航空发动机主轴轴承故障特征提取、智能诊断及预示方法研究

Main shaft bearing is the crucial part of aero-engine, which is also the main cause of flameout in flight. Aiming at great strategic demands of aero-engine monitoring in our country and technical blockage of foreign countries, along with the status of lacking effective system of condition monitoring and management, under complex route and multi physical (vibration, acoustic emission and acoustic, etc.) information, key techniques involved in feature extraction, intelligent diagnosis and prediction of aero-engine main shaft bearing are researched. Based on bearing defect modeling and dynamic evolution mechanism of dynamical model, this project studies transferring characteristics of defect signals, and indicates inner relation between failure excitation and dynamic response. In addition, methods of inhibiting and enhancing noise are also explored into weak signal feature extraction under complex route. Dimension decrease and reconstruction of feature matrix is also involved in the research. Hybrid intelligent diagnosis model with layered fusion is constructed by optimizing hierarchical structure with evaluation mechanism and establishing coupling relationship between multi feature parameters and failure patterns. With optimized Bayes network structure, adaptive dynamic hierarchy trend prediction model based on multi parameters fusion and intelligent layering diagnosis system are founded, and evaluated on test bed, in order to supply theoretical support and application basis for autonomously developing condition monitoring and predication system of aero-engine.

主轴轴承是航空发动机的关键部件，因其故障导致飞机严重事故多发，针对国外对我国长期实行技术封锁、国内缺乏有效诊断及预示系统的现状，面向我国对航空发动机监测的重大战略需求，本课题以航空发动机主轴轴承为对象，开展复杂路径下基于振动、声发射及声学等多物理信息的故障特征提取、智能诊断及早期预示方法与实验研究。研究基于动力学模型的轴承故障建模及动态演化机理，探究故障信号传递特性，揭示故障激励与动态响应的内在联系；研究复杂路径下基于抑制和利用噪声增强的信号特征提取方法及状态特征矩阵的降维与重构；构建多特征参数与故障状态的耦合关系映射，引入评价机制优化层级结构，建立分层融合的混合智能诊断模型；优化贝叶斯网络结构，建立多参数融合的自适应动态趋势预测模型，构建主轴轴承故障层次化智能诊断及预示系统，并进行试验验证，为自主研发航空发动机健康监测及预警系统提供技术支撑与应用基础。

主轴轴承是航空发动机关键部件之一，也是航空发动机的薄弱环节，因其故障导致飞机严重事故多发，其运行状态直接影响着飞机的性能和飞行安全。面向我国对航空发动机监测的重大战略需求，针对目前缺乏有效的发动机轴承健康监测与预警系统的现状，本课题以航空发动机主轴轴承为对象，开展复杂路径下基于动力学模型和振动信号的轴承故障特征提取、智能诊断及早期预示方法与实验研究。主要研究内容和成果如下：考虑转速、旋转方向、载荷、接触及摩擦等因素，建立了主轴轴承（中介轴承）动力学三维有限元模型，开展了主轴轴承故障动态演化机理及信号传递特性研究；基于动力学模型，探究了轴承等效应力和接触力的分布及其随转速、载荷等参数变化的规律，分析了典型故障轴承接触响应的动态分布以及关键节点的振动特征。研究了基于抑制和利用噪声增强的特征提取方法，提出了复杂路径下故障特征提取、同步压缩检测及重构新方法；改进了基于包数方法与局部切空间重构、果蝇算法优化的最小熵反褶积、粒子群优化的移频变尺度随机共振等非线性降噪方法；构建了基于谱峭度与高阶累积量的匹配滤波算法，发展了基于独立成分分析和奇异值分解的复合故障信号分离方法；研究了信号在不同稀疏字典下的稀疏特性，提出了基于峰值变换和多尺度稀疏表示的故障特征增强方法以及基于特征参数波形的故障特征压缩检测方法，在压缩采样的同时完成故障特征检测；此外，还提出了基于压缩感知算法及块稀疏贝叶斯学习的信号重构方法。研究了层次化的智能诊断及故障早期预示方法，给出了基于残差的判别函数及评估标准，优化了基于非线性监督的局部线性嵌入算法；引入词袋模型提取升维信号的纹理特征，发展了基于Treelet变换的局部多尺度分析方法，提出了基于梅尔倒谱系数与改进变量预测模型，以及基于多数据信息融合与1.5维谱的故障智能诊断方法；改进了半监督极限学习机、局部切空间排列算法、局部保持投影等模式识别方法；研究了数据层-特征层-决策层分层融合策略，基于多种人工智能算法构建了混合智能诊断模型，实现故障的智能诊断与早期预示。研究成果可为自主研发航空发动机轴承健康监测及预警系统提供技术支撑与应用基础。