[发明专利]基于小波-灰度共生矩阵的发动机转子碰磨故障诊断方法

说明书

本发明提供了一种基于小波‑灰度共生矩阵的发动机转子碰磨故障诊断方法，解决传统方法存在故障识别精度较低，神经网络方法对样本及硬件要求较高、训练较为繁琐的问题。具体步骤为：1)采集发动机碰摩数据；2)对发动机碰摩数据进行小波变换，得到振动信号小波变换图；3)将振动信号小波变换图转化成灰度图，并提取灰度图的灰度共生矩阵图像特征量，构造特征向量；4)对特征向量设置标签，并将特征向量分割为训练集和测试集；5)将训练集输入到机器学习算法支持向量机中进行训练，获得训练好的支持向量机；6)将测试集输入到训练好的支持向量机中，实现发动机转子碰磨故障诊断。

技术领域

本发明属于发动机故障诊断技术领域，具体涉及基于小波-灰度共生矩阵的发动机转子碰磨故障诊断方法。

背景技术

现代航空发动机中高速转子大都采用“柔轴”设计，工作转速一般在10000r/min以上，一些小型发动机的工作转速则高达40000～50000r/min，对于这样的高转速发动机，转子系统处于弯扭耦合的工况下，其转子-支承系统的振动和稳定性问题是结构完整性和可靠性的关键。转子系统动静碰摩是旋转机械中经常发生的一种严重故障；碰摩发生时使振动加剧，局部碰摩的逐步演化会导致整周碰摩，甚至还会造成整个轴系的破坏，导致系统不能正常运行，直接经济损失和间接经济损失十分巨大。因此，对转子系统动静碰摩故障进行研究，对旋转机械碰摩时的运行状态评估以及碰摩的故障诊断是非常重要的。

目前对故障特征提取的方法主要有两种，传统方法和神经网络方法，传统的方法包括时域分析、小波变换、EMD分解等，传统方法通过信号处理方法提取振动故障特征，会造成故障信息的缺失，导致故障识别精度变低，而神经网络方法直接将原始数据输入网络中进行训练，实现特征自动提取，海军航空大学的高峰等人利用卷积神经网络实现故障诊断，相比传统的信号处理方法，神经网络方法避免了人为提取故障特征，但同时也需要较大的数据量，对样本要求较高，且神经网络方法对硬件要求较高。

随着图像处理和深度学习技术的快速发展，也有学者将二维图作为神经网络的输入进行故障诊断，袁建虎等人通过对振动信号进行连续小波变换得到时频图，并将压缩后的时频图输入到卷积神经网络(CNN)中，从而实现了滚动轴承的智能诊断，尽管图像分析技术在故障诊断领域取得了一定成果，但仍存在稳定性差和识别效率低等问题，而且神经网络训练过程较为复杂繁琐，不适合对故障进行实时诊断。

因此，亟需设计一种新的发动机转子碰磨故障诊断方法。

发明内容

本发明的目的在于解决传统方法存在故障识别精度较低，神经网络方法对样本及硬件要求较高、训练较为繁琐的问题，而提供一种基于小波-灰度共生矩阵的发动机转子碰磨故障诊断方法。

为实现上述目的，本发明所提供的技术解决方案是：

基于小波-灰度共生矩阵的发动机转子碰磨故障诊断方法，其特征在于，包括以下步骤：

1)采集发动机碰摩数据；

2)对步骤1)获得的发动机碰摩数据进行小波变换，得到振动信号小波变换图；

3)将步骤2)得到的振动信号小波变换图转化成灰度图，并提取灰度图的灰度共生矩阵图像特征量，构造特征向量；

4)对步骤3)得到的特征向量设置标签，并将特征向量分割为训练集和测试集；

5)将步骤4)得到的训练集输入至机器学习算法支持向量机中进行训练，将测试集输入至训练好的支持向量机进行验证，获得验证好的支持向量机；

6)将检测样本输入至步骤5)验证好的支持向量机中，发动机转子碰磨故障进行诊断，输出发动机转子碰磨故障诊断结果。

进一步地，步骤2)具体为：

定义ψ(t)∈L²(R)满足条件