一種振動數據驅動的直升機旋翼異常檢測方法
【專利摘要】本發(fā)明公開一種振動數據驅動的直升機旋翼異常檢測方法，包括：原始振動數據分析和處理；提取直升機旋翼狀態(tài)特征；用正常狀態(tài)的旋翼數據特征訓練支持向量數據模型；最后根據建立的模型對旋翼進行異常檢測。本發(fā)明的優(yōu)點是：針對非平穩(wěn)、非線性的振動數據，提取了有效的故障特征，在只有正常狀態(tài)數據可用的情況下，本發(fā)明給出了一種直升機旋翼異常檢測方法，克服了常規(guī)方法必須有異常特征數據的需求。
【專利說明】
-種振動數據驅動的直升機旋翼異常檢測方法
技術領域
[0001] 本發(fā)明設及振動數據驅動的直升機旋翼異常檢測方法，是一種?？卺槍χ鄙龣C旋 翼振動數據的異常檢測方法，屬于航空工程與信息科學的交叉領域。
【背景技術】
[0002] 直升機旋翼作為升力面和操縱面，不僅為前進提供動力，還是各種姿態(tài)變換的動 力來源。旋翼系統工作在周期性變化的氣動環(huán)境中，承受了復雜的氣彈載荷，如前飛過程中 的不平衡周期的交變載荷，運些載荷容易造成軸承、減擺器等出現磨損現象，更有甚者振動 載荷會導致直升機的重要的飛行組件出現疲勞損傷，使旋翼產生故障進而導致事故的發(fā) 生。在直升機故障中旋翼故障率高達20%，其中直升機一級事故中有35%與旋翼故障相關。 因此，對直升機旋翼系統的檢測和故障診斷就顯得尤為重要。
[0003] 由于直升機旋翼系統的工作特性，直接對旋翼系統進行檢測和診斷技術難度較 大。旋翼發(fā)生故障時，機體的振動頻率中包含了旋翼的故障信息。通過分析采集的機體振動 數據為旋翼系統故障診斷開辟了新途徑，經理論分析和實踐證明，該方法行之有效且易于 操作。直升機旋翼復雜的結構和工作環(huán)境決定了直升機振動數據是非平穩(wěn)和非線性的，選 用時域或者頻域的分析方法很難獲取有效的旋翼故障特征。時-頻分析方法在兩維空間中 同時展示了振動數據的時域和頻域信息，常用于提取旋轉器械的故障特征。常用的時-頻分 析方法有短時傅里葉變化，小波分析，S變換、Cohen類雙線性變換方法W及希爾伯特黃變換 等。
[0004] 相比于國外的研究，我國在直升機診斷方面的認識不夠全面，研究起步較晚，因此 積極深入直升機故障診斷方面的研究將具有實際意義。目前已經從理論和實踐兩個方面證 實了旋翼頻率與故障之間具有映射關系，利用異常模式識別，可進行故障檢測。直升機故障 診斷研究主要集中于旋翼的不平衡故障，有關旋翼異常檢測方面的研究很少。傳統的故障 診斷一般是二分類問題，主要借助分類算法進行處理，其中人工神經網絡和支持向量機已 經取得了不錯的診斷效果。然而，運些故障診斷方法的應用前提是有大量的故障數據。在真 實場景中，考慮到直升機旋翼的未知故障模式多種多樣，難W預料，無法事先大量獲取各種 狀態(tài)下的故障數據;正常狀態(tài)的數據很容易獲取，故障狀態(tài)時旋翼可能已經損壞;又因為故 障模擬的代價非常高，在實踐中往往不允許，導致故障狀態(tài)樣本很難捕獲而致出現嚴重匿 乏。因此，基于正常狀態(tài)的振動數據，及時檢測出旋翼異常信息顯得尤為重要。

【發(fā)明內容】

[0005] 本發(fā)明的目的是基于振動試驗數據，發(fā)明一個針對直升機旋翼異常檢測的方法， 基于該方法，可檢測直升機旋翼狀態(tài)的變化，從而提供直升機旋翼的早期故障預警，降低旋 翼的維修成本的同時，提高旋翼飛行的安全性和可靠性。
[0006] 本發(fā)明的具體技術方案包括W下幾個步驟：
