一种具备实时数据库的涡轮冷却器故障诊断装置及方法与流程

1.本发明属于涡轮冷却器故障诊断与健康管理的技术领域，具体提供一种具备实时数据库的涡轮冷却器故障诊断装置。


背景技术：

2.故障预测与健康管理技术正在成为新一代飞机、发动机等高安全可靠性系统设计和使用中的一个重要组成部分，虽然故障预测技术已在航空航天领域有了一定的发展与应用，但实际应用中，由于不同航空产品的故障特性、监测数据、故障产生原因和现象的差异性，仍然存在着大量的航空产品亟需有针对性的开展故障预测与健康管理技术的研究。
3.动压轴承涡轮冷却器由环控系统引气驱动，从而为座舱和电子设备舱温度调节提供冷却空气；因此动压轴承涡轮冷却器的任务阶段为飞机全任务阶段。其性能的好坏对整个飞机的可靠性有重要影响。因此，对机械设备涡轮冷却器的健康管理技术的研究极为重要。
4.现有涡轮冷却器没有随机故障诊断装备，其故障诊断主要是通过外部大型的数据采集与诊断仪进行诊断分析，设备不具备直接装机功能，只能用于在地面进行实验分析，不具备随机装配的集成故障数据库，特别是无法在涡轮实际装机工作时，进行实时故障诊断处理。


技术实现要素：

5.本发明的目的是：提供一种涡轮冷却器的便携集成式在线故障设备，实现数据采集与存储，实时在线监测与故障诊断。
6.本发明的技术解决方案：
7.一种具备实时数据库的涡轮冷却器故障诊断装置，其包括壳体以及安装在其内部的电源模块、主控模块和采集模块，其中，电源模块为主控模块供电，所述主控模块包括信号采集单元、存储单元、信号处理单元、uart接口单元，所述信号采集模块连接外部涡轮冷却器的转速、压力、温度、振动传感器，并分两路连接存储单元和信号处理单元，所述电源模块、采集模块、主控模块为集成芯片，层叠式设置在壳体内部，且所述存储单元与信号处理单元通过uart接口单元相互连通进行数据传输，所述信号处理单元嵌入有数据处理以及故障诊断模块，通过对涡轮冷却器各信号进行特征提取，特征归类分析，进行故障诊断。
8.本发明的架构设计与大型数据采集与诊断仪之间的区别在于，本发明采用结构模块和功能模块集成方式，通过电源模块、采集模块、主控模块的结构集成以及数据采集、存储、状态监测与故障诊断功能集成，可以直接安装在涡轮冷却器上，实现产品的数据采集、状态监测与故障诊断。
9.所述壳体内部设置有用于集成芯片安装的安装槽，表面设置有接口孔，且上端设置散热板，下端设置有隔热板，安装固定在涡轮冷却器壳体侧壁，避开高温区。
10.所述信号采集单元用于传感器的信号采集，包括电压/电流采集电路、加速度采集
电路，均设置有adc芯片采集，并结合多路选择器实现对多通道之间的轮询采样，实现信号多路采集。
11.所述信号处理单元通过神经网络算法将故障诊断程序实现并烧录至芯片内，实现对采集后的涡轮冷却器传输信息进行数据处理与故障诊断。
12.所述uart接口单元包含ps端自带两路uart接口，且在设计中外接2路rs232，选用rs232收发器进行双路收发；pl端逻辑实现4路uart接口，进行rs232/rs422配置选择，选用具有rs232/rs422可配置的收发器进行选择收发，并将rs232/rs422总线信号引至面板连接器作为通信接口使用。
13.所述调试模块接口采用2路rs232总线信号外接至调试接口连接器作为调试使用；
14.所述主控模块和电源模块之间采用qte板间连接器互联，主控模块内部的集成芯片和采集板卡通过erf8、erm8内部连接器进行互联通信；
15.一种基于所述的具备实时数据库的涡轮冷却器故障诊断装置的诊断方法，当涡轮冷却器发生故障时，通过传感器将异常状态下的涡轮冷却器的运行信号采集并且通过连接器模块将信号传输到诊断装置；信号通过故障诊断装置进行数据预处理，并进行数据存储到存储单元中，实现数据的实时存储；数据通过嵌入主控模块的小波分解算法实现特征的提取，针对其特征采用基于ga-bp的故障诊断算法，对故障进行诊断分析及定位，明确其为故障类型，实现故障诊断。
