導語：雙網(wǎng)格校正小波聚類在航空發(fā)動機的應(yīng)用一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

摘要：航空發(fā)動機的核心部件轉(zhuǎn)子系統(tǒng)，它的工作狀態(tài)關(guān)系到整臺機械設(shè)備的運行狀態(tài)，對其進行狀態(tài)監(jiān)測和故障診斷能夠提高生產(chǎn)效率、避免重大事故發(fā)生，對現(xiàn)代工業(yè)的發(fā)展具有重大的意義。通過運用雙網(wǎng)格校正小波聚類算法分析航空發(fā)動機的故障信號可以更好的將同類數(shù)據(jù)歸類，并將噪聲數(shù)據(jù)從類中分離出來，從而提高聚類精度和更快得到聚類結(jié)果，因此該診斷方法可以提高航空發(fā)動機轉(zhuǎn)子系統(tǒng)的故障診斷水平。

關(guān)鍵詞：小波聚類；雙網(wǎng)格校正；航空發(fā)動機；故障診斷

航空航天產(chǎn)業(yè)的快速發(fā)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(jīng)濟損失。航空發(fā)動機作為飛機的重要組成部分，直接關(guān)系到飛機的安全飛行。而航空發(fā)動機的核心零部件轉(zhuǎn)子系統(tǒng)，轉(zhuǎn)子系統(tǒng)的正常運行尤為重要，直接關(guān)系到飛機的運行狀態(tài)，因此對轉(zhuǎn)子系統(tǒng)進行狀態(tài)監(jiān)測和故障診斷具有重要意義。WaveCluster算法是由GholamhoseinSheikholeslami、SurojitChatterjee、AidongZhang提出的，經(jīng)過多次完善，最終形成了現(xiàn)有的Wave-Cluster算法[1]。鄧貝貝對小波聚類算法在轉(zhuǎn)子故障診斷中的應(yīng)用進行了初步探索[2]；劉曉波教授提出一種基于雙網(wǎng)格校正的小波聚類算法，并應(yīng)用于轉(zhuǎn)子故障診斷中[3]，因此本文利用雙網(wǎng)格校正小波聚類算法對航空發(fā)動機轉(zhuǎn)子系統(tǒng)的故障信號進行診斷。

1基于雙網(wǎng)格校正小波聚類算法

小波聚類最終的量化結(jié)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(wǎng)格來準確捕獲邊界，但細化網(wǎng)格產(chǎn)生的網(wǎng)格點數(shù)的波動因閾值的設(shè)置可能使類分裂成更多小類，這就造成細化網(wǎng)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(wǎng)格劃分和密度閾值對聚類結(jié)果的影響，雙網(wǎng)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(shù)據(jù)空間轉(zhuǎn)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(shù)據(jù)空間中數(shù)據(jù)聚類的問題，這種轉(zhuǎn)換最大限度地利用了小波變換和網(wǎng)格聚類兩者的優(yōu)勢?；陔p網(wǎng)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(shù)組結(jié)構(gòu)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(yōu)先搜索[5]鄰居網(wǎng)格單元連通聚類，提高聚類精度，并行地進行原始網(wǎng)格小波聚類和校正網(wǎng)格小波聚類，最后通過校正算法對原始網(wǎng)格小波聚類結(jié)果進行校正[6]。在量化之前就要先確定下特征空間的維數(shù)d。在雙網(wǎng)格校正小波聚類中，采取的是兩種尺度的網(wǎng)格對信號數(shù)據(jù)空間進行量化，確定K的取值范圍[Kmin，Kmax]。根據(jù)啟發(fā)式方法確定K的取值：[Kmin]。根據(jù)經(jīng)驗公式K=int（姨N），得到最佳劃分值為[Kmax]。其中，N為數(shù)據(jù)的個數(shù)，d為特征空間的維數(shù)。

2實驗分析

在本文中，轉(zhuǎn)子正常運行及故障狀態(tài)下的數(shù)據(jù)是通過航空發(fā)動機轉(zhuǎn)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(tǒng)研究室提供。如圖2所示，試驗器是由調(diào)速電動機、轉(zhuǎn)軸、轉(zhuǎn)子圓盤、法蘭連接盤、軸承座、齒輪增速器等結(jié)構(gòu)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(zhuǎn)子正常運行及故障狀態(tài)下振動加速度信號。在航空發(fā)動機振動試驗臺進行轉(zhuǎn)速1800r/min的實驗數(shù)據(jù)采樣時，分別采集正常狀態(tài)下、不對中、不平衡和動靜件碰摩的不同狀態(tài)下的各200組數(shù)據(jù)，并對采集到的數(shù)據(jù)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(jù)功率譜重心C和振幅熵H（A）[7]的計算公式，求得四種狀態(tài)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(zhuǎn)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(nèi)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(zhuǎn)子振動故障信號的的復雜性程度，可以形成有效的評價轉(zhuǎn)子振動狀態(tài)的綜合特征指標。根據(jù)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(fā)動機不對中的數(shù)據(jù)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(shù)d，d=2。在雙網(wǎng)格校正小波聚類中，采取的是兩種尺度的網(wǎng)格對信號數(shù)據(jù)空間進行量化，確定K的取值范圍。根據(jù)啟發(fā)式方法確定Kmin的取值：26。Kmax由經(jīng)驗公式得到，經(jīng)驗公式：得到最佳劃分值為28。其中，N為數(shù)據(jù)的個數(shù)，d為特征空間的維數(shù)。通過Matlab軟件運算程序，得到轉(zhuǎn)速為1800r/min的聚類結(jié)果圖，如圖3所示。

3實驗結(jié)果

傳統(tǒng)小波聚類與雙網(wǎng)格小波聚類結(jié)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(wǎng)格校正小波聚類算法分析航空發(fā)動機故障信號，不僅能對單一的航空發(fā)動機轉(zhuǎn)子故障進行診斷分析，也能同時對多種轉(zhuǎn)子的故障狀態(tài)區(qū)分出來，提高聚類精度和聚類速度。

4總結(jié)

航空發(fā)動機的故障產(chǎn)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(fā)動機的四種狀態(tài)下即正常狀態(tài)、不對中、不平衡和動靜件碰摩的各200組數(shù)據(jù)，通過Matlab分析，得到雙網(wǎng)格小波聚類算法在診斷分析中效果較好。

作者：邵偉芹 張明明 單位：張家界航空工業(yè)職業(yè)技術(shù)學院 南昌航空大學