[0007] 步驟一:對旋翼振動數據進行預處理，選用小波闊值去噪對原始數據進行去噪處 理。
[0008] 步驟二:對降噪后的振動數據進行經驗模態(tài)分解，獲取有限個內蘊模式函數。
[0009] 步驟=:用獲取的內蘊模式函數構建矩陣，并進行奇異值分解，將得到奇異值歸一 化到區(qū)間[-1,1]，最終組成旋翼故障特征向量。
[0010] 步驟四：利用支持向量數據描述，基于旋翼正常特征構建超球體，計算出超球體的 球屯、和半徑，并根據此超球體檢測旋翼是否出現異常。
[0011] 本發(fā)明的有益效果是：
[0012] 本發(fā)明基于直升機旋翼振動數據進行分析，選用時-頻分析方法提取有效的旋翼 狀態(tài)特征，利用支持向量數據描述針對旋翼正常狀態(tài)特征構建狀態(tài)模型，解決了在只有正 常狀態(tài)樣本數據可用的情況下，如何檢測出旋翼是否出現故障的問題。
【附圖說明】
[OOK]圖1是本發(fā)明方法的總體流程圖。
[0014] 圖2是經驗模態(tài)分解的流程圖。
[0015] 圖3旋翼狀態(tài)特征提取的流程圖。
【具體實施方式】
[0016] 下面結合附圖和相關算法，對本發(fā)明做進一步的說明。
[0017] 本發(fā)明的總體流程如圖1所示。
[0018] 本發(fā)明基于直升機振動數據進行異常檢測，采用小波闊值去噪法對振動數據進行 去噪處理。利用經驗模態(tài)分解獲取有限個內蘊模式函數，對內蘊模式函數矩陣進行奇異值 分解，提取直升機旋翼狀態(tài)特征。采用支持向量數據描述，針對直升機正常狀態(tài)特征向量構 建超球體，檢測旋翼異常。其具體實施步驟如下：
[0019] 1.小波闊值去噪
[0020] 本發(fā)明應用于直升機旋翼振動數據，通過傳感器測得的振動數據不可避免地含有 噪聲，在特征提取之前選用小波闊值去噪法對振動數據進行去噪處理。小波闊值去噪具體 過程如下：
[0021] 對含噪聲的振動數據x(t)做小波變換，得到一組小波系數W;
[0022] 通過對W進行闊值處理，得到估計系數，使得W與兩者的差值盡可能??；
[0023] 利用進行小波重構，得到去躁后的振動數據。
[0024] 2.經驗模態(tài)分解
[0025] 本發(fā)明針對去噪后的振動數據進行經驗模態(tài)分解。經驗模態(tài)分解能把一個復雜的 振動數據分解為若干不同的內蘊模式函數之和。每一個內蘊模式函數反應了信號內部固有 的波動特性，且只包含一個波動模態(tài)，避免了多波動模態(tài)的混疊。
[0026] 內蘊模式函數必須滿足如下兩個條件：
[0027] 在整個數據段內，極值點的個數(包括極大值和極小值)和過零點的個數相等或者 最多只相差一個；
[0028] 在任意時間點上，由局部極大值點形成的上包絡線和局部極值點形成的下包絡線 的平均值為零。
[0029] 針對振動數據x(t)，經驗模態(tài)分解具體步驟如下：
[0030] 確定x(t)上所有的極值點，然后用=次樣條曲線分別把極大值點和極小值點連起 來，形成上、下包絡線；
[003。 求出上下包絡線的平均值，記為mi，將mi從x(t)中分離出來
[0032] hi = x(t)-mi (8)
[0033] 如果hi滿足內蘊模式函數的兩個條件，那么hi就是x(t)分解出來的第一個內蘊模 式函數，若hi不滿足內蘊模式函數的條件，則把hi作為原始數據，重復前面的過程直至滿足 相應的條件或者預先設置的停止準則，記第一個內蘊模式函數為C1。
