航空發(fā)動(dòng)機(jī)氣路靜電監(jiān)測(cè)信號(hào)特征值提取方法

李超役，孫見(jiàn)忠，關(guān)天陽(yáng)，姜 衡，劉鵬鵬

(1.南京航空航天大學(xué) 民航學(xué)院，南京 211106; 2.南昌航空大學(xué)，南昌 330063;3.中國(guó)船舶工業(yè)系統(tǒng) 工程研究院, 北京 100036)

?

【機(jī)械制造與檢測(cè)技術(shù)】

航空發(fā)動(dòng)機(jī)氣路靜電監(jiān)測(cè)信號(hào)特征值提取方法

李超役1，孫見(jiàn)忠1，關(guān)天陽(yáng)2，姜 衡1，劉鵬鵬3

(1.南京航空航天大學(xué) 民航學(xué)院，南京 211106; 2.南昌航空大學(xué)，南昌 330063;3.中國(guó)船舶工業(yè)系統(tǒng) 工程研究院, 北京 100036)

采用符號(hào)化時(shí)間序列分析法對(duì)某型發(fā)動(dòng)機(jī)尾氣的靜電監(jiān)測(cè)信號(hào)進(jìn)行分析，研究其特征值提取方法，并以此為依據(jù)判斷發(fā)動(dòng)機(jī)氣路健康狀態(tài)。利用氣路靜電傳感器及相關(guān)系統(tǒng)采集發(fā)動(dòng)機(jī)尾氣靜電信號(hào)，使用Matlab工具對(duì)采集到的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行符號(hào)化分析，研究了符號(hào)化序列的標(biāo)準(zhǔn)差、香農(nóng)熵或范數(shù)等特征值的提取方法，據(jù)此來(lái)判斷發(fā)動(dòng)機(jī)氣路的健康狀態(tài)。

航空發(fā)動(dòng)機(jī)；氣路靜電信號(hào)；符號(hào)化時(shí)間序列分析；香農(nóng)熵

航空發(fā)動(dòng)機(jī)的研究涉及到新型材料、制造工藝、先進(jìn)機(jī)械設(shè)計(jì)技術(shù)和健康管理等多個(gè)領(lǐng)域。目前新一代航空發(fā)動(dòng)機(jī)的設(shè)計(jì)不斷進(jìn)步、推重比更大、渦輪前溫度更高，使得氣路部件的工作環(huán)境更加惡劣，從而導(dǎo)致航空發(fā)動(dòng)機(jī)的可靠性、安全性等問(wèn)題日趨嚴(yán)重。發(fā)動(dòng)機(jī)氣路靜電監(jiān)測(cè)能夠監(jiān)測(cè)到傳統(tǒng)監(jiān)測(cè)技術(shù)難以監(jiān)測(cè)到的氣路部件故障，提供典型的氣路部件故障早期預(yù)警信息，為發(fā)動(dòng)機(jī)狀態(tài)評(píng)估與剩余壽命預(yù)測(cè)提供信息[1]。氣路靜電監(jiān)測(cè)技術(shù)是基于靜電感應(yīng)的原理對(duì)氣路帶電顆粒物進(jìn)行監(jiān)測(cè)，監(jiān)測(cè)氣路部件故障的直接產(chǎn)物，因此能夠在故障發(fā)生的初期及時(shí)提供預(yù)警信息，實(shí)現(xiàn)對(duì)氣路部件典型故障的實(shí)時(shí)在線監(jiān)測(cè)以及診斷。

