[发明专利]一种基于特征融合的发动机故障诊断方法

说明书

本发明设计一种基于特征融合的发动机故障诊断方法，使用特征融合以及支持向量机，完成发动机故障诊断，并将发动机各种故障更加精确地识别出来。首先对研究数据进行模态分解，然后选取奇异值、近似熵以及样本熵作为故障特征，最后将这三个特征进行融合并输入到SVM分类器中进行训练、测试以及仿真，使得故障诊断的精确度大大提高。

技术领域

本发明属于发动机故障诊断技术研究领域，特别涉及一种基于特征融合的发动机故障诊断方法。

背景技术

在所有飞行器的各类部件当中，航空发动机是其中的核心机械系统之一。

以民航客机为例，航空发动机既是支持飞行器升空与稳定飞行的动力来源，也为飞机内部其他系统供给能源。因此发动机的可靠性是一架飞行器整体安全可靠性的基础。倘若发动出现失效行为，将会危害整架飞机的安全性能。因此，对航空发动机的运行状态进行监控，就显得非常有必要了。

航空发动机在持续的工作当中，作为核心部件的转轴转子工作状态的好坏，更是直接决定了航空发动机安全性能的好坏。因此，在飞机不断运行的过程中，确保发动机这一旋转机械的安全可靠性，显得尤为重要。

现在国内外研究旋转机械设备故障诊断比较成熟的手段，是对振动信号的时域频域进行分析，实现故障识别。在故障诊断中对于故障特征的分析与提取以及采用何种模式识别故障则是最核心的考量。应用分析振动信号的技术，旨在对振动信号在时域频域上进行分析，得到机械故障振动的特征状态分量，作为故障特征参数，凭借这些参数分布的不同，进行转动机械的故障诊断。

通常情况下，提取的特征越多包含的故障信息越多，但是也会造成一些信息的冗余，因此如何从提取的多维特征选取有效的特征并进行融合对发动机故障诊断具有重要意义。

发明内容

本发明解决的技术问题是：为了解决现有发动机故障识别及诊断的单一化和信息冗余化的缺陷和不足，本发明设计一种基于特征融合的发动机故障诊断方法，使用特征融合以及支持向量机(SVM)，完成发动机故障诊断，并将发动机各种故障更加精确地识别出来。首先对研究数据进行模态分解，然后选取奇异值、近似熵以及样本熵作为故障特征，最后将这三个特征进行融合并输入到SVM分类器中进行训练、测试以及仿真，使得故障诊断的精确度大大提高。

本发明的技术方案是：一种基于特征融合的发动机故障诊断方法，包括以下步骤：

步骤1：时域分析：使用原始数据进行各故障振动信号时域图的绘制，分别观察其时域特征，进行宏观分析，并进行预处理；

步骤2：对预处理后的数据X(t)进行VMD变分模态分解，包括以下子步骤：

步骤2.1：将X(t)分解为离散的子信号，假设输入数据被分解为k个分量，计算相应约束变分表达式：

式中，u_k，w_k分别对应分解后的模态分量和中心频率，δ(t)为狄拉克函数，*为卷积运算符；

步骤2.2：引入Lagrange函数，进一步得到的表达式为：

式中，α为惩罚因子，目的是降低高斯噪声的干扰，u_k(t)表示分解得到的K个IMF分量，w_k表示中心频率，λ表示lagrange乘子；

步骤2.3：进行VMD分解，包括以下内容：

(1)初始化u_k(t)、w_k、λ，令n＝0；

(2)迭代循环n＝n+1；