16.所述基于ga-bp的故障诊断算法，如图4所示，其遗传算法(genetic algorithms，ga)来优化bp神经网络的初始权值与阈值，解决bp神经网络因随机初始权值与阈值导致网络不收敛或者模型精度较差等问题，具体过程如下：
17.步骤1：bp网络初始化。根据系统输入与输出序列(x,y)确定网络输入层节点数n，隐含层节点数l，输出层节点数m，初始化输入层，隐含层和输出层神经元之间的权值ω
ij
，ω
jk
。初始化隐含层和输出层阈值a和b，确定神经元的激活函数；该激活函数的选择是为了防止收敛梯度消失以及梯度爆炸，激活函数选择sigmoid函数。
18.步骤2：ga网络初始化。根据bp神经网络拓扑结构，初始化相应的连接权值与各层的阈值，包括：种群规模、优化参数的搜索范围(核函数、惩罚函数等)、遗传算法(选择、交叉和变异操作等)、终止进化代数等；
19.步骤3：适应度计算，构建模型诊断结果的准确度是由分类结果和理论期望之间的匹配度反映，因此ga算法中的适应度函数可以用公式(1)计算；
[0020][0021]
式中n为需要检验的数据个数，为分类结果，xi为理论期望。显然，故障分类准确率越高，表明分类效果越好，则f(x)值越大，被选中参与交配的概率越大，越有利于群体的优化；
[0022]
步骤4：对计算得到的适应度进行排序，根据对群体pi进行选择、交叉和变异操作运算得到新的子代群体p
i 1
；
[0023]
步骤5：重复步骤3和步骤4的操作寻优，直至满足设置的终止条件，返回最优的参数；
[0024]
步骤6：bp网络隐含层输出计算。根据输入变量x以及ga网络优化后的输入层与隐
含层间的连接权值ω
ij
以及隐含层的阈值a，可以计算隐含层的输出h，计算的公式如下：
[0025][0026]
式中，l为隐含层的节点数；f为隐含层的激活函数，本文选用的激活函数如公式(4)所示；
[0027][0028]
步骤7：bp网络输出层计算，根据隐含层的输出h，隐含层和输出层间的连接权值ω
jk
，以及输出层的阈值b，计算bp神经网络的输出o，如公式(3)所示；
[0029][0030]
步骤8：bp网络误差计算，根据bp神经网络的输出o和理论期望y，可以计算网络的误差e；其中输出o即为诊断出来涡轮冷却器对应的状态标签。
[0031]ek
＝y
k-okk＝1，2，...，m(5)
[0032]
步骤9：bp网络权值与阈值的更新迭代，根据误差来更新bp神经网络各层之间的权值ω
ij
和ω
jk
与各个节点的阈值a，b；
[0033][0034]
ω
jk
＝ω
jk
ηh
jek
j＝1，2，...，l；k＝1，2，...，m(7)
[0035][0036]bk
＝bk ekk＝1，2，...，m(9)
[0037]
式中η为学习速率；
[0038]
步骤10：根据判断算法判断迭代是否结束，若没有，返回步骤6重新迭代。
[0039]
步骤11：训练后的模型可以用于涡轮冷却器的故障诊断与定位，基于运行数据的特征通过模型获取输出o，并且通过o的标签值查询获得相应的涡轮冷却器的状态，实现涡轮冷却器的故障诊断。
[0040]
本发明技术效果：本发明将原有大型基站式涡轮冷却器故障诊断装置改进为集成式涡轮冷却器实时故障诊断装置，可以直接安装在涡轮冷却器产品上，通过传感器采集信号与在核心板中嵌入的故障诊断算法，使涡轮冷却器具有实时数据采集与故障诊断的功能，从而保证涡轮冷却器正常运行，提高涡轮冷却器的可靠性，能够更好地适配未来涡轮冷却器等机电设备集成化、智能化、轻质化的发展需求。
附图说明
[0041]
图1是涡轮冷却器故障诊断装置的实物示意图；
[0042]
图2是涡轮冷却器故障诊断装置的内部结构图；
[0043]
图3是涡轮冷却器故障诊断装置的系统架构框图；
[0044]
图4是涡轮冷却器故障诊断装置故障诊断方法的流程图；
[0045]
图5是涡轮冷却器故障诊断装置的工作流程图；
[0046]
图6是涡轮冷却器故障诊断装置的安装示意图；
[0047]
