仿生小波變換在飛機發動機故障診斷中的應用

陸中函，馬建倉

（西北工業大學 電子信息學院，陜西 西安 710129）

現代飛機發動機工作條件復雜，負荷大，狀態變化頻繁，加之系統結構的復合性，使得發動機的故障機理和故障表現也多種多樣。飛機發動機故障檢測與診斷是保證發動機始終處于安全、可靠的狀態，延長發動機使用壽命的重要舉措，對于保證飛行安全和降低飛機維護費用具有重要的意義。

傳統的飛機發動機故障監測診斷方法是對發動機的振動信號進行傅里葉變換，選取某些特征頻率的幅值來進行監測診斷。但發動機出現故障時的振動信號往往具有非平穩特性[1]，傅里葉變換是信號整個時域內的積分沒有局部化分析信號的功能，進而無法表述信號的時頻局域特性，不適合非平穩信號的分析。20世紀80年代發展起來的小波理論是一種多尺度的時頻分析方法，它繼承和發展了短時傅立葉變換局部化的思想，同時又克服了窗口大小不隨頻率變化等缺點，能夠提供一個隨頻率改變的時間—頻率窗口，是進行非平穩信號時頻分析和處理的有力工具[2-3]。

近年來，隨著小波理論的發展，Jun Yao，Yuan-Ting Zhang[4]等提出的一種基于生物模型的自適應時頻分析方法——仿生小波變換（Bionic Wavelet Transform：BWT）[5]。人耳是相當完美的聲音信息采集和處理器，而對聲音的接收和頻率分解則主要在內耳耳蝸的基底膜上進行。基底膜對于信號的分辨能力隨著頻率的不同而發生變化，對低頻的分辨力要高于高頻的分辨力[6]。通常，飛機發動機等機械元件的故障振動信號具有沖擊衰減波形的特點，而Morlet小波是左右兩邊都按指數衰減的對稱小波，采用Morlet小波可以與信號實現較好的匹配。同時，利用Morlet小波多分辨率的性質，對故障信號的各個特征頻段進行分析和提取。文中結合飛機發動機故障信號的振動特性，應用Morlet仿生小波變換對某型渦扇發動機的振動數據進行分析，提取故障特征頻率[7]，找出故障原因。

1 仿生小波變換

小波的多分辨特性能夠將信號在不同尺度下進行多分辨率的分解，并將交織在一起的各種不同頻率組成的混合信號分解為不同頻段的子信號，因而對信號具有按頻帶處理的能力。

連續小波變換（CWT）[8]可以表示為：

其中：x（t）是待處理信號；ψ（t）為母小波函數，a 和 τ分別為小波函數的尺度因子和時移變量。

在小波變換中引入自適應參數 T（a，τ）[8]，則仿生小波變換（BWT）可以表示為：

由于BWT的非線性特性，很難直接對其進行計算，在實際應用中，為了減少運算的復雜度，一般采用文獻[5]提出的基于Morlet母小波的如下快速算法：

而最終可以化簡為：

在小波變換中，一個復雜的母函數在單一尺度下的所有窗，沿著時間軸都是固定的，窗的大小隨著分析頻率的改變而改變。但是在BWT中，單一尺度下的時間和頻率分辨率都是可以改變的。BWT的分辨率可由調整因子T（a，τ）進行自適應調節，而T（a，τ）則由信號的瞬時幅度及其一階微分確定[10]。仿生小波變換的優勢在于它在時頻域的變換尺度不僅可以根據信號的頻率進行調節，而且可以隨著信號的瞬時幅度以及一階微分系數自適應地進行調節。同時，通過優化BWT的參數并行修改先前的閾值規則。

機械振動信號的分析對有效揭示機器的故障信息具有重要意義，在工程應用中，許多機器本身就是在非平穩狀態下工作的，它們的振動信號往往也表現為非平穩，出現故障時，非平穩性表現的就更明顯，而且這些信號的信噪比往往比較低，如齒輪箱、滾動軸承等。通過仿生小波變換，可以把信號的特征分配到各個不同尺度的小波變換系數上，并利用BWT自適應調整分解系數，可以更好的對信號進行頻帶分離，然后根據信號故障特征頻率區間提取相應的頻帶信號，再進行故障診斷，這樣減少了其他頻率成分的干擾[11]。

