CN110470475A - 一种航空发动机中介轴承早期微弱故障诊断方法 - Google Patents

Abstract

本发明公开了一种航空发动机中介轴承早期微弱故障诊断方法，属于航空发动机故障检测技术领域。其包括以下步骤：采集中介轴承的故障信号；利用AR模型去除发动机转子周期性转动产生的确定性信号；对处理后的故障信号进行MED逆滤波以增强故障信号中冲击成分；用CEEMD方法对处理后的故障信号进行分解，根据峭度值指标和自相关函数筛选有效的模态分量对中介轴承故障信号进行降噪重构；通过Teager能量算子获取降噪信号的输出能量并计算其包络谱，通过分析包络谱中幅值凸显的频率成分来实现对发动机中介轴承早期微弱故障诊断。本发明通过对故障信号进行预处理、筛选、重构和解调，获取反映轴承故障的故障特征信号，从而对中介轴承的早期微弱故障进行精确诊断。

Description

一种航空发动机中介轴承早期微弱故障诊断方法

技术领域

本发明涉及航空发动机故障检测技术领域，具体是一种航空发动机中介轴承早期微弱故障诊断方法。

背景技术

为了减轻重量，现代双转子涡扇发动机转子***普遍采用中介主轴承，中介主轴承工作条件具有高温、高速、载荷变化大、润滑条件不易保证等特点，导致在运行过程中容易发生疲劳剥落、点蚀、磨损等失效故障。作为航空发动机转子支承***的关键部件，其故障会对飞行安全造成极大的威胁，据统计自2001年至今，由于某型航空发动机5号中介轴承失效，导致飞行过程中抱轴和断轴共发生了26起，导致二等飞行事故2起，造成直接经济损失数十亿元，该型发动机5 号中介轴承故障诊断一直是尚未彻底解决的难题之一。因此，开展航空发动机转子轴承早期故障诊断技术研究具有重要意义。

航空发动机中介轴承深埋在转子轴内，其振动信号是通过位于外涵道机匣上的振动传感器测量获取，由于轴承座和外涵道机匣之间装配结构复杂、传递路径较长，同时轴承故障信号在传递过程中经过带油膜阻尼的弹性支承和薄壁机匣的减振作用后，其故障冲击信号会有非常大的衰减，在这种情况下，传统的振动故障诊断方法较难诊断出微弱故障，“虚警率”较高。

公告号为CN 107036816 B的专利公开了一种航空发动机轴承故障诊断方法，首先通过采集涡喷发动机的振动信号、发动机转速、发动机排气温度、燃油流量、发动机推力5种信号；提取各种信号的经典的时域统计学特征、频域特征，以及基于小波包分解获得时频域特征；然后分别对各种信号的特征参数采用深度波尔曼兹机进行特征学习；接下来采用数据融合技术将深度波尔曼兹机学习到的各源特征进行融合；最后将融合后的特征参数作为分类器支持向量机的输入，对发动机故障进行分类识别。该发明提升了涡喷发动机的轴承故障的识别精度和稳定性；有效的挖掘了数据的本质特征；极大的提高了涡喷发动机轴承故障精度。但是，该发明的故障信号未经预处理、筛选、重构和解调，其诊断精度不高。

公布号为CN 108388860 A的专利文献公开了一种基于功率熵谱- 随机森林的航空发动机滚动轴承故障诊断方法。该发明针对现有传统技术存在的上述不足，提出基于随机森林的航空发动机滚动轴承故障诊断方法，其中，首先使用某研究机构提供的航空发动机滚动轴承试验测量数据建立训练数据集和测试数据集；基于故障特征提取的思想，采用小波分析对原始采集数据进行时域统计分析和频域分析；从而从工程应用角度出发，实现了有效的故障诊断。但是，该发明旨在建造工程应用的故障诊断模型，其未能反映轴承故障的有效故障特征信号，不能解决上述技术问题。

