CN116625686A - 一种航空发动机轴承故障在线诊断方法 - Google Patents

Abstract

本申请属于航空发动机设计领域，为一种航空发动机轴承故障在线诊断方法，先建立振动特征数据集和离线训练集，使用PCA算法对离线数据集进行降维处理，对降维数据集进行训练得到第一Softmax分类器；将降维数据集输入带有自注意力模型的ACGAN算法模型中，训练得到相应的生成器和判别器，利用轴承故障评估模型评估λ_mean值并筛选出判定有效的合成数据，与降维后的离线训练集组合形成增强数据集；对增强数据集与降维数据集进行融合得到扩充数据集，训练得到第二Softmax分类器；将在线训练集输入至第二Softmax分类器内，得到轴承故障诊断模型，通过轴承故障诊断模型进行轴承在线诊断，得到轴承在线诊断结果。可以在线做出准确、快速的判断，有效诊断轴承故障。

Description

一种航空发动机轴承故障在线诊断方法

技术领域

本申请属于航空发动机设计领域，特别涉及一种航空发动机轴承故障在线诊断方法。

背景技术

轴承作为航空发动机转子***的重要部分，长期处于高速波动剧烈、负载大且变化明显的工况，将导致性能衰退甚至引发各类故障。因此，为了使航空发动机安全高效地运行并节省维护成本，必须掌握其运行状态和变化规律，自动准确的诊断航空发动机高速轴承故障有助于提升航空发动机转子***的运行安全性和维修经济性。

现有诊断方法具有具有如下缺点：

1、无法识别轴承早期故障的微弱信号；

2、难以提取微弱的故障特征；

3、实际轴承故障样本少。

以往的故障诊断方法需依托于大量的故障诊断算法以及专家工程经验，难以适应当前轴承诊断应用。面对当前海量的数据，故障信息复杂多变，包含内外激励以及多个故障的耦合，需采用基于数据驱动的故障诊断方法直接利用采集到的参数，挖掘数据识别发动机轴承的关键特征信息识别故障。

发明内容

本申请的目的是提供了一种航空发动机轴承故障在线诊断方法，以解决轴承故障样本少、信号微弱而导致诊断准确度不高的问题。

本申请的技术方案是：一种航空发动机轴承故障在线诊断方法，包括：

建立振动特征数据集，获取轴承不同运行工况状态下的振动数据构造工况振动特征值；对轴承不同振动数据进行时域指标提取，得到时域振动特征值；对轴承不同振动数据进行频域指标提取，得到频域振动特征值；将工况振动特征值、时域振动特征值和频域振动特征值输入振动特征数据集；

基于振动特征数据集，再次提取案例库数据的振动特征值输入振动特征数据集，形成离线训练集，使用PCA算法对离线数据集进行降维处理，将离线训练集内的数据降维至m维，形成降维数据集；

对降维数据集进行训练得到第一Softmax分类器；

建立自注意力模型，将降维数据集输入带有自注意力模型的ACGAN算法模型中，训练得到相应的生成器和判别器，同时将训练生成的合成数据输入至第一Softmax分类器内，形成轴承故障评估模型；

利用轴承故障评估模型评估λ_mean值并筛选出判定有效的合成数据，与降维后的离线训练集组合形成增强数据集，λ_mean值计算公式为：

式中，a_AMC1为预测轴承正常正确分类占总分类数目的比例；a_AMC2为预测轴承故障分类占总分类数目的比例；f₁₁为故障轴承被预测为故障的数量；f₀₀为正常轴承被预测为正常的数量；f₁₀为故障轴承被预测为正常的数量；f₀₁为正常轴承被预测为故障的数量；λ_mean为a_AMC1和a_AMC2的几何平均；

对增强数据集与降维数据集进行融合得到扩充数据集，通过扩充数据集训练得到进行在线故障诊断的第二Softmax分类器；

实时采集在线数据，通过提取振动特征得到数据数据集，而后对采集的数据进行PCA降维，形成在线诊断集，将在线训练集输入至第二Softmax分类器内，得到轴承故障诊断模型，通过轴承故障诊断模型进行轴承在线诊断，得到轴承在线诊断结果。

