本發(fā)明涉及一種航空發(fā)動(dòng)機(jī)智能診斷技術(shù)。屬于故障診斷與健康管理領(lǐng)域。

技術(shù)背景

目前對(duì)于航空發(fā)動(dòng)機(jī)故障的分析與診斷已具備智能化特點(diǎn)。智能化程度體現(xiàn)在數(shù)學(xué)模型與真實(shí)系統(tǒng)間問題本質(zhì)的逼近程度，以及領(lǐng)域?qū)＜抑R(shí)的人工智能再現(xiàn)，是人工智能、其他相關(guān)學(xué)科理論與技術(shù)在故障診斷學(xué)科中的綜合體現(xiàn)。將多種不同的智能技術(shù)結(jié)合起來(lái)，建立合理的混合推理模型，能夠有效提高航空發(fā)動(dòng)機(jī)故障診斷的智能化程度。

每一型號(hào)的航空發(fā)動(dòng)機(jī)故障復(fù)雜多樣，但其典型故障均可窮舉。而每種故障的影響因素雜糅繁多，如發(fā)動(dòng)機(jī)振動(dòng)：影響航空發(fā)動(dòng)機(jī)振動(dòng)的直接因素有幾十種，間接因素達(dá)上百種。但對(duì)于典型故障，如發(fā)動(dòng)機(jī)轉(zhuǎn)子不平衡引發(fā)振動(dòng)等，其典型特征都是可描述且有限的。

在以往公開的方法中，多數(shù)采用模式識(shí)別的方法進(jìn)行航空發(fā)動(dòng)機(jī)的故障診斷。

中國(guó)發(fā)明專利為cn105758645a公布了一種基于概率神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)故障診斷系統(tǒng)，包括進(jìn)行歷史數(shù)據(jù)的預(yù)處理、特征選擇和提取，等流程，通過訓(xùn)練樣本，得到期望的診斷模型，進(jìn)行診斷。整個(gè)過程工程師不能干預(yù)，是一種黑箱識(shí)別方法。

歐洲發(fā)明專利為ep0988583公布了一種用于診斷發(fā)動(dòng)機(jī)故障的診斷方法，包括從信息來(lái)源處提取信息并進(jìn)行特征處理后串聯(lián)兩個(gè)神經(jīng)網(wǎng)絡(luò)形成診斷的關(guān)鍵系統(tǒng)和方法。

但上述方法只是依據(jù)故障的訓(xùn)練樣本，訓(xùn)練識(shí)別模型后黑箱識(shí)別，并不反映領(lǐng)域知識(shí)；當(dāng)待診樣本種類多，數(shù)據(jù)量大時(shí)，診斷速度慢；對(duì)于數(shù)據(jù)質(zhì)量不高的待診樣本(故障特征不顯著或存在干擾)，往往會(huì)有低質(zhì)量的診斷結(jié)果；且實(shí)際診斷時(shí)常存在與故障信號(hào)相似的干擾信號(hào)時(shí)，單一進(jìn)行有“黑箱”特征的診斷方法，虛警率高。有的信號(hào)故障模式相近，如轉(zhuǎn)子支承不同心和轉(zhuǎn)子支承結(jié)構(gòu)間隙松動(dòng)這兩種故障模式在頻譜圖上都會(huì)出現(xiàn)1,2,…倍頻振，此時(shí)則會(huì)有誤診的情況。

中國(guó)發(fā)明專利cn201610231577.2公開了一種基于自適應(yīng)加權(quán)ds證據(jù)理論的航空發(fā)動(dòng)機(jī)氣路故障融合診斷方法，以解決采用單一方法診斷精度不足的問題。該方法的診斷結(jié)構(gòu)為一種并行結(jié)構(gòu)，是將具有不同可信度的兩個(gè)子模塊的診斷結(jié)果賦予差異的權(quán)值，采用自適應(yīng)加權(quán)的證據(jù)理論做融合決策，以解決結(jié)果沖突的問題。

所述的大多數(shù)的推理方法及模式識(shí)別方法都主要在算法上進(jìn)行優(yōu)化，并未注意從動(dòng)力學(xué)的角度出發(fā)進(jìn)行結(jié)果的檢驗(yàn)，進(jìn)行故障的推理等。進(jìn)行模式識(shí)別時(shí)，對(duì)于存在干擾等低質(zhì)量的大量數(shù)據(jù)，隨著模型訓(xùn)練的進(jìn)行，模型的復(fù)雜度會(huì)增加，此時(shí)模型在訓(xùn)練數(shù)據(jù)集上的訓(xùn)練誤差會(huì)逐漸減小，但是在模型的復(fù)雜度達(dá)到一定程度時(shí)，模型在驗(yàn)證集上的誤差反而隨著模型的復(fù)雜度增加而增大。即模型的復(fù)雜度升高，但是該模型在除訓(xùn)練集之外的數(shù)據(jù)集上卻失效，識(shí)別精度難以滿足工程要求。

對(duì)于航空發(fā)動(dòng)機(jī)而言，對(duì)大數(shù)據(jù)樣本進(jìn)行故障識(shí)別，僅采用單一的模式識(shí)別方法進(jìn)行故障診斷，或并行融合模式識(shí)別算法與其它推理方法結(jié)果時(shí)：

1.模式識(shí)別方法輸入維數(shù)過多，存在維數(shù)災(zāi)難的情況，使得學(xué)習(xí)范圍過大，模式識(shí)別時(shí)間長(zhǎng)。

2.實(shí)際運(yùn)用時(shí)，需要設(shè)置繁瑣的優(yōu)化算法，來(lái)保證模式算法的輸入輸出，識(shí)別模型，識(shí)別過程輸出在實(shí)際運(yùn)用中的精度與速度，還有可解釋性。但少有人從動(dòng)力學(xué)角度出發(fā)，通過運(yùn)用動(dòng)力學(xué)知識(shí)提純輸入數(shù)據(jù)，檢驗(yàn)輸出結(jié)果的方法來(lái)保證精度與速度。

技術(shù)實(shí)現(xiàn)要素：

為克服現(xiàn)有技術(shù)中存在的學(xué)習(xí)范圍大、模式識(shí)別時(shí)間長(zhǎng)，以及存在虛警的不足，本發(fā)明提出了一種多技術(shù)融合航空發(fā)動(dòng)機(jī)故障智能診斷方法。

本發(fā)明具體過程是：

步驟1：構(gòu)建故障庫(kù)

針對(duì)不平衡、不對(duì)中和轉(zhuǎn)靜碰磨三種故障構(gòu)建故障庫(kù)。所構(gòu)建的故障庫(kù)是針對(duì)所述三種故障的原始故障數(shù)據(jù)與故障現(xiàn)象進(jìn)行分析，得到三種故障的數(shù)據(jù)特征和動(dòng)力學(xué)特點(diǎn)，并儲(chǔ)存在故障庫(kù)中。對(duì)不平衡、不對(duì)中和轉(zhuǎn)靜碰磨三種故障原始數(shù)據(jù)進(jìn)行動(dòng)力學(xué)分析，得到三種故障現(xiàn)象的動(dòng)力學(xué)特點(diǎn)。

