基于小波和模糊神经网络的导弹涡喷发动机故障诊断方法研究

作者:郭志成;谌国森 刊名:战术导弹技术 上传者:解薇薇

【摘要】针对海防中远程导弹普遍采用高效率的小型涡喷(涡扇)发动机,为了减小体积和重量,发动机设计寿命较短,导弹维护(中、长期维护)、准备阶段不允许对发动机进行热试车,提出了一种基于小波和模糊神经网络的涡喷发动机故障诊断方法.将该方法成功地应用于某型涡喷发动机的故障诊断,结果表明该方法诊断效果明显.

全文阅读

1引言现代发动机结构越来越复杂,零部件达到上万个,故障的影响因素众多,甚至一些故障的机理尚不清楚,这就导致了故障信号的非平稳性、故障的不确定性和故障与征兆之间的非线性对应关系.小波变换、神经网络和模糊诊断作为新技术,在故障诊断领域越来越引起人们的重视,其应用研究也越来越多.但目前的研究基本上只是它们各自独立地在故障特征提取或故障诊断中的应用,根据工程要求和导弹工作阶段性要求,诊断方式可分为实时和事后分析两种,并保持诊断对象为非破坏性.在液体火箭发动机的故障诊断与检测中已有很多研究成图1涡喷发动机故障诊断系统原理图图2信号的小波分析图果.本文则将小波变换、神经网络或模糊诊断相结合,应用于导弹小型涡喷发动机故障诊断中,由于导弹用涡喷发动机的寿命时限性,这种预先故障诊断方法比液体火箭发动机故障诊断更有价值.2故障诊断方法2.1故障机理分析涡喷发动机由于其转子为高速运转部件,其中任意部件破碎,甚至裂纹,对整机都是致命的,发现其存在的潜在故障是提高军事装备可靠性水平的重要手段,导弹动力系统在技术准备和中、长期维护时,及时发现隐患对导弹的可靠性有重要意义.发动机运行过程中在产生振动信号的同时,往往还激发噪声信号.当发动机发生故障时,其振动信号会发生较大变化,其噪声品质也会发生变化,这就是有经验的技术人员能够通过观察振动、倾听噪声来判断故障部位的原因.一般来说,人耳能够从发动机噪声信号中识别轴承破碎后间歇的撞击声,这是因为人耳是智能的听觉系统,人耳具有对低频声音的频率分辨率较高而对高频分辨率较低的特点,小波变换具有相似的功能,应用小波变换可从振动和噪声信号中搜索识别出表征故障特征的波形,从而确定故障位置.2.2诊断方法构想小波变换具有优良的时频局部化特性,不仅适合于处理平稳信号,尤其擅长处理非平稳信号;模糊聚类是处理不确定性的有效手段;神经网络有强大的非线性映射能力及其自学习能力.因此,将三者有机结合,应用于涡喷发动机故障诊断,将是一种较理想的方法.其总体构想是:以小波变换(或小波包变换)结合FFT(快速傅立叶变换)作为神经网络的前处理器以提取故障特征;将神经网络的输入和输出进行模糊化处理,输入取为故障特征量的隶属度,输出取为某组数据属于某类故障的隶属度.利用神经网络进行诊断.诊断系统如图1所示.以上诊断系统的设计目的是:(1)利用小波变换优良的时频局部化特性及FFT的频率高分辨性,提取故障特征,以显化故障信息,小波变换还能很好地适应发动机故障信号的非平稳性;(2)利用神经网络的非线性映射能力来处理发动机故障模式与故障特征之间的非线性映射关系;(3)利用模糊数学的手段来处理发动机故障的不确定性.2.3故障特征提取利用FFT提取故障特征是目前工程上旋转机械领域中最常采用,也是最成熟的方法,但是FFT处理含有冲击特征的信号效果极差,而利用小波变换处理含有冲击特征的信号非常有效.小波变换将信号分解到不同的尺度上(得到各尺度上的时间信息),使故障特征在某一或某些尺度(特征域)上得以显化.对各尺度上的时间信号实施FFT,还可以得到各尺度上的频谱,从而将FFT和小波变换(及小波包变换)有机地结合起来,兼顾了平稳信号和非平稳信号的处理.小波变换算法如图2所示.原始信号被分解到了各尺度上的单尺度重构信号a和d中.2.4神经网络的输入特征量及其模糊化处理根据具体问题选取小波分解(或小波包分解)后有代表性的尺度作为特征域,但是如果以各特征域的直接结果作为神经网络的输入,数据量过大,将影响神经网络的泛化能力.本文采用对各特征域上信号(时间信号)进行二次特征因子提取的方法加以解决,即

参考文献

引证文献

问答

我要提问