航空發(fā)動(dòng)機(jī)靜電監(jiān)測(cè)技術(shù)的研究起源于20世紀(jì)70年代的美國(guó)空軍技術(shù)研究所，該技術(shù)已應(yīng)用在美國(guó)聯(lián)合式戰(zhàn)斗機(jī)F-35上，增強(qiáng)了其發(fā)動(dòng)機(jī)的故障預(yù)測(cè)與健康管理能力[2-3]。國(guó)內(nèi)積極跟蹤并開(kāi)展了相關(guān)研究，文振華等人對(duì)尾氣靜電監(jiān)測(cè)技術(shù)原理展開(kāi)研究，研究了氣路靜電監(jiān)測(cè)傳感器，并在氣路靜電監(jiān)測(cè)模擬環(huán)境中進(jìn)行了傳感器可行性驗(yàn)證實(shí)驗(yàn)[4]。李耀華等在某型渦軸發(fā)動(dòng)機(jī)上開(kāi)展了地面臺(tái)架實(shí)驗(yàn)，通過(guò)對(duì)獲得靜電信號(hào)的分析，證明了氣路靜電監(jiān)測(cè)系統(tǒng)在地面試車臺(tái)使用的可行性和有效性[5-6]。孫見(jiàn)忠等針對(duì)在線氣路靜電監(jiān)測(cè)，提出了應(yīng)用多元狀態(tài)估計(jì)技術(shù)建立發(fā)動(dòng)機(jī)尾氣靜電信號(hào)的基線模型，并通過(guò)某型發(fā)動(dòng)機(jī)的實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證了有效性[1]。劉鵬鵬等在某型渦噴發(fā)動(dòng)機(jī)地面試驗(yàn)中開(kāi)展了靜電監(jiān)測(cè)系統(tǒng)的驗(yàn)證研究，成功監(jiān)測(cè)氣路滑油泄露及燃燒室積碳故障[7]。國(guó)內(nèi)在氣路靜電監(jiān)測(cè)實(shí)驗(yàn)(包括模擬實(shí)驗(yàn)和地面臺(tái)架實(shí)驗(yàn))方面已開(kāi)展了研究，但目前對(duì)獲得靜電信號(hào)的分析與特征提取方面研究不夠深入，多數(shù)研究仍然以靜電信號(hào)RMS(Root Mean Square)[1,6]、活動(dòng)率水平(AL，Active Level)[7]以及正負(fù)事件率(P/NER，Positive/Negative Event Rate)等時(shí)域特征值為對(duì)象，無(wú)法進(jìn)一步揭示靜電信號(hào)所蘊(yùn)含的豐富的氣路狀態(tài)信息。本文重點(diǎn)針對(duì)氣路靜電監(jiān)測(cè)信號(hào)特征值提取方法開(kāi)展研究，將符號(hào)化時(shí)間序列分析理論引進(jìn)到靜電信號(hào)分析中，分析研究相對(duì)熵、標(biāo)準(zhǔn)差及距離指標(biāo)等特征值在靜電信號(hào)分析中應(yīng)用的可行性。

1 發(fā)動(dòng)機(jī)氣路靜電監(jiān)測(cè)技術(shù)原理

1.1 靜電監(jiān)測(cè)原理

靜電監(jiān)測(cè)技術(shù)原理的主要是靜電感應(yīng)原理，當(dāng)電荷移動(dòng)至靜電傳感器附近時(shí)，由于該電荷周圍產(chǎn)生的電場(chǎng)，傳感器表面也會(huì)有電場(chǎng)力的作用，其內(nèi)部電子會(huì)重新分布，產(chǎn)生電流。而當(dāng)移動(dòng)電荷離開(kāi)時(shí)，傳感器內(nèi)部又會(huì)達(dá)到新的平衡，恢復(fù)到原來(lái)的狀態(tài)。

健康的航空發(fā)動(dòng)機(jī)處于穩(wěn)定工作狀態(tài)時(shí)，其氣路中的顆粒物主要為燃油燃燒產(chǎn)生的碳煙顆粒，氣路總體靜電荷水平保持相對(duì)穩(wěn)定。而當(dāng)發(fā)動(dòng)機(jī)氣路部件發(fā)生故障時(shí)(如燃燒室故障，熱端部件的燒蝕、掉塊，旋轉(zhuǎn)部件的碰磨等)將會(huì)產(chǎn)生大量的異常顆粒，導(dǎo)致氣路中總體靜電荷水平上升，導(dǎo)致靜電信號(hào)幅值變大。尾氣靜電監(jiān)測(cè)系統(tǒng)可以監(jiān)測(cè)到尾氣中的異常顆粒，根據(jù)這些監(jiān)測(cè)到的異常顆粒，判斷是否發(fā)生故障，及時(shí)提供故障信息[8]。

1.2 航空發(fā)動(dòng)機(jī)氣路靜電監(jiān)測(cè)系統(tǒng)

