CN117629637B - 一种航空发动机轴承故障诊断方法及诊断*** - Google Patents
一种航空发动机轴承故障诊断方法及诊断*** Download PDFInfo
- Publication number
- CN117629637B CN117629637B CN202410098091.0A CN202410098091A CN117629637B CN 117629637 B CN117629637 B CN 117629637B CN 202410098091 A CN202410098091 A CN 202410098091A CN 117629637 B CN117629637 B CN 117629637B
- Authority
- CN
- China
- Prior art keywords
- confidence
- rule
- classifier
- layer
- fault diagnosis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 136
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 22
- 230000004927 fusion Effects 0.000 claims abstract description 5
- 238000009826 distribution Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000004044 response Effects 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004880 explosion Methods 0.000 abstract description 4
- 239000010410 layer Substances 0.000 description 68
- 239000000203 mixture Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 239000002355 dual-layer Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种航空发动机轴承故障诊断方法及诊断***,涉及故障诊断技术领域,通过构建双层置信规则分类器,双层置信规则分类器的第一层分类器使用证据推理方法完成规则的融合和初步的故障诊断,第二层分类器基于第一层分类器的初步诊断结果分别构建多个附属置信规则库,每个规则库分别应用证据推理方法完成推理,最后通过优化迭代,得到综合故障诊断结果;本发明使用第一层分类器利用区间结构解决组合规则***问题,第二层分类器利用多个附属置信规则库完成最终的故障诊断,将多分类问题转换为各附属置信规则库的二分类问题,在优化过程中添加了可解释性约束,保证优化后的参数符合专家知识和实际情况;实现对航空发动机轴承的故障诊断。
Description
技术领域
本发明涉及故障诊断技术领域,尤其涉及一种航空发动机轴承故障诊断方法及诊断***。
背景技术
航空发动机作为飞行器的核心组件,其平稳运转对于确保飞行安全至关重要。而在发动机的运行过程中,滚动轴承是承担巨大载荷的关键组成部分,其工作环境恶劣,极易产生故障。这可能导致严重飞行事故的发生。因此,对航空发动机轴承的故障诊断方法进行深入研究,有助于及时发现轴承早期故障的特征,从而有效预防事故的发生。
因此,有必要提供一种航空发动机轴承故障诊断方法及诊断***解决上述技术问题。
发明内容
为解决上述技术问题,本发明提供一种航空发动机轴承故障诊断方法及诊断***,本发明使用双层置信规则结构,第一层分类器利用参考区间结构解决组合规则***问题,第二层分类器利用多个附属置信规则库完成最终的故障诊断,在优化过程中添加了可解释性约束,保证优化后的参数符合专家知识库中的给定范围;本发明通过上述方法实现对航空发动机轴承的故障诊断,使得诊断结果更加准确可靠,诊断过程更加透明。
本发明提供的一种航空发动机轴承故障诊断方法,诊断方法包括以下步骤:
获取航空发动机的实测样本数据,其中,所述实测样本数据为轴承不同故障条件下航空发动机的振动信号数据,且所述振动信号数据包括位移响应和加速度响应;
基于所述实测样本数据构建故障诊断指标体系,其中,所述故障诊断指标体系包括至少一个指标;
根据所述故障诊断指标体系确定与所述指标对应的参考值,并基于所有所述指标对应的参考值构建参考值集合;
基于所述参考值集合构建双层置信规则分类器;
利用所述双层置信规则分类器对航空发动机的轴承进行故障诊断,得到故障诊断结果。
优选的,所述基于所述实测样本数据构建故障诊断指标体系,包括:
对所述振动信号数据进行数据预处理,其中,数据预处理包括对所述实测样本数据中的缺失值、异常值和噪声进行清洗,以及归一化处理;
