[发明专利]基于STFT与改进DenseNet的航空发动机故障诊断方法

说明书

基于STFT与改进DenseNet的航空发动机故障诊断方法，本发明涉及航空发动机故障诊断领域中，现有的方法对发动机变转速故障数据集诊断效果不好的问题。航空发动机在生产环境下的运行状况是复杂多变的，往往会经历变加速、变减速的变转速过程，现有的方法在单一转速数据集下虽然已经取得了不错的效果，但是在变转速数据集上的效果却很差；为解决这一问题，本发明提出了基于STFT与改进DenseNet的航空发动机故障诊断方法；该方法将原始信号经过STFT生成各类故障的时频图像，然后使用基于改进的DenseNet模型对故障图像进行分类；经过充分的实验验证得知，在航空发动机的故障诊断上取得了很好的效果。本发明应用于航空发动机等机械设备的故障诊断。

技术领域

本发明涉及航空发动机等机械设备故障诊断

背景技术

航空发动机是一种高度复杂且精密的机械，是航天器的心脏，被誉为工业皇冠上的明珠，是航天工业中技术工艺最复杂、技术难度最高和造价最昂贵的部位。它的工作环境极为苛刻，长时间在高温、高压、高应力和强腐蚀的环境下运行，极易发生故障，如腐蚀与打击，从而为航空发动机带来一定的停车故障甚至毁灭性的破坏。所以，对航空发动机的故障诊断可以有效提高其工作效率和使用寿命，并减少事故发生的可能性。但由于航空发动机结构复杂和部件数量多，导致其故障类型繁杂，会存在包括有关气路、油路和振动等一系列的故障问题，而在气路故障中又会包含如积垢、热变形、密封件疲劳、腐蚀等具体的故障，振动故障也会包括如风扇失速振颤、叶片裂痕等具体故障。其中对于不同类别的故障类型其导致产生的关键因素也会有所不同，如叶片转速、叶片的实际压力值等可作为导致振动故障的因素，发动机进气口温度、压气口的压力等可作为导致气路故障的因素。

机械设备的故障，往往都会反应到机械设备表面的振动上，所以长期以来，对机械设备的故障诊断主要是利用振动加速度传感器采集设备表面的振动信号，然后利用智能算法对信号进行诊断。现有的机械设备的故障诊断研究，都是基于西储大学、MFPT等单一转速下采集的轴承故障数据集，然而在实际工作环境中，机械设备的运行工况(不同转速和负载)是在不断变化的，尤其是飞机发动机及其附件子系统，都是在变转速环境下进行工作的，设备会经历反复的加速、减速、变加速、变减速等各种复杂工况。而且还会伴随着实验车台的共振以及机械噪声的影响。数据集难度较高，国内外现有的方法无法对信号进行有效的特征提取与分类，在东安变转速数据集上表现出极差的效果。

针对上述问题，提出一种基于STFT与改进DenseNet的航空发动机故障诊断方法，如图1所示：该方法使用STFT对原始信号进行频谱分析，生成故障时频图像，然后利用故障图像训练DenseNet网络实现对故障图像的分类；改进的DenseNet网络为SEDenseNet(SENet-DenseNet)，SEDenseNet是利用SENet与DenseNet相融合的方法，在DenseNet-BC的基础上嵌入SE模块，不仅有效增强了特征重用与深层信息传递，而且实现了特征通道的重标定，通过学习来确定每个特征通道的重要程度，按照每个通道的权值来增强有用的通道特征并抑制对当前任务用处不大的通道特征，旨在更好的实现对时频图像的特征提取；经过大量的实验验证，本发明所提出的方法在中国航发东安发动机有限公司“XXX”型号推进减速器上取得了最高97.32％的准确率。

发明内容

本发明的目的是为了解决现有的智能检测算法无法实现对航空发动机及其附件子系统进行有效故障诊断的问题，而提出的基于STFT与改进DenseNet的航空发动机故障诊断方法。

上述发明目的主要是通过以下技术方案实现的：

基于STFT与改进DenseNet的航空发动机故障诊断方法，其特征在于首先对原始信号使用STFT进行时频分析，生成故障时频图像，然后使用图像分类网络进行分类；所述方法包含以下步骤：

S1、采集发动机在变转速运转状况下各类故障的振动信号；