基于雙網(wǎng)格校正小波聚類在航空發(fā)動(dòng)機(jī)故障診斷中的應(yīng)用

邵偉芹 張明明

摘要：航空發(fā)動(dòng)機(jī)的核心部件轉(zhuǎn)子系統(tǒng)，它的工作狀態(tài)關(guān)系到整臺(tái)機(jī)械設(shè)備的運(yùn)行狀態(tài)，對(duì)其進(jìn)行狀態(tài)監(jiān)測(cè)和故障診斷能夠提高生產(chǎn)效率、避免重大事故發(fā)生，對(duì)現(xiàn)代工業(yè)的發(fā)展具有重大的意義。通過(guò)運(yùn)用雙網(wǎng)格校正小波聚類算法分析航空發(fā)動(dòng)機(jī)的故障信號(hào)可以更好的將同類數(shù)據(jù)歸類，并將噪聲數(shù)據(jù)從類中分離出來(lái)，從而提高聚類精度和更快得到聚類結(jié)果，因此該診斷方法可以提高航空發(fā)動(dòng)機(jī)轉(zhuǎn)子系統(tǒng)的故障診斷水平。

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.

關(guān)鍵詞：小波聚類;雙網(wǎng)格校正;航空發(fā)動(dòng)機(jī);故障診斷

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

中圖分類號(hào)：V263.6? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號(hào)：1674-957X（2021）11-0182-02

0? 引言

航空航天產(chǎn)業(yè)的快速發(fā)展，越來(lái)越得到人們的重視，安全問(wèn)題也成了重中之重的事情，輕則影響飛機(jī)的正常運(yùn)行，重則機(jī)毀人亡，會(huì)給社會(huì)和人們帶來(lái)嚴(yán)重的經(jīng)濟(jì)損失。航空發(fā)動(dòng)機(jī)作為飛機(jī)的重要組成部分，直接關(guān)系到飛機(jī)的安全飛行。而航空發(fā)動(dòng)機(jī)的核心零部件轉(zhuǎn)子系統(tǒng)，轉(zhuǎn)子系統(tǒng)的正常運(yùn)行尤為重要，直接關(guān)系到飛機(jī)的運(yùn)行狀態(tài)，因此對(duì)轉(zhuǎn)子系統(tǒng)進(jìn)行狀態(tài)監(jiān)測(cè)和故障診斷具有重要意義。WaveCluster算法是由Gholamhosein Sheikholeslami、Surojit Chatterjee、Aidong Zhang提出的，經(jīng)過(guò)多次完善，最終形成了現(xiàn)有的Wave-Cluster算法[1]。鄧貝貝對(duì)小波聚類算法在轉(zhuǎn)子故障診斷中的應(yīng)用進(jìn)行了初步探索[2];劉曉波教授提出一種基于雙網(wǎng)格校正的小波聚類算法，并應(yīng)用于轉(zhuǎn)子故障診斷中[3]，因此本文利用雙網(wǎng)格校正小波聚類算法對(duì)航空發(fā)動(dòng)機(jī)轉(zhuǎn)子系統(tǒng)的故障信號(hào)進(jìn)行診斷。

1? 基于雙網(wǎng)格校正小波聚類算法

小波聚類最終的量化結(jié)果是運(yùn)用一種尺寸對(duì)空間進(jìn)行均勻量化，一般而言，通過(guò)細(xì)化網(wǎng)格來(lái)準(zhǔn)確捕獲邊界，但細(xì)化網(wǎng)格產(chǎn)生的網(wǎng)格點(diǎn)數(shù)的波動(dòng)因閾值的設(shè)置可能使類分裂成更多小類，這就造成細(xì)化網(wǎng)格、聚類精度與閾值之間存在矛盾，而并行校正算法在這之間找到了一個(gè)平衡：降低網(wǎng)格劃分和密度閾值對(duì)聚類結(jié)果的影響，雙網(wǎng)格校正算法的框圖如圖1所示。

