APP下载

基于双网格校正小波聚类在航空发动机故障诊断中的应用

2021-09-10邵伟芹张明明

内燃机与配件 2021年11期
关键词:航空发动机故障诊断

邵伟芹 张明明

摘要:航空发动机的核心部件转子系统,它的工作状态关系到整台机械设备的运行状态,对其进行状态监测和故障诊断能够提高生产效率、避免重大事故发生,对现代工业的发展具有重大的意义。通过运用双网格校正小波聚类算法分析航空发动机的故障信号可以更好的将同类数据归类,并将噪声数据从类中分离出来,从而提高聚类精度和更快得到聚类结果,因此该诊断方法可以提高航空发动机转子系统的故障诊断水平。

Abstract: Rotor system of the rotor system, which is the core component of aero-engine, is related to the operation state of the whole mechanical equipment. Condition monitoring and fault diagnosis can improve production efficiency and avoid major accidents, which is of great significance to the development of modern industry. By using the dual grid correction wavelet clustering algorithm to analyze the fault signal of aero-engine, the similar data can be better classified, and the noise data can be separated from the class, so as to improve the clustering accuracy and get the clustering results faster, so the diagnosis method can improve the fault diagnosis level of aero-engine rotor system.

关键词:小波聚类;双网格校正;航空发动机;故障诊断

Key words: wavelet clustering;double grid correction;aeroengines;fault diagnosis

中图分类号:V263.6                                     文献标识码:A                                文章编号:1674-957X(2021)11-0182-02

0  引言

航空航天产业的快速发展,越来越得到人们的重视,安全问题也成了重中之重的事情,轻则影响飞机的正常运行,重则机毁人亡,会给社会和人们带来严重的经济损失。航空发动机作为飞机的重要组成部分,直接关系到飞机的安全飞行。而航空发动机的核心零部件转子系统,转子系统的正常运行尤为重要,直接关系到飞机的运行状态,因此对转子系统进行状态监测和故障诊断具有重要意义。WaveCluster算法是由Gholamhosein Sheikholeslami、Surojit Chatterjee、Aidong Zhang提出的,经过多次完善,最终形成了现有的Wave-Cluster算法[1]。邓贝贝对小波聚类算法在转子故障诊断中的应用进行了初步探索[2];刘晓波教授提出一种基于双网格校正的小波聚类算法,并应用于转子故障诊断中[3],因此本文利用双网格校正小波聚类算法对航空发动机转子系统的故障信号进行诊断。

1  基于双网格校正小波聚类算法

小波聚类最终的量化结果是运用一种尺寸对空间进行均匀量化,一般而言,通过细化网格来准确捕获边界,但细化网格产生的网格点数的波动因阈值的设置可能使类分裂成更多小类,这就造成细化网格、聚类精度与阈值之间存在矛盾,而并行校正算法在这之间找到了一个平衡:降低网格划分和密度阈值对聚类结果的影响,双网格校正算法的框图如图1所示。

小波聚類[4]最重要的思想是将数据空间转换为信号空间,而后在信号空间中利用小波变换的原理去求解数据空间中数据聚类的问题,这种转换最大限度地利用了小波变换和网格聚类两者的优势。基于双网格校正小波聚类算法是以两种尺寸对空间并行量化,运用元胞数组结构对有效信息进行存储和运算,降低高维空间复杂度,运用广度优先搜索[5]邻居网格单元连通聚类,提高聚类精度,并行地进行原始网格小波聚类和校正网格小波聚类,最后通过校正算法对原始网格小波聚类结果进行校正[6]。

在量化之前就要先确定下特征空间的维数d。在双网格校正小波聚类中,采取的是两种尺度的网格对信号数据空间进行量化,确定K的取值范围[Kmin,Kmax]。根据启发式方法确定K的取值:[Kmin]。

根据经验公式K=int(),得到最佳划分值为[Kmax]。其中,N为数据的个数,d为特征空间的维数。

2  实验分析

在本文中,转子正常运行及故障状态下的数据是通过航空发动机转子试验器,该试验器为南京航空航天大学智能诊断与专家系统研究室提供。如图2所示,试验器是由调速电动机、转轴、转子圆盘、法兰连接盘、轴承座、齿轮增速器等结构组成。在涡轮机匣的水平及垂直位置各安装一个加速度传感器,通过加速传感器来采集转子正常运行及故障状态下振动加速度信号。

