开云优惠体育网页版入口

专利名称：一种航空发动机轴承的故障诊断方法及装置

专利类型：发明专利

专利申请号：CN202410969225.1

专利申请（专利权）人：四川农业大学
权利人地址：四川省雅安市雨城区新康路46号

专利发明（设计）人：发明人:肖博文,黄刚劲,赵吉祥,陈锦彧,张钰昊,张颖霄,王敏霞

专利摘要：本发明涉及轴承检测技术领域，公开了一种航空发动机轴承的故障诊断方法及装置，包括以下步骤：获取航空发动机轴承的四组振动数据，分别为无故障数据、内圈0.5mm深度故障数据、内圈1mm深度故障数据、外圈0.5mm深度故障数据；对获得的多组振动数据进行预处理；预处理后进行初步的特征提。竦贸醪教卣鳎唤醪教卣魉腿肴肿⒁饬平刑卣鞯娜诤希惶卣鞯娜诤虾笸ü硬愫蚐oftmax分类器，输出故障分类结果。本发明通过多尺度可分离卷积网络降低计算成本、提高处理效率，配合注意力机制和门控卷积核，动态对卷积结果加权，实现关键特征的提取从而提升噪声情况下轴承故障诊断的准确性和鲁棒性。

主权利要求：
1.一种航空发动机轴承的故障诊断方法，其特征在于：包括以下步骤：S1、获取航空发动机轴承的振动数据，所述振动数据包括四组，分别为无故障数据、内圈0.5mm深度故障数据、内圈1mm深度故障数据、外圈0.5mm深度故障数据；
S2、对获得的航空发动机轴承的多组振动数据进行预处理；
S3、对步骤S2中预处理后的数据送入多尺度可分离卷积神经网络进行初步的特征提。竦贸醪教卣鳎
S4、将所述初步特征送入全局注意力机制进行特征的融合；
S5、特征的融合后通过全连接层和Softmax分类器，输出故障分类结果；
所述步骤S3中初步的特征提取步骤包括：门控卷积层、多尺度可分离卷积层；
所述门控卷积层通过门控卷积算法从航空发动机轴承监测信号中提取相邻时间步长的特征，并利用这些特征构建全连接的异构图；
所述多尺度可分离卷积层通过不同尺度的门控卷积核并行地提取信号的局部与全局特征，捕获信号在不同时间尺度上的重要信息；
所述门控卷积层实施门控机制，通过门控卷积分支，动态调控卷积操作中输入特征的重要性，以优化对航空发动机轴承监测信号中时间序列特征的提取效率，所述门控分支采用与卷积分支相同尺寸的卷积核和步长设置，门控分支的输出通过sigmoid激活函数：其中σ(x)是Sigmoid函数的输出，x是输入值，e是自然常数，门控分支产生一个介于0到1之间的权重矩阵，权重矩阵与卷积分支的输出逐点相乘；
门控卷积层的公式为： 其中：Xi,j是
输入特征图，Hi,j是输出特征图，Wg和Wf是两个不同的卷积核，bg和bf是对应的两个偏置项，σ是sigmoid激活函数；
所述步骤S4中全局注意力机制包括：通道注意力子模块和空间注意力子模块；通道注意力子模块负责提炼和强化特征通道间的重要性差异，而空间注意力子模块则专注于捕获特征空间中的关键位置信息，通过这两个子模块的协同作用，提升模型对航空发动机轴承故障特征的识别能力和定位精度，从而提高故障诊断效率与准确性；
通道注意力子模块利用一个由两个线性全连接层和ReLU激活函数构成的序列网络，对输入特征的通道维度进行自适应的重权重，通过对输入特征进行非线性变换，并在一个缩小的比率下学习通道间的关系，公式如下： 其中，F1是输入特征图，W1是第一层全连接网络的权重矩阵，b1是第一层的偏置向量，f是激活函数ReLU，W2：第二层全连接网络的权重矩阵，b2：第二层的偏置向量，tanh：双曲正切激活函数；
空间注意力子模块由卷积层、批规范化层和sigmoid激活函数组成，并通过sigmoid激活函数得到一个介于0和1之间的空间注意力图：其中：X表示输入的特征图；Conv表示卷积操
作，其中Ws1和Ws2分别是两次卷积操作中使用的卷积核；σ表示sigmoid激活函数；