所述構(gòu)建故障庫(kù)的具體做法如下：

第一步，獲取所述三種故障的原始數(shù)據(jù)。

所述的原始數(shù)據(jù)選擇所述發(fā)動(dòng)機(jī)定型早期可靠性波動(dòng)故障頻發(fā)階段的三種故障原始數(shù)據(jù)、投入使用時(shí)故障偶發(fā)階段的三種故障原始數(shù)據(jù)。

第二步，采用數(shù)據(jù)分析方法對(duì)三種故障的原始數(shù)據(jù)進(jìn)行分析，得到的數(shù)據(jù)特征；對(duì)三種故障的故障現(xiàn)象進(jìn)行動(dòng)力學(xué)分析，得到故障現(xiàn)象的動(dòng)力學(xué)特征。

采用融合能量法對(duì)獲得的數(shù)據(jù)進(jìn)行分析。

在該融合能量法中，轉(zhuǎn)子的渦動(dòng)在各諧波下的運(yùn)動(dòng)軌跡是一系列的橢圓，定義諧波的長(zhǎng)半軸ra的值與短半軸rb的值平方之和為轉(zhuǎn)子該諧波的融合能量g

該諧波融合能量g的值歸一化后。所有諧波的融合能量g的值構(gòu)成轉(zhuǎn)子回轉(zhuǎn)融合能量譜。

對(duì)不平衡、不對(duì)中和轉(zhuǎn)靜碰磨三種故障原始數(shù)據(jù)使用融合能量分析，根據(jù)公式1，得到融合能量譜。

對(duì)不平衡、不對(duì)中和轉(zhuǎn)靜碰磨三種故障原始數(shù)據(jù)進(jìn)行動(dòng)力學(xué)分析，得到三種故障現(xiàn)象的動(dòng)力學(xué)特點(diǎn)。

步驟2：獲取待診樣本數(shù)據(jù)，并進(jìn)行待診樣本現(xiàn)象的動(dòng)力學(xué)分析：

所述根據(jù)待診樣本p1動(dòng)力學(xué)特點(diǎn)在故障庫(kù)中找出疑似故障的具體過程是：

ⅰ獲取待診樣本數(shù)據(jù)

通過仿真獲得待診樣本數(shù)據(jù)。

選取仿真數(shù)據(jù)時(shí)，在matlab環(huán)境下構(gòu)建發(fā)動(dòng)機(jī)轉(zhuǎn)子系統(tǒng)的待診樣本p1，該待診樣本p1為測(cè)試系統(tǒng)的交流電干擾信號(hào)。所述p1包括水平與垂直方向兩組數(shù)據(jù)。

在matlab環(huán)境下構(gòu)建構(gòu)建發(fā)動(dòng)機(jī)轉(zhuǎn)子系統(tǒng)的待診樣本p2；所述的待診樣本p2為測(cè)試系統(tǒng)的交流電干擾信號(hào)。p2＝p1。

所述的待診樣本p1的發(fā)動(dòng)機(jī)轉(zhuǎn)速為3000rpm。待診樣本p1幅值為a；所述a為以100為期望、以1為方差的正態(tài)分?jǐn)?shù)隨機(jī)數(shù)。

所述的待診樣本p1為測(cè)試系統(tǒng)的交流電干擾信號(hào)。

ⅱ對(duì)于待診樣本p1的現(xiàn)象進(jìn)行動(dòng)力學(xué)分析得到p1的現(xiàn)象的動(dòng)力學(xué)特點(diǎn)。

步驟3：根據(jù)待診樣本p1動(dòng)力學(xué)特點(diǎn)在故障庫(kù)中找出疑似故障：

所述根據(jù)待診樣本p1動(dòng)力學(xué)特點(diǎn)在故障庫(kù)中找出疑似故障是對(duì)待診樣本數(shù)據(jù)進(jìn)行待診樣本現(xiàn)象的動(dòng)力學(xué)分析，得到待診樣本動(dòng)力學(xué)特點(diǎn)。

所述根據(jù)待診樣本p1動(dòng)力學(xué)特點(diǎn)在故障庫(kù)中找出疑似故障是依據(jù)待診樣本p1的特點(diǎn)，采用相似度判別方法，對(duì)于待診樣本p1的每一個(gè)特點(diǎn)進(jìn)行相似度分析，確定該特點(diǎn)屬于故障庫(kù)中哪些故障。

當(dāng)對(duì)所述待診樣本p1的所有特點(diǎn)進(jìn)行相似度計(jì)算，確定該待診樣本p1的疑似故障。

步驟4：對(duì)疑似故障依次進(jìn)行多輪篩選，得出主要疑似故障。

所述對(duì)疑似故障依次進(jìn)行多輪篩選的具體過程是：

第一輪篩選是針對(duì)不平衡故障。按不平衡故障名稱進(jìn)行索引，對(duì)該不平衡故障遍歷一次其對(duì)應(yīng)旋轉(zhuǎn)機(jī)械振動(dòng)原因分析表的特點(diǎn)。當(dāng)不平衡故障遍歷后在表上的置信度累加大于等于判斷值時(shí)，將不平衡故障作為本輪篩選結(jié)果，認(rèn)為它是可能性較大的結(jié)果，即主要疑似故障；當(dāng)該不平衡故障遍歷后在表上的置信度累加小于判斷值時(shí)，則該輪篩選結(jié)果為空，即該疑似故障不是最有可能的那幾個(gè)主要疑似故障，將其篩除。

第二輪篩選是針對(duì)不對(duì)中故障。按不對(duì)中故障名稱進(jìn)行索引，對(duì)該不對(duì)中故障遍歷一次其對(duì)應(yīng)旋轉(zhuǎn)機(jī)械振動(dòng)原因分析表的特點(diǎn)。當(dāng)不對(duì)中故障遍歷后在表上的置信度累加大于等于判斷值時(shí)，將不對(duì)中故障作為本輪篩選結(jié)果，認(rèn)為它是可能性較大的結(jié)果，即主要疑似故障；當(dāng)該不對(duì)中故障遍歷后在表上的置信度累加小于判斷值時(shí)，則該輪篩選結(jié)果為空，即該疑似故障不是最有可能的那幾個(gè)主要疑似故障，將其篩除。

第三輪篩選是針對(duì)轉(zhuǎn)靜碰磨故障。按轉(zhuǎn)靜碰磨故障名稱進(jìn)行索引，對(duì)該轉(zhuǎn)靜碰磨故障遍歷一次其對(duì)應(yīng)旋轉(zhuǎn)機(jī)械振動(dòng)原因分析表的特點(diǎn)。當(dāng)轉(zhuǎn)靜碰磨故障遍歷后在表上的置信度累加大于等于判斷值時(shí)，將轉(zhuǎn)靜碰磨故障作為本輪篩選結(jié)果，認(rèn)為它是可能性較大的結(jié)果，即主要疑似故障；當(dāng)該轉(zhuǎn)靜碰磨故障遍歷后在表上的置信度累加小于判斷值時(shí)，則該輪篩選結(jié)果為空，即該疑似故障不是最有可能的那幾個(gè)主要疑似故障，將其篩除。

