某型发动机转子振动故障的信号特征提取及诊断

《某型发动机转子振动故障的信号特征提取及诊断》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号密级公开UDC学位论文题目：某型发动机转子振动故障的信号特征提取及诊断研究生姓名：张翠学科专业名称：航空宇航推进理论与工程研究方向：航空发动机强度、振动及噪声论文类型：应用研究申请学位：工学硕士指导教师姓名：王克明指导教师职称：教授指导教师单位：沈阳航空航天大学论文提交日期：2015年01月11日论文答辩日期：2015年03月07日沈阳航空航天大学2015年3月SHENYANGAEROSPACEUNIVERSITYTHESISFORMASTER’SDEGREESIGNALFEATUREEXTRACTIONANDDIAGNOSISOFROT

2、ORVIBRATIONFAULTSOFANAEROENGINECandidate:CuiZhangSupervisor:Prof.KemingWangSpecialty:AeronauticalandAstronauticalPropulsionTheoryandEngineeringDate:March2015摘要对于航空发动机故障诊断技术而言，故障特征的识别与提取将直接关系到故障诊断的准确性和有效性。目前利用振动信号对航空发动机进行故障诊断是比较常用的方法，根据航空发动机在不同状态下振动信号呈现的不同特征对其进行诊断。针对传统信号分析方法难

3、以准确描述转子振动信号非平稳特性以及信号特征难以定量评价问题，本文采用经验模式分解法结合信息熵进行特征向量的提取。然后利用能量法选取包含主要故障信息的分量，并利用相关系数法对选取的主要分量的准确性进行验证。在选出主要分量的基础上计算其在时域、频域以及时-频域上的奇异谱熵、功率谱熵、小波能谱熵和小波包空间特征谱熵，以此四种信息熵作为转子故障诊断的特征向量。本文通过支持向量机结合证据理论的方法对发动机进行故障诊断，最后利用多分类支持向量机对发动机转子的三种典型故障进行多分类诊断。根据证据理论对信号在不同测点、不同工况下进行信息融合，并且以概率形式输

4、出结果。这种方法可以提高对发动机故障诊断的准确性，其结果能更直观的观测故障的严重程度。关键词：经验模式分解法；信息熵；故障诊断；支持向量机；证据理论IAbstractForaeroenginefaultdiagnosistechnology,thefaultfeatureidentificationandextractiondirectlyaffecttheaccuracyandeffectivenessoffaultdiagnosis.Currentlythewidely-usedmethodofaeroenginefaultdiagnosi

5、sisvibrationsignalanalysis.Diagnosisisconductedbasedonthefactthataeroenginevibrationsignalhasdifferentcharacteristicsunderdifferentengineconditions.Aimingattheproblemsthattraditionalsignalanalysismethodisdifficulttodescribenon-stationaryrotorvibrationsignalsandevaluatesignal

6、featurequantitatively,thisresearchputsforwardamethodoffeaturevectorextractionbasedonentropyandempiricalmodedecomposition.Energymethodisthenusedtoselectthecomponentofthemainfaultinformation,andtheaccuracyoftheselectedmaincomponentisverifiedusingthecorrelationcoefficientmethod

7、.Onthebasisofthemaincomponentselected,singularspectrumentropy,powerspectrumentropy,waveletenergyspectrumentropy,andwaveletpacketspacecharacteristicspectralentropyarecalculatedintimedomain,frequencydomainandtime-frequencydomain.Thefourtypesofinformationentropiesareusedtoformr

8、otorfaultdiagnosisfeaturevector.Aeroenginefaultdiagnosisisperformedbythemet