发明内容

有鉴于此，本发明针对现有技术的不足，提供的一种通过对故障信号进行预处理、筛选、重构和解调，获取反映轴承故障的有效故障特征信号，从而能够对中介轴承的早期微弱故障进行精确诊断的航空发动机中介轴承早期微弱故障诊断方法。

为解决上述技术问题，本发明所采取的技术方案是：一种航空发动机中介轴承早期微弱故障诊断方法，包括以下步骤：

S1：通过位于外涵道机匣上的振动传感器采集中介轴承的故障信号；

S2：将S1中采集到故障信号利用AR模型去除发动机转子周期性转动产生的确定性信号；

S3：对S2处理后的故障信号进行最小熵卷积MED逆滤波以增强故障信号中冲击成分，实现对轴承故障冲击特征的增强；

S4：用CEEMD方法对S3处理后的故障信号进行分解，根据峭度值指标和自相关函数筛选有效的模态分量对中介轴承故障信号进行降噪重构；

S5：通过Teager能量算子获取降噪信号的输出能量并计算其包络谱，通过分析包络谱中幅值凸显的频率成分来实现对发动机中介轴承早期微弱故障诊断。

进一步的，S1中，发动机中介轴承故障信号通过复杂传递路径，最终由位于机匣处的压电式加速度传感器获取，轴承故障信号由故障特征信号、背景噪声和其他确定性信号构成，假设，轴承故障信号用 x_t，故障特征信号用g_t，背景噪声用b_t，其他确定性周期信号用p_t分别表示，传递路径对故障信号x_t的影响用h_t表示，轴承故障信号x_t可表示为：

x_t＝(g_t+b_t+p_t)*h_t

式中，*为卷积符号；

由于传递路径复杂，在传递过程中经过弹性支承和薄壁机匣的减振作用，中介轴承的故障特征信号g_t传递到机匣上后会大幅衰减，故障特征信号g_t往往淹没在实际测得的轴承故障信号x_t中，因此，要进行中介轴承早期故障诊断，首先需要分离提取并增强故障特征信号g_t。

进一步的，S2中，通过AR模型获得轴承故障信号中的确定性周期信号并将其去除，基于AR模型的预处理过程可表示为：

式中，e_i为AR模型的残余信号，主要包含故障引起的冲击性信号成分g_t和背景噪声b_t。x_t和x_t-j分别是在时间t和t-j点处的值。a_j为自回归加权参数。预处理后得到残余信号e_i去除了信号中的确定性周期成分p_t*h_t，提高了信噪比，e_i又可表示为：

e_t＝(g_t+b_t)*h_t。

进一步的，S3中，MED用于增强剥落故障轴承故障特征信号，其原理是寻找一逆滤波器f_t将信号中的冲击源信号解卷出来，设经AR 模型预处理得到的残余信号e_i，经过MED滤波后的信号为y_t，则有：

y_t＝(g_t+b_t)*h_t*f_t

若忽略背景噪声b_t的影响，则可寻找MED滤波器f_t使得输出信号 y_t的熵最小，即峭度值最大，从而使得输出信号y_t≈g_t。

进一步的，S4中，CEEMD的处理过程，包括以下步骤：

a)分别向故障信号x(t)中加入I次正负成对的白噪声序列No(t)，得到I个新信号：

b)分别对集合中每个信号xⁱ[t](i＝1，...，I)依次进行EMD分解，得到一组模态函数计算第一个平均固有函数：

第一个余量为：

c)构造集合余量信号r₁(t)+ε₁E₁(No_i(t))，(i＝1，2，...，I)，并对集合信号进行分解得到

d)对k＝2，....，K，计算第k个余量r_k[t]，再求出K+1模态分量

e)重复上述过程，当余差信号r_k[t]的极点小于3时，将不再分解，算法终止，最终的分解结果为：

经过CEEMD分解得到的IMF分量并不都是具有单一物理意义，噪声的干扰会造成分解筛选过程出现模态混叠及虚假分量。为找出这些无关分量，降低或消除噪声的干扰，通过能反映函数序列的关联程度的数值参数即相关系数来进行筛选识别，相关系数的计算过程为：