所述多尺度可分离卷积层采用多尺度卷积核进行特征提。迪侄院娇辗⒍岢屑嗖庑藕旁诓煌占湮鹊奶卣，通过并行处理不同尺度的特征，提升故障特征的识别能力及模型的泛化性能，提高故障诊断的准确率与诊断效率。 说明书 : 一种航空发动机轴承的故障诊断方法及装置技术领域[0001] 本发明涉及轴承检测技术领域，尤其涉及一种航空发动机轴承的故障诊断方法及装置。背景技术[0002] 在机械设备的维护和故障诊断领域，航空发动机轴承作为关键的旋转部件之一，其健康状态对整机的稳定运行至关重要。传统的航空发动机轴承故障检测方法主要依赖于定期检查和人工听诊，这些方法不仅耗时耗力，而且准确性和及时性难以满足高效自动化生产的需求。随着基于神经网络的振动分析技术的发展，基于振动信号的航空发动机轴承故障诊断方法成为了研究和应用的热点。这些方法通过分析航空发动机轴承在运行过程中产生的振动信号，尝试实现故障的识别与分类。[0003] 然而，现有技术在处理复杂和噪声环境下的振动信号时，仍面临着一系列挑战。例如，传统的振动信号分析方法在高噪声背景下的故障识别精度不高，难以有效区分正常的运行振动和故障引起的振动特征。因此，急需一种能够自动提取关键特征、具有高抗噪性能的航空发动机轴承故障诊断技术，以提高故障检测的准确性和效率。发明内容[0004] 本发明的目的在于提供一种航空发动机轴承的故障诊断方法及装置，以解决现有振动分析方法容易造成误诊断，故障检测准确性和效率低的问题。[0005] 为了实现上述目的，本发明采用的技术方案是：一种航空发动机轴承的故障诊断方法，包括以下步骤：[0006] S1、获取航空发动机轴承的振动数据，所述振动数据包括四组，分别为无故障数据、内圈0.5mm深度故障数据、内圈1mm深度故障数据、外圈0.5mm深度故障数据；[0007] S2、对获得的航空发动机轴承的多组振动数据进行预处理；[0008] S3、对步骤S2中预处理后的数据进行初步的特征提。竦贸醪教卣鳎籟0009] S4、将所述初步特征送入全局注意力机制进行特征的融合；[0010] S5、特征的融合后通过全连接层和Softmax分类器，输出故障分类结果。[0011] 进一步的，所述步骤S3中初步的特征提取步骤包括：门控卷积层、多尺度可分离卷积层。[0012] 所述门控卷积层通过门控卷积算法从航空发动机轴承监测信号中提取相邻时间步长的特征，并利用这些特征构建全连接的异构图；[0013] 所述多尺度可分离卷积层通过不同尺度的门控卷积核并行地提取信号的局部与全局特征，捕获信号在不同时间尺度上的重要信息。[0014] 进一步的，所述门控卷积层实施门控机制，通过门控卷积分支，动态调控卷积操作中输入特征的重要性，以优化对航空发动机轴承监测信号中时间序列特征的提取效率。[0015] 进一步的，所述多尺度可分离卷积层采用多尺度卷积核进行特征提。迪侄院娇辗⒍岢屑嗖庑藕旁诓煌占湮鹊奶卣魈崛。ü⑿写聿煌叨鹊奶卣，提升故障特征的识别能力及模型的泛化性能，提高故障诊断的准确率与诊断效率。[0016] 进一步的，所述步骤S4中全局注意力机制包括：通道注意力子模块和空间注意力子模块；通道注意力子模块负责提炼和强化特征通道间的重要性差异，而空间注意力子模块则专注于捕获特征空间中的关键位置信息，通过这两个子模块的协同作用，提升模型对航空发动机轴承故障特征的识别能力和定位精度，从而提高故障诊断效率与准确性。[0017] 本发明还提供一种航空发动机轴承的故障诊断装置，用于检测获取航空发动机轴承的震动数据，包括安装台，所述安装台的上端面设置有电机驱动装置和支撑环，电机驱动装置与支撑环相对设置，所述支撑环用于固定航空发动机，该支撑环的上端开设有缺口，缺口的两端设置有两个相对的连接块，两个所述连接块开设有贯通的螺纹孔；所述电机驱动装置包括驱动电机和加压装置，所述驱动电机安装在加压装置的输出端上，驱动电机的驱动轴与航空发动机的输出轴连接。