航空發(fā)動(dòng)機(jī)氣路靜電監(jiān)測(cè)系統(tǒng)主要包括吸入顆粒物監(jiān)測(cè)傳感器(IDMS)和相應(yīng)的信號(hào)處理單元、尾氣顆粒物監(jiān)測(cè)傳感器(EDMS)，圖1為示意圖。IDMS主要實(shí)現(xiàn)對(duì)進(jìn)氣道外來(lái)物的持續(xù)監(jiān)測(cè)，并且能夠區(qū)分離散的大顆粒物及連續(xù)的細(xì)微顆粒物等。EDMS實(shí)現(xiàn)對(duì)氣路典型故障(如葉片碰磨、熱端部件燒蝕、燃燒系統(tǒng)故障等)顆粒物的直接監(jiān)測(cè)，為氣路部件健康狀態(tài)評(píng)估與預(yù)測(cè)提供數(shù)據(jù)支持。綜合IDMS和EDMS信息還可以實(shí)現(xiàn)對(duì)吸入外來(lái)物的危害性進(jìn)行評(píng)估以及判斷是否影響發(fā)動(dòng)機(jī)正常運(yùn)行。

圖1 航空發(fā)動(dòng)機(jī)氣路靜電監(jiān)測(cè)系統(tǒng)示意圖

本文研究分析的靜電信號(hào)為EDMS傳感器在某型渦噴發(fā)動(dòng)機(jī)上采集的尾氣靜電監(jiān)測(cè)信號(hào)。EDMS子系統(tǒng)包括棒狀傳感器探極、信號(hào)調(diào)理電路、數(shù)據(jù)采集卡、計(jì)算機(jī)、數(shù)據(jù)采集與處理軟件等。

2 符號(hào)化時(shí)間序列分析方法

2.1 信號(hào)的符號(hào)化

時(shí)間序列符號(hào)化是將數(shù)值型時(shí)間序列變換為符號(hào)型時(shí)間序列的過(guò)程，是一個(gè)“粗?；边^(guò)程，在保持時(shí)間序列中的大尺度特征之外，減少各種噪聲的影響，提高存儲(chǔ)和計(jì)算的效率。符號(hào)化時(shí)間序列分析主要有兩步：首先將時(shí)間序列轉(zhuǎn)化為符號(hào)序列，其次再對(duì)符號(hào)序列進(jìn)行分析并提取特征信息[9-10]。

假設(shè)某一傳感器得到的某一測(cè)量信號(hào)為

xn={x(1),x(2),…,x(i),…,x(n)}

(i=1,2,…,n)

(1)

通過(guò)符號(hào)化得到與其對(duì)應(yīng)的符號(hào)序列為

sn={s(1),s(2),…,s(i),…,s(n)}

(i=1,2,…,n)

(2)

符號(hào)化過(guò)程把系統(tǒng)狀態(tài)空間劃分為q個(gè)單元，即將xn劃分為q(q≥2)個(gè)不相交的區(qū)域，然后將每個(gè)區(qū)域內(nèi)的值用一個(gè)特定的符號(hào)標(biāo)記。這些符號(hào)組成的集合為S={0,1,2,…,q-1}，符號(hào)集S是有限個(gè)符號(hào)的集合，集合的大小為q，符號(hào)序列sn中的任一元素s(i)∈S。

符號(hào)化的關(guān)鍵在于對(duì)原始時(shí)間序列進(jìn)行劃分，不同的劃分方法可以得到不同的分區(qū)。劃分方法可以分為基于值域的符號(hào)化方法(例如，等區(qū)間的統(tǒng)一劃分[10]，等概率的最大信息熵劃分[11])和基于分布的符號(hào)化方法兩類[12]。

信息熵H(q)的計(jì)算公式為

H(q)=-∑pilog2pi(i=0,1,…,q-1)

(4)

根據(jù)最大信息熵理論，若每個(gè)符號(hào)出現(xiàn)的概率相等，則信息熵達(dá)到最大。這種劃分方法保證了每個(gè)符號(hào)出現(xiàn)的概率相等，使得信息熵達(dá)到最大值，保留了原始時(shí)間序列中盡可能多的信息。

