航空發(fā)動(dòng)機(jī)的軸承故障動(dòng)力特征指紋提取方法研究

◇廣州民航職業(yè)技術(shù)學(xué)院飛機(jī)維修工程學(xué)院 徐紅波 葉寶玉 劉 熊

航空發(fā)動(dòng)機(jī)主軸軸承是航空發(fā)動(dòng)機(jī)中的關(guān)鍵部件，其使用條件苛刻，長時(shí)間工作在高速、高溫的惡劣環(huán)境下，因而它是發(fā)動(dòng)機(jī)最容易損傷的零件之一。主軸軸承損傷會(huì)導(dǎo)致發(fā)動(dòng)機(jī)故障，嚴(yán)重威脅飛機(jī)的安全平穩(wěn)飛行甚至造成更大的安全事故。故而，針對(duì)航空發(fā)動(dòng)機(jī)主軸軸承進(jìn)行故障評(píng)定方法研究，對(duì)于及時(shí)發(fā)現(xiàn)航空發(fā)動(dòng)機(jī)主軸軸承缺陷，確保航空器的安全飛行具有重大意義。對(duì)航空發(fā)動(dòng)機(jī)主軸軸承的狀態(tài)監(jiān)測(cè)、評(píng)定及診斷，其關(guān)鍵、難點(diǎn)在于如何從軸承振動(dòng)信號(hào)中提取出軸承的動(dòng)力特征指紋信息。在某種程度上，動(dòng)力特征指紋提取可以說是當(dāng)前航空發(fā)動(dòng)機(jī)主軸軸承故障評(píng)定與診斷研究中的瓶頸問題。

壓氣機(jī)、燃燒室、渦輪、進(jìn)氣系統(tǒng)和排氣系統(tǒng)五個(gè)部分組成了航空發(fā)動(dòng)機(jī)。這五個(gè)部分均通過軸承支撐，其中渦輪的主軸使用滾動(dòng)軸承支撐。但是，作為航空發(fā)動(dòng)機(jī)支撐單元的滾動(dòng)軸承，長時(shí)間工作于高溫和高壓環(huán)境條件下，承受著高熱和劇烈振動(dòng)，可以說軸承的額定工作壽命直接影響、決定著發(fā)動(dòng)機(jī)的壽命。因此，非常有必要開展航空發(fā)動(dòng)機(jī)主軸滾動(dòng)軸承故障的診斷研究，尤其是基于滾動(dòng)軸承振動(dòng)信號(hào)的軸承故障動(dòng)力特征指紋提取研究。

對(duì)于軸承故障，傳統(tǒng)的動(dòng)力特征指紋提取方法是基于對(duì)振動(dòng)信號(hào)進(jìn)行時(shí)域和頻域分析，確定故障特征指紋提取方法。然而，由于負(fù)載、摩擦、間隙和剛度等非線性因素對(duì)振動(dòng)信號(hào)的影響，僅在時(shí)域和頻域上對(duì)滾動(dòng)軸承工作狀態(tài)進(jìn)行精確動(dòng)力特征指紋提取是比較困難的。實(shí)際測(cè)取的振動(dòng)信號(hào)往往是非線性、非平穩(wěn)信號(hào)，將極大地影響實(shí)際動(dòng)力特征指紋的提取。因此，如何從非平穩(wěn)的振動(dòng)信號(hào)中提取出故障動(dòng)力特征指紋信息是軸承故障評(píng)定、診斷的關(guān)鍵[1-4]。

1 EEMD

經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥mpirical Mode Decom-position，EMD）是基于信號(hào)的局部特征時(shí)間尺度對(duì)實(shí)測(cè)信號(hào)進(jìn)行分解，本質(zhì)是對(duì)非平穩(wěn)信號(hào)進(jìn)行平穩(wěn)化處理，把混雜的信號(hào)分解為有限個(gè)固有模態(tài)函數(shù)（Intrinsic Mode Function，IMF），并將信號(hào)中不同尺度的波動(dòng)或趨勢(shì)逐級(jí)分解出來。EEMD算法則是預(yù)先在實(shí)測(cè)原始信號(hào)中加人白噪聲再進(jìn)行EMD分解，其實(shí)質(zhì)是一種噪聲輔助信號(hào)處理方法。EEMD借助白噪聲融合實(shí)測(cè)信號(hào)來構(gòu)造信號(hào)在不同頻率尺度上時(shí)域的連續(xù)性，進(jìn)而保證端點(diǎn)效應(yīng)和模態(tài)混疊效應(yīng)的處理。EEMD借助白噪聲均值為零的特性，對(duì)多次分解獲得的各IMF分量進(jìn)行總體平均，最終消除白噪聲的影響。EEMD的具體流程如圖1所示。

圖1 EEMD流程

EEMD適用于非線性、非平穩(wěn)信號(hào)。一個(gè)非平穩(wěn)信號(hào)通過EEMD處理，可得到若干個(gè)平穩(wěn)的本征模函數(shù)（IMF）。滾動(dòng)軸承不同部位有缺陷時(shí)，在不同頻帶內(nèi)的信號(hào)能量值會(huì)發(fā)生改變，由此可以通過計(jì)算不同振動(dòng)信號(hào)的IMF能量熵，進(jìn)而判斷軸承是否發(fā)生缺陷。

