[发明专利]故障敏感编码网络驱动的直升机传动系统轴承检测方法

说明书

公开了一种故障敏感编码网络驱动的直升机传动系统轴承检测方法，方法中，采集健康的直升机传动系统轴承噪声信号作为训练信号，通过编码器将所述训练信号降维得到低维流形，解码器基于低维流形以重构信号，生成对抗网络包括生成器和鉴别器，生成器生成待测信号，鉴别器鉴别待测信号是来自训练信号还是重构信号，计算训练信号与重构信号的差值得到重构误差，生成对抗网络对抗训练交替优化达到纳什均衡，并拟合得到健康状态信号的分布，输入测试信号到编码器以降维得到低维流形，解码器基于低维流形以重构信号，输入生成对抗网络对抗训练并拟合得到测试信号分布，所述测试信号分布不符合所述健康状态信号的分布，则认为存在故障。

技术领域

本发明属于直升机传动系统轴承检测的技术领域，特别是一种故障敏感编码网络驱动的直升机传动系统轴承检测方法。

背景技术

直升机作为旋翼式飞行器，具有垂直起降、飞行方向改变灵活、可空中悬停的特点，已广泛应用于对地攻击、机降登陆、后勤支援、战场救护等军用领域，以及医疗营救、救灾灭火、短途运输、吊装设备等民用领域。但是与固定翼飞机相比，直升机事故高发，且严重事故比例大，这对直升机安全性和可靠性提出了很高的要求。军事强国在追求直升机高性能的同时，大力发展直升机完好性与使用监测系统(Health and Usage MonitoringSystem，HUMS) 来保障飞行安全。直升机传动系统作为直升机事故频发的关键部件，成为了HUMS 系统中备受关注的核心部件，因此针对直升机传动系统轴承开展智能监测与异常状态识别技术研究对提高直升机运行安全性和运维经济性具有重要意义。

直升机预测性维护的整体框架可以被分为五个阶段：状态监测、故障模式分类、损伤程度判定、剩余寿命预测以及退化评估。虽然大量针对预测性维护各个阶段的研究工作已经开展，但是针对状态监测这一关键性阶段的研究工作依然不够深入。在化工过程工业、工业无线传感网络以及数据采集与监视控制系统 (SCADA)以及在预测性维护中，已经开展部分相关研究，例如，基于非监督训练生成对抗网络(GAN)的高维故障检测策略；结合扩展卡尔曼滤波器与循环一类支持向量机(ROSVM)来检测制冷机机组子系统故障；将振动信号(对故障最敏感的信号)通过神经网络进行降维后进行异常值监测；使用支持向量数据描述法(SVDD)来表示健康状态轴承信号的数据分布并使用遗传算法来决定最佳阈值参数；使用SVDD与k均值聚类法相结合实现异常监测；使用k近邻与自组织映射相结合方法来降低方法的噪声敏感性，同时避免对最佳匹配单元的凸性或分布的限制。

但是，现有的方法仍然存在三点缺陷：1)特征提取的过程常常依赖于人类经验，提取出的特征存在信息损失，不具备可重构性。2)某些用于状态监测的方法并未采用一类分类策略，不适用于只存在健康状态数据的状态监测应用场景。 3)大量异常监测方法是针对图像的特点而设计的，不适用于旋转机械。不同于图像数据，振动信号的幅值是体现故障状态的重要指标之一，同时由于复杂的传递路径影响，振动信号往往被大量的噪声污染。

在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。

发明内容

针对现有技术中存在的问题，本发明提出一种故障敏感编码网络驱动的直升机传动系统轴承检测方法，训练时只使用健康状态的信号来构建一种可以自适应识别异常状态的指标，同时结合基于频谱能量的噪声先验分布，使指标对振动信号中的故障状态更加敏感。本发明的目的是通过以下技术方案予以实现，一种故障敏感编码网络驱动的直升机传动系统轴承检测方法包括以下步骤：

采集健康的直升机传动系统轴承噪声信号作为训练信号，通过编码器将所述训练信号降维得到低维流形，

解码器基于低维流形以重构信号，生成对抗网络包括生成器和鉴别器，生成器生成待测信号，鉴别器鉴别待测信号是来自训练信号还是重构信号，计算训练信号与重构信号的差值得到重构误差，生成对抗网络对抗训练交替优化达到纳什均衡，并拟合得到健康状态信号的分布，