航空发动机中介轴承故障诊断方法研究

发布时间：2017-10-24 18:20

  本文关键词：航空发动机中介轴承故障诊断方法研究

  更多相关文章： 滚动轴承 相空间重构 流形学习 极限学习机 故障诊断

【摘要】：航空发动机是航空系统不可或缺的一部分,它直接决定着该系统的整体性能,由于其长期运行在各种复杂的环境中,因此航空发动机对安全性和可靠性的要求比较高。中介轴承作为支撑航空发动机高、低压转子间的核心部位,一旦其出现微小变故将会引起转子的振动幅度加大,甚至造成转子瞬间停转进而导致机械系统出现停运现象。因此对航空发动机中介轴承故障诊断方法的研究一方面可以保证飞行器在运行过程中的稳定性,另一方面也可以降低故障发生,减少经济损失。目前对中介轴承相关信号的诊断研究相对较少,较常见的是在采集振动信号的基础上进行算法的分析与判定。与一般的滚动轴承信号有所差异,从加速度传感器中采集得到的中介轴承信号由于受到周围高低压转子的不平衡响应的影响,并且通过较长路径的传输,使所得信号中含有大量的背景噪声,因此一般分析方法不容易从淹没的信号中找到有效的轴承故障频率。本文从实际出发,对航空发动机中介轴承从前期信号预处理、特征参数集构建及优化和智能模式识别几个方面展开研究。在前期信号预处理方面,本文从相空间重构思想出发引入c-c算法,并对这种算法的不足加以改进。鉴于中介轴承信号本身复杂易受干扰的特性,文中在深入研究相空间理论的基础上建立了一种重构信号去噪方法。’首先把采集的低维数字信号用改进的C.C算法重构在多维的相空间中表示出来,然后用流形识别算法发现该数据空间的主要组成结构,并通过主流形重构来恢复数据以达到降噪的效果。同时,文中也从高维的相空间中采集得到初始的故障信号特征值,这种特征对故障信号的表达更加有效。在特征参数集构建及优化方面,本文首先从相空间中利用奇异值分解提取出初始特征集,然后进行特征集约简。本文采用流形学习中非线性约简方法局部线性嵌入(Locally Linear Embedding,LLE),针对中介轴承数据的特点将LLE算法改进为基于非线性监督距离的NSLLE算法,降维效果明显优于核主元分析(Kernel Principal Component Analysis,KPCA)以及其他的流形学习算法。此外,提出了R-NSLLE方法,通过自定义基于测地距离的判别公式寻找NSLLE算法中的近邻参数,避免了选择的随机性以及不断试验造成的不准确性；同时利用Treelets变换进一步对R-NSLLE参数优化,估计出降维算法中最优的本征维数。最后在智能模式识别方面,本文选择了训练时间短、泛化能力强的极限学习机(Extreme Learning Machine,ELM)算法。文中将ELM算法改进为半监督的ELM,可以综合实际数据特征灵活调整带标签数据与不带标签数据的比例进行训练与测试以增加故障识别模型的实用性。同时将在线增量ELM应用其中,提出在线半监督极限学习机OS-SSELM,实现中介轴承振动数据的实时处理和在线分析判断。在整个研究过程中将理论与实验数据相结合,充分证明文中所研究方法的有效性,对现代发动机中介轴承的故障诊断具有一定的研究意义。
【关键词】：滚动轴承 相空间重构 流形学习 极限学习机 故障诊断
【学位授予单位】：北京化工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：V263.6
【目录】：