对数据预处理后的所述振动信号数据进行特征提取,得到关联轴承的第一特征集,其中,所述第一特征集包括频域特征、时域特征和统计特征;
对所述第一特征集进行特征筛选,得到第二特征集;
基于所述第二特征集构建故障诊断指标体系。
优选的,所述根据所述故障诊断指标体系确定与所述指标对应的参考值,并基于所有所述指标对应的参考值构建参考值集合,包括:
基于轴承的历史故障数据构建专家知识库,其中,所述专家知识库包括轴承的不同故障模式下的典型振动特征,以及不同故障模式之间的关联;
基于所述专家知识库和轴承的历史故障数据确定每个指标的参考值;
基于所有参考值构建参考值集合。
优选的,所述基于所述参考值集合构建双层置信规则分类器,包括:
根据所述参考值集合构建所述双层置信规则分类器的第一层分类器,并由第一层分类器输出初步诊断结果,其中,所述第一层分类器包括区间结构的置信规则库,所述区间结构的置信规则库中的第k条规则表示为:
;
其中,表示一次构建的航空发动机轴承的故障指标体系,/>表示体系中指标个数,/>表示各个指标的参考区间,/>是诊断结果的集合,表示第k条规则中,第j个结果的置信度,/>表示规则权重,/>表示规则可靠度;
基于所述初步诊断结果和专家知识库构建所述双层置信规则分类器的第二层分类器,其中,所述第
二层分类器包括至少一个附属置信规则库,所述附属置信规则库的第k条规则表示为:
;
其中,表示二次构建的航空发动机轴承的故障指标体系,表示第i个指标的第p个参考值,num是第i个指标拥有的参考值总数,/>表示属性权重,/>表示规则权重,/>表示规则可靠度。
优选的, 所述根据所述参考值集合构建所述双层置信规则分类器的第一层分类器,其中,所述第一层分类器包括基于所述参考值集合构建的区间结构的置信规则库,包括:
基于故障诊断指标体系和参考值集合构建区间结构的置信规则库,并作为所述双层置信规则分类器的第一层分类器;
在第一层分类器构建完成后,基于证据推理规则对所述区间结构的置信规则库中的规则进行融合,完成故障的初步诊断,以得到初步诊断结果。
优选的,所述基于证据推理规则对所述区间结构的置信规则库中的规则进行融合,完成故障的初步诊断,以得到初步诊断结果,包括:
将第i个证据,即第i条规则进行置信分布表示,具体为:
;
其中,表示/>证据下,初步诊断结果被评估为/>的评价计划的可信度,/>表示第i个属性在辨识框架/>情况下的置信度;
基于证据权重和证据置信度,对第i个证据的置信分布进行混合加权,混合加权后的第i个证据的置信分布表示为:
;
其中,表示辨识框架的幂集,且需满足条件/>,/>表示第i个证据在辨识框架/>下的混合概率质量,/>表示第i个证据在评价等级/>下的混合概率质量;
第i个证据在评价等级下的混合概率质量/>的计算公式为:
;
;
;
其中,表示归一化系数,/>和/>分别表示证据/>的可靠度和权重;
对于任意两条独立证据和/>,假设其置信分布形式可由/>表达,则两条证据对命题/>的联合支持/>由以下公式计算得出:
;
;
基于以上两条独立证据联合支持的计算过程,对于L条独立证据对命题的联合支撑度/>,可以通过不断迭代以下公式得到:
;
;
;
;
其中,前k条证据融合后的结果的置信度记为/>,/>反映了前k条证据组合后对命题/>的联合支持程度,输出置信分布/>和期望效用值/>为:
;
;
其中代表结果/>下的效用值,/>表示辨识框架/>下的效用值,/>表示L条独立证据对辨识框架/>的联合支撑度。
优选的,基于所述初步诊断结果和专家知识库构建所述双层置信规则分类器的第二层分类器,其中,所述第二层分类器包括至少一个附属置信规则库,包括:
基于故障诊断指标体系和所述初步诊断结果对所述参考值集合进行细分;
构建第二层分类器的各个附属置信规则库的置信分布;
基于细分的参考值集合和各个附属置信规则库的置信分布,利用证据推理解析算法对所述初步诊断结果进行推理,得到推理结果,其中,所述推理结果包括置信度和效用值;
基于P-CMA-ES方法对置信度,以及专家知识库输入的规则权重和属性权重进行迭代优化,得到最终诊断结果。
优选的,所述基于细分的参考值集合和各个附属置信规则库的置信分布,利用证据推理解析算法对所述初步诊断结果进行推理,得到推理结果,包括:
首先,计算匹配度,计算公式为:
;
其中,代表第/>个输入的第/>个参考值;
然后,计算规则激活权重,即输入信息对规则的激活程度,其计算公式为:
;
其中是输入信息相对参考值的匹配度,/>表示初始规则权重,/>表示初始属性权重。若/>,则表示该条规则没有被激活。
接着根据规则的激活权重,计算输出的故障诊断结果,计算公式为:
;
;
其中,表示第n个输出参考等级/>的组合输出置信度;上述/>和/>分别表示置信规则的数量和输出等级的数量,/>表示效用值。
最后,计算期望效用值,得到最终的输出结果,计算公式如下:
;
其中,y表示置信规则库的最终输出,可以表示为,/>表示输出等级的数量,/>表示单个评价结果/>的效用,/>表示最终的期望效用。