式中，ρ_i为第i个IMF分量与原信号的相关系数，N为采样点数量；

对于长度为n的x(t)信号，峭度的离散化公式为：

式中，μ是信号均值，σ是标准偏差；

峭度反映信号中的冲击成分，相关系数用来过滤掉CEEMD分解中存在的虚假模态分量，故当对故障信号完成CEEMD分解后，根据自相关系数和峭度值对IMF模态函数进行筛选和重构，筛选准则为：

IMF模态函数峭度大于3；

IMF模态函数相关系数要大于所有IMF分量中最大相关系数的十分之一。

进一步的，S5中，将每个IMF分量记为c_i(t)，则 其中r_n(t)为趋势余量，Teager能量算子对窄带信号的能量进行计算和跟踪，输出的能量信号能突出冲击特征，提取出微弱的故障信号信息，其表达式为：

对于经过CCEMD分解重构得到的离散故障特征信号，其离散信号能量算子表达式为：

离散轴承故障信号的瞬时幅值和瞬时相位通过离散能量分离算法获取，离散分离算法采用DESA-1来计算幅值和相位，其计算公式为：

y(n)＝x_n-x_n-1

针对航空发动机中介轴承振动信号故障微弱，故障特征难提取的问题，需对机匣上传感器采集到的振动信号进行一系列数据处理，现有技术人员考虑的是提取故障特征信号以及获得特征信号的时效性，因为发动机中介轴承在高速运行时，只有快速获取早期故障特征信号，才能尽快采取应对措施，避免发动机故障，现有的处理方法多采用 VMD分解算法和ITD分解算法，例如，艾延廷.董欢.田晶.孙志强.一种航空发动机中介轴承故障诊断方法[J].机械设计与制造. 2018，10，10：157-164；张涛.基于VMD的航空发动机中介轴承故障诊断.大连理工大学.2017，04，20。周知，相对于EMD，VMD的低频分量，更容易表达出波动的大趋势；ITD算法简单，速度快，效率高，因此，这两种算法在故障信号预处理中得到广泛运用。

而且，故障信号经预处理后，需要进行筛选，现有故障信号在筛选时，多使用随机森林原理Booststrap法和快速峭度图法，例如，艾延廷.董欢.田晶.孙志强.一种航空发动机中介轴承故障诊断方法[J]. 机械设计与制造.2018,10,10:157-164，其使用Booststrap法对故障信号重采样，进行中介轴承的故障分类，随机森林和其它分类器相比具有分类速度快，准确率高，不会出现过拟合等优点；张涛.基于VMD 的航空发动机中介轴承故障诊断.大连理工大学.2017,04,20，其采用基于VMD的谱峭度法，信号在整个频带中的极值点间隔分布均匀，克服了极值点上下包络线的拟合误差，从而获得了既能避免模式混叠现象又准确消除了噪声加入影响的本征模函数，因此，在中介轴承故障诊断中，这两种方法常用于故障信号的筛选。

但是，航天航空领域作为国家的国防力量和技术先驱走在了科技时代的前列，因此，对航空发动机的研究发展不能止步不前，航空发动机的中介轴承由于其特殊结构和工作环境，是故障高发部件，对其早期故障诊断也需不断研究发展，以尽可能高的精确度进行故障检测，降低航空机械设备上的损失，发动机中介轴承处于高低压转子之间的特殊位置，传感器只能安装在机匣外侧，导致信号传递路径长，振动信号能量衰减严重，而且航空发动机结构复杂，工作条件恶劣，故障信号信噪比低，难以获得精确的故障段信号，航空发动机中介轴承振动信号属于典型的非线性、非平移信号，信号处理尤为困难，发明人面对这种困境进行了长期研究、实验，发现采用AR模型和MED对故障信号预处理后，能够实现轴承特征故障信号进行增强，获得了信噪比高的故障信号，其后选用特殊的EMD，CEEMD，对信号进行分解、降噪重构，获得了高精准度的故障信号。