2.2 符號(hào)序列編碼及特征提取

原始時(shí)間序列轉(zhuǎn)化為符號(hào)序列后，需要對(duì)其進(jìn)行分析并提取特征信息。目前對(duì)符號(hào)序列進(jìn)行特征提取的方法主要有兩類，即基于統(tǒng)計(jì)分析的特征提取和基于模型的特征提取。

在基于統(tǒng)計(jì)分析方法中，為了提取符號(hào)序列中的特征信息需要對(duì)其進(jìn)行編碼。在編碼過(guò)程中，首先需要選擇一個(gè)標(biāo)準(zhǔn)長(zhǎng)度L(L≥2)，將L個(gè)連續(xù)的符號(hào)組成一個(gè)字，每個(gè)字使用qL進(jìn)制表示，再將每個(gè)字轉(zhuǎn)化為十進(jìn)制表示，這樣符號(hào)序列就轉(zhuǎn)化為編碼序列。假設(shè)編碼序列為

Scn={Sc(1),Sc(2),…,Sc(i),…,Sc(n-L+1)}

(6)

其中

Sc(i)=∑qL-ks(i+k-1) (k=1,2,…,L)

(7)

符號(hào)序列中所含有的特征信息可以通過(guò)對(duì)編碼序列進(jìn)行統(tǒng)計(jì)分析來(lái)提取。對(duì)編碼序列的統(tǒng)計(jì)分析方法有很多種，最常見(jiàn)的方法有信息熵法[13]、標(biāo)準(zhǔn)差法[14]、相對(duì)距離法[15]等。

3 某型發(fā)動(dòng)機(jī)靜電監(jiān)測(cè)數(shù)據(jù)符號(hào)化分析實(shí)例

3.1 臺(tái)架靜電監(jiān)測(cè)實(shí)驗(yàn)

本次臺(tái)架靜電監(jiān)測(cè)實(shí)驗(yàn)對(duì)象是某型航空渦噴發(fā)動(dòng)機(jī)，試車臺(tái)主要由推力臺(tái)系統(tǒng)、燃油供應(yīng)系統(tǒng)、電氣控制系統(tǒng)、氣路靜電監(jiān)測(cè)系統(tǒng)等組成(見(jiàn)圖2)。尾氣靜電傳感器探極固定于排氣口處，且探極頂部位于排氣管軸線上，尾氣靜電監(jiān)測(cè)信號(hào)通過(guò)同軸電纜信號(hào)線傳輸進(jìn)靜電監(jiān)測(cè)系統(tǒng)的信號(hào)采集和存儲(chǔ)設(shè)備。

圖2 氣路靜電監(jiān)測(cè)臺(tái)架實(shí)驗(yàn)方案

按照發(fā)動(dòng)機(jī)地面試車程序，每次試車根據(jù)轉(zhuǎn)速和功率的不同的可分為22個(gè)階段，各個(gè)階段持續(xù)時(shí)間不同，各個(gè)階段之間的轉(zhuǎn)換時(shí)間不超過(guò)15 s，一個(gè)完整試車持續(xù)時(shí)間約為62 min。尾氣靜電監(jiān)測(cè)系統(tǒng)在每個(gè)階段開(kāi)始時(shí)采集靜電信號(hào)，至轉(zhuǎn)子轉(zhuǎn)速降為零時(shí)為止[8]。

3.2 靜電監(jiān)測(cè)信號(hào)特征提取實(shí)例

3.2.1 原始信號(hào)的提取

圖3所示為某次試車過(guò)程中采集的原始靜電信號(hào)，實(shí)測(cè)靜電信號(hào)幅值隨試車階段的變化而波動(dòng)，這主要是由于各個(gè)試車階段發(fā)動(dòng)機(jī)轉(zhuǎn)速和燃油消耗率不同，從而導(dǎo)致總體氣路靜電荷水平波動(dòng)以及靜電信號(hào)發(fā)生變化。本次試車實(shí)驗(yàn)中，靜電信號(hào)采集頻率為2 000 Hz，整個(gè)試車階段持續(xù)時(shí)間為1 h左右。為提高信號(hào)處理速度，特別是為實(shí)現(xiàn)在線監(jiān)測(cè)，選取整個(gè)試車階段某一穩(wěn)定狀態(tài)的靜電信號(hào)做進(jìn)一步分析，首先進(jìn)行符號(hào)化處理，然后再提取特征值。圖4所示為某次試車過(guò)程中提取的某一穩(wěn)定狀態(tài)下的尾氣靜電信號(hào)。