优选地，所述增强数据集的生成方法包括：

在高斯分布中随机采样生成随机噪声，对随机噪声进行分类并将随机噪声及其对应的辅助分类标签输入至生成器，得到生成数据；

将生成数据与通过采集轴承振动特征的真实数据输入至判别器内，形成混合数据，对混合数据进行判别，得到真/假数据与不同的故障类型数据，完成一次训练；

分别依次更新第一Softmax分类器和判别器的网络参数，再次获取生成数据和真实数据进行循环判别，并将判定有效的合成数据输入至增强数据集内，直至完成设定的循环数或者增强数据集内的数据量满足设计要求。

优选地，所述工况振动特征值包括样本输入轴转速的平均值、样本输入轴转速的方差、样本扭矩的平均值和样本扭矩的方差；所述时域振动特征值包括加速度有效值、加速度波形指标、加速度峰值指标、加速度脉冲指标、加速度裕度指标、加速度峭度指标、速度有效值、速度波形指标、速度峰值指标、速度脉冲指标、速度裕度指标和速度峭度指标；所述频域振动特征值包括轴承所在轴转频1、2、3阶幅值和频谱中幅值前100的频率值。

优选地，所述自注意力模型的建立方法包括：

设置三个通道节点F(x)、G(x)和H(x)，在不同的通道节点上分别设置不同的权重矩阵W^K、W^Q和W^V，将输入x分别乘上不同的权重矩阵，得到：

计算F(x)和G(x)之间的关联矩阵S：

S＝F^T·G

计算F(x)和G(x)之间的相关程度：

式中：s_ij为关联矩阵S的元素；

得到自注意力模型的输出特征：

加入权重系数γ，进行领域信息与远距离特征的整合，得到：

y_i＝γo_i+x_i。

优选地，所述ACGAN算法模型对降维数据集进行训练的方法为：

定义降维数据集X＝{x₁,x₂,…,x_N},其中x_i为第i个样本，N为样本总数；生成器G的损失函数设置为：

将辅助分类标签c加入生成器中，得到表征数据真实与否的损失函数L_S为：

判别器D的损失函数L_D设置为：

设置辅助分类器C并引入至判别器D内，得到表征数据分类准确度的损失函数L_C为：

引入沃瑟斯坦度量，构建整体训练的目标函数，度量生成样本和真实样本的差别，构建基于自注意力的ACGAN模型，则基于自注意力的ACGAN整体训练的目标函数为：

优选地，在建立目标函数的同时，构建梯度惩罚项：

式中：||·||_p表示p范数；λ为正则项系数；其中ε～U(0,1)，U为均匀分布。

本申请的一种航空发动机轴承故障在线诊断方法，通过先采集不同类型的振动数据，建立振动特征数据集，而后通过再次提取案例库数据的振动特征值输入该数据集，形成离线训练集，使用PCA算法对离线数据集进行降维处理，对降维数据集进行训练得到第一Softmax分类器；将降维数据集输入带有自注意力模型的ACGAN算法模型中，训练得到相应的生成器和判别器，利用轴承故障评估模型评估λ_mean值并筛选出判定有效的合成数据，与降维后的离线训练集组合形成增强数据集；对增强数据集与降维数据集进行融合得到扩充数据集，训练得到第二Softmax分类器；将在线训练集输入至第二Softmax分类器内，得到轴承故障诊断模型，通过轴承故障诊断模型进行轴承在线诊断，得到轴承在线诊断结果。可以在线做出准确、快速的判断，诊断轴承故障，具有较高识别精度和稳定性，适用于现场实时诊断应用。

附图说明

为了更清楚地说明本申请提供的技术方案，下面将对附图作简单地介绍。显而易见地，下面描述的附图仅仅是本申请的一些实施例。

图1为本申请整体流程示意图；

图2为本申请自注意力模型结构示意图；

图3为本申请增强数据集生成方法示意图。

具体实施方式

为使本申请实施的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行更加详细的描述。

一种航空发动机轴承故障在线诊断方法，如图1所示，包括如下步骤：

步骤S100，选取振动特征值输入振动特征数据集

①由于航空发动机在不同工况下轴承的运行状态存在一定差异，通过引入运行工况状态反应轴承运行状态差异构造工况振动特征值输入振动特征数据集。因此选取：样本输入轴转速的平均值、样本输入轴转速的方差、样本扭矩的平均值、样本扭矩的方差，共计4个工况振动特征值。