在航空发动机振动试验台进行转速1800r/min的实验数据采样时,分别采集正常状态下、不对中、不平衡和动静件碰摩的不同状态下的各200组数据,并对采集到的数据样本采取小波去噪进行预处理,选取功率谱重心C和振幅熵H(A)作为二维特征量,根据功率谱重心C和振幅熵H(A)[7]的计算公式,求得四种状态下的功率谱重心C和振幅熵H(A)如表1所示。

振幅熵能反映转子上特定测点的振动幅值大小的分布特征与振动的集中程度。功率谱重心描述了功率谱主频带绝对位置的变化,振幅熵定量描述了振动信号内部蕴含的振幅信息,两者形成的二维特征量(H(A),C)不仅对不同的信号具有较好的分类能力,而且能够真实的反映转子振动故障信号的的复杂性程度,可以形成有效的评价转子振动状态的综合特征指标。

根据功率谱重心C和振幅熵H(A)的计算公式,利用Matlab软件编程将表1航空发动机不对中的数据的功率谱重心C和振幅熵H(A)求出,如表2所示。

在量化之前就要先确定下特征空间的维数d,d=2。

在双网格校正小波聚类中,采取的是两种尺度的网格对信号数据空间进行量化,确定K的取值范围 。根据启发式方法确定Kmin的取值:26。

Kmax由经验公式得到,经验公式:

得到最佳划分值为28。其中,N为数据的个数,d为特征空间的维数。

通过Matlab软件运算程序,得到转速为1800r/min的聚类结果图,如图3所示。

3  实验结果

传统小波聚类与双网格小波聚类结果相比,明显后者的聚类效果要比前者的聚类效果要好。利用双网格校正小波聚类算法分析航空发动机故障信号,不仅能对单一的航空发动机转子故障进行诊断分析,也能同时对多种转子的故障状态区分出来,提高聚类精度和聚类速度。

4  总结

航空发动机的故障产生的不良后果极大,因此对其进行故障诊断的分析是十分必要的。在本文中,通过对航空发动机的四种状态下即正常状态、不对中、不平衡和动静件碰摩的各200组数据,通过Matlab分析,得到双网格小波聚类算法在诊断分析中效果较好。

参考文献:

[1]William Donat, Kihoon Choi, Woosun An, Satnam Singh, Krishna Pattipati. Data Visualization, Data Reduction and Classifier Fusion for Intelligent Fault Diagnosis in Gas Turbine Engines[J]. J. Eng. Gas Turbines Power, 2008, 130:041602-041609.

[2]邓贝贝.基于小波聚类的航空发动机转子系统故障诊断研究[D].南昌:南昌航空大学,2013.

[3]刘晓波,邵伟芹,张明明,左红艳.基于双网格校正小波聚类的转子故障诊断[J].计算机集成制造系统,2017,9:1883-1890.

[4]Sheikholeslami G, Chatterjee S, Zhang A. Wave cluster: A Multi-resolution clustering approach for very large spatial data—bases[C]// Proceedings of the 24th International Conference on Very Large Data Bases.New York:Morgan Kaufmann, 1998:428-438.

[5]劉晓波,张明明,涂俊超,等.基于广度优先搜索的小波聚类算法[J].振动与冲击,2016,35(15):178-183.

[6]张明明,刘晓波.基于元胞储存的小波聚类转子故障诊断[J].计算机测量与控制,2015,23(9):3012-3014.

[7]涂俊超.基于振幅熵与功率谱重心的聚类分析在旋转机械故障诊断中的应用[J].南昌:南昌航空大学,2014.

[8]祝维磊.DF4DD内燃机车电气故障及诊断策略分析[J].内燃机与配件,2021(07):162-163.

[9]邓国璋.内燃机车柴油机常见故障及应对策略[J].内燃机与配件,2021(06):101-102.

猜你喜欢

航空发动机故障诊断
风力发电机组齿轮箱轴承故障诊断分析
基于人工神经网络的故障诊断专利浅析
浅谈机电一体化设备的故障诊断技术研究
基于EMD和SSAE的滚动轴承故障诊断方法
某型发动机喘振故障的研究
“航空发动机强度与振动”教学改革的探索与思考
航空发动机小零件的标准化实践与数字化管理
航空发动机管理信息系统研究
浅谈航空发动机起动与点火系统
基于R8C的汽车OBD通用故障诊断仪设计