨識能力的奇異值(S1-Sn)作為特徵向量。
步驟2.5：通過上述從不同角度提取的表徵渦槳發動機運行狀態的時域特徵、MPE特徵、能量特徵和奇異值特徵，構造原始聯合特徵集。
步驟3：根據鄰域粗糙集屬性約簡方法評估原始特徵集中各特徵的屬性重要度，並從原始特徵集中選出對轉子系統故障分類較為敏感的特徵集；
具體地，所述步驟3中鄰域粗糙集方法具體為：
給定一個非空有限對象集合條件屬性集C和決策屬性集D，稱為論域，構成了一個決策信息系統。利用歐式距離定義論域中任一對象Xi的鄰域δ為：
δ為鄰域半徑，一般取值為δ＝0.2-0.4。如果決策屬性D將劃分為N個等價類，則它關於屬性集合的下近似為：
式中δA(Xi)是由特徵屬性A和距離函數Δ生成的鄰域信息粒子。決策屬性D的下近似也稱為決策正域POSA(D)，它反映了給定的特徵屬性A對於待分離樣本的分類能力，並由此定義決策屬性D對於特徵屬性A的依賴程度：
式中|POSA(D)|表示正域中元素的個數，表示論域中的元素個數。定義特徵屬性a∈A對於決策屬性D的重要度為：
SIG(a,A,D)＝αA(D)-αA-a(D)
所述步驟3中根據上述計算出的特徵屬性重要度，構造基於依賴性函數的前向貪心式屬性約簡算法。該算法的初始約簡屬性集合為空集，通過計算剩餘所有特徵屬性的重要度，從中選出屬性重要度最高的特徵指標加入到約簡集合中，直至再加入任何新的屬性，依賴性函數值都不會發生變化為止，即所有剩餘屬性的重要度都為零。具體步驟為：
步驟3.1：構造鄰域決策系統其中稱為論域，C為條件屬性集，D為決策屬性集，初始化屬性約簡集合red為對於計算鄰域關係NA；
步驟3.2：定義它表示決策屬性D對於特徵屬性的依賴程度，分別計算每一個屬性的重要度：
步驟3.3：從中選擇屬性重要度最高的特徵Ak，即滿足：
SIG(Ak,red,D)＝max(SIG(Ai,red,D))
步驟3.4：如果SIG(Ak,red,D)＞0，則將特徵Ak加入約簡屬性集合red中，循環執行步驟3.2，否則迭代結束，red即為最終選出的敏感特徵集。
步驟4：將訓練樣本的敏感特徵集輸入到SVM多分類器中，採用交叉驗證法，在一定的指數範圍內確定最優的分類器參數c和g的組合，最後根據訓練好的SVM模型對測試樣本進行分類識別。
具體地，利用交叉驗證法優化SVM的核函數參數g和懲罰因子c，核函數類型為徑向基RBF核函數，通過將c和g的值離散化，使它們在2-5-25的指數範圍內取值，最後得到滿足在該訓練集下分類準確率最高同時保持較好泛化性能這一條件的分類器參數值。
所述步驟4具體步驟為：
步驟4.1：將訓練樣本的敏感特徵集輸入到SVM中，通過交叉驗證法確定在該訓練集下分類準確率最高同時保持較好泛化性能的核函數參數g以及懲罰因子c；
步驟4.2：根據訓練好的分類模型對測試樣本進行分類識別，據此實現對渦槳發動機轉子系統的故障診斷。
實施例：
本發明所使用的實驗數據是在某飛機廠外和某發動機廠內試車臺分別測得的。圖2為某型渦槳發動機整體結構圖，實驗中分別採集了外廠在役的某型渦槳發動機1#和2#的轉子系統振動信號，同時在某發動機廠內試車臺分別採集了減速器一級齒輪轂帶有裂紋的發動機3#以及運行時間超過600h的發動機4#的振動信號。
分別選取發動機在每種運行狀態下的樣本數為70組，其中40組輸入到SVM中進行訓練，其餘30組樣本用來測試，每組樣本包含8192個數據點。
(1)轉子系統振動信號的EEMD分解
渦槳發動機轉子系統四種狀態下的振動信號如圖3—圖6所示，分別對每組樣本信號進行EEMD分解，其中，所添加白噪聲的幅值ε為原始信號標準差的0.2倍，集成次數為n＝100。