[0018] 与现有技术相比，本发明的优点在于：[0019] 通过多尺度可分离卷积网络，配合注意力机制和门控卷积核，有效降低了计算成本、提高了处理效率，还能够通过动态调整卷积核权重来适应输入特征，有效地过滤噪声并强化关键特征的提。佣蠓嵘肷榭鱿潞娇辗⒍岢泄收险锒系淖既沸院吐嘲粜。附图说明[0020] 图1为本发明的流程图；[0021] 图2为本发明的故障分类准确度曲线图；[0022] 图3为本发明多尺度可分离卷积层的流程图；[0023] 图4为本发明全局注意力机制的流程图；[0024] 图5为本放发明的测量装置示意图；[0025] 图6为本发明支撑环的剖视图。[0026] 图中：1、安装台；2、电机驱动装置；3、支撑环；4、航空发动机；5、连接块；6、螺纹孔；7、加压装置；8、驱动电机。具体实施方式[0027] 下面将对本发明作进一步说明。[0028] 为使本申请实施方式的目的、技术方案和优点更加清楚，下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本申请一部分实施方式，而不是全部的实施方式。基于本申请中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本申请保护的范围。[0029] 因此，以下对在附图中提供的本申请的实施方式的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施方式。基于本申请中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本申请保护的范围。[0030] 请参阅图1?6[0031] 一种航空发动机轴承的故障诊断方法，包括以下步骤：[0032] S1、获取航空发动机轴承的振动数据，所述振动数据包括四组，分别为无故障数据、内圈0.5mm深度故障数据、内圈1mm深度故障数据、外圈0.5mm深度故障数据；[0033] S2、对获得的航空发动机轴承的多组振动数据进行预处理；[0034] 在本发明中，航空发动机轴承的振动数据中，发动机不同的位置振动的频率具有差异，其振动信号的的幅值也具有差异，幅值具有差异其取值范围也不相同。由于各个取值范围不同，会造成模型对特征赋予的权重不同，导致偏倚，影响分析效果。[0035] 首先通过设置阈值滤波器去除高频噪声和低频干扰信号，以确保振动信号的有效性和准确性，同时筛选有效的航空发动机轴承振动数据，对于存在缺失的数据实施删除处理，确保数据完整性。随后，通过归一化处理对数据进行标准化，以消除不同测量条件下数据量纲的影响，保证数据在同一标准下比较和分析，其归一化处理公式如下：[0036][0037] 其中，X是原始数据，Xnorm是归一化后的数据，Xmin和Xmax分别是数据集中的最小值和最大值。数据归一化后，特征值在相同范围内，即值范围都在0?1之间，便于可视化时进行比较和分析，例如当两个特征的取值范围差异很大，其中A特征的取值范围为1000?5000，B特征的取值范围为1?5，在这种情况下A特征对模型的影响将远大于特征B，模型会对这些A特征赋予过高的权重，导致偏倚,即使B特征可能更为重要，因此通过上述归一化处理，让两个特征的取值均在0?1之间，可以确保模型公平地考虑每个特征的影响；通过这种方式，所有数据点在同一特征维度上的相对位置保持不变，但绝对数值被压缩到统一范围内，从而提高数据处理和建模的效果。[0038] 最终，依据8:2的比例将处理后的数据集分割为训练集和测试集，其中验证集从训练集中划分得到。此方法旨在为模型的训练及后续的故障诊断提供优化的数据基础[0039] S3、对步骤S2中预处理后的数据进行初步的特征提。