基于雙網格校正小波聚類在航空發動機故障診斷中的應用

邵偉芹 張明明

摘要：航空發動機的核心部件轉子系統，它的工作狀態關系到整臺機械設備的運行狀態，對其進行狀態監測和故障診斷能夠提高生產效率、避免重大事故發生，對現代工業的發展具有重大的意義。通過運用雙網格校正小波聚類算法分析航空發動機的故障信號可以更好的將同類數據歸類，并將噪聲數據從類中分離出來，從而提高聚類精度和更快得到聚類結果，因此該診斷方法可以提高航空發動機轉子系統的故障診斷水平。

Abstract： Rotor system of the rotor system， which is the core component of aero-engine， is related to the operation state of the whole mechanical equipment. Condition monitoring and fault diagnosis can improve production efficiency and avoid major accidents， which is of great significance to the development of modern industry. By using the dual grid correction wavelet clustering algorithm to analyze the fault signal of aero-engine， the similar data can be better classified， and the noise data can be separated from the class， so as to improve the clustering accuracy and get the clustering results faster， so the diagnosis method can improve the fault diagnosis level of aero-engine rotor system.

關鍵詞：小波聚類;雙網格校正;航空發動機;故障診斷

Key words： wavelet clustering;double grid correction;aeroengines;fault diagnosis

中圖分類號：V263.6? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1674-957X（2021）11-0182-02

0? 引言

航空航天產業的快速發展，越來越得到人們的重視，安全問題也成了重中之重的事情，輕則影響飛機的正常運行，重則機毀人亡，會給社會和人們帶來嚴重的經濟損失。航空發動機作為飛機的重要組成部分，直接關系到飛機的安全飛行。而航空發動機的核心零部件轉子系統，轉子系統的正常運行尤為重要，直接關系到飛機的運行狀態，因此對轉子系統進行狀態監測和故障診斷具有重要意義。WaveCluster算法是由Gholamhosein Sheikholeslami、Surojit Chatterjee、Aidong Zhang提出的，經過多次完善，最終形成了現有的Wave-Cluster算法[1]。鄧貝貝對小波聚類算法在轉子故障診斷中的應用進行了初步探索[2];劉曉波教授提出一種基于雙網格校正的小波聚類算法，并應用于轉子故障診斷中[3]，因此本文利用雙網格校正小波聚類算法對航空發動機轉子系統的故障信號進行診斷。

1? 基于雙網格校正小波聚類算法

小波聚類最終的量化結果是運用一種尺寸對空間進行均勻量化，一般而言，通過細化網格來準確捕獲邊界，但細化網格產生的網格點數的波動因閾值的設置可能使類分裂成更多小類，這就造成細化網格、聚類精度與閾值之間存在矛盾，而并行校正算法在這之間找到了一個平衡：降低網格劃分和密度閾值對聚類結果的影響，雙網格校正算法的框圖如圖1所示。

小波聚類[4]最重要的思想是將數據空間轉換為信號空間，而后在信號空間中利用小波變換的原理去求解數據空間中數據聚類的問題，這種轉換最大限度地利用了小波變換和網格聚類兩者的優勢。基于雙網格校正小波聚類算法是以兩種尺寸對空間并行量化，運用元胞數組結構對有效信息進行存儲和運算，降低高維空間復雜度，運用廣度優先搜索[5]鄰居網格單元連通聚類，提高聚類精度，并行地進行原始網格小波聚類和校正網格小波聚類，最后通過校正算法對原始網格小波聚類結果進行校正[6]。

在量化之前就要先確定下特征空間的維數d。在雙網格校正小波聚類中，采取的是兩種尺度的網格對信號數據空間進行量化，確定K的取值范圍[Kmin，Kmax]。根據啟發式方法確定K的取值：[Kmin]。

根據經驗公式K=int（），得到最佳劃分值為[Kmax]。其中，N為數據的個數，d為特征空間的維數。

2? 實驗分析

在本文中，轉子正常運行及故障狀態下的數據是通過航空發動機轉子試驗器，該試驗器為南京航空航天大學智能診斷與專家系統研究室提供。如圖2所示，試驗器是由調速電動機、轉軸、轉子圓盤、法蘭連接盤、軸承座、齒輪增速器等結構組成。在渦輪機匣的水平及垂直位置各安裝一個加速度傳感器，通過加速傳感器來采集轉子正常運行及故障狀態下振動加速度信號。

