[发明专利]一种基于经验模态分解与多核学习的发动机故障检测方法

说明书

本发明公开了一种基于经验模态分解与多核学习的发动机故障检测方法，包括以下步骤：S1：采集原始发动机信号，并进行EEMD分解；S2：根据EEMD分解结果进行奇异值分解，提取故障特征；S3：构建DPSO‑PRSVM算法模型；S4：利用DPSO‑PRSVM算法模型对故障特征进行分类，完成发动机故障检测。通过信号分解，将原始发动机故障信号分解为多个分量，每个分量呈现不同的特性，即把原始的典型的非线性和非平稳的信号分解成多个相对简单的信号，然后对每个分量建立不同的预测模型。

技术领域

本发明属于发动机故障检测技术领域，具体涉及一种基于经验模态分解与多核学习的发动机故障检测方法。

背景技术

主轴轴承作为整个发动机系统的关键部件，在高转速、高温且温度变化、负荷变化大等复杂工况环境下极易发生故障，从而严重影响正常的生产生活。目前发动机故障检测办法主要有事后维修和定期维修，但事后维修对于事故不具有规避性，而定期维修受随机因素的影响易产生维修不足，设备易在预定维修前发生故障,产生维修不足或容易在设备尚能正常工作时，提前维修造成过剩维修。因此发动机的设备故障萌芽即将出现时对故障进行快速、准确地隔离和辨识，确定发动机送修的工作范围和深度，将会大大地减少运营和维修成本，避免经济财产损失、人员伤亡等事故的发生。

轴承故障诊断方法按采用的状态量分为温度法、油样分析法和振动法，其中振动智能诊断法利用智能化手段，通过安装在轴承座或箱体上的振动传感器获取轴承运行的振动信号，并对此信号进行分析和处理提取特征，在相关故障机理的基础上，针对实际问题设计特定类型的分类器以建立相应的故障识别方法。诊断过程的关键在于有效提取故障特征及合理设计分类器。

发动机故障有关的振动包含了一定的噪声和其他机械部件的振动，具有高度复杂的非线性和非平稳性的特点，直接在原始信号上进行准确预测效果并不理想。目前“分解-预测-集成”框架已经证明在预测时间序列方面具有优越性，其基本思想是将复杂的时间序列分解成多个相对简单的分量，然后单独地预测每个分量，最后将分量的预测结果进行集成。各分量从不同角度表征原始复杂数据的一些特征，而每个分量均可以用相对简单的模型进行预测。从复杂的原始数据进行预测这项艰巨的任务被分成预测各分量的几个相对容易的子任务，因此，该框架对于发动机故障诊断预测是有效的。

常用的分解方法包括傅里叶变换、小波变换、经验模态分解(EMD)。傅里叶变换只能从时域或频域中反映信号的特性，无法同时兼顾信号在时域和频域的局部化特征和全貌。小波变换具有良好的时频局部化特性，但不属于自适应信号分解方法，分解的效果受小波基的选择以及分解层数的影响较大。经验模态分解(Empirical Mode Decomposition，简称为EMD)、集成经验模态分解(Ensemble Empirical Mode Decomposition，简称为EEMD)等新的自适应分解方法，由于无需预先设定任何基函数，因此具有直观、直接、自适应等特点。EMD作为一种直接针对信号数据、自适应的非平稳、非线性的信号分析方法，广泛的应用于轴承振动信号分析故障诊断研究中。

故障诊断的另一关键步骤是设计合理的分类器来进行模式识别。目前，主要方法有：A.统计分类器，依据贝叶斯判别、线性判别函数、非线性判别函数等判别方法；B.神经网络分类器，神经网络方法是用于模式识别的。统计分类器存在固有的局限性，例如贝叶斯最优统计分类器，首先需要解决概率密度估计问题。神经网络分类器需要人为选取合适的网络结点数和初始权值等参数，存在过学习、欠学习、局部极小点，需要有足够多的学习样本等问题。C.基于核的机器学习方法，核Fisher判别(Kernel Fisher discriminant，KFD)，核判别分析(Kernel discriminant analysis，KDA)，核方法有效地解决了小样本、非线性、局部极小点和高维数等实际问题。单核方法具有核函数选择难的问题，多核学习模型以核学习模型为基础，具有更强的灵活性，是机器学习领域的一个新的热点，将多源数据中的不同特征分量分别用对应的核函数进行映射，这样不同类别的样本在新特征空间中的区分性更强，能显著提高分类正确率。