②对轴承振动情况进行时域指标提取，通过振动时域指标反映表征轴承的不同运行状态。因此选取：加速度有效值、加速度波形指标、加速度峰值指标、加速度脉冲指标、加速度裕度指标、加速度峭度指标、速度有效值、速度波形指标、速度峰值指标、速度脉冲指标、速度裕度指标、速度峭度指标，共计12个时域振动特征值。

③对轴承振动情况进行频域指标提取，通过振动频域指标反映表征轴承的不同健康状态。因此选取：轴承所在轴转频1、2、3阶幅值、频谱中幅值前100的频域振动特征值(共计103个特征值)。因此共构建119维特征构成振动特征值输入振动特征数据集。

步骤S200，PCA降维

基于振动特征数据集，再次提取案例库数据的振动特征值输入振动特征数据集，形成离线训练集，使用PCA算法对离线数据集进行降维处理，将离线训练集内的数据降维至m维，m值可根据效果自行选定数值大小，形成降维数据集。

PCA降维以函数封装，并通过传递数据集、设置降维的维数来进行数据降维，PCA降维能够消除原始数据之间相互影响的因素，减少计算量，PCA算法采用现有算法，具体不再赘述。

步骤S300，对降维数据集进行训练，通过对降维数据集内的振动特征数据设置相应的有效性标准或者阈值来得到第一Softmax分类器，该分类器用于评估基于自注意力的ACGAN在训练过程中生成的合成数据有效性，Softmax分类器的训练方法为现有技术，具体不再赘述。

步骤S400，建立自注意力模型，将降维数据集输入带有自注意力模型的ACGAN算法模型中，训练得到相应的生成器和判别器，同时将训练生成的合成数据输入至第一Softmax分类器内，形成轴承故障评估模型；

传统GAN为无监督学习，由两个网络即生成器和判别器组成。但其模式过于自由导致训练过程不可控。

CGAN在GAN的基础上，将生成器和判别器中加入辅助分类标签c，用其来指导数据生成的方向，实现监督学习。

ACGAN在CGAN的基础上加以改进，标签信息只作用于生成器，将辅助分类器C引入判别器用于判别样本的类别。能够通过辅助分类器在生成过程中，控制样本生成的方向，以生成高质量的结果；但由于卷积核尺寸有限，只能学习样本局部区域的关系，模型的学习效率低下，并且可能会丢失细节。

基于自注意力的ACGAN在ACGAN的基础上，将自注意力机制加入G和D，解决了ACGAN只能计算特定邻域内的数据特征的局限性，帮助模型捕捉样本长距离特征间的联系。

优选地，如图2所示，自注意力模型的建立方法包括：

设置三个通道节点F(x)、G(x)和H(x)，在不同的通道节点上分别设置不同的权重矩阵W^K、W^Q和W^V，将输入x分别乘上不同的权重矩阵，得到：

计算F(x)和G(x)之间的关联矩阵S：

S＝F^T·G

计算F(x)和G(x)之间的相关程度：

式中：s_ij为关联矩阵S的元素；

得到自注意力模型的输出特征：

加入权重系数γ，进行领域信息与远距离特征的整合，得到：

y_i＝γo_i+x_i。

优选地，基于自注意力的ACGAN算法模型对降维数据集进行训练的方法为：

在文中下标“G”表示生成器相关的参数，下标“D”表示判别器相关参数。

定义降维数据集X＝{x₁,x₂,…,x_N},其中x_i为第i个样本，N为样本总数；生成器G生成接近真实分布的逼真数据，为实现从数据集X的实际分布P_r(x)中学习到生成分布P_g(z)。生成器G由多层神经网络构成，加入注意力机制后，得到生成器G的损失函数设置为：

将辅助分类标签c加入生成器中，用其来指导数据生成的方向，得到表征数据真实与否的损失函数L_S为：

判别器D判别输入是实际量还是生成量，判别器D也由多层神经网络构成，加入自注意力机制后，得到判别器D的损失函数L_D设置为：

设置辅助分类器C用于判别样本的类别，将辅助分类器C引入至判别器D内，得到表征数据分类准确度的损失函数L_C为：

引入沃瑟斯坦度量(Wasserstein)构建整体训练的目标函数，度量生成样本和真实样本的差别，构建基于自注意力的ACGAN模型，生成高质量的故障样本，用作航空发动机轴承故障诊断。则基于自注意力的ACGAN整体训练的目标函数为：