优选的,所述基于P-CMA-ES方法对置信度,以及专家知识库输入的规则权重和属性权重进行迭代优化,得到最终诊断结果,包括:
构建优化模型,其中,所述优化模型为:
;
;
其中,和/>别表示置信规则库的预测值和真实值,/>表示数据样本的数量;
基于可解释性约束条件和可解释性约束条件/>对所述优化模型进行优化,其中,可解释性约束条件/>和可解释性约束条件/>分别为:
;
;
本发明还提供了一种航空发动机轴承故障诊断***,包括:
数据获取模块,用于获取航空发动机的实测样本数据,其中,所述实测样本数据为轴承不同故障条件下航空发动机的振动信号数据,且所述振动信号数据包括位移响应和加速度响应;
故障诊断指标体系构建模块,用于基于所述实测样本数据构建故障诊断指标体系,其中,所述故障诊断指标体系包括至少一个指标;
参考值集合构建模块,用于根据所述故障诊断指标体系确定与所述指标对应的参考值,并基于所有所述指标对应的参考值构建参考值集合;
双层置信规则分类器构建模块,用于基于所述参考值集合构建双层置信规则分类器;
故障诊断模块,用于利用所述双层置信规则分类器对航空发动机的轴承进行故障诊断,得到故障诊断结果。
与相关技术相比较,本发明提供的一种航空发动机轴承故障诊断方法及诊断***具有如下有益效果:
本发明通过结合专家知识和对采集的实测样本数据提取影响航空发动机的第二特征集,以构建故障诊断指标体系,并结合专家知识构建双层置信规则分类模型,其中,双层置信规则分类模型的第一层分类器使用证据推理方法完成规则的融合和初步的故障诊断,第二层分类器结合第一层分类器的初步诊断结果,分别构建多个附属置信规则库,每个规则库分别进行推理和优化迭代过程,得到综合故障诊断结果;本发明结合专家知识和实测数据样本,应用置信规则库这一基础方法实现两种信息的融合处理,使得故障诊断结果更加准确可靠;使用双层置信规则结构,第一层分类器利用参考区间结构解决组合规则***问题,第二层分类器利用多个附属置信规则库完成最终的故障诊断,在优化过程中添加了可解释性约束,保证优化后的参数符合专家知识库中的给定范围;本发明通过上述方法实现对航空发动机轴承的故障诊断,使得诊断结果更加准确可靠,诊断过程更加透明。
附图说明
图1为本发明提供的一种航空发动机轴承故障诊断方法的流程图;
图2为本发明提供的一种航空发动机轴承故障诊断方法的另一种流程图;
图3为本发明中构建双层置信规则分类器的流程图;
图4为本发明中构建第一层分类器的流程图;
图5为本发明中构建第二层分类器的流程图;
图6为本发明提供的一种航空发动机轴承故障诊断***的模块结构图。
具体实施方式
下面结合附图和实施方式对本发明做进一步说明。
实施例一
本发明提供的一种航空发动机轴承故障诊断方法,参考图1和图2所示,诊断方法包括以下步骤:
S1:获取航空发动机的实测样本数据,其中,所述实测样本数据为轴承不同故障条件下航空发动机的振动信号数据,且所述振动信号数据包括位移响应和加速度响应。
具体的,通过在不同故障条件下,在航空发动机多点设置多种振动信号传感器对航空发动机的振动信号数据进行采集,整理并得到实测样本数据,且获取的振动信号数据样本类型包括但不限于位移响应和加速度响应。
S2:基于所述实测样本数据构建故障诊断指标体系,其中,所述故障诊断指标体系包括至少一个指标。
具体的,对步骤S1中获取的实测样本数据进行特征提取,并结合该领域专家知识选择影响航空发动机轴承健康状况的主要特征,以选择的特征构建故障诊断的指标体系。
在本实施例中,步骤S2包括:
对所述振动信号数据进行数据预处理,其中,数据预处理包括对所述实测样本数据中的缺失值、异常值和噪声进行清洗,以及归一化处理。
具体的,数据预处理操作即对缺失值、异常值和噪声进行清洗,同时包括归一化等操作,以确保振动信号数据的质量和可用性。
对数据预处理后的所述振动信号数据进行特征提取,得到关联轴承的第一特征集,其中,所述第一特征集包括频域特征、时域特征和统计特征。
具体的,从振动信号数据中提取与航空发动机轴承健康状况相关的第一特征集,且提取的第一特征集包括但不限于频域特征、时域特征、统计特征等。
对所述第一特征集进行特征筛选,得到第二特征集。
具体的,结合该领域专家知识对第一特征集进行特征选择,选择最具代表性和关键的第二特征集,以此来构建故障诊断的指标体系。
基于所述第二特征集构建故障诊断指标体系。
具体的,故障诊断指标体系包括一系列数值型特征,代表着指标,并反映了轴承不同方面的健康状况,这些指标将作为后续构建双层置信规则分类器的输入。
S3:根据所述故障诊断指标体系确定与所述指标对应的参考值,并基于所有所述指标对应的参考值构建参考值集合。
具体的,由相关领域专家根据对航空发动机轴承的故障数据分析和对其工作原理的理解,构建专家知识库,并根据建立的故障诊断指标体系,确定指标的参考值或参考区间,从而构建对应的参考值集合。
在本实施例中,步骤S3包括:
基于轴承的历史故障数据构建专家知识库,其中,所述专家知识库包括轴承的不同故障模式下的典型振动特征,以及不同故障模式之间的关联。
