一种航空发动机转静碰摩故障识别与定位方法与流程
本技术属于航空发动机,特别涉及一种航空发动机转静碰摩故障识别与定位方法。
背景技术:
1、为提高航空发动机等大型旋转机械的性能及运行效率,常需减小转静间隙,这导致转子与静子之间发生碰摩的概率大大增加。碰摩可能会导致设备的转子系统失稳、力平衡和动刚度下降,严重时甚至会引发安全事故。为了避免故障引发的灾难性后果,实现设备故障及时准确的识别与预警,对碰摩故障进行研究具有重要意义。通过选取能够准确体现碰摩故障的特征参数,并与模式识别算法相结合,是碰摩故障识别与定位研究中非常典型的一类研究。张等基于振动功率流理论,通过对碰摩故障的分析,得到了转子系统的能量响应及输入功率与摩擦冲击之间的规律,提出了一个新的衡量碰摩故障的参数指标,并基于该指标实现了碰摩故障的诊断。在这类研究中,特征参数指标的准确选择是实现碰摩故障准确识别的一个关键。峭度,裕度因子、能量、相关系数等,常被作为故障特征选择与分类的参数指标。陈等将变分模态分解后获得的各分量信号的归一化能量作为特征向量,通过k近邻(knn)算法实现了转静碰摩故障与部位的准确判断。
2、lempel-ziv复杂度是一种估计和度量有限序列复杂度的算法。该指标通过两种易于计算的基本操作(复制和插入)来度量有限时间序列的复杂程度,对系统状态的变化十分敏感。当机械设备发生碰摩故障时,其振动信号中大多会伴随冲击特征,这导致信号状态发生变化、信号复杂性增加,lempel-ziv复杂度也会随之上升。传统lempel-ziv复杂度只能从单一的维度来提取故障信息,难以全面反映故障特征。因此,罗等提出了多尺度lempel-ziv复杂度,从多维度获取故障特征信息。石等提出了基于变步长多尺度lempel-ziv复杂度融合的旋转设备损伤程度评估指标,实现了对轴承故障程度与齿轮磨损程度的准确评估。hjorth parameters包括活动性(activity),移动性(mobility),复杂度(complexity) 3个时域参数。其应用领域主要是医学的脑电波监测领域。2020年,smith k等首次将hjorthparameters应用于故障诊断领域,并实现了滚动轴承单一故障的分类。
3、由于多尺度lzc与complexity parameter在评价信号复杂性上的优势特征,其在机械故障诊断领域均有了部分研究,且取得了比较理想的故障识别效果。但暂无融合两种复杂度参数,并将其应用于碰摩故障及部位识别上的研究。本发明在上述研究的基础上,从碰摩故障发生前、后及发生碰摩部位不同时,信号复杂性的差异角度出发,将多尺度lempel-ziv复杂度与complexity parameter双复杂度参数应用于碰摩故障的识别与定位中。
技术实现思路
1、为了解决上述问题,本技术提供了一种航空发动机转静碰摩故障识别与定位方法,所述方法包括以下步骤:
2、s1、获取布置于航空发动机机匣上的n个传感器在同一时刻采集的振动信号,将所采集的振动信号作为输入信号,其中n为大于或等于2的正整数;
3、s2、计算不同运行状态下各传感器所采集振动信号的多尺度lempel-ziv复杂度值;
4、s3、计算不同运行状态下各传感器所采集振动信号的hjorth参数中的complexity参数值;
5、s4、根据步骤s2得到的所述多尺度lempel-ziv复杂度值与步骤s3得到的所述complexity参数值,构建每一振动信号对应的双复杂度特征向量;
6、s5、采用t-sne算法对步骤s4构建的双复杂度特征向量进行降维,得到降维后的特征向量;
7、s6、将步骤s5降维后的特征向量输入模式识别算法,由所述模式识别算法输出航空发动机转静碰摩故障的识别结果与碰摩部位的定位结果。
8、优选的是,将第k个传感器采集的第q个样本的振动信号表示为离散序列fkq(n),其中,k表示传感器序号,k=1,2,3……k,k为传感器总个数;q表示样本序号,q=1,2,3……q,q为该类样本总个数;n表示离散信号的采样点序号,n=1,2,3……n,n为离散信号的长度。
9、优选的是,所述步骤s2具体包括:
10、s21、将步骤s1中的每一个振动信号fkq(n)作为输入;
11、s22、以窗口长度τ对所述振动信号进行划分,获得粗粒化序列,其中粗粒化处理以窗口内数据的均值为准则;
12、s23、计算不同τ取值下,振动信号fkq(n)所对应的粗粒化序列的多尺度lempel-ziv复杂度值lzkq;