以減速器一級齒輪轂帶有裂紋的渦槳發動機3#的振動信號為例，其EEMD分解結果如圖7所示，分解產生了12個IMF分量和一個餘項，前8階IMF分量包含了信號的大部分能量和故障信息，因此本發明以它們為提取故障特徵信息的主要對象。
(2)轉子系統故障特徵提取
分別計算渦槳發動機四種運行狀態的奇異值和在不同尺度下的排列熵值，由圖8所示，前4個奇異值特徵具有更好的狀態分類能力。同時從圖9中可以看出，相比於其他尺度，發動機不同運行狀態在6—9四個尺度下的MPE值差別較為明顯，計算MPE指標過程中選取的嵌入維數m＝6，時延λ＝1,最大尺度因子s＝10。
因此本發明分別提取每個樣本原始信號的7個時域特徵和四個尺度下的MPE指標，以及前8階IMF分量的7個時域指標、能量值和前4個奇異值來構造原始特徵集，共包含79個特徵。
(3)基於鄰域粗糙集的敏感特徵選擇
利用鄰域粗糙集方法選擇敏感特徵，鄰域大小設置為δ＝0.2，迭代終止閾值為μ＝0.86。圖10為各特徵的屬性重要度計算結果，從包含有79個指標的原始特徵集中選出了46個敏感特徵，其餘特徵的屬性重要度均為0。
屬性重要度最高的三個特徵分別為IMF1分量的能量值以及由IMF主分量矩陣奇異值分解產生的前兩個奇異值特徵，圖11是渦槳發動機四種不同運行狀態的樣本以這三個特徵指標為坐標的聚類效果，可以看出，同一故障狀態的樣本能夠較好的聚類在一起，不同故障狀態樣本也未發生混淆，由此可見，這三個特徵最能反映故障的本質，可以較好的區分不同故障類型。
(4)渦槳發動機轉子系統故障診斷
本發明分別以訓練樣本的原始特徵集和敏感特徵集作為SVM分類器的輸入，利用訓練好的模型對渦槳發動機轉子系統四種不同運行狀態下的測試樣本進行分類識別。
圖12為利用原始特徵集訓練SVM時通過交叉驗證法對分類器參數進行優化的結果，當c＝16，g＝0.0118時，訓練集的分類準確率最高為98.1250％，同樣採用敏感特徵集訓練SVM，最終得到的參數優化結果為c＝1.7411，g＝0.0118，訓練集分類準確率最高為98.5％。
利用訓練好的SVM模型分別對原始特徵集和敏感特徵集的測試樣本進行分類識別。從圖13和圖14可以看出，採用原始特徵集進行故障診斷的識別準確率為83.3333％，120個測試樣本中有20個樣本分類錯誤，其中大部分是渦槳發動機1#的樣本被誤判為運行時間超過600h的渦槳發動機4#的故障狀態，可見這兩種故障類型容易混淆；而利用敏感特徵集進行故障診斷時的分類準確率提高到了97.5％，只有3個樣本出錯。
因此利用本發明提出的特徵屬性約簡方法，可以去掉大量冗餘不相關的特徵，同時也提高了故障診斷的準確率。
(5)對比分析
為了驗證利用鄰域粗糙集選擇敏感特徵的方法與SVM在渦槳發動機轉子系統故障診斷方面的優越性，本發明將上述同樣的原始特徵集和敏感特徵集分別輸入到徑向基神經網絡(Radical Basis Function Neural Network,RBFNN)中進行故障識別。
從圖15可以看出，對於SVM分類器，利用原始特徵集與敏感特徵集進行故障診斷的準確率從83.3330％提高到了97.5％，而對於RBFNN，分類準確率則從65％提高到88.3330％；相比於RBFNN的識別效果，同樣的原始特徵集利用SVM可以將分類準確率從65％提高到83.3330％，而對於敏感特徵集，SVM則將分類準確率從88.3330％提高到97.5％，進一步說明了SVM具有更好的分類能力以及鄰域粗糙集方法在敏感特徵選擇方面的可行性和有效性。
以上所述，僅為本發明的較佳實施例而已，並非用於限定本發明的保護範圍。