通过建立自注意力模型，通过对三个通道的权重大小进行动态加权融合，来增强重要通道的特征，弱化非重要通道的特征，实现全局信息的关联，从而降低计算量、提高模型训练速度。

基于博弈论的方式生成样本更接近实际故障样本，解决实际诊断中轴承故障样本少，有效增强故障样本数量。

优选地，针对梯度***或梯度消失问题，构建梯度惩罚项：

式中：||·||_p表示p范数；λ为正则项系数；其中ε～U(0,1)，U为均匀分布。

步骤S500，利用轴承故障评估模型评估λ_mean值并筛选出判定有效的合成数据，与降维后的离线训练集组合形成增强数据集，λ_mean值计算公式为：

式中，a_AMC1为预测轴承正常正确分类占总分类数目的比例；a_AMC2为预测轴承故障分类占总分类数目的比例；f₁₁为故障轴承被预测为故障的数量；f₀₀为正常轴承被预测为正常的数量；f₁₀为故障轴承被预测为正常的数量；f₀₁为正常轴承被预测为故障的数量；λ_mean为a_AMC1和a_AMC2的几何平均；

优选地，如图3所示，增强数据集的生成方法包括：

1)在高斯分布中随机采样生成随机噪声，对随机噪声进行分类并将随机噪声及其对应的辅助分类标签输入至生成器，得到生成数据；

2)将生成数据与通过采集轴承振动特征的真实数据输入至判别器内，形成混合数据，对混合数据进行判别，得到真/假数据与不同的故障类型数据，完成一次训练；

3)分别依次更新第一Softmax分类器和判别器的网络参数，再次获取生成数据和真实数据进行循环判别，并将判定有效的合成数据输入至增强数据集内，直至完成设定的循环数或者增强数据集内的数据量满足设计要求。

步骤S600，对增强数据集与降维数据集进行融合得到扩充数据集，通过扩充数据集训练得到进行在线故障诊断的第二Softmax分类器；第二Softmax分类器内通过设置故障诊断标准参数来对振动数据进行故障诊断，通过对振动特征数据集内的数据进行持续采集并在线诊断，能够持续提升故障诊断的准确度。

步骤S700，实时采集在线数据，通过提取振动特征得到数据数据集，而后对采集的数据通过步骤S200的方式进行PCA降维，形成在线诊断集，将在线训练集输入至第二Softmax分类器内，得到轴承故障诊断模型，通过轴承故障诊断模型进行轴承在线诊断，得到轴承在线诊断结果。

本申请通过先采集不同类型的振动数据，建立振动特征数据集，而后通过再次提取案例库数据的振动特征值输入该数据集，形成离线训练集，使用PCA算法对离线数据集进行降维处理，以减少计算量，对降维数据集进行训练得到第一Softmax分类器；将降维数据集输入带有自注意力模型的ACGAN算法模型中，训练得到相应的生成器和判别器，同时提升样本数量，利用轴承故障评估模型评估λ_mean值并筛选出判定有效的合成数据，与降维后的离线训练集组合形成增强数据集；对增强数据集与降维数据集进行融合得到扩充数据集，通过扩充数据集训练得到进行在线故障诊断的第二Softmax分类器；将在线训练集输入至第二Softmax分类器内，得到轴承故障诊断模型，通过轴承故障诊断模型进行轴承在线诊断，得到轴承在线诊断结果。通过引入自注意力机制，能够学习原始故障没有的故障特征分布特性，提高了轴承故障样本的生成质量和学习效率；建立的轴承故障在线诊断模型具有诊断准确率高的特点，能够准确识别航空发动机轴承故障的特点，可以在线做出准确、快速的判断，诊断轴承故障，具有较高识别精度和稳定性，适用于现场实时诊断应用。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (6)

1.一种航空发动机轴承故障在线诊断方法，其特征在于，包括：

建立振动特征数据集，获取轴承不同运行工况状态下的振动数据构造工况振动特征值；对轴承不同振动数据进行时域指标提取，得到时域振动特征值；对轴承不同振动数据进行频域指标提取，得到频域振动特征值；将工况振动特征值、时域振动特征值和频域振动特征值输入振动特征数据集；

基于振动特征数据集，再次提取案例库数据的振动特征值输入振动特征数据集，形成离线训练集，使用PCA算法对离线数据集进行降维处理，将离线训练集内的数据降维至m维，形成降维数据集；