2 IPSO-LSSVM

2.1 LSSVM

支持向量機(jī)（Support Vector Machine，SVM）是一種較為主流的機(jī)器學(xué)習(xí)規(guī)則，它根據(jù)有限的樣本信息，在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷，從而很好地解處理非線性、小樣本、高維數(shù)等實(shí)際問題。在SVM基礎(chǔ)上，Suykens和Vandewalle提出了最小二乘支持向量機(jī)（LSSVM），直接將二次規(guī)劃問題轉(zhuǎn)為線性方程問題，提升了問題處理的速度以及結(jié)果的收斂精度。然而，LSSVM的性能也依賴于學(xué)習(xí)模型的性能參數(shù)；如何確定學(xué)習(xí)機(jī)模型的最優(yōu)結(jié)構(gòu)參數(shù)，也一直是研究的熱點(diǎn)、難點(diǎn)。

2.2 IPSO

為了有效識(shí)別滾動(dòng)軸承的缺陷、故障，本文提出在IMF能量熵構(gòu)架下改進(jìn)粒子群優(yōu)化的最小二乘支持向量機(jī)（IPSOLSSVM）的故障特征動(dòng)力指紋提取方法?；玖鞒淌牵菏紫壤肊EMD對(duì)實(shí)測(cè)非平穩(wěn)信號(hào)進(jìn)行分解，構(gòu)建IMF能量熵指標(biāo)；然后，在IMF能量熵指標(biāo)基礎(chǔ)上，引入改進(jìn)的粒子群算法（IPSO），用于搜索最小二乘支持向量機(jī)（LSSVM）分類算法的最優(yōu)參數(shù)，最后根據(jù)LSSVM最優(yōu)工程模型進(jìn)行回歸計(jì)算判斷滾動(dòng)軸承的工作狀態(tài)和缺陷類型。改進(jìn)粒子群算法步驟見表1。

表1 改進(jìn)粒子群方法步驟

2.3 改進(jìn)PSO的LSSVM模型參數(shù)優(yōu)化

對(duì)于LSSVM的回歸函數(shù)估計(jì)，正則化參數(shù)γ、核函數(shù)參數(shù)σ的選取對(duì)模型建立有非常重要的作用。為得到具有較好預(yù)測(cè)能力的數(shù)學(xué)模型，必須對(duì)上述參數(shù)進(jìn)行優(yōu)化計(jì)算。對(duì)需要優(yōu)化的參數(shù)(γ,σ)，本文使用改進(jìn)PSO計(jì)算正則化參數(shù)γ和核函數(shù)參數(shù)σ，并依據(jù)根標(biāo)準(zhǔn)差（RMSE）進(jìn)行模型性能評(píng)估。同時(shí)，將RMSE作為改進(jìn)PSO算法的目標(biāo)函數(shù)：

3 故障動(dòng)力特征指紋提取

當(dāng)滾動(dòng)軸承發(fā)生不同類型的缺陷時(shí)，會(huì)激起相應(yīng)的固有頻率，此時(shí)故障振動(dòng)信號(hào)的能量會(huì)隨頻率的分布情況產(chǎn)生變化。選擇各個(gè)IMF的能量熵作為最小二乘支持向量機(jī)的特征動(dòng)力指紋。

（1）信號(hào)分解：對(duì)實(shí)測(cè)振動(dòng)信號(hào)進(jìn)行EEMD分解，由主成分分析法確定包含主要故障信息的前m個(gè)IMF分量，并按圖2進(jìn)行特征動(dòng)力指紋計(jì)算。

圖2 特征指紋計(jì)算

（2）建立多故障動(dòng)力指紋分類器：分別按軸承正常、外圈缺陷和內(nèi)圈缺陷三類實(shí)測(cè)信號(hào)的IMF能量熵指標(biāo)構(gòu)成訓(xùn)練樣本集合；在訓(xùn)練樣本基礎(chǔ)上利用改進(jìn)PSO算法對(duì)LSSVM參數(shù)對(duì)(γ,σ)進(jìn)行調(diào)整訓(xùn)練；得到最優(yōu)分類模型。流程如圖3所示。

圖3 改進(jìn)PSO優(yōu)化的動(dòng)力指紋分類器的建立

（3）缺陷判定：利用優(yōu)化分類器對(duì)選取的測(cè)試信號(hào)的IMF能量熵指標(biāo)進(jìn)行判斷，確定軸承的缺陷。若回歸函數(shù)模型輸出為+1，則認(rèn)為正常，測(cè)試結(jié)束；否則自動(dòng)輸入給IPSO-SVM2。依次類推，直到IPSO-SVM3。若輸出不為+1，說明測(cè)試樣本屬于其他故障。

圖4 故障識(shí)別流程

4 結(jié)語

為了驗(yàn)證故障動(dòng)力指紋提取方法的有效性，采用Case Western Reserve Lab（CW-RU）[5]實(shí)驗(yàn)數(shù)據(jù)來進(jìn)行軸承故障特征動(dòng)力指紋提取，動(dòng)力指紋提取效果好，計(jì)算精度高。其對(duì)航空發(fā)動(dòng)機(jī)主軸滾動(dòng)軸承故障特征動(dòng)力指紋提取有重要指導(dǎo)意義。