在航空發動機振動試驗臺進行轉速1800r/min的實驗數據采樣時，分別采集正常狀態下、不對中、不平衡和動靜件碰摩的不同狀態下的各200組數據，并對采集到的數據樣本采取小波去噪進行預處理，選取功率譜重心C和振幅熵H（A）作為二維特征量，根據功率譜重心C和振幅熵H（A）[7]的計算公式，求得四種狀態下的功率譜重心C和振幅熵H（A）如表1所示。

振幅熵能反映轉子上特定測點的振動幅值大小的分布特征與振動的集中程度。功率譜重心描述了功率譜主頻帶絕對位置的變化，振幅熵定量描述了振動信號內部蘊含的振幅信息，兩者形成的二維特征量（H（A），C）不僅對不同的信號具有較好的分類能力，而且能夠真實的反映轉子振動故障信號的的復雜性程度，可以形成有效的評價轉子振動狀態的綜合特征指標。

根據功率譜重心C和振幅熵H（A）的計算公式，利用Matlab軟件編程將表1航空發動機不對中的數據的功率譜重心C和振幅熵H（A）求出，如表2所示。

在量化之前就要先確定下特征空間的維數d，d=2。

在雙網格校正小波聚類中，采取的是兩種尺度的網格對信號數據空間進行量化，確定K的取值范圍 。根據啟發式方法確定Kmin的取值：26。

Kmax由經驗公式得到，經驗公式：

得到最佳劃分值為28。其中，N為數據的個數，d為特征空間的維數。

通過Matlab軟件運算程序，得到轉速為1800r/min的聚類結果圖，如圖3所示。

3? 實驗結果

傳統小波聚類與雙網格小波聚類結果相比，明顯后者的聚類效果要比前者的聚類效果要好。利用雙網格校正小波聚類算法分析航空發動機故障信號，不僅能對單一的航空發動機轉子故障進行診斷分析，也能同時對多種轉子的故障狀態區分出來，提高聚類精度和聚類速度。

4? 總結

航空發動機的故障產生的不良后果極大，因此對其進行故障診斷的分析是十分必要的。在本文中，通過對航空發動機的四種狀態下即正常狀態、不對中、不平衡和動靜件碰摩的各200組數據，通過Matlab分析，得到雙網格小波聚類算法在診斷分析中效果較好。

參考文獻：

[1]William Donat， Kihoon Choi， Woosun An， Satnam Singh， Krishna Pattipati. Data Visualization， Data Reduction and Classifier Fusion for Intelligent Fault Diagnosis in Gas Turbine Engines[J]. J. Eng. Gas Turbines Power， 2008， 130：041602-041609.

[2]鄧貝貝.基于小波聚類的航空發動機轉子系統故障診斷研究[D].南昌：南昌航空大學，2013.

[3]劉曉波，邵偉芹，張明明，左紅艷.基于雙網格校正小波聚類的轉子故障診斷[J].計算機集成制造系統，2017，9：1883-1890.

[4]Sheikholeslami G， Chatterjee S， Zhang A. Wave cluster： A Multi-resolution clustering approach for very large spatial data—bases[C]// Proceedings of the 24th International Conference on Very Large Data Bases.New York：Morgan Kaufmann， 1998：428-438.

[5]劉曉波，張明明，涂俊超，等.基于廣度優先搜索的小波聚類算法[J].振動與沖擊，2016，35（15）：178-183.

[6]張明明，劉曉波.基于元胞儲存的小波聚類轉子故障診斷[J].計算機測量與控制，2015，23（9）：3012-3014.

[7]涂俊超.基于振幅熵與功率譜重心的聚類分析在旋轉機械故障診斷中的應用[J].南昌：南昌航空大學，2014.

[8]祝維磊.DF4DD內燃機車電氣故障及診斷策略分析[J].內燃機與配件，2021（07）：162-163.

[9]鄧國璋.內燃機車柴油機常見故障及應對策略[J].內燃機與配件，2021（06）：101-102.