基于HHT的航空发动机转子故障特征自动提取与智能诊断

基于HHT的航空发动机转子故障特征自动提取与智能诊断高斌
【摘要】提出了一种基于希尔伯特-黄变换的航空发动机转子故障特征自动提取方法,该方法利用经验模态分解得到转子故障信号的各模态分量,结合故障频率特征,直接从各模态分量中提取反映转子故障特征的特征向量.建立基于结构自适应神经网络方法的转子故障智能诊断模型,利用实验数据进行了实验验证,结果表明本方法在转子故障智能诊断方面取得了较好的效果.
【期刊名称】《滨州学院学报》
【年(卷),期】2015(031)006
【总页数】4页(P19-22)
【关键词】希尔伯特—黄变换;转子故障;神经网络;频率特征;智能诊断
【作者】高斌
【作者单位】滨州学院飞行学院,山东滨州256603
【正文语种】中文
【中图分类】V231
航空发动机故障中常见的是转轴系统故障，其中转子故障中的不平衡只引起单纯的线性振动，而其他故障引起的振动均为非线性的，所以转子故障信号不同于一般的线性信号，具有明显的频率特性，信号中所包含的频率成分非常丰富［1］。

传统的时频分析方法在转子系统的振动信号分析中起了非常重要的作用，然而它们通常都不具备很好的自适应性。

小波变换在转子故障中被广泛应用而且取得了较好的效
果［2－4］。

但是小波变换在使用中一旦选择了特定的函数是不能变换的，所以
其本身不具有自适应性。

Wigner－Ville分布在分析故障信号时具有良好的时频聚集特性［5］，缺点是存在交叉干扰项。

希尔伯特—黄变换（HHT）对信号具有自适应分解能力，可以根据故障信号的自
身特征分解出各模态分量，较传统的时频分析方法具有更强的自适应能力，因此，HHT被广泛应用于旋转机械故障诊断中［6－8］。

本文在现有研究的基础上，提出一套基于HHT的航空发动机转子故障特征参数，并实现了特征参数的自动计算，同时采用文献［9］提出的结构自适应神经网络方法构造了用于转子多故障智能诊断的集成神经网络模型，实现了转子故障的智能诊断，并用实际的转子故障数据进行了验证。

经验模态分解（EMD）和与之相对应的希尔伯特谱统称为希尔伯特—黄变换，首
先采用EMD方法将信号分解为若干模态分量之和，然后对模态分量进行希尔伯特变换得到包含时间－频率分布的Hilbert谱。

假设x（t）为任意信号，可以分解为不同的本征模函数，本征模函数可以是线性的，也可以是非线性
的。

在此假设基础上，可以采用EMD方法对任何信号x（t）进行分解，分解流程如图1所示。

EMD分解方法根据不同的时间尺度，将信号分解为不同时间尺度的模态分量及残余分量，包含了信号不同时间特征尺度大小的成分，其尺度依次由小到大。

因此，各模态分量包含了不同的频段，可以在不同的频段中找到相应的故障频率。

频段是随信号变化的，因此该时频分析方法具有良好的自适应性。

2．1 基于HHT的转子故障特征分析
本文选择ZT－3转子故障模拟实验台的实测故障数据，进行基于HHT的转子故障特征分析。

随机选取转速7560r／min时的转子油膜涡动故障原始信号。

依据经
验，取第二个到第四个IMF分量，IMF2分量及其频谱如图2、图3所示，IMF3
分量及其频谱如图4、图5所示，IMF4分量如图6、图7所示。

在图3中可以明显地看到2倍频的存在，图5中的频率成分以1倍频为主，IMF4频谱图中只有0．5倍频，符合油膜涡动故障频率特征。

由此可看出，此方法可以将碰摩信号包含的不同频率很好的分离出来，包含在相应的IMF分量中。

由此可见，HHT对于检测转子故障非常有效。

由于篇幅关系，本文只对
转子碰摩故障进行分析，其余三种故障均可得到良好的效果。

2．2 基于HHT的转子故障特征提取
转子故障具有非常明显的频率特征，而且不同故障的频率特征完全不同。

因此，从EMD分解得到的各IMF分量中自动提取出转子故障特征量，流程如图8所示。

表1为转子典型故障样本的IMF频谱特征，F1、F2、F3、F4、F5分别是旋转频
率的1／2分频、1倍频、2倍频、3倍频及4倍频处的特征值。

从表1可以看出，如有不平衡故障发生，频率特征为单一的旋转频率，此时，特征值F2较大；如有碰摩故障发生，则通常高倍频幅值较大，此时，特征值F2、F3、F4较大；如有油膜涡动故障发生，能够明显发现分频的存在，此时，特征值F1、F2较大。

由此可见，可以利用选定的5个特征值判断故障的形式，可用于转子故障的智能诊断。

2．2 基于自适应神经网络的智能诊断
本文采用集成神经网络模型，由四个子神经网络组成，把4分类问题转化为2分
类问题，不同的故障类型由子网络进行识别。

每一子网络的样本由测试样本和训练样本组成，训练样本和测试样本分别用以训练和测试。

识别率自动保存，作为遗传算法的适应度函数，得到具有最佳泛化能力的神经网络模型。

在常见转子四中故障中随机选取样本数：不平衡故障样本30个、碰摩故障样本32个、油膜涡动故障样本30个、不对中故障样本25个。

将样本
随机分配给训练样本集45个、测试样本集38个，为了测试最佳网络的可靠性，
将剩余34个样本分配给测试样本集。

对转子模拟故障样本进行诊断，结果如表2所列。

从表中可以看出，结合本文自动提取的故障特征，测试样本的识别率达到了100%，未知样本的识别率达到了96．7%。

显然，本文方法实现了转子故障特征
的自动提取和故障类型的有效诊断。

本文首先使用希尔伯特—黄变换进行了转子故障的HHT包络谱分析，提出从模态分量包络谱中自动提取特征参数的方法，并给出了计算流程。

然后，建立了转子故障诊断集成神经网络模型，实现了神经网络结构参数的优化。

最后采用模拟实验台采集的故障数据进行了实验验证，表明了该方法的有效性。

本文研究工作对于提高航空发动机转子故障诊断的自动化和智能化水平具有重要意义。