对降维数据集进行训练得到第一Softmax分类器；

建立自注意力模型，将降维数据集输入带有自注意力模型的ACGAN算法模型中，训练得到相应的生成器和判别器，同时将训练生成的合成数据输入至第一Softmax分类器内，形成轴承故障评估模型；

利用轴承故障评估模型评估λ_mean值并筛选出判定有效的合成数据，与降维后的离线训练集组合形成增强数据集，λ_mean值计算公式为：

式中，a_AMC1为预测轴承正常正确分类占总分类数目的比例；a_AMC2为预测轴承故障分类占总分类数目的比例；f₁₁为故障轴承被预测为故障的数量；f₀₀为正常轴承被预测为正常的数量；f₁₀为故障轴承被预测为正常的数量；f₀₁为正常轴承被预测为故障的数量；λ_mean为a_AMC1和a_AMC2的几何平均；

对增强数据集与降维数据集进行融合得到扩充数据集，通过扩充数据集训练得到进行在线故障诊断的第二Softmax分类器；

实时采集在线数据，通过提取振动特征得到数据数据集，而后对采集的数据进行PCA降维，形成在线诊断集，将在线训练集输入至第二Softmax分类器内，得到轴承故障诊断模型，通过轴承故障诊断模型进行轴承在线诊断，得到轴承在线诊断结果。

2.如权利要求1所述的航空发动机轴承故障在线诊断方法，其特征在于，所述增强数据集的生成方法包括：

在高斯分布中随机采样生成随机噪声，对随机噪声进行分类并将随机噪声及其对应的辅助分类标签输入至生成器，得到生成数据；

将生成数据与通过采集轴承振动特征的真实数据输入至判别器内，形成混合数据，对混合数据进行判别，得到真/假数据与不同的故障类型数据，完成一次训练；

分别依次更新第一Softmax分类器和判别器的网络参数，再次获取生成数据和真实数据进行循环判别，并将判定有效的合成数据输入至增强数据集内，直至完成设定的循环数或者增强数据集内的数据量满足设计要求。

3.如权利要求1所述的航空发动机轴承故障在线诊断方法，其特征在于：所述工况振动特征值包括样本输入轴转速的平均值、样本输入轴转速的方差、样本扭矩的平均值和样本扭矩的方差；所述时域振动特征值包括加速度有效值、加速度波形指标、加速度峰值指标、加速度脉冲指标、加速度裕度指标、加速度峭度指标、速度有效值、速度波形指标、速度峰值指标、速度脉冲指标、速度裕度指标和速度峭度指标；所述频域振动特征值包括轴承所在轴转频1、2、3阶幅值和频谱中幅值前100的频率值。

4.如权利要求1所述的航空发动机轴承故障在线诊断方法，其特征在于，所述自注意力模型的建立方法包括：

设置三个通道节点F(x)、G(x)和H(x)，在不同的通道节点上分别设置不同的权重矩阵W^K、W^Q和W^V，将输入x分别乘上不同的权重矩阵，得到：

计算F(x)和G(x)之间的关联矩阵S：

S＝F^T·G

计算F(x)和G(x)之间的相关程度：

式中：s_ij为关联矩阵S的元素；

得到自注意力模型的输出特征：

加入权重系数γ，进行领域信息与远距离特征的整合，得到：

y_i＝γo_i+x_i。

5.如权利要求1所述的航空发动机轴承故障在线诊断方法，其特征在于，所述ACGAN算法模型对降维数据集进行训练的方法为：

定义降维数据集X＝{x₁,x₂,…,x_N},其中x_i为第i个样本，N为样本总数；生成器G的损失函数设置为：

将辅助分类标签c加入生成器中，得到表征数据真实与否的损失函数L_S为：

判别器D的损失函数L_D设置为：

设置辅助分类器C并引入至判别器D内，得到表征数据分类准确度的损失函数L_C为：

引入沃瑟斯坦度量，构建整体训练的目标函数，度量生成样本和真实样本的差别，构建基于自注意力的ACGAN模型，则基于自注意力的ACGAN整体训练的目标函数为：

6.如权利要求5所述的航空发动机轴承故障在线诊断方法，其特征在于，在建立目标函数的同时，构建梯度惩罚项：

式中：||·||_p表示p范数；λ为正则项系数；其中ε～U(0,1)，U为均匀分布。