CN105758634A - 一种应用于直升机传动***振动信号的故障检测方法 - Google Patents

Abstract

本发明公开了一种应用于直升机传动***振动信号的故障检测方法，包含1，对采集到的原始直升机传动***振动信号进行降噪处理，得到信号x(t)；2，运用EMD算法对信号x(t)进行分解，得到内稟模态函数分量；3，求取内稟模态函数分量的近似熵，得到内稟模态函数分量的近似熵值；4，将内稟模态函数分量的近似熵值进行标量量化处理，最终得到标量量化的近似熵值；5，将标量量化的近似熵值带入模糊隶属度函数中，求取其隶属度函数值；6，通过求取隶属度函数值的最大值，以得到隶属于某一故障的隶属度程度，最终确定故障检测结果。通过本发明，能有效提高直升机传动***的安全性能。

Description

一种应用于直升机传动***振动信号的故障检测方法

技术领域

本发明属于故障诊断方法应用领域，具体涉及一种应用于直升机传动***振动信号故障检测新方法。

背景技术

作为直升机上重要的动力传动装置——直升机传动***是直升机上的典型机械旋转***，是由大量相互联系但工作过程又彼此不同的部件组成，存在着强烈的非线性、非平稳性、不确定性等复杂***特征，导致了其易发故障，且一旦发生故障，将导致灾难性事故的发生。由于直升机传动***的工作环境恶劣，工作强度大等特点，导致其易发故障，且故障难以准确诊断，所以对直升机传动***故障进行准确诊断一直是提高航空武器装备安全运行的一个无法逾越的技术瓶颈，实现直升机传动***故障的准确、快速、可靠检测是保证直升机飞行安全和提高直升机出勤率重要手段之一。然而现有的多数直升机传动***故障检测方法都无法得出准确可靠的故障检测结果，且普遍存在虚警率高、诊断精度低的缺点。因此，亟需研究直升机传动***故障检测技术，提高直升机传动***的安全性能。

发明内容

本发明的发明目的在于提供一种应用于直升机传动***振动信号的故障检测方法，使直升机传动***故障检测能力更可靠、更准确性。

本发明的发明目的通过以下技术方案实现：

一种应用于直升机传动***振动信号的故障检测方法，包含以下步骤：

步骤1，对采集到的原始直升机传动***振动信号进行降噪处理，得到信号x(t)；

步骤2，运用EMD算法对信号x(t)进行分解，得到内稟模态函数分量，记为u(i){i＝1,2，…，k}；

步骤3，求取内稟模态函数分量的近似熵，得到内稟模态函数分量的近似熵值；

步骤4，将内稟模态函数分量的近似熵值进行标量量化处理，最终得到标量量化的近似熵值；

步骤5，将标量量化的近似熵值带入模糊隶属度函数中，求取其隶属度函数值；

步骤6，通过求取隶属度函数值的最大值，以得到隶属于某一故障的隶属度程度，最终确定故障检测结果。

优选地，所述步骤1中采用缺省阈值降噪技术对原始直升机传动***振动信号进行降噪处理。

优选地，所述步骤2包含以下步骤：

步骤2.1，找出信号x(t)所有的极大值点，并将极大值点用三次样条函数插值成为上包络线v₁(t)；找出信号x(t)所有的极小值点，并将极小值点用三次样条函数插值成为下包络线v₂(t)，求出上包络线和下包络线的均值m₁(t)：

$m_1\left(t\right)=\frac{1}{2}\[v_1\left(t\right)+v_2\left(t\right)\]$

信号x(t)减去m₁(t)得到去除低频的数据序列h₁(t)：

h₁(t)＝x(t)-m₁(t)

步骤2.2，将数据序列h₁(t)代替信号x(t)，重复执行步骤2.1，得到数据序列h_1n(t)：

h_1n(t)＝h_1(n-1)(t)-m_1n(t)，

其中，n代表步骤2.2重复执行的次数；

步骤2.3，当数据序列h_1n(t)与数据序列h_1(n-1)(t)的标准差SD低于0.3时，得到内稟模态函数c₁(t)＝h_1n(t)；

步骤2.4，将信号x(t)去除内稟模态函数c₁(t)得到的剩余序列r₁(t)，再用剩余序列r₁(t)代替信号x(t)，重复步骤2.1-步骤2.3，直到得到的剩余序列r_k(t)不再可分解，得到k个内稟模态函数，记为u(i){i＝1,2，…，k}。