竦贸醪教卣鳎惶卣魈崛〔街璋：门控卷积层、多尺度可分离卷积层。[0040] 多尺度可分离卷积层，通过分层卷积与逐点卷积两个步骤对输入数据进行处理，通过在多个尺度上分别应用深度可分离卷积，再将其输出组合起来，实现高效且强大的特征提。芄唤穸葜械母髦帜芄挥跋炷Ｐ头治鼋峁奶卣魍耆崛。[0041] 在分层卷积阶段，输入数据被细分为多个层级，每个层级分别应用不同尺寸的卷积核（例如5x1、7x1、9x1、11x1）进行卷积操作，以捕获从细节到全局的多尺度特征。随后，把分层卷积拼接后利用逐点卷积对特征进行融合，同时降低特征图的层数，从而实现对特征信息的高效整合。其多尺度可分离卷积层的公式如下：[0042] 公式中的Xi+m?l,j+n?l表示输入特征图，Yi,j,k表示经过深度卷积后得到的输出特征图。继而，Zi,j,l则代表经过逐点卷积后产生的输出特征图。公式中的Wm,n,k表示深度卷积中使用的卷积核，U代表逐点卷积中的卷积核。空间坐标由i,j表示，其中k标记输入通道索引。此外，l表示输出通道索引，m,n指的是卷积核的空间坐标。[0043] 门控卷积层实施门控机制，增加了单独的门控分支，门控分支采用与卷积分支相同尺寸的卷积核和步长设置，以确保两者输出的特征图尺寸一致。门控分支的输出通过sigmoid激活函数：[0044][0045] 其中σ(x)是Sigmoid函数的输出，x是输入值，e是自然常数（为2.71828）。[0046] 门控分支产生一个介于0到1之间的权重矩阵，然后，这个权重矩阵与卷积分支的输出逐点相乘，以此来调制每个特征点的激活强度，最终得到门控卷积的输出。[0047] 在振动数据的获取中，无故障数据和故障数据均是在噪音环境下获取的，并且为了更好的模拟真实使用环境，通常还会加入高斯噪声，无故障数据和故障数据中与噪音相关的特征点相同，通过门控卷积输出突出故障数据中与噪音不相关的特征点，让该特征点能够更容易被激活，更加有效地突出与航空发动机轴承故障相关的特征点，降低噪声的特征点，提高模型在噪声工作环境下诊断的准确性。其中门控卷积层的公式为：[0048][0049] 其中：Xi,j是输入特征图，Hi,j是输出特征图，Wg和Wf是两个不同的卷积核，bg和bf是对应的两个偏置项，σ是sigmoid激活函数，用于将输入值映射到(0,1)区间内。[0050] S4、将所述初步特征送入全局注意力机制进行特征的融合；[0051] 全局注意力步骤包括：通道注意力子模块和空间注意力子模块；通道注意力子模块负责提炼和强化特征通道间的重要性差异，通道注意力子模块利用一个由两个线性全连接层和ReLU激活函数构成的序列网络，对输入特征的通道维度进行自适应的重权重。这一操作通过对输入特征进行非线性变换，并在一个缩小的比率下学习通道间的关系，以获得对每个通道的重要性评分,公式如下：[0052][0053] 其中F1是输入特征图，W1是第一层全连接网络的权重矩阵，用于降维，其降维比例由压缩比r决定。降维比例r决定了权重矩阵的形状。具体来说，如果输入特征F1的维度是，那么经过第一层全连接网络后，特征维度将会变为 ，在本实施例中压缩比r具体为8。b1是第一层的偏置向量，用于调整该层输出。f是激活函数ReLU，用于增加模型的非线性表达能力。W2：第二层全连接网络的权重矩阵。b2：第二层的偏置向量。tanh：双曲正切激活函数，用于输出层，将值压缩至[?1,1]范围内，得到通道注意力层输出权重。[0054] 空间注意力子模块则专注于捕获特征空间中的关键位置信息，通过这两个子模块的协同作用，提升模型对航空发动机轴承故障特征的识别能力和定位精度，从而提高故障诊断效率与准确性。空间注意力子模块由卷积层、批规范化层和ReLU激活函数组成，其作用是在输入特征的空间维度上学习不同区域的重要性。