所述各輪篩選中的所述判斷值均為90。

步驟5：對(duì)于主要疑似故障進(jìn)行模式識(shí)別，確認(rèn)故障種類。根據(jù)待診樣本p1的數(shù)據(jù)特征，通過模式識(shí)別算法進(jìn)行模式識(shí)別，得到待診樣本p1的識(shí)別結(jié)果。

所述對(duì)主要疑似故障進(jìn)行模式識(shí)別，確認(rèn)故障種類的具體過程：

ⅰ提取待診樣本數(shù)據(jù)特征

對(duì)于待診樣本提取數(shù)據(jù)特征。所述的數(shù)據(jù)特征與表1的數(shù)據(jù)特征一致，即模式識(shí)別方法的學(xué)習(xí)對(duì)象是待診樣本在故障庫(kù)主要疑似故障中的數(shù)據(jù)特征，識(shí)別對(duì)象待診樣本的數(shù)據(jù)特征，待診樣本p1的數(shù)據(jù)特征的類型必須是待診樣本在故障庫(kù)中主要疑似故障的數(shù)據(jù)特征類型。

隨機(jī)選取所述待診樣本p1中多組數(shù)據(jù)進(jìn)行融合能量分析，得到待診樣本的融合能量譜。

ⅱ對(duì)于待診樣本的數(shù)據(jù)特征進(jìn)行模式識(shí)別：

根據(jù)得到的待診樣本的融合能量譜，采用bp神經(jīng)網(wǎng)絡(luò)對(duì)待診樣本p1數(shù)據(jù)特征進(jìn)行模式識(shí)別。具體過程是：

第一步，選擇模式識(shí)別算法對(duì)待診樣本進(jìn)行模式識(shí)別：

確定bp神經(jīng)網(wǎng)絡(luò)參數(shù)，通過修改該bp神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率和動(dòng)量系數(shù)，使該bp神經(jīng)網(wǎng)絡(luò)的樣本分類正確率λ達(dá)到90％以上，該學(xué)習(xí)速率和動(dòng)量系數(shù)即為確定的bp神經(jīng)網(wǎng)絡(luò)參數(shù)。bp神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)對(duì)象是故障庫(kù)中不平衡故障的融合能量譜。

識(shí)別對(duì)象是待診樣本p1的融合能量譜。

第二步，通過所述訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)模型得到查全率η、樣本分類正確率λ、識(shí)別時(shí)間t和待診樣本p1的故障類型。

對(duì)于查全率η：確定學(xué)習(xí)范圍，得到查全率。故障庫(kù)中所有故障的數(shù)據(jù)特征總數(shù)為sum。而步驟4多輪篩選得出主要疑似故障，主要疑似故障的數(shù)據(jù)特征種類用k表示；k＝1，2，3，4。

η＝k/sum(3)

所述η的值代表學(xué)習(xí)范圍。

以樣本的識(shí)別正確率λ作為評(píng)價(jià)學(xué)習(xí)效果的標(biāo)準(zhǔn)，所述λ值與學(xué)習(xí)效果成正比。

所述的識(shí)別時(shí)間t是在運(yùn)行模式識(shí)別算法時(shí)在matlab環(huán)境中記錄bp神經(jīng)網(wǎng)絡(luò)運(yùn)行時(shí)間；所述識(shí)別時(shí)間t與bp神經(jīng)網(wǎng)絡(luò)的識(shí)別速度成反比。

所述λ通過公式(4)得到：

步驟6：對(duì)得到的識(shí)別結(jié)果進(jìn)行檢驗(yàn)：

根據(jù)檢驗(yàn)規(guī)則對(duì)步驟5種得到的待診樣本p1的故障類型進(jìn)行識(shí)別結(jié)果檢驗(yàn)；

所述的檢驗(yàn)規(guī)則為：

ⅰ待診樣本數(shù)據(jù)中，轉(zhuǎn)速變?yōu)樵瓉?lái)的x倍，振動(dòng)幅值變?yōu)樵瓉?lái)的x²倍；

ⅱ待診樣本反映出的進(jìn)動(dòng)方向?yàn)檎M(jìn)動(dòng)；

按照規(guī)則ⅰ，輸入步驟2獲取的待診樣本p2；p2，p1幅值相同；檢驗(yàn)結(jié)果是待診樣本p1不滿足第一條規(guī)則；

按照規(guī)則ⅱ，待診樣本p1為交流電干擾信號(hào)，不滿足第二條規(guī)則；

步驟7：不平衡故障的判定

將步驟6中得到的p1的檢驗(yàn)結(jié)果與所述不平衡故障具有的特點(diǎn)對(duì)比；對(duì)比結(jié)果是二者不同，故判定該待診樣本p1和待診樣本p2均不是不平衡故障，不會(huì)產(chǎn)生故障報(bào)警；

至此，完成了航空發(fā)動(dòng)機(jī)結(jié)構(gòu)類故障的智能診斷。

本發(fā)明提出了一種多種技術(shù)串行融合的識(shí)別結(jié)構(gòu)，用于航空發(fā)動(dòng)機(jī)典型故障的智能診斷。本發(fā)明首先在總結(jié)分析結(jié)構(gòu)類故障的案例以及動(dòng)力學(xué)特征，形成了由故障數(shù)據(jù)樣本特征表，故障現(xiàn)象動(dòng)力學(xué)表示形式表組成的故障庫(kù)。然后通過數(shù)據(jù)分析方法得到待識(shí)別樣本的特征，根據(jù)待識(shí)別樣本特征，根據(jù)相似度計(jì)算公式，匹配出故障庫(kù)中與待診樣本相似度不低于判斷值的故障作為疑似故障。這里的判斷值，是步驟3中人工設(shè)置的一個(gè)識(shí)別的底線值。再依據(jù)典型故障因子決策表，對(duì)所有疑似故障進(jìn)行多輪篩選，得出可能性最大的有限個(gè)主要疑似故障。利用模式識(shí)別算法，對(duì)于主要疑似故障進(jìn)行模式識(shí)別，識(shí)別時(shí)的學(xué)習(xí)訓(xùn)練樣本來(lái)自于故障樣本數(shù)據(jù)特征庫(kù)中的故障數(shù)據(jù)特征，識(shí)別時(shí)的識(shí)別對(duì)象為待識(shí)別樣本的特征。最后對(duì)識(shí)別結(jié)果進(jìn)行一次或多次動(dòng)力學(xué)特征檢驗(yàn)，看待識(shí)別樣本中相關(guān)參數(shù)之間的關(guān)系及變化規(guī)律，是否符合典型故障檢驗(yàn)規(guī)則庫(kù)中對(duì)應(yīng)故障的檢驗(yàn)規(guī)則，符合檢驗(yàn)規(guī)則，接受識(shí)別結(jié)果；不符合檢驗(yàn)規(guī)則，拒絕識(shí)別結(jié)果，結(jié)束診斷。