优选地，所述剩余序列r_k(t)不再可分解的判断条件为以下任意一种：

①余项r_k(t)足够小，接近于0；

②得到的r_k(t)成单调递增或单调递减函数或极值点少于2个，无法形成包络线，无法分解得到IMF分量。

优选地，所述步骤3中，近似熵值通过以下计算过程得到：

步骤3.1，将序列u(i)按顺序组成m维矢量X(i)，即

$\begin{array}{c}X\left(i\right)=\[u\left(i\right),u(i+1),\mathrm{...},u(i+m-1)\]\\ i=1~k-m+1\end{array};$

步骤3.2，对每一个i值计算矢量X(i)与其余矢量X(j)之间的距离：

$d\[X\left(i\right),X\left(j\right)\]=\underset{k=0~m-1}{\max }|u(i+k)-u(j+k)|,$

式中：d[X(i),X(j)]为矢量X(i)与X(j)间的距离；

步骤3.3，按照设定的阈值r(r>0)，对每一个i值统计d[X(i),X(j)]＜r的数目与总的矢量个数k-m+1的比值，记做即

步骤3.4，先将取对数，再求其对所有i的平均值，记做

步骤3.5，重复过程(1)～(4)，得到φ^m+1(r)；

步骤3.5，得出的序列长度为K时的近似熵值的估计值：

ApEn(m.r,K)＝φ^m(r)-φ^m+1(r)。

附图说明

下面结合附图和具体实施方式对本发明做进一步说明。

图1为本发明一种应用于直升机传动***振动信号的故障检测方法的流程示意图。

具体实施方式

如图1所示，为本发明一种应用于直升机传动***振动信号的故障检测方法，主要是依据采集到的直升机传动***非平稳振动信号，采用缺省阈值降噪技术，对采集到的非平稳振动信号进行数据降噪处理，得到本发明专利所需要的原始数据；然后，运用EMD方法(经验模态分解,EmpiricalModeDecomposition)对降噪过的非平稳振动信号进行分解，获取其内稟模态函数分量(IMF)，从而使得将振动信号成分中的特征信息成分分解出来，利用获得的IMF分量，计算其近似熵值，最终可利用该近似熵值对直升机传动***进行故障检测；根据所获得的近似熵值，运用模糊理论算法可实现对直升机传动***故障发生情况进行准确有效地检测。具体包含以下步骤：

步骤1，根据缺省阈值降噪技术的原理，对采集到的直升机传动***振动信号进行降噪处理信号，得到信号x(t)；

步骤2，运用EMD算法对信号x(t)进行分解，得到内稟模态函数分量，记为u(i){i＝1,2，…，k}。主要分为以下几个实现过程：

过程(1)：将步骤1所得到的降噪处理的过的信号x(t)，找出信号x(t)所有的极大值点并将其用三次样条函数插值成为信号x(t)的上包络线v₁(t)：找出信号x(t)所有的极小值点并将其用三次样条函数插值成为信号x(t)的下包络线v₂(t)，求出上包络线和下包络线的均值m₁(t)：

$m_1\left(t\right)=\frac{1}{2}\[v_1\left(t\right)+v_2\left(t\right)\]---\left(1\right)$

信号x(t)减去m₁(t)得到去除低频的新数据序列h₁(t)：

h₁(t)＝x(t)-m₁(t)(2)

采用与计算信号x(t)的均值m₁(t)相同的计算方法，计算h₁(t)的包络均值m₁₁(t)，即找出数据序列h₁(t)所有的极大值点并将其用三次样条函数插值成为数据序列h₁(t)的上包络线v₁₁(t)：找出数据序列h₁(t)所有的极小值点并将其用三次样条函数插值成为数据序列h₁(t)的下包络线v₂₁(t)，