其中，1-传感器、2-涡轮冷却器、3-故障诊断装置。
具体实施方式
[0048]
为了方便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
[0049]
请同时参阅图1、图2和图3，本发明具备实时数据库的涡轮冷却器故障诊断装置包括壳体以及安装在其内部的电源模块、主控模块和采集模块。其中，电源模块包括dc/dc模块和滤波器，通过连接器和电源接口连接外部电源，为主控模块供电。所述主控模块包括信号采集单元、存储单元、信号处理单元、uart接口单元。所述信号采集模块通过连接器连接采集接口，采集外部涡轮冷却器的转速、压力、温度、流量、位移、振动传感器，并分两路连接存储单元和信号处理单元。所述电源模块、采集模块、主控模块为集成芯片，层叠式设置在壳体内部，中间通过板件连接器连接，对外则通过连接器与各自接口连接，因此集成度非常高，实现小型化集成设计，且所述存储单元与信号处理单元通过uart接口单元相互连通进行数据传输，所述信号处理单元嵌入有数据处理以及故障诊断模块，通过对涡轮冷却器各信号进行特征提取，特征归类分析，实现对涡轮冷却器的故障诊断。
[0050]
本发明基于上述具备实时数据库的涡轮冷却器故障诊断装置，提供了一种涡轮冷却器故障诊断方法，当涡轮冷却器发生故障时，通过传感器将异常状态下的涡轮冷却器的运行信号采集并且通过连接器模块将信号传输到诊断装置；信号通过故障诊断装置进行数据预处理，并进行数据存储到存储单元中，实现数据的实时存储；数据通过嵌入主控模块的小波分解算法实现特征的提取，针对其特征采用基于ga-bp的故障诊断算法，对故障进行诊断分析及定位，明确其为故障类型，实现故障诊断。
[0051]
如图4所示，其中，所述基于ga-bp的故障诊断算法，用遗传算法(genetic algorithms，ga)来优化bp神经网络的初始权值与阈值，解决bp神经网络因随机初始权值与阈值导致网络不收敛或者模型精度较差等问题，具体过程如下：
[0052]
步骤1：bp网络初始化。
[0053]
根据系统输入与输出序列(x,y)确定网络输入层节点数n，隐含层节点数l，输出层节点数m，初始化输入层，隐含层和输出层神经元之间的权值ω
ij
，ω
jk
。初始化隐含层和输出层阈值a和b，确定神经元的激活函数；该激活函数的选择是为了防止收敛梯度消失以及梯度爆炸，本实施例，激活函数优先选择sigmoid函数。
[0054]
步骤2：ga网络初始化
[0055]
根据bp神经网络拓扑结构，初始化相应的连接权值与各层的阈值，包括：种群规模、优化参数的搜索范围(核函数、惩罚函数等)、遗传算法(选择、交叉和变异操作等)、终止进化代数等；
[0056]
步骤3：适应度计算
[0057]
构建模型诊断结果的准确度是由分类结果和理论期望之间的匹配度反映，因此ga算法中的适应度函数可以用公式(1)计算；
[0058][0059]
式中n为需要检验的数据个数，为分类结果，xi为理论期望。显然，故障分类准确
率越高，表明分类效果越好，则f(x)值越大，被选中参与交配的概率越大，越有利于群体的优化；
[0060]
步骤4：对计算得到的适应度进行排序，根据对群体pi进行选择、交叉和变异操作运算得到新的子代群体p
i 1
；
[0061]
步骤5：重复步骤3和步骤4的操作寻优，直至满足设置的终止条件，返回最优的参数，通过上述对bp网络的权值和阈值的不断优化，可以有效提高算法可靠性，减少随机初始化对网络收敛的影响，使得随机装配的涡轮冷却器故障诊断装置能够在实现对转速、压力、温度、流量、位移、振动等涡轮信息采集及故障诊断时，仍保持较高的可靠性和诊断准确性；
[0062]
步骤6：bp网络隐含层输出计算
[0063]
根据输入变量x以及ga网络优化后的输入层与隐含层间的连接权值ω
ij
以及隐含层的阈值a，可以计算隐含层的输出h，计算的公式如下：
[0064][0065]
式中，l为隐含层的节点数；f为隐含层的激活函数，本发明优选的激活函数如公式(4)所示；