• 摘要4-6
• ABSTRACT6-15
• 第一章 绪论15-21
• 1.1 课题来源及意义15-16
• 1.2 航空发动机轴承故障诊断研究现状及发展趋势16-17
• 1.3 论文主要内容以及创新点17-19
• 1.4 论文结构安排19-21
• 第二章 中介轴承振动信号特征及其故障形式21-27
• 2.1 航空发动机中介轴承振动信号主要特点21-22
• 2.2 中介轴承故障模型22-24
• 2.2.1 中介轴承故障机理22-23
• 2.2.2 中介轴承故障模型23-24
• 2.3 中介轴承信号特征频率24-26
• 2.3.1 一般轴承特征频率24-25
• 2.3.2 中介轴承特征频率25-26
• 2.4 本章小结26-27
• 第三章 基于相空间重构的轴承信号处理27-45
• 3.1 相空间重构原理及方法27-30
• 3.1.1 相空间重构理论27-28
• 3.1.2 时间延迟的选择方法28-29
• 3.1.3 嵌入维数的选择方法29
• 3.1.4 小结29-30
• 3.2 改进C-C算法相空间重构30-35
• 3.2.1 C-C算法理论30-31
• 3.2.2 改进C-C算法31-32
• 3.2.3 实验验证和分析32-34
• 3.2.4 小结34-35
• 3.3 相空间重构应用于轴承的信号处理35-44
• 3.3.1 基于相空间主流形重构的信号去噪方法37-40
• 3.3.2 基于相空间奇异值分解的信号特征提取40-43
• 3.3.3 小结43-44
• 3.4 本章小结44-45
• 第四章 基于流形学习的量优参数集构建及评价45-69
• 4.1 流形学习方法概述与应用45-50
• 4.1.1 流形学习基本原理45
• 4.1.2 流形学习典型算法介绍45-48
• 4.1.3 流形学习算法应用48
• 4.1.4 实验验证和分析48-50
• 4.1.5 小结50
• 4.2 基于非线性监督的局部线性嵌入算法(NSLLE)的特征集约简50-59
• 4.2.1 局部线性嵌入算法(LLE)50-52
• 4.2.2 非线性监督的局部线性嵌入算法(NSLLE)52-53
• 4.2.3 改进的非线性监督的局部线性嵌入算法(R-NSLLE)53-54
• 4.2.4 实验验证与分析54-58
• 4.2.5 小结58-59
• 4.3 基于Treelets优化流形学习59-63
• 4.3.1 Treelets算法基本原理59-60
• 4.3.2 改进的基于谱图的Treelets算法60-61
• 4.3.3 改进的Treelets算法优化流形学习61-63
• 4.3.4 小结63
• 4.4 最优特征参数集的评价63-68
• 4.5 本章小结68-69
• 第五章 基于极限学习机的智能故障诊断方法69-81
• 5.1 基于极限学习机(ELM)的智能诊断方法69-73
• 5.1.1 极限学习机的基本思想69-70
• 5.1.2 极限学习机的算法理论70-71
• 5.1.3 实验验证和分析71-72
• 5.1.4 小结72-73
• 5.2 基于正则优化的半监督极限学习机(Semi-Supervised ELM)73-78
• 5.2.1 半监督极限学习机的改进思想73
• 5.2.2 半监督极限学习机的算法理论73-74
• 5.2.3 实验验证和分析74-77
• 5.2.4 小结77-78
• 5.3 基于极限学习机的在线半监督诊断方法(OS-SSELM)78-80
• 5.3.1 在线极限学习机基本原理78-79
• 5.3.2 实验验证和分析79
• 5.3.3 小结79-80
• 5.4 本章小结80-81
• 第六章 结论与展望81-83
• 6.1 研究成果总结81
• 6.2 后续工作展望81-83
• 参考文献83-87
• 致谢87-89
• 研究成果及发表的学术论文89-91
• 作者和导师简介91-93
• 北京化工大学硕士研究生学位论文答辩委员会决议书93-94

【参考文献】

中国期刊全文数据库 前10条

1 周俊;刘峻华;杨涛;郭盛;黄树红;;航空发动机在线振动监测系统的开发[J];计算机测量与控制;2015年11期

2 王萍;王迪;冯伟;;基于流形正则化的在线半监督极限学习机[J];上海交通大学学报;2015年08期

3 王晓峰;随婷婷;;基于TIGA_S4VM改进算法的蛋白质序列识别方法[J];山东大学学报(工学版);2014年01期

4 王年;许鸿洋;梁栋;鲍文霞;;基于核局部线性嵌入的基因表达谱数据分类[J];生物学杂志;2014年01期

5 廖明夫;马振国;刘永泉;王德友;;航空发动机中介轴承的故障特征与诊断方法[J];航空动力学报;2013年12期

6 康辉英;李明亮;;基于降维BP神经网络的高维数据分类研究[J];计算机工程与应用;2013年20期

7 何鹏;周德云;黄吉传;;利用互信息确定延迟时间的新算法[J];计算机工程与应用;2013年24期

8 李业波;李秋红;王健康;黄向华;赵永平;;基于ImOS-ELM的航空发动机传感器故障自适应诊断技术[J];航空学报;2013年10期

9 邵克勇;蔡苗苗;李鑫;;基于小波分析及奇异值差分谱理论的滚动轴承故障诊断[J];制造业自动化;2013年08期

10 谢平;江国乾;李兴林;李小俚;;本征时间尺度排序熵及其在滚动轴承故障诊断中的应用[J];燕山大学学报;2013年02期

，

本文编号：1089962