一种航空发动机轴承故障在线诊断方法与流程

本技术属于航空发动机设计领域，特别涉及一种航空发动机轴承故障在线诊断方法。

背景技术：

1、轴承作为航空发动机转子系统的重要部分，长期处于高速波动剧烈、负载大且变化明显的工况，将导致性能衰退甚至引发各类故障。因此，为了使航空发动机安全高效地运行并节省维护成本，必须掌握其运行状态和变化规律，自动准确的诊断航空发动机高速轴承故障有助于提升航空发动机转子系统的运行安全性和维修经济性。

2、现有诊断方法具有具有如下缺点：

3、1、无法识别轴承早期故障的微弱信号；

4、2、难以提取微弱的故障特征；

5、3、实际轴承故障样本少。

6、以往的故障诊断方法需依托于大量的故障诊断算法以及专家工程经验，难以适应当前轴承诊断应用。面对当前海量的数据，故障信息复杂多变，包含内外激励以及多个故障的耦合，需采用基于数据驱动的故障诊断方法直接利用采集到的参数，挖掘数据识别发动机轴承的关键特征信息识别故障。

技术实现思路

1、本技术的目的是提供了一种航空发动机轴承故障在线诊断方法，以解决轴承故障样本少、信号微弱而导致诊断准确度不高的问题。

2、本技术的技术方案是：一种航空发动机轴承故障在线诊断方法，包括：

3、建立振动特征数据集，获取轴承不同运行工况状态下的振动数据构造工况振动特征值；对轴承不同振动数据进行时域指标提取，得到时域振动特征值；对轴承不同振动数据进行频域指标提取，得到频域振动特征值；将工况振动特征值、时域振动特征值和频域振动特征值输入振动特征数据集；

4、基于振动特征数据集，再次提取案例库数据的振动特征值输入振动特征数据集，形成离线训练集，使用pca算法对离线数据集进行降维处理，将离线训练集内的数据降维至m维，形成降维数据集；

5、对降维数据集进行训练得到第一softmax分类器；

6、建立自注意力模型，将降维数据集输入带有自注意力模型的acgan算法模型中，训练得到相应的生成器和判别器，同时将训练生成的合成数据输入至第一softmax分类器内，形成轴承故障评估模型；

7、利用轴承故障评估模型评估λmean值并筛选出判定有效的合成数据，与降维后的离线训练集组合形成增强数据集，λmean值计算公式为：

8、

9、式中，aamc1为预测轴承正常正确分类占总分类数目的比例；aamc2为预测轴承故障分类占总分类数目的比例；f11为故障轴承被预测为故障的数量；f00为正常轴承被预测为正常的数量；f10为故障轴承被预测为正常的数量；f01为正常轴承被预测为故障的数量；λmean为aamc1和aamc2的几何平均；

10、对增强数据集与降维数据集进行融合得到扩充数据集，通过扩充数据集训练得到进行在线故障诊断的第二softmax分类器；

11、实时采集在线数据，通过提取振动特征得到数据数据集，而后对采集的数据进行pca降维，形成在线诊断集，将在线训练集输入至第二softmax分类器内，得到轴承故障诊断模型，通过轴承故障诊断模型进行轴承在线诊断，得到轴承在线诊断结果。

12、优选地，所述增强数据集的生成方法包括：

13、在高斯分布中随机采样生成随机噪声，对随机噪声进行分类并将随机噪声及其对应的辅助分类标签输入至生成器，得到生成数据；

14、将生成数据与通过采集轴承振动特征的真实数据输入至判别器内，形成混合数据，对混合数据进行判别，得到真/假数据与不同的故障类型数据，完成一次训练；

15、分别依次更新第一softmax分类器和判别器的网络参数，再次获取生成数据和真实数据进行循环判别，并将判定有效的合成数据输入至增强数据集内，直至完成设定的循环数或者增强数据集内的数据量满足设计要求。

16、优选地，所述工况振动特征值包括样本输入轴转速的平均值、样本输入轴转速的方差、样本扭矩的平均值和样本扭矩的方差；所述时域振动特征值包括加速度有效值、加速度波形指标、加速度峰值指标、加速度脉冲指标、加速度裕度指标、加速度峭度指标、速度有效值、速度波形指标、速度峰值指标、速度脉冲指标、速度裕度指标和速度峭度指标；所述频域振动特征值包括轴承所在轴转频1、2、3阶幅值和频谱中幅值前100的频率值。

17、优选地，所述自注意力模型的建立方法包括：

18、设置三个通道节点f(x)、g(x)和h(x)，在不同的通道节点上分别设置不同的权重矩阵wk、wq和wv，将输入x分别乘上不同的权重矩阵，得到：

19、

20、计算f(x)和g(x)之间的关联矩阵s：

21、s＝ft·g

22、计算f(x)和g(x)之间的相关程度：

23、

24、式中：sij为关联矩阵s的元素；

25、得到自注意力模型的输出特征：

26、

27、加入权重系数γ，进行领域信息与远距离特征的整合，得到：

28、yi＝γoi+xi。

29、优选地，所述acgan算法模型对降维数据集进行训练的方法为：

30、定义降维数据集x＝{x1,x2,…,xn},其中xi为第i个样本，n为样本总数；生成器g的损失函数设置为：

31、

32、将辅助分类标签c加入生成器中，得到表征数据真实与否的损失函数ls为：

33、

34、判别器d的损失函数ld设置为：

35、

36、设置辅助分类器c并引入至判别器d内，得到表征数据分类准确度的损失函数lc为：

37、

38、引入沃瑟斯坦度量，构建整体训练的目标函数，度量生成样本和真实样本的差别，构建基于自注意力的acgan模型，则基于自注意力的acgan整体训练的目标函数为：

39、

40、优选地，在建立目标函数的同时，构建梯度惩罚项：

41、

42、式中：||·||p表示p范数；λ为正则项系数；其中ε～u(0,1)，u为均匀分布。

43、本技术的一种航空发动机轴承故障在线诊断方法，通过先采集不同类型的振动数据，建立振动特征数据集，而后通过再次提取案例库数据的振动特征值输入该数据集，形成离线训练集，使用pca算法对离线数据集进行降维处理，对降维数据集进行训练得到第一softmax分类器；将降维数据集输入带有自注意力模型的acgan算法模型中，训练得到相应的生成器和判别器，利用轴承故障评估模型评估λmean值并筛选出判定有效的合成数据，与降维后的离线训练集组合形成增强数据集；对增强数据集与降维数据集进行融合得到扩充数据集，训练得到第二softmax分类器；将在线训练集输入至第二softmax分类器内，得到轴承故障诊断模型，通过轴承故障诊断模型进行轴承在线诊断，得到轴承在线诊断结果。可以在线做出准确、快速的判断，诊断轴承故障，具有较高识别精度和稳定性，适用于现场实时诊断应用。