識(shí)別流程和現(xiàn)有一些多技術(shù)融合識(shí)別流程區(qū)別在于，整體結(jié)構(gòu)的不同：這是一種新的識(shí)別結(jié)構(gòu)。現(xiàn)有多技術(shù)融合方法是一種并行生成結(jié)果融合的方法，即通過專家系統(tǒng)，神經(jīng)網(wǎng)絡(luò)，核主元等多種技術(shù)中的一或多種，分別得出診斷結(jié)果，再根據(jù)一定方法分別取信各個(gè)結(jié)果進(jìn)行結(jié)果融合。本方法是一個(gè)串行生成結(jié)果的過程，可看出，步驟3到步驟5里，每一環(huán)節(jié)作為上一環(huán)節(jié)的檢驗(yàn)篩選，依據(jù)動(dòng)力學(xué)知識(shí)，通過層層篩選的方式得出結(jié)果。

本發(fā)明步驟2中計(jì)算相似度時(shí)，充分利用現(xiàn)有基于案例推理與基于規(guī)則推理兩種推理方法的優(yōu)勢(shì)，即在故障庫(kù)的故障現(xiàn)象表現(xiàn)形式表中，既存在參數(shù)特征，能進(jìn)行規(guī)則推理，又存在現(xiàn)象描述特征，能進(jìn)行案例推理，此處的案例推理與基于規(guī)則推理是公知的智能系統(tǒng)的兩種不同推理方法。在步驟3中根據(jù)待識(shí)別樣本特征在故障庫(kù)中找出疑似故障時(shí)，相似度s符合要求就考慮接納推理結(jié)果。所述要求為步驟3中人工設(shè)置的一個(gè)識(shí)別的底線值，可靈活調(diào)節(jié)相似度s，進(jìn)行大量模糊不精確的推理，充分考慮推理時(shí)各種可能性。

本發(fā)明使用模式識(shí)別方法，與現(xiàn)有的模式識(shí)別方法在流程及運(yùn)用上相同，不同在于其輸入與輸出部分。輸入部分，區(qū)別在于輸入數(shù)據(jù)的維數(shù)，面對(duì)同樣的待識(shí)別數(shù)據(jù)組，本方法通過步驟4對(duì)于疑似故障進(jìn)行多輪篩選，得出主要疑似故障，將模式識(shí)別方法的學(xué)習(xí)對(duì)象從庫(kù)中的所有樣本減少為經(jīng)過篩選后可能性最大的有限個(gè)主要疑似故障。輸出部分，設(shè)置了以動(dòng)力學(xué)模型為基礎(chǔ)的檢驗(yàn)規(guī)則，對(duì)識(shí)別結(jié)果進(jìn)行檢驗(yàn)。使用本發(fā)明時(shí)，在保證模式識(shí)別方法學(xué)習(xí)的故障庫(kù)中的特征類型，和對(duì)待診樣本進(jìn)行識(shí)別時(shí)，待診樣本的特征類型是一致的前提下，可以采用不同的模式識(shí)別算法。

可以選取任意一種模式識(shí)別方法用于本發(fā)明。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

1、本發(fā)明的通過多技術(shù)融合的識(shí)別流程，通過對(duì)待識(shí)別樣本的相似度計(jì)算得到疑似故障與通過依據(jù)動(dòng)力學(xué)特征決策表的多輪篩選這兩步，減小了模式識(shí)別算法的學(xué)習(xí)范圍，減少了輸入維數(shù)，指定了學(xué)習(xí)對(duì)象。降低了模式識(shí)別的時(shí)間。使用本發(fā)明時(shí)，在保證模式識(shí)別方法學(xué)習(xí)的故障庫(kù)中的特征類型，和對(duì)待診樣本進(jìn)行識(shí)別時(shí)，待診樣本的特征類型是一致的前提下，可以采用不同的模式識(shí)別算法。

2、本發(fā)明的通過設(shè)置步驟6，對(duì)于識(shí)別結(jié)果進(jìn)行檢驗(yàn)。保證了經(jīng)過學(xué)習(xí)的模型是在實(shí)際運(yùn)用中，和僅采用單一模式識(shí)別方法相比，識(shí)別存在干擾的低質(zhì)量數(shù)據(jù)時(shí)，精度有保證，有效消除對(duì)干擾信號(hào)虛警，降低虛警率。對(duì)于幾種特征相近的故障數(shù)據(jù)進(jìn)行識(shí)別，也能夠有效區(qū)分。

3、本發(fā)明所述識(shí)別流程不用設(shè)置復(fù)雜的數(shù)據(jù)提純環(huán)節(jié)以及優(yōu)化算法，而是通過故障的本質(zhì)即其動(dòng)力學(xué)特征出發(fā)，進(jìn)行故障的動(dòng)力學(xué)特點(diǎn)識(shí)別，故障的類型篩選并進(jìn)行識(shí)別結(jié)果的檢驗(yàn)。易于在工程中推廣。除了所示出的不平衡，不對(duì)中，轉(zhuǎn)靜碰磨三種故障外，還可用于其它能夠刻畫出動(dòng)力學(xué)模型的結(jié)構(gòu)類故障，如齒輪故障，軸承故障，支座松動(dòng)，盤腔積液。

4.本發(fā)明除了對(duì)于仿真信號(hào)外，對(duì)于工程中的實(shí)測(cè)數(shù)據(jù)也可通過本方法進(jìn)行航空發(fā)動(dòng)機(jī)結(jié)構(gòu)類故障的診斷。

5.除了本發(fā)明對(duì)不平衡總結(jié)的檢驗(yàn)規(guī)則外，可以總結(jié)其它的結(jié)構(gòu)類故障的檢驗(yàn)規(guī)則，用作在對(duì)其它結(jié)構(gòu)類故障使用本方法進(jìn)行診斷時(shí)的檢驗(yàn)。

6.除了本發(fā)明所提到的bp神經(jīng)網(wǎng)絡(luò)，同樣還可以選擇其它類型的神經(jīng)網(wǎng)絡(luò)，以及需要有數(shù)據(jù)特征作為學(xué)習(xí)對(duì)象的機(jī)器學(xué)習(xí)算法，如支持向量機(jī)和樸素貝葉斯分類器，作為步驟5的模式識(shí)別方法。只要其滿足學(xué)習(xí)對(duì)象是和故障庫(kù)中的故障數(shù)據(jù)特征相同的類型，學(xué)習(xí)范圍是依據(jù)本發(fā)明步驟2到步驟4所選擇的有限的故障樣本中間的條件。