具体的,与相关领域专家协作,收集有关航空发动机轴承故障的专业知识,其中,专家可能包括机械工程师、航空工程师等,需具备对航空发动机轴承工作原理和常见故障模式的深入理解,能够基于历史故障数据分析,确定航空轴承的常见故障模式、典型特征和相关影响因素,最终,从专家协作和故障数据分析中提取关键的规则、关联和经验知识,以建立专家知识库,这些知识可能包括不同故障模式的典型振动特征、故障模式之间的关联等,针对故障诊断问题,知识库的表示形式包括但不限于故障树等方式。
基于所述专家知识库和轴承的历史故障数据确定每个指标的参考值。
具体的,对于故障诊断指标体系中的每个指标,根据专家知识和历史数据,确定其参考值或参考区间,这些参考值可以是故障状态的典型阈值,也可以是正常工作状态的典型范围。
基于所有参考值构建参考值集合。
具体的,最后将所有选定特征的参考值或参考区间组织成一个集合,即参考值集合。
S4:基于所述参考值集合构建双层置信规则分类器。
具体的,构建双层置信规则分类器时,首先根据初始的参考值集合构建第一层分类器的置信规则库,作为分类器的第一层,然后,根据第一层分类器的初步诊断结果,并结合专家知识库分别构建多个附属置信规则库,作为分类器的第二层分类器,每个附属置信规则库分别进行推理和优化迭代过程,得到故障诊断结果。
在本实施例中,参考图3和图4所示,步骤S4包括:
根据所述参考值集合构建所述双层置信规则分类器的第一层分类器,并由第一层分类器输出初步诊断结果,其中,所述第一层分类器包括区间结构的置信规则库,所述区间结构的置信规则库中的第k条规则表示为:
;
其中,表示一次构建的航空发动机轴承的故障指标体系,/>表示体系中指标个数,/>表示各个指标的参考区间,/>是诊断结果的集合,示第k条规则中,第j个结果的置信度,/>表示规则权重,/>表示规则可靠度。
具体的,上述步骤包括:
基于故障诊断指标体系和参考值集合构建区间结构的置信规则库,并作为所述双层置信规则分类器的第一层分类器。
在第一层分类器构建完成后,基于证据推理规则对所述区间结构的置信规则库中的规则进行融合,完成故障的初步诊断,以得到初步诊断结果。
具体的,融合的具体过程为:
将第i个证据,即第i条规则进行置信分布表示,具体为:
;
其中,表示/>证据下,初步诊断结果被评估为的评价计划的可信度,/>表示第i个属性在辨识框架/>情况下的置信度;
基于证据权重和证据置信度,对第i个证据的置信分布进行混合加权,混合加权后的第i个证据的置信分布表示为:
;
其中,表示辨识框架的幂集,且需满足条件/>,/>表示第i个证据在辨识框架/>下的混合概率质量,/>表示第i个证据在评价等级/>下的混合概率质量;
第i个证据在评价等级下的混合概率质量/>的计算公式为:
;
;
;
其中,表示归一化系数,/>和/>分别表示证据/>的可靠度和权重;
对于任意两条独立证据和/>,假设其置信分布形式可由/>表达,则两条证据对命题/>的联合支持/>由以下公式计算得出:
;
;
基于以上两条独立证据联合支持的计算过程,对于L条独立证据对命题的联合支撑度/>,可以通过不断迭代以下公式得到:
;
;
;
;
其中,前k条证据融合后的结果的置信度记为/>,/>反映了前k条证据组合后对命题/>的联合支持程度,输出置信分布/>和期望效用值/>为:
;
;
其中代表结果/>下的效用值,/>表示辨识框架/>下的效用值,/>表示L条独立证据对辨识框架/>的联合支撑度。
基于所述初步诊断结果和专家知识库构建所述双层置信规则分类器的第二层分类器,其中,所述第
二层分类器包括至少一个附属置信规则库,所述附属置信规则库的第k条规则表示为:
;
其中,表示二次构建的航空发动机轴承的故障指标体系,表示第i个指标的第p个参考值,num是第i个指标拥有的参考值总数,/>表示属性权重,/>表示规则权重,/>表示规则可靠度。
第二层分类器的构建过程具体为:
基于故障诊断指标体系和所述初步诊断结果对所述参考值集合进行细分。
构建第二层分类器的各个附属置信规则库的置信分布。
基于细分的参考值集合和各个附属置信规则库的置信分布,利用证据推理解析算法对所述初步诊断结果进行推理,得到推理结果,其中,所述推理结果包括置信度和效用值。
通过第二层分类器的附属置信规则库的证据推理和参数优化迭代,得到航空发动机轴承的故障诊断结果,并以对应的置信度和期望效用的形式来展示;通过第二层分类器的附属置信规则库的证据推理和参数优化迭代,得到航空发动机轴承的故障诊断结果,对于附属置信规则库,采用ER解析算法进行推理,具体的推理过程为:
首先,计算匹配度,计算公式为:
;
其中,代表第/>个输入的第/>个参考值;
然后,计算规则激活权重,即输入信息对规则的激活程度,其计算公式为:
;
其中是输入信息相对参考值的匹配度,/>表示初始规则权重,/>表示初始属性权重。若/>,则表示该条规则没有被激活。
接着根据规则的激活权重,计算输出的故障诊断结果,计算公式为:
;
;
其中,表示第n个输出参考等级/>的组合输出置信度;上述/>和/>分别表示置信规则的数量和输出等级的数量,/>表示效用值。