[0034] 把Cl從X (t)中分離出來，得到
[0035] ri = x(t)-ci (9)
[0036] 將ri作為原始數據，根據上述方法繼續(xù)對ri進行分解，直至rn變成一個單調函數， 不能再從中選出滿足經驗模態(tài)函數條件的分量時，循環(huán)結束，最終得到
[0037]
(10)
[0038] 其中rn是殘余函數，代表振動數據的平均趨勢。利用經驗模態(tài)分解獲取的內蘊模 式函數為C1，C2，. . .，Cn。
[0039] 3.奇異值分解
[0040] 經驗模態(tài)分解利用數據中的特征時間尺度識別出包含其內的內蘊模式函數Cl~ Cn,構建內蘊模式函數矩陣T= [Cl C2…CnL對矩陣T進行奇異值分解。奇異值分解的步驟 如下：
[0041 ] 假設T是M*N的矩陣，U是M*M的矩陣，其中U的列為TTT的正交特征向量，V為N*N的矩 陣，其中V的列為TTT的正交特征向量，m為矩陣T的秩，則存在奇異值分解：
[0042] T = UEyT (11)
[0043] 其中TTT和tTt的特征值相同，記為Al, . . .，Am，E為M*N的對角矩陣，對角元素為
，其余位置數值為0,則奇異值為
I由奇異值構成的奇異值譜為U= [01， 曰2，? ? ?，。皿]O
[0044] 4.數據歸一化
[0045] 本發(fā)明針對獲取的旋翼特征向量U= [01，02, ...，0m]，采用線性函數對各屬性進行 歸一化處理，其過程可用算法1來描述：
[0046] 算法1:數據歸一化
[0047] 輸入:旋翼特征向量集{ui}
[0048] 輸出：歸一化后的數據{V i}
[0049]
[(K)加]5.旋翼正常狀態(tài)建模
[0051] 本發(fā)明選取旋翼正常狀態(tài)下的特征向量集，訓練得到旋翼健康狀態(tài)模型。
[0052] 其本質是構建一個超球體包含所有或者幾乎所有旋翼正常狀態(tài)下的特征向量集X = {xl，X2，…XN}，此處的x即為提取的特征u，超球體的球屯、為a半徑為R。訓練的目標是最小 化超球體的體積，降低接受異常樣本的概率。考慮到訓練特征向量集中可能有少數正常的 特征偏離目標類，通過引入松弛因子Cl和懲罰參數C，允許少數樣本點分布在超球體之外。 [0化3] 優(yōu)化巧敬化下所示：
[0化4] (12)
[0055]為了避免過擬合，引入了懲罰參數C，表示對錯分樣本懲罰的程度，實現了在錯分 樣本的比例和區(qū)域容量之間的折衷。將上述的述優(yōu)化問題，轉換為其拉格朗日對偶問題進 行求解： 閨
(13)
[0057]其中，Qi為拉格朗日乘子。如果參數設置合理，高斯徑向基函數KU響）可W逼近 大多數核函數。本發(fā)明采用K(xi，xj)來代替函數內積（(Hxi) ? (Hx如，實現由低維空間到 高維空間的郵射-
[005引 （14)
[0059] 假定支持向量的數量是化v，Xm表示一個支持向量，則超球體球屯、和半徑的計算公 式如下：
[0060]
[0061] (16)
[0062] 6.異常檢測
[0063] 針對直升機旋翼測試狀態(tài)特征向量集，根據正常狀態(tài)建立的模型，計算測試特征 的決策函數值。本發(fā)明將決策函數值定義為狀態(tài)特征向量偏離正常狀態(tài)模型中屯、a的程度。 若測試特征的決策函數值大于20%，則認為有異常發(fā)生。
[0064] 對于測試樣本X可計算出其距離球屯、的距離為
[00化]
(17)
[0066] 化笛品激(吿皆f;n 了.