小波聚類[4]最重要的思想是將數(shù)據(jù)空間轉(zhuǎn)換為信號(hào)空間，而后在信號(hào)空間中利用小波變換的原理去求解數(shù)據(jù)空間中數(shù)據(jù)聚類的問(wèn)題，這種轉(zhuǎn)換最大限度地利用了小波變換和網(wǎng)格聚類兩者的優(yōu)勢(shì)?；陔p網(wǎng)格校正小波聚類算法是以兩種尺寸對(duì)空間并行量化，運(yùn)用元胞數(shù)組結(jié)構(gòu)對(duì)有效信息進(jìn)行存儲(chǔ)和運(yùn)算，降低高維空間復(fù)雜度，運(yùn)用廣度優(yōu)先搜索[5]鄰居網(wǎng)格單元連通聚類，提高聚類精度，并行地進(jìn)行原始網(wǎng)格小波聚類和校正網(wǎng)格小波聚類，最后通過(guò)校正算法對(duì)原始網(wǎng)格小波聚類結(jié)果進(jìn)行校正[6]。

在量化之前就要先確定下特征空間的維數(shù)d。在雙網(wǎng)格校正小波聚類中，采取的是兩種尺度的網(wǎng)格對(duì)信號(hào)數(shù)據(jù)空間進(jìn)行量化，確定K的取值范圍[Kmin，Kmax]。根據(jù)啟發(fā)式方法確定K的取值：[Kmin]。

根據(jù)經(jīng)驗(yàn)公式K=int（），得到最佳劃分值為[Kmax]。其中，N為數(shù)據(jù)的個(gè)數(shù)，d為特征空間的維數(shù)。

2? 實(shí)驗(yàn)分析

在本文中，轉(zhuǎn)子正常運(yùn)行及故障狀態(tài)下的數(shù)據(jù)是通過(guò)航空發(fā)動(dòng)機(jī)轉(zhuǎn)子試驗(yàn)器，該試驗(yàn)器為南京航空航天大學(xué)智能診斷與專家系統(tǒng)研究室提供。如圖2所示，試驗(yàn)器是由調(diào)速電動(dòng)機(jī)、轉(zhuǎn)軸、轉(zhuǎn)子圓盤(pán)、法蘭連接盤(pán)、軸承座、齒輪增速器等結(jié)構(gòu)組成。在渦輪機(jī)匣的水平及垂直位置各安裝一個(gè)加速度傳感器，通過(guò)加速傳感器來(lái)采集轉(zhuǎn)子正常運(yùn)行及故障狀態(tài)下振動(dòng)加速度信號(hào)。

在航空發(fā)動(dòng)機(jī)振動(dòng)試驗(yàn)臺(tái)進(jìn)行轉(zhuǎn)速1800r/min的實(shí)驗(yàn)數(shù)據(jù)采樣時(shí)，分別采集正常狀態(tài)下、不對(duì)中、不平衡和動(dòng)靜件碰摩的不同狀態(tài)下的各200組數(shù)據(jù)，并對(duì)采集到的數(shù)據(jù)樣本采取小波去噪進(jìn)行預(yù)處理，選取功率譜重心C和振幅熵H（A）作為二維特征量，根據(jù)功率譜重心C和振幅熵H（A）[7]的計(jì)算公式，求得四種狀態(tài)下的功率譜重心C和振幅熵H（A）如表1所示。

振幅熵能反映轉(zhuǎn)子上特定測(cè)點(diǎn)的振動(dòng)幅值大小的分布特征與振動(dòng)的集中程度。功率譜重心描述了功率譜主頻帶絕對(duì)位置的變化，振幅熵定量描述了振動(dòng)信號(hào)內(nèi)部蘊(yùn)含的振幅信息，兩者形成的二維特征量（H（A），C）不僅對(duì)不同的信號(hào)具有較好的分類能力，而且能夠真實(shí)的反映轉(zhuǎn)子振動(dòng)故障信號(hào)的的復(fù)雜性程度，可以形成有效的評(píng)價(jià)轉(zhuǎn)子振動(dòng)狀態(tài)的綜合特征指標(biāo)。