最后,计算期望效用值,得到最终的输出结果,计算公式如下:
;
其中,y表示置信规则库的最终输出,可以表示为,/>表示输出等级的数量,/>表示单个评价结果/>的效用,/>表示最终的期望效用。
基于P-CMA-ES方法对置信度,以及专家知识库输入的规则权重和属性权重进行迭代优化,得到最终诊断结果。
优化过程为:
构建优化模型,要构建优化模型,首先要明确被优化的功能,被优化的函数表示为:
;
;
其中,和/>分别表示置信规则库的预测值和真实值,/>表示数据样本的数量。
被优化的参数分别是规则权重、置信度和属性可靠度,由于优化过程会对方法可解释性产生负面影响,所以在优化过程中加入了可解释性约束,使优化结果不违背初始的专家判断,且各被优化参数保持其原始物理含义。
基于可解释性约束条件和可解释性约束条件/>对所述优化模型进行优化,其中,可解释性约束条件/>和可解释性约束条件/>分别为:/>
;
;
其中,可解释性约束条件保证了指标保持其原有的物理意义,可解释性约束条件保证优化后的置信分布符合实际诊断结果,保证每条规则的置信分布曲线是单调的或者凸的,相关阈值和界限均由专家知识库提供和决定。
S5:利用所述双层置信规则分类器对航空发动机的轴承进行故障诊断,得到故障诊断结果。
本发明提供一种航空发动机轴承故障诊断方法,其工作原理为:通过构建双层置信规则分类器,双层置信规则分类器的第一层分类器使用证据推理方法完成规则的融合和初步的故障诊断,第二层分类器基于第一层分类器的初步诊断结果分别构建多个附属置信规则库,每个规则库分别应用证据推理方法完成推理,最后通过优化迭代,得到综合故障诊断结果;本发明使用第一层分类器利用区间结构解决组合规则***问题,第二层分类器利用多个附属置信规则库完成最终的故障诊断,将多分类问题转换为各附属置信规则库的二分类问题,在优化过程中添加了可解释性约束,保证优化后的参数符合专家知识和实际情况;实现对航空发动机轴承的故障诊断,使得诊断结果更加准确可靠,诊断过程更加透明。
实施例
本发明还提供了一种航空发动机轴承故障诊断***,应用于上述的一种航空发动机轴承故障诊断方法,包括:
数据获取模块,用于获取航空发动机的实测样本数据,其中,所述实测样本数据为轴承不同故障条件下航空发动机的振动信号数据,且所述振动信号数据包括位移响应和加速度响应。
故障诊断指标体系构建模块,用于基于所述实测样本数据构建故障诊断指标体系,其中,所述故障诊断指标体系包括至少一个指标。
参考值集合构建模块,用于根据所述故障诊断指标体系确定与所述指标对应的参考值,并基于所有所述指标对应的参考值构建参考值集合。
双层置信规则分类器构建模块,用于基于所述参考值集合构建双层置信规则分类器。
故障诊断模块,用于利用所述双层置信规则分类器对航空发动机的轴承进行故障诊断,得到故障诊断结果。
本申请是参照根据本申请实施例的方法、设备(***)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框,以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一种计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器,或者能够用于携带或存储数据的计算机可读的任何其他介质。
还需要说明的是,术语“包括”“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
Claims (5)
1.一种航空发动机轴承故障诊断方法,其特征在于,诊断方法包括以下步骤:
获取航空发动机的实测样本数据,其中,所述实测样本数据为轴承不同故障条件下航空发动机的振动信号数据,且所述振动信号数据包括位移响应和加速度响应;
基于所述实测样本数据构建故障诊断指标体系,其中,所述故障诊断指标体系包括至少一个指标;具体包括:
对所述振动信号数据进行数据预处理,其中,数据预处理包括对所述实测样本数据中的缺失值、异常值和噪声进行清洗,以及归一化处理;
对数据预处理后的所述振动信号数据进行特征提取,得到关联轴承的第一特征集,其中,所述第一特征集包括频域特征、时域特征和统计特征;
对所述第一特征集进行特征筛选,得到第二特征集;
基于所述第二特征集构建故障诊断指标体系;
根据所述故障诊断指标体系确定与所述指标对应的参考值,并基于所有所述指标对应的参考值构建参考值集合;具体包括:
基于轴承的历史故障数据构建专家知识库,其中,所述专家知识库包括轴承的不同故障模式下的典型振动特征,以及不同故障模式之间的关联;
基于所述专家知识库和轴承的历史故障数据确定每个指标的参考值;
基于所有参考值构建参考值集合;
基于所述参考值集合构建双层置信规则分类器;具体包括:
根据所述参考值集合构建所述双层置信规则分类器的第一层分类器,并由第一层分类器输出初步诊断结果,其中,所述第一层分类器包括区间结构的置信规则库,所述区间结构的置信规则库中的第k条规则表示为:
Rule(k):
With rule weight rwk,rule reliability rγk
