[发明专利]一种飞机发动机转子振动信号故障状态识别的方法

摘要

本发明提出一种飞机发动机转子振动信号故障状态识别的方法，主要包括以下步骤首先提取转子振动信号的11种时域、频域和时频域特征；然后通过聚类，选择合适的特征；接下来利用聚类结果训练分类器；最后将新数据代入到训练好的分类器，产生分类结果。本发明解决了现有飞机发动机转子故障状态识别时，由于主客观方面的原因，提取的大量诊断特征中存在很多不相关或冗余信息的问题。本发明采用聚类和分类器相结合的飞机发动机转子振动信号故障分类的方法，提出一种飞机发动机转子振动信号故障状态识别的方法框架，能够自动识别出对故障特征敏感的关键特征，剔除对故障特征不敏感的相关特征，能够有效地提升飞机发动机转子振动信号故障状态识别性能。

主权项

一种飞机发动机转子振动信号故障状态识别的方法，其特征在于：包括以下步骤：步骤1：采集飞机发动机转子的带有故障标签的原始振动信号；步骤2：对采集到的带有故障标签的原始振动信号，提取11种特征：均值、方差、峭度、峰值指标、波形指数、脉冲指标、裕度指标、频率峰值比、频域均方根、小波包分解后第三层中的第一个和第二个节点能量，得到信号矩阵其中，信号矩阵维数变量为d，d＝1,2,...,D，D＝11表示维数大小，t＝1,2,...,T，T表示信号的个数；步骤3：将信号矩阵转置使信号矩阵转换为特征矩阵Xc：Xc＝XT；步骤4：将特征作为聚类的数据点，进行特征提取：步骤4.1：构造马氏距离矩阵SM： 其中s(i,j)=(Xi-Xj)T(Σ)-1(Xi-Xj),i≠jmediani≠js(i,j),i=ji,j=1,2,...,11]]>X1,X2,...,X11是特征矩阵Xc中每一列的列向量，μ1,μ2,...,μ11是特征矩阵Xc中每一列的均值，1T为T×1的矩阵且矩阵里的每个元素均为1，E为期望，median表示取中位数；步骤4.2：设置最大循环次数N；步骤4.3：初始化a(i,j)＝0，利用以下公式更新r(i,j)：r(i,j)=s(i,j)-maxu≠j{a(i,u)+s(i,u)}]]>其中，a(i,j)表示i选择j作为其中心点的累积证据,r(i,j)表示j作为i中心点的累积证据，ap为a(i,j)上次迭代的值，为ap的当前迭代的值，ap+1为的当前迭代更新后的值，相应的rp为r(i,j)上次迭代的值，为rp的当前迭代的值，rp+1为的当前迭代更新后的值，λ是收敛系数； 步骤4.4：利用以下公式更新a(i,j)a(i,j)=min{0,r(j,j)+Σv∉{i,j}max{0,r(v,j)},i≠jΣv≠jmax{0,r(v,j)},i=j;]]> 步骤4.5：确定特征i的聚类中心，根据j＝argmaxj{a(i,j)+r(i,j)}(i＝1,2,...,D)来确定每个特征的归属类以及各类的中心：在停止迭代后，对于特征i，若i≠j，表明i的聚类中心就是j；若i＝j时，表明i本身是聚类中心；步骤4.6：若聚类中心连续若干次迭代不发生改变，或迭代次数达到指定次数N，则进行步骤5，否则执行步骤4.3；步骤5：将带有故障标签的聚类结果利用分类器中进行训练，得到训练好的分类器；步骤6：将新采集到未知结果的数据，按照步骤2～步骤4进行特征提取，再用步骤5训练好的分类器进行分类，产生分类结果。