根據(jù)功率譜重心C和振幅熵H（A）的計(jì)算公式，利用Matlab軟件編程將表1航空發(fā)動(dòng)機(jī)不對(duì)中的數(shù)據(jù)的功率譜重心C和振幅熵H（A）求出，如表2所示。

在量化之前就要先確定下特征空間的維數(shù)d，d=2。

在雙網(wǎng)格校正小波聚類中，采取的是兩種尺度的網(wǎng)格對(duì)信號(hào)數(shù)據(jù)空間進(jìn)行量化，確定K的取值范圍 。根據(jù)啟發(fā)式方法確定Kmin的取值：26。

Kmax由經(jīng)驗(yàn)公式得到，經(jīng)驗(yàn)公式：

得到最佳劃分值為28。其中，N為數(shù)據(jù)的個(gè)數(shù)，d為特征空間的維數(shù)。

通過(guò)Matlab軟件運(yùn)算程序，得到轉(zhuǎn)速為1800r/min的聚類結(jié)果圖，如圖3所示。

3? 實(shí)驗(yàn)結(jié)果

傳統(tǒng)小波聚類與雙網(wǎng)格小波聚類結(jié)果相比，明顯后者的聚類效果要比前者的聚類效果要好。利用雙網(wǎng)格校正小波聚類算法分析航空發(fā)動(dòng)機(jī)故障信號(hào)，不僅能對(duì)單一的航空發(fā)動(dòng)機(jī)轉(zhuǎn)子故障進(jìn)行診斷分析，也能同時(shí)對(duì)多種轉(zhuǎn)子的故障狀態(tài)區(qū)分出來(lái)，提高聚類精度和聚類速度。

4? 總結(jié)

航空發(fā)動(dòng)機(jī)的故障產(chǎn)生的不良后果極大，因此對(duì)其進(jìn)行故障診斷的分析是十分必要的。在本文中，通過(guò)對(duì)航空發(fā)動(dòng)機(jī)的四種狀態(tài)下即正常狀態(tài)、不對(duì)中、不平衡和動(dòng)靜件碰摩的各200組數(shù)據(jù)，通過(guò)Matlab分析，得到雙網(wǎng)格小波聚類算法在診斷分析中效果較好。

參考文獻(xiàn)：

[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]鄧貝貝.基于小波聚類的航空發(fā)動(dòng)機(jī)轉(zhuǎn)子系統(tǒng)故障診斷研究[D].南昌：南昌航空大學(xué)，2013.

[3]劉曉波，邵偉芹，張明明，左紅艷.基于雙網(wǎng)格校正小波聚類的轉(zhuǎn)子故障診斷[J].計(jì)算機(jī)集成制造系統(tǒng)，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]劉曉波，張明明，涂俊超，等.基于廣度優(yōu)先搜索的小波聚類算法[J].振動(dòng)與沖擊，2016，35（15）：178-183.

[6]張明明，劉曉波.基于元胞儲(chǔ)存的小波聚類轉(zhuǎn)子故障診斷[J].計(jì)算機(jī)測(cè)量與控制，2015，23（9）：3012-3014.

[7]涂俊超.基于振幅熵與功率譜重心的聚類分析在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用[J].南昌：南昌航空大學(xué)，2014.

[8]祝維磊.DF4DD內(nèi)燃機(jī)車電氣故障及診斷策略分析[J].內(nèi)燃機(jī)與配件，2021（07）：162-163.

[9]鄧國(guó)璋.內(nèi)燃機(jī)車柴油機(jī)常見(jiàn)故障及應(yīng)對(duì)策略[J].內(nèi)燃機(jī)與配件，2021（06）：101-102.