圖3 某次試車完整的原始靜電信號(hào)

圖4 某次試車中某穩(wěn)定狀態(tài)下的原始靜電信號(hào)

3.2.2 靜電信號(hào)的符號(hào)化

首先選取符號(hào)集的大小q，經(jīng)過(guò)多次調(diào)試發(fā)現(xiàn)，q值的選擇會(huì)影響符號(hào)化后各個(gè)編碼出現(xiàn)的頻率，對(duì)是否能夠診斷故障以及判斷故障的效果起著決定性的作用。如選擇q=2為例，利用最大信息熵法，將作為參照的數(shù)據(jù)從小到大排序，確定分段點(diǎn)，所有數(shù)據(jù)將被劃分為0,1這兩個(gè)符號(hào)。

接下來(lái)要進(jìn)行符號(hào)序列的編碼，先要確定編碼的標(biāo)準(zhǔn)長(zhǎng)度L，但是不同的編碼長(zhǎng)度影響編碼出現(xiàn)的頻率分布。圖5所示分別為q和L取值不同時(shí)經(jīng)符號(hào)化處理后得到的編碼頻率分布圖。表1給出了不同符號(hào)化策略下得到的編碼頻率的標(biāo)準(zhǔn)差與均值比值。選取發(fā)動(dòng)機(jī)無(wú)故障狀態(tài)下的靜電信號(hào)作為參考信號(hào)，使其符號(hào)化處理并編碼后獲得各編碼頻率分布趨向于平均分布，同時(shí)考慮在線監(jiān)測(cè)的計(jì)算速度，本文最終確定選擇q=2，L=4。

圖5 編碼頻率分布

符號(hào)集大小(q)編碼長(zhǎng)度(L)標(biāo)準(zhǔn)差/均值(編碼頻率)2316%2422%2530%3320%3429%3542%

3.2.3 信號(hào)特征值的提取

原始靜電信號(hào)經(jīng)符號(hào)化處理后可得到編碼頻率向量P，如果選擇發(fā)動(dòng)機(jī)無(wú)故障情況下某一穩(wěn)定工況下的信號(hào)作為參照Pr，用特征值衡量待分析信號(hào)與參照信號(hào)的偏離程度，判斷發(fā)動(dòng)機(jī)的健康狀態(tài)。下面分別介紹3類特征值的提取方法。

1) 相對(duì)熵。香農(nóng)熵是通過(guò)計(jì)算編碼序列的復(fù)雜度確定系統(tǒng)的運(yùn)行狀態(tài)，香農(nóng)熵越大則表示編碼序列復(fù)雜度大， 可以確定系統(tǒng)的不穩(wěn)定性較大[13]。圖6所示為70次試車得到的靜電信號(hào)經(jīng)過(guò)處理后得到的相對(duì)熵，計(jì)算式為

ΔH=H(P)-H(Pr)=∑pr,ilog2pr,i-∑pilog2pi

2) 標(biāo)準(zhǔn)差。標(biāo)準(zhǔn)差法通過(guò)計(jì)算編碼序列的標(biāo)準(zhǔn)差衡量系統(tǒng)的運(yùn)行狀態(tài)，當(dāng)系統(tǒng)運(yùn)行正常時(shí)其編碼序列的標(biāo)準(zhǔn)差較小，它會(huì)隨著系統(tǒng)故障程度的加深而增大[14]。圖7所示為70次試車測(cè)量得到的靜電信號(hào)經(jīng)過(guò)處理后的標(biāo)準(zhǔn)差，計(jì)算公式為