$m_{11}\left(t\right)=\frac{1}{2}\[v_{11}\left(t\right)+v_{21}\left(t\right)\]---\left(3\right)$

数据序列h₁(t)减去新的包络均值m₁₁(t)后得到更新的数据序列h₁₁(t)：

h₁₁(t)＝h₁(t)-m₁₁(t)(4)

为了得到振动数据序列频率最高的分量，需要不断地重复上述过程以得到新的数据序列h_1n(t)：

h_1n(t)＝h_1(n-1)(t)-m_1n(t)(5)

一般情况下，停止筛选的条件主要有3种：

①数据序列的过零点和极值点数量相等；

②符合基于幅值比的终止条件；

③h_1n(t)与h_1(n-1)(t)的标准差SD低于0.3。

本发明采用第三种终止条件，标准差的计算公式为：

$SD=\underset{t=0}{\overset{T}{\Σ}}\[\frac{|h_{1(n-1)}\left(t\right)-h_{1n}\left(t\right){|}^2}{h_{1(n-1)}^2\left(t\right)}\]---\left(6\right)$

最后得到第一阶，也就是最高频率成分的本征模函数c₁(t)。

过程(2)：信号x(t)去除内稟模态函数c₁(t)得到的剩余信号r₁(t)，再对剩余信号r₁(t)重复过程(1)的计算，直到最后得到的剩余序列r_k(t)不再可分解，可以得到k个内稟模态函数。

其中：在上述EMD分解过程中，在过程(2)中需要确定剩余数据序列是否不可分解，一般认为当数据序列满足一下任意一个条件，就可以停止分解：

①余项r_k(t)足够小，接近于0；

②得到的r_k(t)成单调递增或单调递减函数或极值点少于2个，无法形成包络线，无法分解得到IMF分量。

步骤3，将步骤2得到的IMF分量记为u(i){i＝1,2，…，k}，预先给定模式维数m和相似容限r的值，则近似熵可以通过以下计算过程得到：

过程(1)：将序列u(i)按顺序组成m维矢量X(i)，即

$\begin{array}{c}X\left(i\right)=\[u\left(i\right),u(i+1),\mathrm{...},u(i+m-1)\]\\ i=1~k-m+1\end{array}---\left(7\right)$

过程(2)：对每一个i值计算矢量X(i)与其余矢量X(j)之间的距离：

$d\[X\left(i\right),X\left(j\right)\]=\underset{k=0~m-1}{max}|u(i+k)-u(j+k)|---\left(8\right)$

式中：d[X(i),X(j)]为矢量X(i)与X(j)间的距离。

过程(3)：按照设定的阈值r(r>0),对每一个i值统计d[X(i),X(j)]＜r的数目与总的矢量个数k-m+1的比值，记做即

过程(4)：先将取对数，再求其对所有i的平均值，记做

${\mathrm{\φ}}^m\left(r\right)=\frac{1}{K-m+1}\underset{i=1}{\overset{N-m+1}{\Σ}}{\mathrm{lnC}}_i^m\left(r\right)---\left(10\right)$

过程(5)：重复过程(1)～(4)，得到φ^m+1(r)。

过程(6)：理论上此序列的近似熵值为

$ApEn(m.r)=\underset{K\→\mathrm{\∞}}{\lim }\[{\mathrm{\φ}}^m\left(r\right)-{\mathrm{\φ}}^{m+1}\left(r\right)\]---\left(11\right)$

一般而言，此极限值以概率1存在，但在实际工作中K不可能为∞，当K为有限值时，按上述过程得出的序列长度为K时的ApEn的估计值，记作：

ApEn(m.r,K)＝φ^m(r)-φ^m+1(r)(11)

ApEn的值显然与m、r的取值有关。根据经验，通常取m＝2，r＝0.1～0.25SD(u)(SD表示序列{u(i){i＝1,2，…，k}的标准差})，此时近似熵具有较为合理的统计特性。