2 航空發動機常見振動故障特征

雖然安裝在飛機或試車臺上的發動機具有無限多個振動自由度，引起振動的原因可能多種多樣，但也是有跡可尋的。工程上，在研究發動機振動時，常按結構、激振源來進行分類，即分成主轉子振動、葉片振動、軸承振動等，并用基頻及各次諧波的概念進行分析，以便于查找振源，排除故障。雙轉子渦扇發動機的常見故障及其特征分析[12]如下：

1）主轉子不平衡引起的振動故障 轉子不平衡振動的時域波形近似于正弦波，振動能量集中于基頻，基頻峰值顯著高于其分頻和倍頻峰值，對轉速變化較為敏感。

2）轉子不對中的振動故障 發動機轉子由壓氣機和渦輪兩個部件組成，通過內外套齒相連接。對雙轉子發動機而言，高壓轉子和低壓轉子兩個同心軸系中間靠中介軸承支承。受加工、裝配精度的影響，產生軸承和軸系的不對中。不對中引起的振動信號頻譜中轉子的二倍頻、四倍頻突出。

3）轉子碰摩故障 轉子與機匣的碰摩是航空發動機中常見的故障之一。碰摩故障初期只發生在圓周的局部，振動帶有明顯的非線性，會激發出高階的諧波分量。當動靜碰摩嚴重時摩擦擴展到整個圓周，對轉子起到多余的附加支承作用，從而高頻振動逐步減少，而碰摩狀態下的基頻將被突出，并引發各分頻等成分振動。

4）葉片振動故障 這種振動是由較長葉片如風扇或前一、二級壓氣機葉片引起的。對于已定型投產的渦輪風扇發動機在地面試車臺上進行的生產性試車很少發生顫振現象。

3 實驗方法及結果分析

為了驗證BWT在故障診斷中的可靠性，本文選取某型渦輪風扇發動機在某次實驗中的振動超標數據進行分析。數據總時長為10 s，分別來自3路傳感器，采樣頻率為12.5 kHz，根據緩變參數數據截取振動總量偏大時的一段穩態振動信號作為待分析數據，這段數據從8.8～8.881 9 s，共1 024個數據。發動機低壓轉頻率為fL=148 Hz，高壓轉子fH=240～245 Hz。采用BWT對3路傳感器信號進行處理，判斷故障類型，具體方法如下：

1）對數據進行截取、錯點剔除、零均值、低通濾波、線性趨勢項消除等預處理；

2）利用morlet母小波，利用公式（1）對輸入數據進行連續小波變換（CWT）得到各尺度上的小波系數；

3） 通過公式（5）和（7）將常規小波變換[13]轉換為仿生小波變換，得到調整后的仿生小波系數；

4）將仿生小波系數的有效頻率成分轉換回常規小波域，并進行逆變換，得到信號的故障信息成分；

5）對做頻譜分析，檢測故障頻率，判斷故障類型。

圖1 發動機振動信號波形Fig.1 Signal waveform of engine vibration

在應用 BWT 進行頻率提取時，式（3）和（7）中 T0、G1、G2和Gs的取值較為關鍵，經過多次試驗和反復比較，最終確定T0=0.000 074 21，G1=0.6，G2=75，Gs=0.000 022 68。 3 路傳感器采集的振動信號如圖1所示，經過BWT后對應的功率譜如圖2所示，圖中fH、fL分別為高低壓轉子的基頻。

圖2 BWT后振動信號的功率譜Fig.2 Power spectrum of vibration signal after BWT

由BWT后振動信號的功率譜，可以看出高壓轉子振動信號的基頻成分比較大，并含有明顯的二倍頻分量和一定的三倍頻分量；低壓轉子振動信號含有一定的六倍頻分量。振動能量集中于高壓轉子基頻，激發出高階的諧波分量，同時含有少量低壓轉子倍頻，可以判斷在空中停車發生前高壓轉子存在碰摩故障和轉子不平衡故障，低壓轉子也可能存在碰摩故障。