將本發(fā)明和只采用bp神經(jīng)網(wǎng)絡(luò)這一單一的模式識(shí)別算法進(jìn)行故障識(shí)別作比較，得到兩者在查全率η，平均虛警率，時(shí)間三個(gè)方面的結(jié)果對(duì)比表，平均虛警率，是指把干擾信號(hào)識(shí)別成某些故障時(shí)，這些故障種類占總的故障種類的百分比。

在mtlab環(huán)境，對(duì)同樣的待診樣本p1進(jìn)行識(shí)別。bp神經(jīng)網(wǎng)絡(luò)參數(shù)為學(xué)習(xí)速率為0.35，動(dòng)量系數(shù)為0.65。因?yàn)橹粏我徊捎胋p神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識(shí)別，識(shí)別時(shí)不像本方法可以有選擇性地確定識(shí)別對(duì)象。單一采用bp神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識(shí)別時(shí)，bp神經(jīng)網(wǎng)絡(luò)的識(shí)別對(duì)象為故障庫(kù)中三種故障的所有數(shù)據(jù)特征，即要學(xué)習(xí)故障庫(kù)不平衡，不對(duì)中，轉(zhuǎn)靜碰磨的融合能量譜，即表1的全部?jī)?nèi)容。識(shí)別對(duì)象為待診樣本p1的融合能量譜。

由于沒有進(jìn)行如本發(fā)明步驟2到步驟4的過程，只使用bp神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)待診樣本p1的模式，不能選擇性地確定學(xué)習(xí)對(duì)象，需要學(xué)全庫(kù)中3種故障才能得到訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)。

訓(xùn)練bp神經(jīng)網(wǎng)絡(luò)時(shí)，bp神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置為學(xué)習(xí)速率為0.35，動(dòng)量系數(shù)為0.65，得到訓(xùn)練樣本分類正確率λ，等于1。這么設(shè)置是為了說明這里的bp神經(jīng)網(wǎng)絡(luò)和本發(fā)明中的bp神經(jīng)網(wǎng)絡(luò)一樣，都能對(duì)測(cè)試樣本進(jìn)行有效識(shí)別，訓(xùn)練的效果一樣。

把這里訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)用于對(duì)待診樣本p1的融合能量譜的識(shí)別，并和本發(fā)明訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)，在查全率η，平均虛警率，時(shí)間三個(gè)方面的結(jié)果作比較，的結(jié)果對(duì)比表見表6。

表6：結(jié)果對(duì)比表

從表6可以看出，本發(fā)明與只使用單一模式識(shí)別方法相比，通過步驟3和步驟4，能夠有選擇性地確定步驟5中的模式識(shí)別的學(xué)習(xí)對(duì)象，縮小學(xué)習(xí)范圍，降低查全率η，從1降為33％。減少了學(xué)習(xí)時(shí)間，從90s減少到了19s。通過設(shè)置步驟6這一檢驗(yàn)環(huán)節(jié)，能對(duì)步驟5的識(shí)別結(jié)果進(jìn)行檢驗(yàn)，降低對(duì)于干擾信號(hào)的虛警概率，從原來(lái)的33％將為0。

具體實(shí)施方式

步驟1：構(gòu)建故障庫(kù)

針對(duì)不平衡、不對(duì)中和轉(zhuǎn)靜碰磨三種故障，構(gòu)建故障庫(kù)。

構(gòu)建的故障庫(kù)，目的在于針對(duì)發(fā)動(dòng)機(jī)不平衡、不對(duì)中和轉(zhuǎn)靜碰磨三種故障原始故障數(shù)據(jù)與故障現(xiàn)象進(jìn)行分析，得到：1.三種故障數(shù)據(jù)的數(shù)據(jù)特征表；2.三種故障現(xiàn)象的動(dòng)力學(xué)表示形式表。儲(chǔ)存在故障庫(kù)中。

具體做法如下：

得到三種故障數(shù)據(jù)的數(shù)據(jù)特征表與動(dòng)力學(xué)表示形式表，需要兩步：

第一步，得到三種故障的原始數(shù)據(jù)，這些數(shù)據(jù)是在發(fā)動(dòng)機(jī)研發(fā)、定型和試驗(yàn)中測(cè)試系統(tǒng)所得到數(shù)據(jù)。

選擇所述發(fā)動(dòng)機(jī)定型早期可靠性波動(dòng)故障頻發(fā)階段的三種故障原始數(shù)據(jù)、投入使用時(shí)故障偶發(fā)階段的三種故障原始數(shù)據(jù)，作為故障庫(kù)中三種故障數(shù)據(jù)樣本。然后進(jìn)入第二步對(duì)三種故障原始數(shù)據(jù)數(shù)據(jù)進(jìn)行分析。

第二步，對(duì)三種故障的原始數(shù)據(jù)采用數(shù)據(jù)分析方法進(jìn)行分析，得到的數(shù)據(jù)特征表1；對(duì)三種故障的故障現(xiàn)象進(jìn)行動(dòng)力學(xué)分析，得到故障現(xiàn)象的動(dòng)力學(xué)特征，見表2。

所述的數(shù)據(jù)分析采用emd、獨(dú)立分量、關(guān)聯(lián)維數(shù)、頻率域分析和融合能量法中的一種，本實(shí)施例中采用融合能量法對(duì)三種故障原始數(shù)據(jù)進(jìn)行分析。

通過融合能量分析，得到數(shù)據(jù)特征表。所述融合能量分析是對(duì)待診樣本進(jìn)行頻譜分析后矢量融合，得到矢量融合譜。所述的融合能量法是由董辛?xí)F、韓捷等人在2010年3月27卷第3期《微電子學(xué)與計(jì)算機(jī)》期刊上提出的《基于融合能量譜的旋轉(zhuǎn)機(jī)械故障診斷研究》。該研究中詳細(xì)描述了融合能量這一可用于模式識(shí)別算法識(shí)別的數(shù)據(jù)特征，以及融合能量的提取方法。

在該融合能量法中，轉(zhuǎn)子的渦動(dòng)在各諧波下的運(yùn)動(dòng)軌跡是一系列的橢圓，定義諧波的長(zhǎng)半軸ra的值與短半軸rb的值平方之和為轉(zhuǎn)子該諧波的融合能量g

該諧波融合能量g的值歸一化后。所有諧波的融合能量g的值構(gòu)成轉(zhuǎn)子回轉(zhuǎn)融合能量譜。

對(duì)不平衡、不對(duì)中和轉(zhuǎn)靜碰磨三種故障原始數(shù)據(jù)使用融合能量分析，根據(jù)公式1，得到融合能量譜見表1：

表1：不平衡、不對(duì)中和轉(zhuǎn)靜碰磨三種故障的融合能量譜

對(duì)不平衡、不對(duì)中和轉(zhuǎn)靜碰磨三種故障原始數(shù)據(jù)進(jìn)行動(dòng)力學(xué)分析，得到三種故障現(xiàn)象的動(dòng)力學(xué)特征，見表2。動(dòng)力學(xué)分析是指對(duì)不平衡、不對(duì)中和轉(zhuǎn)靜碰磨三種故障所表現(xiàn)的特征頻率，振動(dòng)穩(wěn)定性，振動(dòng)方位，進(jìn)動(dòng)方向等進(jìn)行動(dòng)力學(xué)描述。