3) 距離指標(biāo)。相對(duì)距離法通過(guò)統(tǒng)計(jì)編碼序列中各編碼出現(xiàn)的頻率得到序列的頻率向量，通過(guò)計(jì)算某一頻率序列與系統(tǒng)正常狀態(tài)下頻率向量的相對(duì)距離表征故障嚴(yán)重程度[15]。圖8所示為70次試車測(cè)量的得到的靜電信號(hào)經(jīng)過(guò)處理后的各距離指標(biāo)，分別是歐式距離D1、夾角余弦距離D2、相關(guān)距離D3和曼哈頓距離D4，計(jì)算公式為

從圖5～圖7可以看出，特征值相對(duì)熵、標(biāo)準(zhǔn)差以及歐式距離和夾角距離能夠反映發(fā)動(dòng)機(jī)的健康狀態(tài)，與實(shí)際情況符合良好，特別是這4個(gè)特征值能夠區(qū)分出發(fā)生明顯故障的幾次試車，如開(kāi)始幾次試車出現(xiàn)的氣路滑油泄露故障，通過(guò)特征值能夠明顯識(shí)別出，證明本研究所提出的靜電監(jiān)測(cè)信號(hào)處理方法有效。

圖6 相對(duì)熵隨試車次數(shù)的變化

圖7 標(biāo)準(zhǔn)差隨試車次數(shù)的變化

圖8 各種距離指標(biāo)隨試車次數(shù)的變化

4 結(jié)束語(yǔ)

航空發(fā)動(dòng)機(jī)尾氣靜電監(jiān)測(cè)信號(hào)能夠反映氣路部件的健康狀態(tài)，本文采用符號(hào)化時(shí)間序列分析法對(duì)某型發(fā)動(dòng)機(jī)尾氣靜電信號(hào)進(jìn)行了分析并提取其特征值。原始靜電信號(hào)經(jīng)符號(hào)化處理后得到編碼序列的頻率向量，提取其相對(duì)熵、標(biāo)準(zhǔn)差以及距離等作為信號(hào)特征值，據(jù)此判斷發(fā)動(dòng)機(jī)氣路的健康狀態(tài)。通過(guò)對(duì)某型渦噴發(fā)動(dòng)機(jī)實(shí)驗(yàn)數(shù)據(jù)的分析，表明符號(hào)化時(shí)間序列分析法能夠快速有效處理靜電監(jiān)測(cè)信號(hào)，特征值能夠有效區(qū)分氣路部件的健康狀態(tài)。通過(guò)對(duì)本次臺(tái)架實(shí)驗(yàn)數(shù)據(jù)的分析，得出當(dāng)符號(hào)集大小q=2，編碼標(biāo)準(zhǔn)長(zhǎng)度L=5時(shí)，選取相對(duì)熵、標(biāo)準(zhǔn)差、歐式距離及夾角距離作為特征值均能較好表征氣路健康狀態(tài)，特別是能夠明顯區(qū)分出典型的氣路滑油泄漏故障，初步證明本文所提方法有效。隨著更多的典型故障樣本數(shù)據(jù)的積累，后續(xù)研究將進(jìn)一步比較分析這4種尾氣靜電信號(hào)特征值的適應(yīng)性和有效性，為機(jī)載靜電監(jiān)測(cè)系統(tǒng)的工程應(yīng)用提供借鑒。

[1] 孫見(jiàn)忠,左洪福,劉鵬鵬,等.航空發(fā)動(dòng)機(jī)尾氣靜電信號(hào)基線模型分析及應(yīng)用[J].航空動(dòng)力學(xué)報(bào),2013,28(3):531-540.

[2] FISHER C.Data and information fusion for gas path debris monitoring[C]//Aerospace Conference,2001,IEEE Proceedings.IEEE Montana USA,2001(6):3017-3022.

[3] POWRIE H,NOVIS A.Gas path debris monitoring for F-35 Joint Strike Fighter propulsion system PHM[C]//Aerospace Conference.IEEE Montana USA,2006.

[4] 文振華,左洪福,王華,等.航空發(fā)動(dòng)機(jī)氣路靜電監(jiān)測(cè)傳感器特性[J].傳感器與微系統(tǒng),2008,27(11):28-31.

[5] 李耀華,左洪福,劉鵬鵬.某型航空渦輪軸發(fā)動(dòng)機(jī)尾氣靜電監(jiān)測(cè)探索性實(shí)驗(yàn)[J].航空學(xué)報(bào),2010,31(11):2174-2181.