与现有技术相比，本发明的有益效果如下：

本发明航空发动机中介轴承早期微弱故障诊断方法，采用基于 AR模型(AutoRegressive Model)和MED(Minimum Entropy Deconvolution)最小熵解卷积的轴承故障特征增强技术，对基于机匣测点采集到振动信号利用AR模型去除发动机转子周期性转动产生的确定性信号后，对处理后信号进行最小熵卷积MED逆滤波以增强故障信号中冲击成分，实现对轴承故障冲击特征的增强；然后，基于 CEEMD的轴承早期微弱故障特征的分离方法，实现中介轴承早期微弱故障冲击特征的分离，即用CEEMD方法对采集到振动信号进行分解，根据峭度值指标和自相关函数选取有效的模态分量对轴承振动信号进行降噪重构；最后，通过Teager能量算子获取降噪信号的输出能量并计算其包络谱，通过分析包络谱中幅值凸显的频率成分来实现对发动机中介轴承早期微弱故障诊断。

AR模型(Auto Regressive Model)是一种自回归线性预测方法，可拟合滚动轴承故障信号中的确定性周期信号(一般由发动机转子支承***中转轴、轴承、套齿等的振动信号构成)。基于AR模型的预白化过程即：通过AR模型获得滚动轴承故障信号中的确定性周期信号并将其去除，从而提髙故障特征信号信噪比，有利于滚动轴承故障特征信号的分离提取。

MED(Minimum Entropy Deconvolution)最小熵解卷积能有效地在混合信号中解卷出冲击性源信号。而轴承发生故障时产生的信号通常具有冲击特征，因此MED适合增强剥落故障轴承故障特征信号，适用于轴承早期故障诊断。其原理是寻找一逆滤波器f_t将信号中的冲击源信号解卷出来。本项目采用目标函数法(Objective function method， OFM)寻找MED滤波器参数。目标函数法是通过改变MED滤波器长度和计算迭代次数，将其中使峭度值最大的滤波器长度和迭代次数作为最优滤波器参数进行计算。

中介轴承振动信号首先通过AR模型去除周期性确定信号p_t，然后通过最小熵解卷积MED对被测信号进行逆滤波处理，突出增强轴承振动信号中的冲击性成分g_t，得到的近似故障特征信号的冲击性信号y_t，为下一步中介轴承故障特征提取与轴承故障诊断奠定了基础，随后，运用互补集合经验模态分解CEEMD方法对处理后的故障信号进行分解，根据峭度值指标和自相关函数筛选有效的模态分量对中介轴承故障信号进行降噪重构，通过Teager能量算子获取降噪信号的输出能量并计算其包络谱，通过分析包络谱中幅值凸显的频率成分来实现对发动机中介轴承早期微弱故障诊断。

本发明航空发动机中介轴承早期微弱故障诊断方法，解决了复杂传递路径下的发动机中介轴承故障特征增强技术和中介轴承早期微弱故障分离与特征提取技术，实现了航空发动机中介轴承早期微弱故障的精确诊断，能够有效监控发动机转子轴承早期故障，从而避免重大恶性事故发生，具有重要的理论参考和军事应用价值。

