论文部分内容阅读
民航发动机结构复杂,工作状况恶劣,容易发生各种机械故障,精准的故障诊断和及时排故对于飞行安全意义重大。传统的定期维修方式效率低,费用高,而视情维修具有开展便利、诊断率高、成本较低以及可及时发现重大隐患等优势,非常适合民航发动机的维修保障。实现视情维修要求民航发动机故障诊断系统具有较高的健康状态分析和对自身故障进行预测的能力。为此本文基于民航公司采集的振动样本对民航发动机视情维修相关的故障诊断方法开展了研究。 民航发动机中多根转子的同轴结构,决定了发动机传感器测得的振动信号是由多振动信号混叠而成,混合形式未知。要分离出各转轴独立的振动信号,滤掉无用的干扰是故障识别的关键。为此本文首先对发动机振动信号分离的基本方法进行了研究,针对传统分离方法的不足,提出了将自然梯度学习应用于独立分量分析目标函数的递推算法,并应用该算法对典型机械仿真信号和发动机机匣样本信号进行了分离处理,给出了具体的分离步骤;还对该算法在使用中的可行性和稳定性进行了分析;建立了评价信号分离效果的新准则,将该算法与传统方法的分离效果进行综合对比,结果表明所提出的方法能够保证源信号中的微弱特征信息分离后不丢失,时间和频谱的交叠对分离过程无影响。 当采用多维特征进行故障分类时,训练时间增加,收敛性降低,分类精度并不提高。为了提高故障分类精度,对民航发动机振动故障的特点进行了研究,得到了提取发动机故障特征应满足的条件,以及特征维数与识别率的关系曲线;为提取对状态敏感的特征,提出了基于核主元分析方法来提取对故障分析贡献最大的特征向量的方法,该方法在传统的主元分析中引入核函数,通过选定的映射函数将输入特征映射到新的高维特征空间,在高维空间中对映射值做线性分析,再以所得到的向量值进行分类识别,用仿真数据验证了该方法的可行性;应用该方法对某型号发动机中心油管焊缝开裂时导致的振动超标样本进行了特征提取,为验证提取效果,与传统分析方法提取故障特征的结果进行比较,证实了该方法在解决民航发动机振动故障特征提取问题中的优越性。 制约故障分类准确率最主要的障碍是故障样本数的不足。传统的智能诊断方法存在着对故障样本要求高、适应能力差、学习能力弱、主观因素影响大、诊断效率低等缺点,本文建立了基于支持向量机的民航发动机故障多分类模型,实现了多类故障的正确区分;针对尚未完全解决的支持向量机模型的参数选择问题,提出了一种基于等高线图和交叉验证的参数优化算法,利用等高线图强大的全局搜索能力和可并行性,实现了对支持向量机分类性能有重要影响的参数进行快速有效的搜索,使支持向量机参数选择问题得到解决。 精确的振动趋势预测对发动机的使用至关重要。以神经网络为代表的人工智能方法由于网络结构设计上的缺陷,使网络的推广能力受到制约,预测结果与真实值之间存在较大误差。过程神经网络充分考虑了输入过程中的时间累积,在网络模型中增加了反映时间累积过程的参数,其输出依赖于输入过程的时间累积而不单纯是单点式的瞬时对应。基于过程神经网络理论,本文实现了对民航发动机短期趋势的预测,并给出具体应用方案。针对工程实际的中长期预测问题,基于光滑化方法改进了支持向量机回归算法,将二次优化问题从有约束转换为无约束优化问题,采用历史数据的振动样本验证了该方法,结果证明即使预测较长区间的振动值,预测结果仍具有相当高的精度。