[6] 孫見(jiàn)忠,左洪福,詹志娟,等.渦軸發(fā)動(dòng)機(jī)尾氣靜電信號(hào)影響因素分析[J].航空學(xué)報(bào),2012,32(3):412-420.

[7] LIU Pengpeng,ZUO Hongfu,SUN Jianzhong.The electrostatic sensor applied to the online monitoring experiments of combustor carbon deposition fault in aero-engine[J].IEEE Sensors,2013,99(9):1-11.

[8] 劉鵬鵬.航空發(fā)動(dòng)機(jī)氣路機(jī)械故障靜電監(jiān)測(cè)方法及系統(tǒng)研究[D].南京:南京航空航天大學(xué),2013.

[9] 胡世杰.基于符號(hào)化時(shí)間序列分析的軸承故障診斷方法研究[D].南京:東南大學(xué),2015.

[10]RAY A.Symbolic dynamic analysis of complex systems for anomaly detection.Signal Process[J].Signal Processing,2004,84(7):1115-1130.

[11]RAJAGOPALAN V，RAY A.Symbolic time series analysis via wavelet-based partitioning[J].Signal Processing,2006,86(11):3309-3320.

[12]DAW C S,FINNEY C E A,TRACY E R.A review of symbolic analysis of experimental data[J].Review of Scientific Instruments,2003,74:915-930.

[13]TANG X Z,TRACY E R,BOOZER A D,et al.Symbol sequence statistics in noisy chaotic signal reconstruction[J].Phys.Rev.E 51,1995,3871.

[14]BISHOP C M.Pattern Recognition and Machine Learning[M].New York,Springer，2006.

[15]ALAMDARI M M,SAMALI B,LI J.Damage Localization Based on Symbolic Time Series Analysis[J].Structural Control and Health Monitoring,2015,22(2):374-393.

[16]文瑩, 閆雅慧. 基于自適應(yīng)核主元分析的航空發(fā)動(dòng)機(jī)異常監(jiān)測(cè)[J].兵工自動(dòng)化，2016(8):1-4.

(責(zé)任編輯 唐定國(guó))

Feature Extraction Method for Aero-Engine Gas Path Electrostatic Monitoring Signal

LI Chao-yi1, SUN Jian-zhong1, GUAN Tian-yang2, JIANG Heng1, LIU Peng-peng3

(1.Nanjing University of Aeronautics and Astronautics, Nanjing 211106, China; 2.Nanchang Hangkong University, Nanchang 330063, China;3.System Engineering Research Institute of China State Shipbuilding Corporation, Beijing 100036, China)

In this paper the symbolic time series analysis method is used for the analysis and feature extraction of the electrostatic monitoring signal, based on which, the engine gas path health status is assessed. This method involves a number of areas. Firstly the experiment data is collected using the developed gas path electrostatic monitoring system and the data is processed via the symbolic time series analysis method using Matlab tools. The features like the standard deviation, relative Shannon entropy and various distances are extracted to characterize the health state of the engine.

aero engine; gas path electrostatic monitoring signal; symbolic time series analysis; Shannon entropy

2017-02-25；

2017-03-20

國(guó)家自然科學(xué)基金項(xiàng)目(61403198);江蘇省自然科學(xué)基金項(xiàng)目(BK20140827);航空基金項(xiàng)目(2014ZB52020)

李超役(1992—)，男，碩士研究生，主要從事航空器健康管理研究;孫見(jiàn)忠(1982—)，男，副教授，主要從事航空器健康管理與維修工程研究。

10.11809/scbgxb2017.06.025

format:LI Chao-yi, SUN Jian-zhong, GUAN Tian-yang,et al.Feature Extraction Method for Aero-Engine Gas Path Electrostatic Monitoring Signal[J].Journal of Ordnance Equipment Engineering,2017(6):112-116.

V231.25;TJ06

A

2096-2304(2017)06-0112-05

本文引用格式：李超役，孫見(jiàn)忠，關(guān)天陽(yáng)，等.航空發(fā)動(dòng)機(jī)氣路靜電監(jiān)測(cè)信號(hào)特征值提取方法[J].兵器裝備工程學(xué)報(bào)，2017(6):112-116.