航空發(fā)動(dòng)機(jī)中介軸承故障診斷方法研究.pdf

1、航空發(fā)動(dòng)機(jī)是航空系統(tǒng)不可或缺的一部分，它直接決定著該系統(tǒng)的整體性能，由于其長(zhǎng)期運(yùn)行在各種復(fù)雜的環(huán)境中，因此航空發(fā)動(dòng)機(jī)對(duì)安全性和可靠性的要求比較高。中介軸承作為支撐航空發(fā)動(dòng)機(jī)高、低壓轉(zhuǎn)子間的核心部位，一旦其出現(xiàn)微小變故將會(huì)引起轉(zhuǎn)子的振動(dòng)幅度加大，甚至造成轉(zhuǎn)子瞬間停轉(zhuǎn)進(jìn)而導(dǎo)致機(jī)械系統(tǒng)出現(xiàn)停運(yùn)現(xiàn)象。因此對(duì)航空發(fā)動(dòng)機(jī)中介軸承故障診斷方法的研究一方面可以保證飛行器在運(yùn)行過(guò)程中的穩(wěn)定性，另一方面也可以降低故障發(fā)生，減少經(jīng)濟(jì)損失。
　　目前對(duì)中

2、介軸承相關(guān)信號(hào)的診斷研究相對(duì)較少，較常見(jiàn)的是在采集振動(dòng)信號(hào)的基礎(chǔ)上進(jìn)行算法的分析與判定。與一般的滾動(dòng)軸承信號(hào)有所差異，從加速度傳感器中采集得到的中介軸承信號(hào)由于受到周?chē)叩蛪恨D(zhuǎn)子的不平衡響應(yīng)的影響，并且通過(guò)較長(zhǎng)路徑的傳輸，使所得信號(hào)中含有大量的背景噪聲，因此一般分析方法不容易從淹沒(méi)的信號(hào)中找到有效的軸承故障頻率。本文從實(shí)際出發(fā)，對(duì)航空發(fā)動(dòng)機(jī)中介軸承從前期信號(hào)預(yù)處理、特征參數(shù)集構(gòu)建及優(yōu)化和智能模式識(shí)別幾個(gè)方面展開(kāi)研究。
　　在前期信

3、號(hào)預(yù)處理方面，本文從相空間重構(gòu)思想出發(fā)引入C-C算法，并對(duì)這種算法的不足加以改進(jìn)。鑒于中介軸承信號(hào)本身復(fù)雜易受干擾的特性，文中在深入研究相空間理論的基礎(chǔ)上建立了一種重構(gòu)信號(hào)去噪方法。首先把采集的低維數(shù)字信號(hào)用改進(jìn)的C-C算法重構(gòu)在多維的相空間中表示出來(lái)，然后用流形識(shí)別算法發(fā)現(xiàn)該數(shù)據(jù)空間的主要組成結(jié)構(gòu)，并通過(guò)主流形重構(gòu)來(lái)恢復(fù)數(shù)據(jù)以達(dá)到降噪的效果。同時(shí)，文中也從高維的相空間中采集得到初始的故障信號(hào)特征值，這種特征對(duì)故障信號(hào)的表達(dá)更加有效。<

4、br>　　在特征參數(shù)集構(gòu)建及優(yōu)化方面，本文首先從相空間中利用奇異值分解提取出初始特征集，然后進(jìn)行特征集約簡(jiǎn)。本文采用流形學(xué)習(xí)中非線性約簡(jiǎn)方法局部線性嵌入(Locally Linear Embedding，LLE)，針對(duì)中介軸承數(shù)據(jù)的特點(diǎn)將LLE算法改進(jìn)為基于非線性監(jiān)督距離的NSLLE算法，降維效果明顯優(yōu)于核主元分析(Kernel Principal Component Analysis，KPCA)以及其他的流形學(xué)習(xí)算法。此外，提出了R-

5、NSLLE方法，通過(guò)自定義基于測(cè)地距離的判別公式尋找NSLLE算法中的近鄰參數(shù)，避免了選擇的隨機(jī)性以及不斷試驗(yàn)造成的不準(zhǔn)確性;同時(shí)利用Treelets變換進(jìn)一步對(duì)R-NSLLE參數(shù)優(yōu)化，估計(jì)出降維算法中最優(yōu)的本征維數(shù)。
　　最后在智能模式識(shí)別方面，本文選擇了訓(xùn)練時(shí)間短、泛化能力強(qiáng)的極限學(xué)習(xí)機(jī)(Extreme Learning Machine，ELM)算法。文中將ELM算法改進(jìn)為半監(jiān)督的ELM，可以綜合實(shí)際數(shù)據(jù)特征靈活調(diào)整帶標(biāo)簽數(shù)據(jù)