步骤4，将步骤3得到的IMF分量的近似熵值进行标量量化处理，最终可得到标量量化的近似熵值；

步骤5，根据得到的量化近似熵值，将其带入模糊隶属度函数中，求取其隶属度函数值；

步骤6，根据步骤5得到的隶属度函数值，通过求取隶属度函数值的最大值，以得到其隶属于某一故障的隶属度程度，最终确定故障检测结果。

可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。

Claims (5)

1.一种应用于直升机传动***振动信号的故障检测方法，包含以下步骤：

步骤1，对采集到的原始直升机传动***振动信号进行降噪处理，得到信号x(t)；

步骤2，运用EMD算法对信号x(t)进行分解，得到内稟模态函数分量，记为u(i){i＝1,2，…，k}；

步骤3，求取内稟模态函数分量的近似熵，得到内稟模态函数分量的近似熵值；

步骤4，将内稟模态函数分量的近似熵值进行标量量化处理，最终得到标量量化的近似熵值；

步骤5，将标量量化的近似熵值带入模糊隶属度函数中，求取其隶属度函数值；

步骤6，通过求取隶属度函数值的最大值，以得到隶属于某一故障的隶属度程度，最终确定故障检测结果。

2.根据权利要求1所述的故障检测方法，其特征在于所述步骤1中采用缺省阈值降噪技术对原始直升机传动***振动信号进行降噪处理。

3.根据权利要求1所述的故障检测方法，其特征在于所述步骤2包含以下步骤：

步骤2.1，找出信号x(t)所有的极大值点，并将极大值点用三次样条函数插值成为上包络线v₁(t)；找出信号x(t)所有的极小值点，并将极小值点用三次样条函数插值成为下包络线v₂(t)，求出上包络线和下包络线的均值m₁(t)：

$m_1\left(t\right)=\frac{1}{2}\[v_1\left(t\right)+v_2\left(t\right)\]$

信号x(t)减去m₁(t)得到去除低频的数据序列h₁(t)：

h₁(t)＝x(t)-m₁(t)

步骤2.2，将数据序列h₁(t)代替信号x(t)，重复执行步骤2.1，得到数据序列h_1n(t)：

h_1n(t)＝h_1(n-1)(t)-m_1n(t)，

其中，n代表步骤2.2重复执行的次数；

步骤2.3，当数据序列h_1n(t)与数据序列h_1(n-1)(t)的标准差SD低于0.3时，得到内稟模态函数c₁(t)＝h_1n(t)；

步骤2.4，将信号x(t)去除内稟模态函数c₁(t)得到的剩余序列r₁(t)，再用剩余序列r₁(t)代替信号x(t)，重复步骤2.1-步骤2.3，直到得到的剩余序列r_k(t)不再可分解，得到k个内稟模态函数，记为u(i){i＝1,2，…，k}。

4.根据权利要求3所述的故障检测方法，其特征在于所述剩余序列r_k(t)不再可分解的判断条件为以下任意一种：

①余项r_k(t)足够小，接近于0；

②得到的r_k(t)成单调递增或单调递减函数或极值点少于2个，无法形成包络线，无法分解得到IMF分量。

5.根据权利要求1所述的故障检测方法，其特征在于所述步骤3中，近似熵值通过以下计算过程得到：

步骤3.1，将序列u(i)按顺序组成m维矢量X(i)，即

X(i)＝[u(i),u(i+1),...,u(i+m-1)]

i＝1～k-m+1；

步骤3.2，对每一个i值计算矢量X(i)与其余矢量X(j)之间的距离：

$d\[X\left(i\right),X\left(j\right)\]=\underset{k=0~m-1}{max}|u(i+k)-u(j+k)|,$

式中：d[X(i),X(j)]为矢量X(i)与X(j)间的距离；

步骤3.3，按照设定的阈值r(r>0)，对每一个i值统计d[X(i),X(j)]＜r的数目与总的矢量个数k-m+1的比值，记做即

步骤3.4，先将取对数，再求其对所有i的平均值，记做

步骤3.5，重复过程(1)～(4)，得到φ^m+1(r)；

步骤3.5，得出的序列长度为K时的近似熵值的估计值：

ApEn(m.r,K)＝φ^m(r)-φ^m+1(r)。