[发明专利]一种航空发动机机械振动故障信号特征提取方法

说明书

本发明涉及一种航空发动机机械振动故障信号特征提取方法，包括如下步骤：S1、获取发动机振动数据，并对获得的振动数据进行数据预处理；S2、采用小波分解算法将经过数据预处理的振动数据进行局部化分解，获得原始振动数据的频域特征和时域特征；S3、在频域特征上寻找各个频率突变点，然后计算突变点的频段在时域特征上的一阶导数，若该一阶导数大于阈值T，则将该变化作为一个待分辨特征；S4、通过聚类算法对待分辨特征和突变点时刻发动机频率变化的控制输入数据进行聚类，获得故障特征。本发明提供的提取方法，能够精确地诊断出航空发动机机械振动的故障信号。

技术领域

本发明属于航空发动机故障诊断技术领域，尤其涉及一种航空发动机机械振动故障信号特征提取方法。

背景技术

航空发动机作为航空航天系统中的核心系统，它是航空设备中故障率最高、维护工作最困难、调整最复杂的系统，运行状态中的发动机一旦发生故障，很可能会导致重大社会、经济损失。其中，很多航空发动机故障是由机械震动故障引起的。由于航空发动机转子系统工作环境极为恶劣，其子系统构成复杂度极高，这对他的振动故障诊断造成了很大的障碍。

发明内容

(一)要解决的技术问题

针对现有存在的技术问题，本发明提供一种航空发动机机械振动故障信号特征提取方法，能够精确地诊断出航空发动机机械振动的故障信号。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

一种航空发动机机械振动故障信号特征提取方法，包括如下步骤：

S1、获取发动机振动数据，并对获得的振动数据进行数据预处理；

S2、采用小波分解算法将经过数据预处理的振动数据进行局部化分解，获得原始振动数据的频域特征和时域特征；

S3、在频域特征上寻找各个频率突变点，然后计算突变点的频段在时域特征上的一阶导数，若该一阶导数大于阈值T，则将该变化作为一个待分辨特征；

S4、通过聚类算法对待分辨特征和突变点时刻发动机频率变化的控制输入数据进行聚类，获得故障特征。

优选地，所述聚类为故障分类；

根据发动机振动故障类型为各个故障分类命名；

所述故障类型至少包括：正常状态、轴承对中性故障、支撑系统在垂直与水平面不等故障、转子或静子松动故障、叶片摩擦故障、密封碰摩故障、次谐波共振故障、轴承内外环损伤故障、工作叶片裂纹故障、失衡故障、震荡栅烧故障、旋转失速故障、临街转速故障、失稳故障、结构共振故障。

优选地，所述小波包分解算法要求原始振动数据的采样频率为10240Hz，奈奎斯特采样频率是5120Hz。

优选地，所述小波包分解算法采用dmey小波函数对原始振动数据进行8层分解，得到256个频段的时频特征。

优选地，所述小波包分解算法的表达式为：

其中，f(t)表示基于时间的原始震动信号，表示小波包中第j层上第i个小波包系数；G、H分别为小波分解滤波器。

优选地，所述待分辨特征的表达式为：F′_j(t)，含义为该信号在第j个频段，t时刻的一阶导数。

优选地，所述聚类算法为自组织映射神经网络算法。

优选地，所述自组织映射神经网络算法包括使用欧式距离作为判别函数：