對(duì)不平衡、不對(duì)中和轉(zhuǎn)靜碰磨三種故障原始數(shù)據(jù)進(jìn)行動(dòng)力學(xué)分析，得到三種故障現(xiàn)象的動(dòng)力學(xué)，見表2。

表2：平衡、不對(duì)中和轉(zhuǎn)靜碰磨三種故障故障現(xiàn)象的動(dòng)力學(xué)表

步驟2：獲取待診樣本數(shù)據(jù)，并進(jìn)行待診樣本現(xiàn)象的動(dòng)力學(xué)分析：

本步驟針對(duì)待診樣本數(shù)據(jù)，進(jìn)行待診樣本現(xiàn)象的動(dòng)力學(xué)分析，得到待診樣本動(dòng)力學(xué)特點(diǎn)。完成本步驟分為兩步：

1、獲取待診樣本數(shù)據(jù)

通過仿真獲得待診樣本數(shù)據(jù)。

選取仿真數(shù)據(jù)時(shí)，在matlab環(huán)境下構(gòu)建發(fā)動(dòng)機(jī)轉(zhuǎn)子系統(tǒng)的待診樣本p1，所述的待診樣本p1為測(cè)試系統(tǒng)的交流電干擾信號(hào)，3000rpm下p1。幅值為a，a為以100為期望，以1為方差的正態(tài)分?jǐn)?shù)隨機(jī)數(shù)，采樣頻率定為4000hz。p1包括水平與垂直方向兩組數(shù)據(jù)。

在matlab環(huán)境下構(gòu)建構(gòu)建發(fā)動(dòng)機(jī)轉(zhuǎn)子系統(tǒng)6000rpm時(shí)的待診樣本p2，所述的待診樣本p2為測(cè)試系統(tǒng)的交流電干擾信號(hào)。p2＝p1。

p1為測(cè)試系統(tǒng)的交流電干擾信號(hào)，p2為測(cè)試系統(tǒng)的交流電干擾信號(hào)，p2＝p1是因?yàn)?，測(cè)試系統(tǒng)的交流電干擾信號(hào)不管在發(fā)動(dòng)機(jī)任何轉(zhuǎn)速下都是一樣的，因?yàn)闇y(cè)試系統(tǒng)交流電的頻率電壓無(wú)變動(dòng)。干擾信號(hào)并不是故障，對(duì)交流電干擾信號(hào)進(jìn)行識(shí)別是為了檢驗(yàn)本發(fā)明是否會(huì)把干擾錯(cuò)誤診斷為故障，如果識(shí)別錯(cuò)誤，將交流電干擾信號(hào)診斷為了一種故障，那么就會(huì)造成虛警。

2、對(duì)于待診樣本p1的現(xiàn)象進(jìn)行動(dòng)力學(xué)分析

對(duì)于待診樣本p1的現(xiàn)象進(jìn)行動(dòng)力學(xué)分析得到p1的現(xiàn)象的動(dòng)力學(xué)特點(diǎn)，見表3。此時(shí)對(duì)于待診樣本p1中特點(diǎn)的分析亦在所述表2所列舉的范圍內(nèi)，但不用與表2中的完全一致。本實(shí)施例中，僅對(duì)待診樣本p1的特征頻率進(jìn)行分析。

表3：待診樣本p1的現(xiàn)象的動(dòng)力學(xué)特點(diǎn)

根據(jù)表3，進(jìn)行步驟3，根據(jù)待識(shí)別樣本動(dòng)力學(xué)特點(diǎn)在故障庫(kù)中找出疑似故障。

步驟3：根據(jù)待診樣本p1動(dòng)力學(xué)特點(diǎn)在故障庫(kù)中找出疑似故障：

本步驟針對(duì)待診樣本p1的特點(diǎn)，根據(jù)相似度判別方法，對(duì)于待診樣本p1的每一個(gè)特點(diǎn)進(jìn)行相似度分析，確定該特點(diǎn)屬于故障庫(kù)中哪些故障。

當(dāng)對(duì)所述待診樣本p1的所有特點(diǎn)進(jìn)行相似度分析后，即能夠確定該待診樣本p1的疑似故障。

所述確定待診樣本p1屬于故障庫(kù)中哪些故障的具體過程分為兩步：

1、針對(duì)待診樣本p1的特點(diǎn)，計(jì)算待診樣本p1與不平衡、不對(duì)中和轉(zhuǎn)靜碰磨三類故障的相似度。

相似度計(jì)算方法：計(jì)算待診樣本p1與不平衡故障的相似度，

待診樣本p1具有多維特點(diǎn)，從中選出n維作為待識(shí)別特點(diǎn)，待識(shí)別特點(diǎn)的集合用m表示，待識(shí)別特征組，mi(i＝1,2,3,...,n)為待識(shí)別組具有的n維故障特征：

m＝(m1,m2,m3,...,mn)

故障庫(kù)中的不平衡故障，此處記為c具有h維特征：

c＝(c1,c2,c3,...ch)

m與c的相似度為s；

ωi為第i個(gè)特征權(quán)值，fi表示計(jì)算m中i特征與c中i特征的相似性的函數(shù)，ch←i表示m中i所指示的特征，是c的h個(gè)特征中的哪一個(gè)。因?yàn)閙的特征與c的特征的排列順序不完全相同。具體相似性的計(jì)算函數(shù)f有很多種，不做多的贅述。s越大，一定程度上代表兩個(gè)案例在該環(huán)節(jié)越相似，s取大于0小于1，但并不認(rèn)為s等于1，或s近似等于1，便認(rèn)為故障識(shí)別成功。這是因?yàn)檫@種匹配方法不是精確推理，僅根據(jù)待識(shí)別的特征進(jìn)行匹配，結(jié)果是不可靠的。

在故障識(shí)別過程中，得到故障現(xiàn)象的動(dòng)力學(xué)特點(diǎn)，在根據(jù)故障現(xiàn)象的動(dòng)力學(xué)特點(diǎn)推斷某一待識(shí)別組是故障庫(kù)中的哪種故障時(shí)，按照李洪偉，謝鎮(zhèn)波等人在2014年22卷第3期《計(jì)算機(jī)測(cè)量與控制》期刊上提出的《基于案例和規(guī)則融合的某型航空發(fā)動(dòng)機(jī)故障診斷專家系統(tǒng)》中相似度的計(jì)算方法，根據(jù)故障現(xiàn)象的動(dòng)力學(xué)特點(diǎn)計(jì)算某一待識(shí)別組與故障庫(kù)中的某種故障的相似程度，從而推斷該待識(shí)別組的故障類型。

本實(shí)施例中，根據(jù)公式2及所述相似度計(jì)算方法，得出待診樣本p1與不平衡，相似度為0.4。

按照確定待診樣本p1與不平衡相似度方法，確定待診樣本p1與不對(duì)中相似度為0.25。待診樣本p1與轉(zhuǎn)靜碰磨，相似度為0.25。得到待診樣本p1與不平衡不對(duì)中，轉(zhuǎn)靜碰磨得相似度后，根據(jù)相似度得到疑似故障。

2、得到疑似故障：

設(shè)定相似度s的底線值，對(duì)于待診樣本p1與故障庫(kù)中某一故障的相似度而言，高于這個(gè)底線值，認(rèn)為該故障是待診樣本p1的疑似故障。通過控制s的底線值來(lái)控制得出的疑似故障的個(gè)數(shù)；該底線值不高于0.5.

