[发明专利]一种空气涡轮起动机轴承性能退化特征提取方法

说明书

本发明公开了一种空气涡轮起动机轴承性能退化特征提取方法。包括以下步骤：一、空气涡轮起动机轴承多传感器序列数据平行卷积与多尺度堆叠：包括序列数据预处理、多传感器数据平行卷积及卷积特征堆叠；二、多传感器数据的多尺度特征的注意力调节与特征数据混合：包括通道注意力调节、空间注意力调节及特征数据混合。本发明实现了对多传感器数据的特征融合，且网络结构灵活适用于各种采样频率下多种信号，所提出的方法相比于传统的利用卷积网络提取特征方法更能精准地提取出空气涡轮起动机轴承性能退化特征，算法规模小、运算简单，易于工程实现。

技术领域

本发明涉及空气涡轮起动机性能检测技术，尤其涉及一种空气涡轮起动机轴承性能退化特征提取方法。

背景技术

空气涡轮起动机（ATS）是飞机发动机的重要部件之一。ATS将压缩引气内能转化为机械能来提升发动机转子转速，以保证发动机在规定时间内能够平稳运行。因为起飞前起动机故障会导致航班的恶性延误，因此有效防止或预测ATS故障具有重要意义。在ATS的各个部件中，滚动轴承是关键的基础元件，任何轴承的意外故障都可能导致与起动机能否正常运行相关的失效损失。因此，如何准确提取滚动轴承的性能退化特征，判断轴承当前工作状态成为研究中的重要课题。

由于数据驱动方法可以推断出隐藏在数据中的因果关系，并直接模拟系统的退化特征，因此它可以成为处理大量监测数据并提取性能退化特征的可行选择。数据驱动的方法侧重于利用先前传感器数据，以预测退化趋势或给出工作状态的概率分布。基于数据驱动的特征提取方法被用于轴承性能检测技术领域，小波分析、经验模态分解(EMD)和希尔伯特黄变换(HHT)等方法及其组合的人工设计方法被广泛用于提取轴承多种类型特征。该方法需要人工设计或使用信号处理来获得代表性特征，受制于专家先验知识，可移植性差，因此自动化特征提取方法开始被引入到性能退化特征提取领域。

发动机起动系统复杂，通常使用大量的传感器。与单传感器数据相比，多传感器数据可以获得更丰富的退化信息。由于ATS工作环境中存在噪声，仅使用振动信号会使提取效果不准确。而实际上，工作温度、转速和负载压力等其他监测数据也会对工作状态产生显著影响。由于传感器变量的不同特性，所采集不同数据具有不同的频率。此外，由于采样频率高，使用原始多传感器数据会使网络结构复杂，参数较多。总之，ATS轴承的特征提取方法仍然存在两个主要缺点。首先，一般的特征提取方法使用浅层神经网络，特征的提取能力受制于网络的结构，且多为顺序神经网络，只考虑最终的输出数据，不足以捕捉与退化状态相关的特征。其次，以往的研究大多假设多传感器具有相同采用频率，而实际工况下不同传感器的采样频率往往不同，如果将不同传感器采集到的数据削平或填充补齐，会使有用的退化特征信息损失或使提取网络复杂化。同时也很少有研究发明考虑将多传感器特征进行融合来提取性能退化特征。

发明内容

针对现有方法特征提取精准性受网络结构影响，以及现有方法较少考虑多传感器信号的采样频率等问题，本发明提出一种基于深度学习的空气涡轮起动机轴承性能退化特征提取方法。本发明采用一维卷积神经网络（1-DCNN）适用于处理一维传感器信号，为了处理不同的多速率传感器信号，为每种类型的传感器设置合适的1-DCNN架构。在卷积操作过程中，提出了多尺度特征堆叠机制，并引入了卷积注意力模块（CBAM）来调节多尺度特征间的权重，最后设计了一个特定的混合层，得到最终高度抽象的ATS轴承性能退化特征。

本发明采取的技术方案是：一种空气涡轮起动机轴承性能退化特征提取方法包括以下步骤：

第一步、空气涡轮起动机轴承多传感器序列数据平行卷积与多尺度堆叠

所述空气涡轮起动机轴承多传感器序列数据平行卷积与多尺度堆叠有如下三个子步骤：

A1、序列数据预处理

对不同频率的空气涡轮起动机多传感器信号按照采样时长进行切片形成采样集，对切片采样集数据进行三维化处理，得到一个数据块，再对数据块中数据进行归一化处理，完成序列数据预处理。

A2、多传感器数据平行卷积