附图说明

图1是本发明的流程图；

图2是本发明轴承故障信号构成图；

图3是本发明AR模型预处理和MED解卷的原理图；

图4是本发明CEEMD工作原理图；

图5是本发明实施例中外圈单点剥落的故障中介轴承示意图；

图6是本发明实施例中AR模型和350阶MED逆滤波之后得到的时域信号图；

图7是本发明实施例中AR模型和350阶MED逆滤波之后得到的频谱图；

图8是本发明实施例中采用CEEMD对经过MED逆滤波增强故障信号分解得到的IMF模态分量图；

图9是本发明实施例中模态分量IMF进行筛选与信号重构后的信号图；

图10是本发明实施例中对重构信号进行Teager能量算子解调得到的包络谱图；

图11是本发明实施例中外圈多处剥落的故障中介轴承示意图；

图12是本发明实施例中机匣测点采集的振动信号时域波形图；

图13是本发明实施例中采用AR模型和350阶MED逆滤波之后得到的故障信号图；

图14是本发明实施例中采用AR模型和350阶MED逆滤波之后得到的频谱图；

图15是本发明实施例中采用CEEMD对经过MED逆滤波增强故障信号分解得到的IMF模态分量图；

图16是本发明实施例中模态分量IMF进行筛选与信号重构后的信号图；

图17是本发明实施例中对重构信号进行Teager能量算子解调得到的包络谱图。

具体实施方式

为了更好地理解本发明，下面结合实施例进一步清楚阐述本发明的内容，但本发明的保护内容不仅仅局限于下面的实施例。在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员来说显而易见的是，本发明可以无需一个或多个这些细节而得以实施。

实施例一

如图1所示，一种航空发动机中介轴承早期微弱故障诊断方法，包括以下步骤：

S1：通过位于外涵道机匣上的振动传感器采集中介轴承的故障信号；

S2：将S1中采集到故障信号利用AR模型去除发动机转子周期性转动产生的确定性信号；

S3：对S2处理后的故障信号进行最小熵卷积MED逆滤波以增强故障信号中冲击成分，实现对轴承故障冲击特征的增强；

S4：用CEEMD方法对S3处理后的故障信号进行分解，根据峭度值指标和自相关函数筛选有效的模态分量对中介轴承故障信号进行降噪重构；

S5：通过Teager能量算子获取降噪信号的输出能量并计算其包络谱，通过分析包络谱中幅值凸显的频率成分来实现对发动机中介轴承早期微弱故障诊断。

S1中，发动机中介轴承故障信号通过复杂传递路径，最终由位于机匣处的压电式加速度传感器获取，轴承故障信号由故障特征信号、背景噪声和其他确定性信号构成，假设，轴承故障信号用x_t，故障特征信号用g_t，背景噪声用b_t，其他确定性周期信号用p_t分别表示，传递路径对故障信号x_t的影响用h_t表示，轴承故障信号构成如图2所示，轴承故障信号x_t可表示为：

x_t＝(g_t+b_t+p_t)*h_t

式中，*为卷积符号；

由于传递路径复杂，在传递过程中经过弹性支承和薄壁机匣的减振作用，中介轴承的故障特征信号g_t传递到机匣上后会大幅衰减，故障特征信号g_t往往淹没在实际测得的轴承故障信号x_t中，因此，要进行中介轴承早期故障诊断，首先需要分离提取并增强故障特征信号g_t。

S2中，通过AR模型获得轴承故障信号中的确定性周期信号并将其去除，基于AR模型的预处理过程可表示为：

式中，e_i为AR模型的残余信号，主要包含故障引起的冲击性信号成分g_t和背景噪声b_t。x_t和x_t-j分别是在时间t和t-j点处的值。a_j为自回归加权参数。预处理后得到残余信号e_i去除了信号中的确定性周期成分p_t*h_t，提高了信噪比，e_i又可表示为：

e_t＝(g_t+b_t)*h_t。

S3中，MED用于增强剥落故障轴承故障特征信号，其原理是寻找一逆滤波器f_t将信号中的冲击源信号解卷出来，设经AR模型预处理得到的残余信号e_i，经过MED滤波后的信号为y_t，则有：

y_t＝(g_t+b_t)*h_t*f_t

若忽略背景噪声b_t的影响，则可寻找MED滤波器f_t使得输出信号 y_t的熵最小，即峭度值最大，从而使得输出信号y_t≈g_t。最小熵解卷积的实现主要有特征向量法和目标函数法。本项目采用目标函数法 (Objective function method，OFM)寻找MED滤波器参数。目标函数法是通过改变MED滤波器长度和计算迭代次数，将其中使峭度值最大的滤波器长度和迭代次数作为最优滤波器参数进行计算。

AR模型预处理和MED解卷的原理如图3所示，中介轴承振动信号首先通过AR模型去除周期性确定信号p_t，然后通过最小熵解卷积 MED对被测信号进行逆滤波处理，突出增强轴承振动信号中的冲击性成分g_t，得到的近似故障特征信号的冲击性信号y_t，为下一步中介轴承故障特征提取与轴承故障诊断奠定了基础。