13、s24、选取多尺度lempel-ziv复杂度值最大时所对应的lzkqm值,作为一个特征参数。
14、优选的是,所述步骤s3具体包括:
15、s31、计算步骤s1中每一个振动信号fkq(n)的均值μkq与标准差σkq;
16、s32、计算步骤s1中每一个振动信号fkq(n)的一阶差分信号f'kq(n)与二阶差分信号f''kq(n),其中:f'kq(n)=fkq(n+1)-fkq(n),f''kq(n)=fkq(n+2)-2×fkq(n+1)+fkq(n);
17、s33、计算步骤s32中所述一阶差分信号f'kq(n)的均值μkq1与标准差σkq1;
18、s34、计算步骤s32中所述二阶差分信号f''kq(n)的均值μkq2与标准差σkq2;
19、s35、按下式计算步骤s1中每一个振动信号fkq(n)的hjorth参数中的complexity参数值ckq:
20、ckq=complexity[fkq(n)]=√((σkq2/σkq1)/(σkq1/σkq))。
21、优选的是,所述步骤s4具体包括:
22、s41、分别构建各运行状态下每一个传感器所对应的全部振动信号的双复杂度特征向量vk,设运行状态类别总数为m,则:
23、vk={[lzk1m,ck1,1],[lzk2m,ck2,1],……,[lzkqm,ckq,m]}
24、其中,lzkqm为第k个传感器第q个样本对应的多尺度lempel-ziv复杂度特征参数,ckq为第k个传感器第q个样本对应的complexity参数值,m=1,2……m,k表示第k个传感器;
25、s42、分析步骤s41构建的每一个传感器所对应的特征向量在同一类别样本间的一致性与不同类别样本间的差异性;
26、s43、选取同一类别间一致性好且不同类别间差异性大的传感器所对应的特征向量,构建新的特征向量vkv。
27、优选的是,所述步骤s5具体包括:采用t-sne算法对所述新的特征向量vkv进行降维,得到降维后的特征向量xkv。
28、优选的是,所述模式识别算法为k近邻分类算法;所述步骤s6具体包括:将降维后的特征向量划分为标准样本特征向量与待识别样本特征向量,计算待识别样本与标准样本在降维后特征向量空间中的欧几里得距离,依据所述欧几里得距离将待识别样本归入与其距离最小的标准样本所属的运行状态类别,得到碰摩故障的识别结果与碰摩部位的定位结果。
29、优选的是,所述不同运行状态包括:正常运转状态,以及涡轮机匣上部碰摩、涡轮机匣右侧碰摩、涡轮机匣下部碰摩、涡轮机匣左侧碰摩四种碰摩故障状态。
30、优选的是,所述传感器的数量为4,分别安装于涡轮机匣的垂直上方、水平右侧、垂直下方和水平左侧;每一运行状态类别的样本数为80。
31、一种基于双复杂度参数的航空发动机转静碰摩故障识别与定位系统,包括:
32、信号获取模块,用于获取n个传感器在同一时刻采集的航空发动机振动信号;
33、第一计算模块,用于计算不同运行状态下各传感器所采集振动信号的多尺度lempel-ziv复杂度值;
34、第二计算模块,用于计算不同运行状态下各传感器所采集振动信号的hjorth参数中的complexity参数值;
35、特征向量构建模块,用于根据所述多尺度lempel-ziv复杂度值与所述complexity参数值,构建每一振动信号对应的双复杂度特征向量;
36、降维模块,用于采用t-sne算法对所述双复杂度特征向量进行降维,得到降维后的特征向量;
37、识别定位模块,用于将降维后的特征向量输入模式识别算法,输出航空发动机转静碰摩故障的识别结果与碰摩部位的定位结果。
38、本发明提供的基于双复杂度参数的转静碰摩故障识别与定位方法,将多尺度lempel-ziv复杂度与hjorth参数中的complexity parameter应用于碰摩故障的识别与定位中。同时从粗粒化后信号的lempel-ziv复杂度,以及能够衡量信号与正弦信号的相似性角度的complexity parameter,对碰摩前、后与不同碰摩部位对应序列的复杂性进行衡量,从2个不同的复杂性评判角度,对碰摩故障特征信息进行表征,提升了碰摩故障特征的辨识度,实现了碰摩故障的准确识别与定位,具有工程应用价值。基于上述理由本发明可在故障诊断技术领域广泛推广。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com