其中,表示一次构建的航空发动机轴承的故障指标体系,Mk表示体系中指标个数,Intervali(i=1,…Mk)表示各个指标的参考区间,{D1,…DN}是诊断结果的集合,βj,k表示第k条规则中,第j个结果的置信度,rwk表示规则权重,rγk表示规则可靠度;
其中,根据所述参考值集合构建所述双层置信规则分类器的第一层分类器,其中,所述第一层分类器包括基于所述参考值集合构建的区间结构的置信规则库,包括:
基于故障诊断指标体系和参考值集合构建区间结构的置信规则库,并作为所述双层置信规则分类器的第一层分类器;
在第一层分类器构建完成后,基于证据推理规则对所述区间结构的置信规则库中的规则进行融合,完成故障的初步诊断,以得到初步诊断结果;具体包括:
将第i个证据,即第i条规则进行置信分布表示,具体为:
ei={(Dn,βn,i),n=1,…,N;(∵,β∵,i)}
其中,βn,i表示ei证据下,初步诊断结果被评估为Dn的评价计划的可信度,β∵,i表示第i个属性在辨识框架∵情况下的置信度;
基于证据权重和证据置信度,对第i个证据的置信分布进行混合加权,混合加权后的第i个证据的置信分布表示为:
其中,β(∵)表示辨识框架的幂集,且需满足条件 表示第i个证据在辨识框架∵下的混合概率质量,/>表示第i个证据在评价等级Dn下的混合概率质量;
第i个证据在评价等级Dn下的混合概率质量的计算公式为:
其中,drω,i表示归一化系数,ri和分别表示证据ei的可靠度和权重;
对于任意两条独立证据ei和ej,假设其置信分布形式可由表达,则两条证据对命题Dn的联合支持βN,e(2)由以下公式计算得出:
基于以上两条独立证据联合支持的计算过程,对于L条独立证据对命题Dn的联合支撑度βn,e(L),可以通过不断迭代以下公式得到:
其中,前k条证据融合后的Dn结果的置信度记为βn,e(k),mn,e(k)反映了前k条证据组合后对命题Dn的联合支持程度,
输出置信分布e(L)和期望效用值U为:
e(L)={(Dn,βn,e(L)),n=1,…,N,(∵,β∵,e(L))}
其中μ(Dn)代表结果Dn下的效用值,μ(∵)表示辨识框架∵下的效用值,β∵,e(L)表示L条独立证据对辨识框架∵的联合支撑度;
基于所述初步诊断结果和专家知识库构建所述双层置信规则分类器的第二层分类器,其中,所述第二层分类器包括至少一个附属置信规则库,所述附属置信规则库的第k条规则表示为:
Rule(k):
其中,表示二次构建的航空发动机轴承的故障指标体系,表示第i个指标的第p个参考值,num是第i个指标拥有的参考值总数,δi表示属性权重,/>表示规则权重,rk表示规则可靠度;
利用所述双层置信规则分类器对航空发动机的轴承进行故障诊断,得到故障诊断结果。
2.根据权利要求1所述的一种航空发动机轴承故障诊断方法,其特征在于,基于所述初步诊断结果和专家知识库构建所述双层置信规则分类器的第二层分类器,其中,所述第二层分类器包括至少一个附属置信规则库,包括:
基于故障诊断指标体系和所述初步诊断结果对所述参考值集合进行细分;
构建第二层分类器的各个附属置信规则库的置信分布;
基于细分的参考值集合和各个附属置信规则库的置信分布,利用证据推理解析算法对所述初步诊断结果进行推理,得到推理结果,其中,所述推理结果包括置信度和效用值;
基于P-CMA-ES方法对置信度,以及专家知识库输入的规则权重和属性权重进行迭代优化,得到最终诊断结果。
3.根据权利要求2所述的一种航空发动机轴承故障诊断方法,其特征在于,所述基于细分的参考值集合和各个附属置信规则库的置信分布,利用证据推理解析算法对所述初步诊断结果进行推理,得到推理结果,包括:
首先,计算匹配度计算公式为:
其中,代表第i个输入的第k个参考值;
然后,计算规则激活权重wk,即输入信息对规则的激活程度,其计算公式为:
其中是输入信息相对参考值的匹配度,/>表示初始规则权重,δi表示初始属性权重。若wk=0,则表示该条规则没有被激活。
接着根据规则的激活权重,计算输出的故障诊断结果,计算公式为:
其中,βn表示第n个输出参考等级Dn的组合输出置信度;上述L和N分别表示置信规则的数量和输出等级的数量,μ表示效用值。
最后,计算期望效用值,得到最终的输出结果,计算公式如下:
其中,y表示置信规则库的最终输出,可以表示为N表示输出等级的数量,μn表示单个评价结果Dn的效用,μ(y)表示最终的期望效用。
4.根据权利要求3所述的一种航空发动机轴承故障诊断方法,其特征在于,所述基于P-CMA-ES方法对置信度,以及专家知识库输入的规则权重和属性权重进行迭代优化,得到最终诊断结果,包括:
构建优化模型,其中,所述优化模型为:
minMSE(rwk,βi,k,δk)
st.
0≤rwk≤1
0≤βi,k≤1
0≤δk≤1,
k=1,2,…L
i=1,2,…N
其中,outputmodel和outputactual分别表示置信规则库的预测值和真实值,T表示数据样本的数量;