S4中，互补集合经验模态分解(Complete Ensemble Empirical ModeDecomposition，CEEMD)是在经验模态分解EMD和集合经验模态分解EEMD的基础上改进的一种信号自适应分解方法，本质上还是属于EMD。其工作原理如图4所示。

CEEMD的处理过程，包括以下步骤：

a)分别向故障信号x(t)中加入I次正负成对的白噪声序列No(t)，得到I个新信号：

b)分别对集合中每个信号xⁱ[t](i＝1，...，I)依次进行EMD分解，得到一组模态函数计算第一个平均固有函数：

第一个余量为：

c)构造集合余量信号r₁(t)+ε₁E₁(No_i(t))，(i＝1，2，...，I)，并对集合信号进行分解得到

d)对k＝2，....，K，计算第k个余量r_k[t]，再求出K+1模态分量

e)重复上述过程，当余差信号r_k[t]的极点小于3时，将不再分解，算法终止，最终的分解结果为：

经过CEEMD分解得到的IMF分量并不都是具有单一物理意义，噪声的干扰会造成分解筛选过程出现模态混叠及虚假分量。为找出这些无关分量，降低或消除噪声的干扰，通过能反映函数序列的关联程度的数值参数即相关系数来进行筛选识别，相关系数的计算过程为：

式中，ρ_i为第i个IMF分量与原信号的相关系数，N为采样点数量；

对于长度为n的x(t)信号，峭度的离散化公式为：

式中，μ是信号均值，σ是标准偏差；

峭度反映信号中的冲击成分，相关系数用来过滤掉CEEMD分解中存在的虚假模态分量，故当对故障信号完成CEEMD分解后，根据自相关系数和峭度值对IMF模态函数进行筛选和重构，筛选准则为：

IMF模态函数峭度大于3；

IMF模态函数相关系数要大于所有IMF分量中最大相关系数的十分之一。

S5中，将每个IMF分量记为c_i(t)，则其中r_n(t)为趋势余量，Teager能量算子对窄带信号的能量进行计算和跟踪，输出的能量信号能突出冲击特征，提取出微弱的故障信号信息，其表达式为：

对于经过CCEMD分解重构得到的离散故障特征信号，其离散信号能量算子表达式为：

离散轴承故障信号的瞬时幅值和瞬时相位通过离散能量分离算法获取，离散分离算法采用DESA-1来计算幅值和相位，其计算公式为：

y(n)＝x_n-x_n-1

使用带涡轮支承和外机匣的航空发动机主轴承试验器开展中介轴承单点剥落故障与多点剥落故障诊断试验，该试验器可承担内外圈同向旋转或反向旋转短圆柱滚棒轴承的各种试验，***采用高速电主轴作为动力输入，高速轴最大16500r/min，低速轴最大12000r/min。具备径向加载能力，最大可达25kN。具备滑油加温能力，可加温至 200℃。转速和载荷谱由计算机自动控制。整个振动传输路径，分别对应试验轴承→后支点滚棒轴承→挤压油膜阻尼器→轴承机匣→涡轮支承→排气混合器→滑块和偏心轮→外机匣安装边。

图5为外圈单点剥落的故障中介轴承，在外圈转速12000RPM，内圈转速7000RPM，载荷3.92KN工况下开展验证试验：

采用AR模型和350阶MED逆滤波之后得到的时域信号如图6所示，频谱如图7所示。

从图6可看出冲击信号得到了明显增强，信噪比明显提高(峭度值为77.3650)，从图7中仍未出现轴承外圈的故障特征频率信号。

采用CEEMD对经过MED逆滤波增强故障信号分解得到的IMF模态分量如图8所示。

以IMF分量中最大相关系数的10％和峭度大于3(一般故障轴承峭度>3)为阀值进行模态分量IMF进行筛选与信号重构，筛选出的模态分量为IMF1、IMF2、IMF3，重构之后的信号如图9所示，其峰值为11.9756，峭度51.7542。最后对重构信号进行Teager能量算子解调，得到包络谱如图10所示。