这通过使用较大的卷积核进行局部邻域信息的聚集实现，并通过sigmoid激活函数得到一个介于0和1之间的空间注意力图。[0055][0056] 其中：X表示输入的特征图；Conv表示卷积操作，其中Ws1和Ws2分别是两次卷积操作中使用的卷积核；σ表示sigmoid激活函数，用于将卷积操作的输出转换为注意力权重矩阵Ws，其元素值在0到1之间，代表了各个空间位置的重要性。[0057] 在全局注意力机制的前向传播过程中，首先对输入张量的形状进行调整以适应通道注意力部分。计算得到的通道注意力图与原始输入相乘，从而实现特征通道的加权。接着，加权后的特征被送入空间注意力部分，同样通过逐元素乘法结合得到的空间注意力图与特征进行融合。最终输出的特征图在通道和空间两个维度上都进行了加权，进一步强化了与故障诊断相关的特征信息，从而提高了故障检测的准确性。[0058] S5、特征的融合后通过全连接层和Softmax分类器，输出故障分类结果。[0059] 全连接层将输入特征进行线性变换，得到Softmax分类器的输入向量，Softmax分类器通过Softmax函数，将输入向量转换为概率分布，表示每个类别的概率。[0060] 一种航空发动机轴承的故障诊断装置，用于检测获取航空发动机轴承的振动数据，包括安装台1，所述安装台1的上端面设置有电机驱动装置2和支撑环3，电机驱动装置2与支撑环3相对设置，所述支撑环3用于固定航空发动机4，该支撑环3的上端开设有缺口，缺口的两端设置有两个相对的连接块5，两个所述连接块5开设有贯通的螺纹孔6，在固定航空发动机时，向两个连接块5的螺纹孔6中螺纹旋入螺栓，让缺口的两端靠近，减少缺口的宽度用于支撑环3抱合卡紧在航空发动机4的外壳上，所述电机驱动装置2包括驱动电机8和加压装置7，所述加压装置7可以是液压油缸，所述驱动电机8安装在安装座上，该安装座滑动安装在安装台1上液压油缸的输出端上，驱动电机8的驱动轴与航空发动机4的输出轴连接，通过驱动电机8带动航空发动机4的输出轴转动，在驱动电机8带动航空发动机4转动时，可以通过加压装置7对航空发动机4的输出轴施加压力，进而对其输出轴上的被测轴承提供压力，保证能够测试轴承在低压（20000N?50000N）和高压状态（50000N?100000N）下时的数据。在测试时根据所需测量的振动数据，事先将轴承安装到航空发动机4中，例如无故障轴承、内圈0.5mm深度故障轴承、内圈1mm深度故障轴承、外圈0.5mm深度故障轴承，这些人工故障轴承是通过线切割技术在轴承的内圈和外圈上精确制造的，确保数据的精准和实验的有效性。同时在轴承的外圈上还安装有位移传感器和加速度传感器，分别用于测量其振动幅度与振动频率。[0061] 通过上述装置进行数据采集，包括来自于发动机正常运行状态下和3种故障模式下的发动机运行数据各600条。对时间序列进行预处理，得到2400个二维样本，选取1920个样本作为训练集，其余480个样本作为测试集。迭代训练10次，准确率到达99.79%。在加入信噪比为0分贝噪声后准确度任然高达75.86%。其中信噪比定义：[0062][0063] 其中：Ps代表信号的功率，Pn代表噪声的功率。[0064] 作为对比，传统多尺度卷积神经网络准确率位98.79%，在加入信噪比为0分贝噪声后准确度64.52%。可见，与传统多尺度卷积神经网络相比，本发明提供了卓越的预测精度。[0065] 本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，对本发明的变更和改进将是可能的，而不会超出附加权利要求所规定的构思和范围，综上所述，本说明书内容不应理解为对本发明的限制。

专利地区：四川

专利申请日期：2024-07-19

专利公开日期：2024-10-11

专利公告号：CN118533479B