4 結束語

在旋轉機械中，當飛機發動機等元器件出現故障時，往往是沖擊振動。這類沖擊信號屬于準周期信號，在時域圖和功率譜上難以找到其相應的明顯頻率成分，而仿生小波變換具有用多重分辨率來刻畫信號局部特征的能力。沖擊成分在小波分解的細節信號中得到放大，對比該頻率和各種故障下計算出的特征頻率可以找出故障的原因。本文利用仿生小波變換分析方法有效地解決了強背景噪聲帶來的干擾問題，對于飛機發動機故障的監測和故障診斷提供重要方法依據。

[1]張化勛，曹旭.飛機發動機軸承滾動體故障診斷的MATLAB實現[J].長江大學學報，2009，19（4）：13-14.

ZHANG Hua-xun，CAO Xu.The MATLAB achievement of aircraft engine bearing rollers fault testing[J].Journal of Changchun University，2009，19（4）：13-14.

[2]葛哲學，沙威.小波分析理論與MATLAB R2007實現[M].北京：電子工業出版社，2007.

[3]瞿紅春，王珍發.小波變換在航空發動機故障診斷中的應用[J].中國民航學院學報，2001，19（4）：20-23.

QU Hong-chun，WANG Zhen-fa.Application ofwavelet transform in aircraft engine fault diagnosis[J].Journal of Civil Aviation University of China，2001，19（4）：20-23.

[4]YAO Jun，ZHANG Yuan-Ting.The application of bionic wavelet transform to speech signal processing in cochlear implants using neural network simulations[J].IEEE Trans.on Biomedical Engineering，2002，49（11）：1299-1309.

[5]YAO Jun，ZHANG Yuan-ting.Bionic wavelet transform：A new time-frequency method based on an auditory model[J].IEEETrans.onBiomedicalEngineering，2001，48（8）：856-863.

[6]楊璽，樊曉平.基于仿生小波變換和自適應閾值的語音增強方法[J].控制與決策，2006，21（9）：1033-1036.

YANG Xi，FAN Xiao-ping.Speech enhancement based on bionic wavelet transform and adaptive threshold functions[J].Control and Design，2006，21（9）：1033-1036.

[7]韓磊，洪杰，王冬.基于小波包分析的航空發動機軸承故障診斷[J].推進技術，2009，30（3）：328-331.

HAN Lei，HONG Jie，WANG Dong.Fault diagnosis of aeroengine bearings based on wavelet package analysis[J].Journal of Propulsion Technology，2009，30（3）：328-331.

[8]姚凌強，楊鼎才.基于仿生小波的閾值語音增強算法[J].電子技術，2008，45（2）：59-61.

YAO Ling-qiang，YANG Ding-cai. Threshold speech enhancement method based on bionic wavelet transform[J].Electronic Technology，2008，45（2）：59-61.

[9]YANG Xi，LIU Bing-wu，YAN Fang.Speech Enhancement Using Bionic Wavelet Transform and Adaptive Threshold Function [C]//Proceedings of 2010 2nd International Conference on CINC，Wuhan，2010：265-268.

[10]Sayadi O，Shamsollahi M B.ECG Baseline Correction with Adaptive Bionic Wavelet Transform[C]//Proceedings of the 9th International Symposium on Signal Processing and Its Applications，2007：1-4.

[11]王月，屈百達.一種基于仿生小波變換的語音增強方法[J].計算機工程與應用，2008，44（11）：165-167.

WANG Yue，QU Bai-da.Speech enhancement method based on bionic wavelet transform[J].Computer Engineering and Applications，2008，44（11）：165-167.

[12]張希軍，吳志真，雷勇.航空發動機試車中轉子故障診斷[J].計算機測量與控制，2005，3（11）：1182-1185.

ZHANG Xi-jun，WU Zhi-zhen，LEI Yong.Failure diagnosis ofrotorinaeroenginetest[J].ComputerAutomatedMeasurement&Control，2005，3（11）：1182-1185.

[13]雷斌，侯帥格，沈艷輝.超空泡圖像的自適應多尺度小波邊緣檢測[J].電子科技，2011（9）：104-107.

LEI Bin，HOU Shuai-ge，SHEN Yan-hui.Adaptive multi-scale wavelet edge detection of super vacuoles image[J].Electronic Science and Technology，2011（9）：104-107.