[0067] (18)
[0068] 決策函數的具體計算過程可用算法2來描述：
[0069] 算法2:計算決策函數值
[0070] 輸入:待測試的樣本X，基于健康狀態(tài)特征建立的模型mode 1 [0071 ]輸出：樣本X的決策函數值
[0072]
【主權項】
1. 一種振動數據驅動的直升機旋翼異常檢測的方法，其特征包括如下步驟： (1) 針對直升機旋翼振動數據的特點，按異常檢測過程的特殊需要對原始數據進行分 析和處理； (2) 選用信號處理領域的時-頻分析方法，對振動數據進行經驗模態(tài)分解獲取有限個內 蘊模式函數； (3) 用獲取的內蘊模式函數構建矩陣，并進行奇異值分解，將得到奇異值歸一化到區(qū)間 [_1，1]，最終組成旋翼狀態(tài)特征向量； (4) 利用支持向量數據描述，選用旋翼正常特征構建超球體，檢測旋翼是否出現故障。2. 根據權利要求1所述的振動數據驅動的直升機旋翼異常檢測的方法，其特征在于，步 驟(1)針對直升機振動數據的分析和處理，其實現方法如下： (21)選用小波閾值去噪方法對原始的振動數據進行去噪處理。3. 根據權利要求1所述的方法，其特征在于，步驟(2)對去噪后的數據進行經驗模態(tài)分 解，得到有限個相互獨立的內蘊模式函數，獲取旋翼振動數據的時頻特性，其實現方法包 括： 針對振動數據x(t)，確定x(t)上所有的極值點，然后用三次樣條曲線分別把極大值點 和極小值點連起來，形成上、下包絡線； 求出上下包絡線的平均值，記為m，將m從X (t)中分離出來： hi = x(t)-mi (1) 如果In滿足內蘊模式函數的兩個條件，那么In就是x(t)分解出來的第一個內蘊模式函 數，若hi不滿足內蘊模式函數的條件，則把In看作原始數據，重復前面的過程直至滿足相應 的條件或者預先設置的停止準則，記第一個內蘊模式函數為c 1; 把cdAx (t)中分離出來，得到 ri = x(t)-ci (2) 將^作為原始數據，根據以上過程繼續(xù)對^進行分解，直至rn變成一個單調函數，不能 再從中選出滿足內蘊模式函數條件的分量時，循環(huán)結束，最終滿足如下關系：(3) 其中rn表示殘余函數，代表振動數據的平均趨勢。利用經驗模態(tài)分解獲取的內蘊模式函 數為C1，Cy，Cn，獲取的內蘊模式函數之間兩兩相互獨立。4. 根據權利要求1所述方法，其特征在于，步驟(3)用獲取的內蘊模式函數構建矩陣，并 進行奇異值分解，將得到的奇異值歸一化到區(qū)間[_1，1]，組成旋翼狀態(tài)特征向量 (41) 構建內蘊模式函數矩陣： 振動數據經經驗模態(tài)分解后變成了η個相互獨立的內蘊模式函數，記做C1~Cn，以內蘊 模式函數為列向量構建矩陣T; T=[ci C2 ··· Cn] (4) (42) 奇異值分解： 對內蘊模式函數矩陣T進行奇異值分解，獲取m個奇異值，將奇異值按從大到小的順序 進行排列，則〇1彡〇2彡...，構成的奇異值譜...，om]代表了旋翼振動數據的 狀態(tài)特征； (43)歸一化處理： 為了消除量綱屬性對異常檢測的影響，對獲取的奇異值進行歸一化處理，將數值規(guī)約 到[_1，1]之間。歸一化函數如下所示：⑶ 式中，σ/表示歸一化后的奇異值，分別表示第i個屬性的下限和上限，歸一化 處理后下限和下限分別變?yōu)?1和1。5.根據權利要求1所述方法，其特征在于，步驟(4)利用支持向量數據描述，選用旋翼正 常狀態(tài)的特征構建超球體，檢測直升機旋翼是否出現故障，實現方法如下： 基于旋翼正常狀態(tài)下提取的特征，利用支持向量數據描述，依據結構風險最小化原理， 對正常狀態(tài)的特征向量集X ={ XI，X2，…XN}構建超球體，該超球體盡可能多的包含正常狀態(tài) 的樣本特征同時盡可能降低接受異常特征的概率?？紤]到訓練特征向量集中可能有少數正 常的特征偏離目標類，通過引入松弛因子L和懲罰參數C，允許少數樣本點分布在超球體區(qū) 域之外。構建超球體可轉化為以下優(yōu)化問題的求解：(6) 通過求解上述優(yōu)化問題，計算得到超球體的球心是a，半徑是R，對于新的樣本特征X，決 策函數定義如下：(7) 若樣本特征的決策函數值f (X )> 20 %，則認為有異常發(fā)生。
【文檔編號】G06K9/62GK105956514SQ201610246471
【公開日】2016年9月21日
【申請日】2016年4月15日
【發(fā)明人】皮德常, 何云
【申請人】南京航空航天大學