本實(shí)施例中，設(shè)置s的底線值為0：得到待診樣本p1的疑似故障有三個(gè)：不平衡、不對(duì)中和轉(zhuǎn)靜碰磨。

步驟4：對(duì)于疑似故障依次進(jìn)行多輪篩選，得出主要疑似故障。

針對(duì)疑似故障，根據(jù)旋轉(zhuǎn)機(jī)械振動(dòng)原因分析表中，分析各個(gè)疑似故障的置信度累加值，得到主要疑似故障。

所述旋轉(zhuǎn)機(jī)械振動(dòng)原因分析表用于當(dāng)存在待診樣本與幾個(gè)故障都相似的情況時(shí)，判斷待診樣本和哪一個(gè)最相似。該旋轉(zhuǎn)機(jī)械振動(dòng)原因分析表公開在鐘秉林的《機(jī)械故障診斷學(xué)》中的158頁(yè)到168頁(yè)，分析各個(gè)疑似故障的置信度累加值，認(rèn)為置信度最大的相似度最大。

具體過程是：

第一輪篩選是針對(duì)不平衡故障。按不平衡故障名稱進(jìn)行索引，對(duì)該不平衡故障遍歷一次其對(duì)應(yīng)旋轉(zhuǎn)機(jī)械振動(dòng)原因分析表的特點(diǎn)。當(dāng)不平衡故障遍歷后在表上的置信度累加大于等于判斷值時(shí)，將不平衡故障作為本輪篩選結(jié)果，認(rèn)為它是可能性較大的結(jié)果，即主要疑似故障；當(dāng)該不平衡故障遍歷后在表上的置信度累加小于判斷值時(shí)，則該輪篩選結(jié)果為空，即該疑似故障不是最有可能的幾個(gè)主要疑似故障，將其篩除。所述判斷值為90。

第二輪篩選是針對(duì)不對(duì)中故障。按不對(duì)中故障名稱進(jìn)行索引，對(duì)該不對(duì)中故障遍歷一次其對(duì)應(yīng)旋轉(zhuǎn)機(jī)械振動(dòng)原因分析表的特點(diǎn)。當(dāng)不對(duì)中故障遍歷后在表上的置信度累加大于等于判斷值時(shí)，將不對(duì)中故障作為本輪篩選結(jié)果，認(rèn)為它是可能性較大的結(jié)果，即主要疑似故障；當(dāng)該不對(duì)中故障遍歷后在表上的置信度累加小于判斷值時(shí)，則該輪篩選結(jié)果為空，即該疑似故障不是最有可能的那幾個(gè)主要疑似故障，將其篩除。所述判斷值為90。

第三輪篩選是針對(duì)轉(zhuǎn)靜碰磨故障。按轉(zhuǎn)靜碰磨故障名稱進(jìn)行索引，對(duì)該轉(zhuǎn)靜碰磨故障遍歷一次其對(duì)應(yīng)旋轉(zhuǎn)機(jī)械振動(dòng)原因分析表的特點(diǎn)。當(dāng)轉(zhuǎn)靜碰磨故障遍歷后在表上的置信度累加大于等于判斷值時(shí)，將轉(zhuǎn)靜碰磨故障作為本輪篩選結(jié)果，認(rèn)為它是可能性較大的結(jié)果，即主要疑似故障；當(dāng)該轉(zhuǎn)靜碰磨故障遍歷后在表上的置信度累加小于判斷值時(shí)，則該輪篩選結(jié)果為空，即該疑似故障不是最有可能的那幾個(gè)主要疑似故障，將其篩除。所述判斷值為90。

在所述旋轉(zhuǎn)機(jī)械振動(dòng)原因分析表中選取本發(fā)明涉及到的特點(diǎn)，本實(shí)施例涉及頻率特點(diǎn)，得到典型故障因子決策表表，記為表4，。

表4：典型故障因子決策表

根據(jù)表4分析三個(gè)疑似故障，三個(gè)疑似故障的置信度累加值分別為：不平衡故障90，不對(duì)中故障40，轉(zhuǎn)靜碰磨故障為30。

與所述判斷值90相等的是不平衡故障的置信度累加值，故取不平衡故障為主要疑似故障。

步驟5：對(duì)于主要疑似故障進(jìn)行模式識(shí)別，確認(rèn)故障種類。

步驟5針對(duì)主要疑似故障，根據(jù)待診樣本p1的數(shù)據(jù)特征，通過模式識(shí)別算法進(jìn)行模式識(shí)別，得到識(shí)別結(jié)果。

具體分為兩步：

1、提取待診樣本數(shù)據(jù)特征

對(duì)于待診樣本提取數(shù)據(jù)特征。所述的數(shù)據(jù)特征與表1的數(shù)據(jù)特征一致，即模式識(shí)別方法的學(xué)習(xí)對(duì)象是待診樣本在故障庫(kù)主要疑似故障中的數(shù)據(jù)特征，識(shí)別對(duì)象待診樣本的數(shù)據(jù)特征，待診樣本p1的數(shù)據(jù)特征的類型必須是待診樣本在故障庫(kù)中主要疑似故障的數(shù)據(jù)特征類型。

隨機(jī)選取所述待診樣本p1中的12組數(shù)據(jù)進(jìn)行融合能量分析，得到待診樣本的融合能量譜，見表5：

表5：待診樣本p1的融合能量譜

2、對(duì)于待診樣本的數(shù)據(jù)特征進(jìn)行模式識(shí)別：

根據(jù)表5，對(duì)于待診樣本p1數(shù)據(jù)特征進(jìn)行模式識(shí)別。模式識(shí)別的方法采用bp神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、關(guān)聯(lián)維數(shù)分析和樸素貝葉斯分類法中的任意一種。具體做法如下：

第一步，選擇模式識(shí)別算法對(duì)待診樣本進(jìn)行模式識(shí)別：

本實(shí)施例中，采用bp神經(jīng)網(wǎng)絡(luò)方法進(jìn)行模式識(shí)別。具體過程是：

選取bp神經(jīng)網(wǎng)絡(luò)作為識(shí)別方法，bp神經(jīng)網(wǎng)絡(luò)參數(shù)如下：學(xué)習(xí)速率0.4，動(dòng)量系數(shù)0.6。bp神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)對(duì)象是故障庫(kù)中不平衡故障的融合能量譜。即表1中不平衡所在的列。

