左红艳　刘晓波　洪连环

摘要：为了快速准确地实现航空发动机转子故障的分类与识别，提出了双阶自适应小波聚类方法。双阶自适应小波聚类过程是：首先采用粗网格量化数据空间，找出存在聚类的空间区域，实现数据的预分选聚类；然后统计子聚类的信息，计算其二次聚类的量化值；最后对子聚类的数据空间进行自适应细划分，实现子聚类数据空间的小波聚类。应用双阶自适应小波聚类方法对航空发动机转子的正常、不对中、碰摩、松动故障进行分类与识别，结果显示4种类型被正确分类。因此表明，对于密度分布不均匀的多类型混合数据，双阶自适应小波聚类方法能够根据数据分布特点自适应的量化网格，实现故障的正确分类与识别，诊断精度显著高于传统的小波聚类方法。关键词：故障诊断；航空发动机；小波聚类；双阶自适应；聚类精度

中图分类号：TH165⁺.3；V23 文献标志码：A 文章编号：1004-4523（2018）01-0165-11

DOI：10.16385/j.cnki.issn.1004-4523.2018.01.020

引言

航空发动机转子故障诊断的关键环节是模式识别，就是应用数学方法对蕴含相关故障信息的数据模式进行自动处理和判别，从而提取出有效诊断规则，对故障数据进行的智能分类。

当前应用于航空发动机转子故障的模式识别与分类方法主要有人工神经网络、支持向量机、遗传算法、贝叶斯分类和决策树等，但这些方法都是有监督的学习方式，要通过训练样本的训练学习才能有效地处理未来要分类的数据，并且数据在分类之前还需要指定要分类的类型和分类数，使得分类时间长、效率低，并且诊断的准确率受训练样本精确度的影响较大。……