基于可解释性约束条件C1和可解释性约束条件C2对所述优化模型进行优化,其中,可解释性约束条件C1和可解释性约束条件C2分别为:
C1:
C2:
5.一种航空发动机轴承故障诊断***,应用于上述权利要求1至4任意一项所述的一种航空发动机轴承故障诊断方法,其特征在于,包括:
数据获取模块,用于获取航空发动机的实测样本数据,其中,所述实测样本数据为轴承不同故障条件下航空发动机的振动信号数据,且所述振动信号数据包括位移响应和加速度响应;
故障诊断指标体系构建模块,用于基于所述实测样本数据构建故障诊断指标体系,其中,所述故障诊断指标体系包括至少一个指标;
参考值集合构建模块,用于根据所述故障诊断指标体系确定与所述指标对应的参考值,并基于所有所述指标对应的参考值构建参考值集合;
双层置信规则分类器构建模块,用于基于所述参考值集合构建双层置信规则分类器;
故障诊断模块,用于利用所述双层置信规则分类器对航空发动机的轴承进行故障诊断,得到故障诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410098091.0A CN117629637B (zh) | 2024-01-24 | 2024-01-24 | 一种航空发动机轴承故障诊断方法及诊断*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410098091.0A CN117629637B (zh) | 2024-01-24 | 2024-01-24 | 一种航空发动机轴承故障诊断方法及诊断*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117629637A CN117629637A (zh) | 2024-03-01 |
CN117629637B true CN117629637B (zh) | 2024-04-30 |
Family
ID=90035896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410098091.0A Active CN117629637B (zh) | 2024-01-24 | 2024-01-24 | 一种航空发动机轴承故障诊断方法及诊断*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117629637B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569478A (zh) * | 2021-07-27 | 2021-10-29 | 郑州铁路职业技术学院 | 基于元素影响度和置信规则库的旋转机械故障诊断方法 |
CN115655717A (zh) * | 2022-10-21 | 2023-01-31 | 厦门大学 | 一种基于深度领域泛化网络的轴承故障诊断方法 |
CN116625686A (zh) * | 2023-05-04 | 2023-08-22 | 中国航发沈阳发动机研究所 | 一种航空发动机轴承故障在线诊断方法 |
CN117421633A (zh) * | 2023-10-25 | 2024-01-19 | 哈尔滨师范大学 | 一种智能可信的旋转机械层级架构故障诊断方法 |
CN117421556A (zh) * | 2023-10-25 | 2024-01-19 | 哈尔滨师范大学 | 一种解决模糊性和不确定性的可信航空设备故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11941521B2 (en) * | 2020-09-11 | 2024-03-26 | Acoem France | Vibrating machine automated diagnosis with supervised learning |
-
2024
- 2024-01-24 CN CN202410098091.0A patent/CN117629637B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569478A (zh) * | 2021-07-27 | 2021-10-29 | 郑州铁路职业技术学院 | 基于元素影响度和置信规则库的旋转机械故障诊断方法 |
CN115655717A (zh) * | 2022-10-21 | 2023-01-31 | 厦门大学 | 一种基于深度领域泛化网络的轴承故障诊断方法 |
CN116625686A (zh) * | 2023-05-04 | 2023-08-22 | 中国航发沈阳发动机研究所 | 一种航空发动机轴承故障在线诊断方法 |
CN117421633A (zh) * | 2023-10-25 | 2024-01-19 | 哈尔滨师范大学 | 一种智能可信的旋转机械层级架构故障诊断方法 |