从图9和图10可看出：

时域中：轴承故障振动信号经过MED最小卷积滤波和CCEMD分解重构之后轴承故障冲击信号明显增强，对比健康主轴承时域信号峰值明显增加，且峭度较大；

频域中：未见明显的外圈转频信号及倍频信号，但轴承故障冲击信号特征频率1313Hz(理论值1320)处的幅值较大；

结论：时域冲击特征明显，峰值相比健康主轴承峰值增加，峭度值较大；频域中出现外圈故障特征频率，但未见明显的外圈转频及倍频信号，可诊断为单点剥落故障。

图11为多处剥落的故障中介轴承，在外圈转速12000RPM，内圈 7000RPM，载荷3.92KN工况下开展验证试验：

基于机匣测点采集的振动信号时域波形如图12所示。

采用AR模型和350阶MED逆滤波之后得到的故障信号如图13所示，频谱如图14所示。

采用CEEMD对经过MED逆滤波增强故障信号分解得到的IMF模态分量如图15所示。

以IMF分量中最大相关系数的10％和峭度大于3(一般故障轴承峭度>3)为阀值进行筛选与信号重构，筛选出的模态分量为IMF1、 IMF2、IMF3，重构之后的信号如图16所示，重构信号峰值较单点故障峰值大，为21.7282，峭度值较大51.5967。然后对重构信号进行Tiger能量算子解调，得到的包络谱如图17所示。

从图16和图17可看出：

时域中：轴承故障振动信号经过MED最小卷积滤波和CCEMD分解重构之后轴承故障冲击信号明显增强，且峰值较高，峭度值较大，可诊断为多处严重剥落故障；

频域中：存在明显的外圈转频信号及1阶和2阶倍频，且轴承故障冲击信号特征频率1313Hz(理论值1320)处的幅值较大；

结论：时域冲击特征明显，峰值较大，峭度值较大；频域中存在外圈转频及倍频信号，且出现外圈故障特征频率，可诊断为多处严重剥落故障。

依据上述的试验分析结果，构建某型发动机的中介轴承故障诊断标准(典型工况：外圈转速12000,内圈7000)如下：

时域参数报警指标：原始信号峰值Peak≥10g,均方根值RMS≥ 1.5g,峭度K≥3；

频谱报警指标：原始信号的包络谱中存在转频及倍频，且在***转频周围存在转差信号；

能量算子包络谱报警指标：外圈出现故障特征频率信号(1320Hz), 同时查看是否出现转频信号，如果未出现转频信号，则报早期剥落故障，如果出现转频及2倍频信号，则报多处剥落故障。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种航空发动机中介轴承早期微弱故障诊断方法，其特征在于，包括以下步骤：

S1：通过位于外涵道机匣上的振动传感器采集中介轴承的故障信号；

S2：将S1中采集到故障信号利用AR模型去除发动机转子周期性转动产生的确定性信号；

S3：对S2处理后的故障信号进行最小熵卷积MED逆滤波以增强故障信号中冲击成分，实现对轴承故障冲击特征的增强；

S4：用CEEMD方法对S3处理后的故障信号进行分解，根据峭度值指标和自相关函数筛选有效的模态分量对中介轴承故障信号进行降噪重构；

S5：通过Teager能量算子获取降噪信号的输出能量并计算其包络谱，通过分析包络谱中幅值凸显的频率成分来实现对发动机中介轴承早期微弱故障诊断。

2.如权利要求1所述的航空发动机中介轴承早期微弱故障诊断方法，其特征在于，S1中，发动机中介轴承故障信号通过复杂传递路径，最终由位于机匣处的压电式加速度传感器获取，轴承故障信号由故障特征信号、背景噪声和其他确定性信号构成，假设，轴承故障信号用x_t，故障特征信号用g_t，背景噪声用b_t，其他确定性周期信号用p_t分别表示，传递路径对故障信号x_t的影响用h_t表示，轴承故障信号x_t可表示为：

x_t＝(g_t+b_t+p_t)*h_t

式中,*为卷积符号；

由于传递路径复杂，在传递过程中经过弹性支承和薄壁机匣的减振作用，中介轴承的故障特征信号g_t传递到机匣上后会大幅衰减，故障特征信号g_t往往淹没在实际测得的轴承故障信号x_t中，因此，要进行中介轴承早期故障诊断，首先需要分离提取并增强故障特征信号g_t。

