基于振動樣本民航發(fā)動機故障診斷方法及應用研究.pdf

1、民航發(fā)動機結構復雜,工作狀況惡劣,容易發(fā)生各種機械故障,精準的故障診斷和及時排故對于飛行安全意義重大。傳統(tǒng)的定期維修方式效率低,費用高,而視情維修具有開展便利、診斷率高、成本較低以及可及時發(fā)現(xiàn)重大隱患等優(yōu)勢,非常適合民航發(fā)動機的維修保障。實現(xiàn)視情維修要求民航發(fā)動機故障診斷系統(tǒng)具有較高的健康狀態(tài)分析和對自身故障進行預測的能力。為此本文基于民航公司采集的振動樣本對民航發(fā)動機視情維修相關的故障診斷方法開展了研究。
　　民航發(fā)動機中多根轉

2、子的同軸結構,決定了發(fā)動機傳感器測得的振動信號是由多振動信號混疊而成,混合形式未知。要分離出各轉軸獨立的振動信號,濾掉無用的干擾是故障識別的關鍵。為此本文首先對發(fā)動機振動信號分離的基本方法進行了研究,針對傳統(tǒng)分離方法的不足,提出了將自然梯度學習應用于獨立分量分析目標函數(shù)的遞推算法,并應用該算法對典型機械仿真信號和發(fā)動機機匣樣本信號進行了分離處理,給出了具體的分離步驟;還對該算法在使用中的可行性和穩(wěn)定性進行了分析;建立了評價信號分離效果的

3、新準則,將該算法與傳統(tǒng)方法的分離效果進行綜合對比,結果表明所提出的方法能夠保證源信號中的微弱特征信息分離后不丟失,時間和頻譜的交疊對分離過程無影響。
　　當采用多維特征進行故障分類時,訓練時間增加,收斂性降低,分類精度并不提高。為了提高故障分類精度,對民航發(fā)動機振動故障的特點進行了研究,得到了提取發(fā)動機故障特征應滿足的條件,以及特征維數(shù)與識別率的關系曲線;為提取對狀態(tài)敏感的特征,提出了基于核主元分析方法來提取對故障分析貢獻最大的特

4、征向量的方法,該方法在傳統(tǒng)的主元分析中引入核函數(shù),通過選定的映射函數(shù)將輸入特征映射到新的高維特征空間,在高維空間中對映射值做線性分析,再以所得到的向量值進行分類識別,用仿真數(shù)據(jù)驗證了該方法的可行性;應用該方法對某型號發(fā)動機中心油管焊縫開裂時導致的振動超標樣本進行了特征提取,為驗證提取效果,與傳統(tǒng)分析方法提取故障特征的結果進行比較,證實了該方法在解決民航發(fā)動機振動故障特征提取問題中的優(yōu)越性。
　　制約故障分類準確率最主要的障礙是故障

5、樣本數(shù)的不足。傳統(tǒng)的智能診斷方法存在著對故障樣本要求高、適應能力差、學習能力弱、主觀因素影響大、診斷效率低等缺點,本文建立了基于支持向量機的民航發(fā)動機故障多分類模型,實現(xiàn)了多類故障的正確區(qū)分;針對尚未完全解決的支持向量機模型的參數(shù)選擇問題,提出了一種基于等高線圖和交叉驗證的參數(shù)優(yōu)化算法,利用等高線圖強大的全局搜索能力和可并行性,實現(xiàn)了對支持向量機分類性能有重要影響的參數(shù)進行快速有效的搜索,使支持向量機參數(shù)選擇問題得到解決。
　　精

6、確的振動趨勢預測對發(fā)動機的使用至關重要。以神經(jīng)網(wǎng)絡為代表的人工智能方法由于網(wǎng)絡結構設計上的缺陷,使網(wǎng)絡的推廣能力受到制約,預測結果與真實值之間存在較大誤差。過程神經(jīng)網(wǎng)絡充分考慮了輸入過程中的時間累積,在網(wǎng)絡模型中增加了反映時間累積過程的參數(shù),其輸出依賴于輸入過程的時間累積而不單純是單點式的瞬時對應?；谶^程神經(jīng)網(wǎng)絡理論,本文實現(xiàn)了對民航發(fā)動機短期趨勢的預測,并給出具體應用方案。針對工程實際的中長期預測問題,基于光滑化方法改進了支持向量機