[0066][0067]
其中，所述输入变量x，为转速、压力、温度、流量、位移、振动等涡轮信息通过小波分解以后的，获得八段信号，再通过傅里叶变化，获得每段信号的功率谱密度值，作为特征值输入x诊断模型中，上述处理方式在具有较好收敛效果小，基本覆盖涡轮故障特征，具有较好的故障诊断精度。
[0068]
步骤7：bp网络输出层计算
[0069]
根据隐含层的输出h，隐含层和输出层间的连接权值ω
jk
，以及输出层的阈值b，计算bp神经网络的输出o，如公式(3)所示；
[0070][0071]
通过步骤6、7两层计算设计，可以有效提高bp神经网络的输出o的准确性，保证故障诊断精度；
[0072]
步骤8：bp网络误差计算
[0073]
根据bp神经网络的输出o和理论期望y，可以计算网络的误差e；其中输出o即为诊断出来涡轮冷却器对应的状态标签。
[0074]ek
＝y
k-okk＝1，2，...，m(5)
[0075]
步骤9：bp网络权值与阈值的更新
[0076]
根据误差来更新bp神经网络各层之间的权值ω
ij
和ω
jk
与各个节点的阈值a，b；
[0077][0078]
ω
jk
＝ω
jk
ηh
jek
j＝1，2，...，l；k＝1，2，...，m(7)
[0079][0080]bk
＝bk ekk＝1，2，...，m(9)
[0081]
式中η为学习速率，用于体现迭代速度；
[0082]
步骤10：根据判断算法，通过误差e判断迭代，当误差e在设计范围内，判断迭代结束，若没有，返回步骤6重新迭代；
[0083]
步骤11：训练后的模型可以用于涡轮冷却器的故障诊断与定位，基于运行数据的特征通过模型获取输出o，并且通过o的标签值查询涡轮状态表，见表1，获得相应的涡轮冷却器的状态，实现涡轮冷却器的故障诊断。
[0084]
表1涡轮状态表
[0085][0086]
其中，所述涡轮状态表，为本发明设计的故障状态标签，用于故障标签，方便故障定位诊断。
[0087]
实施例1：
[0088]
参考图5所示，基于上述所设计的一种涡轮冷却器实时故障诊断装置，提供监测信号采集与故障诊断的流程。参考图6所示，故障诊断装置直接安装在涡轮冷却器的壳体上，可以直接实现涡轮冷却器的数据采集、存储与故障诊断。
[0089]
当涡轮冷却器发生轴不对中等故障时，通过传感器将异常状态下的涡轮冷却器的运行信号(转速、压力、温度、流量、位移和振动信号)采集并且通过连接器模块将信号传输到诊断装置；信号通过故障诊断装置进行数据预处理，并进行数据存储到存储单元中，实现数据的实时存储；同时嵌入主控模块的诊断模型可以直接从存储单元调用数据，并采用小波分解算法实现数据的特征提取，获取小波分解的前八阶特征(该前八阶特征已经基本能够覆盖涡轮故障特征)，并将此特征值作为输入变量x输入诊断模型中，通过基于ga-bp的故障诊断模型，得到模型的输出值为6，通过查询参考表1获得相应涡轮冷却器的状态为轴不对中状态，实现涡轮冷却器的故障诊断；并将故障状态信息保存并上传。
[0090]
实施例2：
[0091]
当涡轮冷却器发生叶片磨损等故障时，通过传感器将异常状态下的涡轮冷却器的运行信号采集并且通过连接器模块将信号传输到诊断装置；信号通过故障诊断装置进行数据预处理，并进行数据存储到存储单元中，实现数据的实时存储；同时嵌入主控模块的诊断模型可以直接从存储单元调用数据，并采用小波分解算法实现特征的提取，获取小波分解的前八阶特征，并将特征值输入诊断模型中，通过基于ga-bp的故障诊断模型，得到模型的输出值为2，通过查询参考表1获得相应涡轮冷却器的状态为叶片表面磨损状态，实现涡轮冷却器的故障诊断；并将故障信息保存并上传。
[0092]
以上所述，仅为本发明的具体实施例，对本发明进行详细描述，未详尽部分为常规技术。但本发明的保护范围不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。本发明的保护范围应以所述权利要求的保护范围为准。