3.如权利要求2所述的航空发动机中介轴承早期微弱故障诊断方法，其特征在于，S2中，通过AR模型获得轴承故障信号中的确定性周期信号并将其去除，基于AR模型的预处理过程可表示为：

式中，e_i为AR模型的残余信号，主要包含故障引起的冲击性信号成分g_t和背景噪声b_t。x_t和x_t-j分别是在时间t和t-j点处的值。a_j为自回归加权参数。预处理后得到残余信号e_i去除了信号中的确定性周期成分p_t*h_t，提高了信噪比,e_i又可表示为：

e_t＝(g_t+b_t)*h_t。

4.如权利要求3所述的航空发动机中介轴承早期微弱故障诊断方法，其特征在于，S3中，MED用于增强剥落故障轴承故障特征信号，其原理是寻找一逆滤波器f_t将信号中的冲击源信号解卷出来，设经AR模型预处理得到的残余信号e_i，经过MED滤波后的信号为y_t，则有：

y_t＝(g_t+b_t)*h_t*f_t

若忽略背景噪声b_t的影响，则可寻找MED滤波器f_t使得输出信号y_t的熵最小，即峭度值最大，从而使得输出信号y_t≈g_t。

5.如权利要求4所述的航空发动机中介轴承早期微弱故障诊断方法，其特征在于，S4中，CEEMD的处理过程，包括以下步骤：

a)分别向故障信号x(t)中加入I次正负成对的白噪声序列No(t)，得到I个新信号：

b)分别对集合中每个信号xⁱ[t](i＝1,…,I)依次进行EMD分解，得到一组模态函数计算第一个平均固有函数：

第一个余量为：

c)构造集合余量信号r₁(t)+ε₁E₁(No_i(t))，(i＝1,2,…,I)，并对集合信号进行分解得到

d)对k＝2,....,K,计算第k个余量r_k[t]，再求出K+1模态分量

e)重复上述过程，当余差信号r_k[t]的极点小于3时，将不再分解，算法终止，最终的分解结果为：

经过CEEMD分解得到的IMF分量并不都是具有单一物理意义，噪声的干扰会造成分解筛选过程出现模态混叠及虚假分量。为找出这些无关分量，降低或消除噪声的干扰，通过能反映函数序列的关联程度的数值参数即相关系数来进行筛选识别，相关系数的计算过程为：

式中，ρ_i为第i个IMF分量与原信号的相关系数，N为采样点数量；

对于长度为n的x(t)信号，峭度的离散化公式为：

式中，μ是信号均值，σ是标准偏差；

峭度反映信号中的冲击成分，相关系数用来过滤掉CEEMD分解中存在的虚假模态分量，故当对故障信号完成CEEMD分解后，根据自相关系数和峭度值对IMF模态函数进行筛选和重构，筛选准则为：

IMF模态函数峭度大于3；

IMF模态函数相关系数要大于所有IMF分量中最大相关系数的十分之一。

6.如权利要求5所述的航空发动机中介轴承早期微弱故障诊断方法，其特征在于，S5中，将每个IMF分量记为c_i(t)，则 其中r_n(t)为趋势余量，Teager能量算子对窄带信号的能量进行计算和跟踪，输出的能量信号能突出冲击特征，提取出微弱的故障信号信息，其表达式为：

对于经过CCEMD分解重构得到的离散故障特征信号，其离散信号能量算子表达式为：

离散轴承故障信号的瞬时幅值和瞬时相位通过离散能量分离算法获取，离散分离算法采用DESA-1来计算幅值和相位，其计算公式为：

y(n)＝x_n-x_n-1