航空發(fā)動機中介軸承故障診斷方法研究.pdf

1、航空發(fā)動機是航空系統(tǒng)不可或缺的一部分，它直接決定著該系統(tǒng)的整體性能，由于其長期運行在各種復雜的環(huán)境中，因此航空發(fā)動機對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)動機高、低壓轉(zhuǎn)子間的核心部位，一旦其出現(xiàn)微小變故將會引起轉(zhuǎn)子的振動幅度加大，甚至造成轉(zhuǎn)子瞬間停轉(zhuǎn)進而導致機械系統(tǒng)出現(xiàn)停運現(xiàn)象。因此對航空發(fā)動機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行過程中的穩(wěn)定性，另一方面也可以降低故障發(fā)生，減少經(jīng)濟損失。
　　目前對中

2、介軸承相關信號的診斷研究相對較少，較常見的是在采集振動信號的基礎上進行算法的分析與判定。與一般的滾動軸承信號有所差異，從加速度傳感器中采集得到的中介軸承信號由于受到周圍高低壓轉(zhuǎn)子的不平衡響應的影響，并且通過較長路徑的傳輸，使所得信號中含有大量的背景噪聲，因此一般分析方法不容易從淹沒的信號中找到有效的軸承故障頻率。本文從實際出發(fā)，對航空發(fā)動機中介軸承從前期信號預處理、特征參數(shù)集構(gòu)建及優(yōu)化和智能模式識別幾個方面展開研究。
　　在前期信

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

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，然后進行特征集約簡。本文采用流形學習中非線性約簡方法局部線性嵌入(Locally Linear Embedding，LLE)，針對中介軸承數(shù)據(jù)的特點將LLE算法改進為基于非線性監(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)以及其他的流形學習算法。此外，提出了R-

5、NSLLE方法，通過自定義基于測地距離的判別公式尋找NSLLE算法中的近鄰參數(shù)，避免了選擇的隨機性以及不斷試驗造成的不準確性;同時利用Treelets變換進一步對R-NSLLE參數(shù)優(yōu)化，估計出降維算法中最優(yōu)的本征維數(shù)。
　　最后在智能模式識別方面，本文選擇了訓練時間短、泛化能力強的極限學習機(Extreme Learning Machine，ELM)算法。文中將ELM算法改進為半監(jiān)督的ELM，可以綜合實際數(shù)據(jù)特征靈活調(diào)整帶標簽數(shù)據(jù)