識(shí)別對(duì)象是待診樣本p1的融合能量譜。bp神經(jīng)網(wǎng)絡(luò)的模型，程序，使用方法是公知的，給定了bp神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率0.4，動(dòng)量系數(shù)0.6，指定學(xué)習(xí)對(duì)象，就能按部就班得到一個(gè)訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)模型。

第二步，通過所述訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)模型得到查全率η、訓(xùn)練樣本分類正確率λ、識(shí)別時(shí)間t和待診樣本p1的故障類型。

對(duì)于查全率η：.確定學(xué)習(xí)范圍，得到查全率。故障庫(kù)中所有故障的數(shù)據(jù)特征總數(shù)為sum。而步驟4多輪篩選得出主要疑似故障，主要疑似故障的數(shù)據(jù)特征種類用k表示；k＝1，2，3，4。

η＝k/sum(3)

所述η的值代表學(xué)習(xí)范圍。

對(duì)于待診樣本p1，其主要疑似故障是不平衡，模式識(shí)別算法學(xué)習(xí)的是不平衡的數(shù)據(jù)特征，故障庫(kù)中不平衡數(shù)據(jù)特征有一個(gè)，總的故障特征有4個(gè).根據(jù)公式3：

k＝1，sum＝4，η＝0.25。

對(duì)于訓(xùn)練樣本分類正確率λ：從故障樣本數(shù)據(jù)特征庫(kù)中找出上述主要疑似故障樣本數(shù)據(jù)特征，作為模式識(shí)別方法學(xué)習(xí)訓(xùn)練的對(duì)象，得到學(xué)習(xí)訓(xùn)練好的模式識(shí)別方法。這里用訓(xùn)練樣本分類正確率λ來(lái)表示訓(xùn)練結(jié)果。

由bp神經(jīng)網(wǎng)絡(luò)模型隨機(jī)選取不平衡故障數(shù)據(jù)特征中的一部分作為學(xué)習(xí)樣本，一部分作為訓(xùn)練樣本，檢測(cè)學(xué)習(xí)后的算法效果。以樣本的識(shí)別正確率λ作為評(píng)價(jià)標(biāo)準(zhǔn)，bp神經(jīng)網(wǎng)絡(luò)中，λ計(jì)算公式如下：

所述λ值與學(xué)習(xí)效果成正比。

對(duì)于本步驟的bp神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)束時(shí)輸出的樣本的識(shí)別正確率，得到λ＝1。

運(yùn)行模式識(shí)別算法時(shí)，在matlab環(huán)境中記錄bp神經(jīng)網(wǎng)絡(luò)運(yùn)行時(shí)間，得到識(shí)別時(shí)間t；所述識(shí)別時(shí)間t與bp神經(jīng)網(wǎng)絡(luò)的識(shí)別速度成反比。

對(duì)于本步驟的bp神經(jīng)網(wǎng)絡(luò)，t等于19秒。

本步驟的bp神經(jīng)網(wǎng)絡(luò)對(duì)待診樣本p1的識(shí)別結(jié)果為不平衡故障。

此時(shí)將待診樣本識(shí)別為不平衡故障，故障庫(kù)中的不平衡故障占總的故障種類的百分比為33％。

步驟6：對(duì)得到的識(shí)別結(jié)果進(jìn)行檢驗(yàn)：

針對(duì)待步驟5種得到的待診樣本p1的故障類型，根據(jù)檢驗(yàn)規(guī)則，進(jìn)行識(shí)別結(jié)果檢驗(yàn)。

檢驗(yàn)具體分為兩步：

1、得到模式識(shí)別結(jié)果的檢驗(yàn)規(guī)則；

根據(jù)不平衡故障的動(dòng)力學(xué)故障模型獲得模式識(shí)別結(jié)果的檢驗(yàn)規(guī)則。

所述故障動(dòng)力學(xué)模型采用廖明夫等人編纂的于2015年11月出版的《航空發(fā)動(dòng)機(jī)轉(zhuǎn)子動(dòng)力學(xué)》中提出的航空發(fā)動(dòng)機(jī)結(jié)構(gòu)類故障的動(dòng)力學(xué)模型。

所述的檢驗(yàn)規(guī)則如下：

規(guī)則?。捍\樣本數(shù)據(jù)中，轉(zhuǎn)速變?yōu)樵瓉?lái)的x倍，振動(dòng)幅值變?yōu)樵瓉?lái)的x²倍。

規(guī)則ⅱ：待診樣本反映出的進(jìn)動(dòng)方向?yàn)檎M(jìn)動(dòng)。

2、按照所述檢驗(yàn)規(guī)則對(duì)已經(jīng)被識(shí)別為不平衡的故障的待診樣本樣本p1進(jìn)行檢驗(yàn)

按照規(guī)則ⅰ，輸入步驟1中在matlab環(huán)境下構(gòu)建構(gòu)建發(fā)動(dòng)機(jī)轉(zhuǎn)子系統(tǒng)6000rpm時(shí)的待診樣本p2。因?yàn)閜2＝p1，所以p2，p1幅值相同，不滿足規(guī)則ⅰ。

按照規(guī)則ⅱ，待診樣本p1為交流電干擾信號(hào)，并不是轉(zhuǎn)子不平衡振動(dòng)，不存在進(jìn)動(dòng)。所以不滿足規(guī)則ⅱ。

檢驗(yàn)結(jié)果是，所述的待診樣本p1和待診樣本p2均不滿足規(guī)則ⅰ和規(guī)則ⅱ。

步驟7：不平衡故障的判定

將步驟6中依據(jù)檢驗(yàn)規(guī)則ⅰ得到p2，p1的檢驗(yàn)結(jié)果與所述不平衡故障具有的特點(diǎn)對(duì)比，二者不同，故該待診樣本p1和待診樣本p2均不是不平衡故障，不會(huì)產(chǎn)生故障報(bào)警。

將步驟6中依據(jù)檢驗(yàn)規(guī)則ⅱ得到p2，p1的檢驗(yàn)結(jié)果與所述不平衡故障具有的特點(diǎn)對(duì)比，二者不同，故該待診樣本p1和待診樣本p2亦均不是不平衡故障，不會(huì)產(chǎn)生故障報(bào)警。

判斷平均虛警率。步驟5中將待診樣本識(shí)別為不平衡故障，故障庫(kù)中的不平衡故障占總故障種類的33％。經(jīng)過步驟6對(duì)得到的識(shí)別結(jié)果進(jìn)行檢驗(yàn)，并將檢驗(yàn)后的識(shí)別結(jié)果與所述不平衡故障具有的特點(diǎn)對(duì)比，確定該待診樣本p1和待診樣本p2亦均不是不平衡故障，不會(huì)產(chǎn)生故障報(bào)警。故步驟5得到的占故障庫(kù)中總故障種類33％的不平衡故障均不會(huì)產(chǎn)生故障報(bào)警。

至此，本發(fā)明所有步驟結(jié)束，診斷完畢。