CN117421556A (zh) * | 2023-10-25 | 2024-01-19 | 哈尔滨师范大学 | 一种解决模糊性和不确定性的可信航空设备故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
基于故障样本的滚动轴承故障诊断置信规则库研究;钱虹等;电力科学与技术学报;20200128;第第35卷卷(第第1期期);第144-150页 * |
考虑环境干扰的液体运载火箭结构安全性评估方法;胡昌华;冯志超;周志杰;胡冠宇;贺维;曹友;;中国科学:信息科学;20201016(10);第1559-1573页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117629637A (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583570B (zh) | 基于深度学习确定桥梁健康监测***异常数据来源的方法 | |
Ragab et al. | Remaining useful life prediction using prognostic methodology based on logical analysis of data and Kaplan–Meier estimation | |
US20220358363A1 (en) | Engine surge fault prediction system and method based on fusion neural network model | |
CN110807257A (zh) | 航空发动机剩余寿命预测方法 | |
Neves et al. | An approach to decision‐making analysis for implementation of structural health monitoring in bridges | |
CN109766583A (zh) | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 | |
CN112347898B (zh) | 一种基于dcae神经网络的滚动轴承健康指标构建方法 | |
JP4967474B2 (ja) | 判定知識作成装置、判定知識作成方法、プログラムおよび記録媒体 | |
CN111337244B (zh) | 一种风机齿轮箱输入轴故障监测和诊断的方法及装置 | |
CN112257914B (zh) | 一种基于随机森林的航空安全因果预测方法 | |
Shi et al. | A novel unsupervised real‐time damage detection method for structural health monitoring using machine learning | |
Vagnoli et al. | An automatic bridge damage diagnostics method using empirical mode decomposition based health indicators and neuro‐fuzzy classification | |
CN117629637B (zh) | 一种航空发动机轴承故障诊断方法及诊断*** | |
CN117076869B (zh) | 旋转机械时频域融合故障诊断方法及*** | |
CN113988220A (zh) | 一种采煤机健康状态评估方法 | |
CN117473260A (zh) | 一种数模联动的航天轴承剩余寿命预测方法 | |
CN114580472B (zh) | 工业互联网中因果与注意力并重的大型设备故障预测方法 | |
CN114637620B (zh) | 一种基于svm算法的数据库***异常分类预测方法 | |
CN116186507A (zh) | 一种特征子集的选取方法、装置及存储介质 | |
CN112560252B (zh) | 一种航空发动机剩余寿命预测方法 | |
CN113347014B (zh) | 基于时间序列的工业控制***态势组合预测方法 | |
CN113033903A (zh) | 一种LSTM模型和seq2seq模型的水果价格预测方法、介质及设备 | |
CN112069621A (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
Tang et al. | The improvement of remaining useful life prediction for aero-engines by classification and deep learning | |
CN118051743B (zh) | 一种航空发动机气路故障诊断方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |