基于动态PCA和改进的SVM的航空发动机故障诊断

考研招生网

Journal of Vibration，测量8l诊断V01.35 No.12015年

基于动态PCA和改进的SVM的航空发动机故障诊断崔建国1、严雪1、蒲雪萍2、齐义文1、蒋丽英1、师建强2

(1)沈阳航空航天大学自动化学院沈阳，110136 )；2 .中国燃气轮机研究院成都，610500 )。摘要为了有效地对航空发动机进行故障诊断，确保飞机飞行安全，提出了基于动态主元分析和改进支持

一种基于向量机的航空发动机智能故障诊断方法。 该方法结合动态主元分析(principal component analysis，简称PCA )特征提取方面和改进支持向量机(support vector machine，简称SVM )在故障诊断方面的优势。 动态PCA方法对相关过程变量进行去噪、降维、去相关等预处理和特征提取，并对SVM方法进行改进故障诊断。 提出的方法可以解决航空发动机模型精度和传感器测量参数有限情况下润滑油系统故障诊断精度存在程度差、效率低、易误诊、易漏诊等问题。 以某型实际航空发动机滑油系统为例，对所提方法的有效性进行了试验验证。结果表明，改进的动态PcA和sVM故障诊断方法能有效提高故障诊断准确率，实现航空发动机滑油系统故障诊断的性能具有很好的应用价值和前景。关键词航空发动机； 润滑油系统； 动态元分析； 向量机的改进故障诊断中图分类号TP206.3； THl65.3

查词

航空发动机的有效监测和诊断是实现航空发动机维护，降低使用维护成本，确保飞行安全的关键点[1]。 航空发动机油系统健康状况直接影响飞机的飞行安全。 据统计，航空发动机滑油系系统故障在发动机故障中占很高比例D]。 所以，是的基于航空发动机油系统的高效监测与智能故障诊断可以提高航空发动机故障诊断率，降低其虚警率[1]。 近年来，国内外许多学者致力于航空发动机故障诊断研究。 由于发动机使用环境的限制而不能可以测量很多参数，而且得到的测量数据不完整。 例如如何根据有限的监控信息准确诊断发动机故障成为技术难点[3吐]。 结构的复杂性、故障的多少样品和监控信息的有限性决定了进行传统的故障诊断技术很难建立完整准确的分析模型。 然后呢智能故障诊断技术在故障诊断领域有着广泛的应用，也被引入发动机故障诊断研究领域[5]。笔者提出了动态主元分析[6‘73的采用和支持方向的改进仪表[8曲1方法]对某型航空发动机滑油系统加智慧可以进行故障诊断。 首先利用动态PCA方法过程变量进行去噪、降维、去相关等预处理和表征提取并改进SVM方法对特征向量进行表征层融合诊断。 实验结果显示动态PCA和改善SVM建模方法能较好地实现故障诊断的性能。1基于动态PCA故障特征提取机制PCA是一种多元统计分析算法，相反

相关性高的测量数据进行分析和处理。 利用坐着的机会尺度变换思想将高维空间问题变换为低维空间理，让问题比较简单、直观。 但是，PCA特征提取用方法训练的数据x只有变量和采样次数的2维据介绍，假设了某个时刻的观测数据和历史的观测数据序列没有关系。 该假设在采样时间间隔长时有效中选择所需的族。 但是，如果采样时间间隔较短，则需要考虑不同的变量有必要考虑的相互关联。 改善的方法

方法是采用动态PCA技术。

动态PCA特征提取方法将原始变量的静态数

辽宁省自然科学基金资助项目2014024003； 航空科学基金资助项目(2010ZD54012； 国防技术基础科研项目(Z052012B002 )受理日期： 2013-05-28； 修改日期： 2013-08-13万方数据

首开崔建国，其他：基于动态PCA和改进SVM的航空发动机故障诊断使用动态时间序列构建和重用动态时间数据PCA法进行特征提取，可以有效地提取体系为了正确地描述系统的运动，统一变量之间的动态关系行为。对正常状态下的观测数据集x进行采样，假设包括m个观测变量，每个变量都有咒个的观测值，x可以表示为表达为x一

6 )根据方差累计和百分比，CPV^ .m

A。 /A。 决定主元个数一般取CPVl=1I-185%；

7 )确定主元个数愚后，选择前愚个特征将与值对应的特征向量作为提取的特征。基于SVM的故障诊断机制)1) 2.1传统SVM故障诊断机制

其中，zir(I一1，2，…，72 )是一个m维的观测向量。

根据动态时间序列的思想扩展x，很快就会成为在某个时刻(之前(个观测按观测矢量进行扩展)充，可得x(^ )一工： 1

x:2

工：井^-1

(2) ) ) )。

其中x )是始终在训练集中的m维观测向量。计算滞后因子^的方法是首先处理^1。 的在静态情况下，数据矩阵中的静态函数系数与变量主元个数之差； 然后，让^11计算新的动态关系数，新的动态相关系数根据变量计算主要素数和第一l步计算的静态相关系数，^函数逐渐增加。 新关系函数r。 (^ )递推计算公式为^11r 。 (^ )一r(^ )一)一i 1) r。 (I ) )3)。I10

继续到rne，直到(^ ) o，即不再有新的静态动态关断直到卡死。

采用动态PCA特征提取的过程实际上是对增广矩阵采用PCA特征提取的过程。具体步骤如下：1)采集数据；2)根据式(3)计算滞后因子的方法，计算滞后因子；

3)根据式(2)构造出动态数据矩阵，并将矩阵

转化成均值为o、方差为1的标准数据矩阵； 4)根据式∑一辛贾，计算协方差矩阵∑；5)计算主元方差向量[A。，A。，…，A。]T和对应

负载矩阵[户。，户。，…，夕。

迎新晚会

≥：y以i=o (o≤ni≤c；i一1，2，…，咒)(4)暑1的约束条件下，最优目标函数W(n)为n ． n

Ⅳ(口)=∑ni一丢∑y；y，口。口，K(xi，巧)(5) i=l —i，j一1相应的分类决策函数厂(x)为厂(x)一sgn[芝：yi口iK(x，xi)+6] (6)暑i

其中：石i为支持向量；x为未知向量；6为分类阈值；口。，口，为Lagrange乘子。SVM是针对两类分类问题提出的。将SVM推广到多分类问题，大体上有两种途径：直接法和分解法。分解法又可以分为一对多、一对一、有向无环图和二叉树多分类法。其中，一对一的方法性能较为优越，笔者采用此算法。一对一多分类方法在各个类别之间两两构造SVM分类器，对m类问题共需构造m(m一1)／2个，每个SVM由相应的两类样本进行训练。当优(优一1)／2个SVM建立后，可以采用最大赢投票法(maX-wins voting)对待检测样本z进行分类。当第i类和第歹类的SVMi判断z属于第i类，则第Y砖；☆ 砖以；吐万方数据

振动、测试与诊断 第35卷

i类的票数加1，否则第歹类的票数加1。当所有的SVMi都判断完毕，则把z分到得票最多的那一类。2．2改进SVM故障诊断机理

传统SVM在处理多分类时，只考虑了2种极端的情况，由SVM¨独立计算得到的属于第i类的概率估计值p洲(iIz)取值是。或1，没有考虑到在sVM¨中第歹类出现的概率情况，因此笔者对SVM的改进就是将其估计值p¨(i z)进行一定的修正。P¨(iIz)表示用sVM分类时，属于第i类的概率，同时也可将其理解为在第歹类发生的条件下，样本属于第i类的后验概率。因此根据贝叶斯概率公式，待分类的样本z属于第i类的最终后验概率为P(i lz)一∑{P州(i fz)P(歹)) (i一1，2，…，N)J=1，j≠f

(7)

其中：P(j)表示第歹类的条件概率。式(7)可知，当采用SVM州分类时，属于第i类的概率P叫(i z)取值不再是。或1，而必须考虑条件概率P(歹)。条件概率P(J)往往是未知，需要对其进行近似估计。根据P(J)的含义，其与后验概率P(j Iz)之间存在着明显的相似性，则建立近似估计为P(歹)一晟P(歹lz) (8)

其中：是为平衡系数，经推导足≈2／(N一1)。将其代入式(7)，得到nN

跗∽一南，曼i‰(i枷(歹㈨(i一1，2，…，N) (9)

式(9)可以看作是由N(N一1)／2个两类sVM¨的分类结果P州(i Iz)，求解N个未知变量P(i lz)，i一1，2，…，N的多元线性方程组。由式(7)建立矩阵方程1矿IP—I 1IP—I (10)Q DI

其 中： o 一 [o o … o]T；P 一[P(1 z) P(2 z) … P(N Iz)]T；Q一。N一1 —2P1，2(1 z) … 一2P1。N(N lz)一2P2，1(2 z) N一1 … 一2P2．1(1 z)● ● ●● ● ●● ● ●

_2PN，，(1 lz)一2PN，2(1 z) … N一1DT一[o O…o]T；P为综合评分矩阵。运用最小二乘法求解上式，在得到的综合评分矩阵中，每类样本中得分最高的类别即为样本所属类别。传统SVM在处理多分类时，不可避免地会出现由于投票票数相同而无法判断样本最终类别的情况。采用改进SVM可以大大减小这类事件的发生概率，有效提高多分类器分类的正确率。3 航空发动机滑油系统智能故障诊断试验

航空发动机在工作过程中广泛使用轴承和齿轮等部件来支撑转动转子和传递功率。这些部件由于相互运动而产生摩擦，而摩擦将进一步导致磨损和产生大量的热量。滑油系统的作用就是形成滑油油膜并带走磨损产物和热量，维持轴承和齿轮的正常温度状态，并在轴承的滚道与滚子之间、相啮合的齿面间形成连续的油膜起到润滑的作用[1引。笔者以某型真实航空发动机为例，采用动态PCA和改进SVM相结合的智能故障诊断方法对其进行故障诊断。航空发动机滑油系统故障诊断技术方案如图1所示。笔者针对某型航空发动机，采用滑油系统故障诊断专用试验平台对其进行长期的试验，得到大量试验数据。动态主元分析特征提取方法

滑油

PCA

系 计 生主统 算 成兀监 滞 增分测 后 广析数 因 矩特

据 征 子 阵 提取支持向量机故障诊断方法

图1航空发动机滑油系统故障诊断技术方案

Fig．1 The fault diagnosis technology solutions of aero—engine lubrication system言嚣～万方数据

第1期 崔建国，等：基于动态PCA与改进SVM的航空发动机故障诊断 97研究表明，采用能较好地表征发动机滑油系统健康状态的滑油温度、滑油压力、滑油流量以及油气压力作为航空发动机滑油系统健康状态的表征参数。其健康状态模式集合可表示为

{A。，Az，As，A。，A。)，A。表示航空发动机滑油系统正常工作状态；A：表示航空发动机滑油系统三级油泵损坏；A。表示航空发动机滑油油气排气管堵塞；A。

职教云旧版本

2

xi)=exp(—芝产)进行实验研究。在采用径向 厶d基核函数训练SVM过程时，通过交叉验证法获取最佳参数C一1，径向基参数盯一1。表2以径向基核函数的SVM为例，给出了各个SVM分类器对测试样本的诊断结果。表l 滑油系统健康状态动态PcA特征提取结果

Tab．1 Feature extnction r豁ults based∞dyII锄ic PCA ofIubri∞tion system heaIth∞nditi佃健康状态 特征向量

(O．814，一O．600，～O．792)Al ‘o·864，o·6：7’一1·087’(O．390，O．524，一O．991)A3

(一0．141，一O．166，一1．551)(一O．206，一O．469，一1．566)(一O．628，一O．151，一1．698)(一1．271，2．033，O．999)(～1．422，2．477，0．513(一1．958，2．477，O．513)A5

(3．216，一O．752，O．917)(3．815，O．455，O．948)(3．238，O．513，O．904)由SVM“决策函数的符号判断待诊断样本的隶属关系(1属于第i类，一1属于第J类)，根据传统支持向量机分类原则，测试集各样本在5种健康状态类型中的综合分析及诊断结果如表3所示。由表3试验结果可知，由于样本3中状态A。和状态A：的综合得分相同，样本5中状态A，和状态A。的综合得分也是相同，使之无法判断发动机最终的健康状态，导致有两个拒分样本，得到的故障诊断正确率为90％。采用其他不同核函数做故障诊断时过程类似，表4为采用不同核函数时对5种状态的20个样本进行测试的结果。当采用SVM进行一对一多分类时，会不可避免地出现得分相同的情表2测试样本在不同sVM下的诊断结果Tab．2 Dia印惦is r酷ults of t器t s锄pl幅b舔ed蚰diffe他nt SVM样本 SVMⅢ SVMl，3 SVM¨ SVMl，5 SVM2．3 SVM2．4 SVM2'5 SVM3，41 1 l 1 1 —1 1 —1 1

2 ～1 1 1 1 1 1 1 13 ～1 1 l 1 —1 1 1 14 1 —1 1 1 —1 1 —1 15 1 1 —1 1 —1 1 —1 —1： ： ： ： ： ： ： ： ： ● ● ● ● ● ● ● ● ●20 1 1 l 一1 —1 1 —1 1SVM3。5 SVM4．5))

)65

5‘u￡d 56

93OOO62OO9142622；2～

～～67927893519‘1

一一

l 一AZ万方数据

98 振动、测试与诊断 第35卷

况，这样导致样本拒分，以至于无法判断健康状态类型，使故障诊断正确率下降。

以表3中样本3为例，采用改进支持向量机的方法判断故障类型。先由表2所示的各个SVM输出结果独立计算测试样本3属于第i类的概率P¨(i z)，代入式(11)得到矩阵方程厂110

P—10IOLo

表3测试样本诊断结果与实际结果对比

Tab．3 The c岫paris蚰between diagnosis r鹤ults and actualresults of test sampI鹤样本 A1 Az A3 A。 A5诊断

结果A、A2拒分A3拒分A5

表4基于传统sVM方法的不同核函数故障诊断对比结果

Tab．4 The comparison results of diffbrent kemel functi蛐s offault dia驴鸺is b鹪ed∞the traditional SVM methods上述方程可由最小二乘法进行求解，得到测试样本3的得分P一[o．246 3 O．270 8 O．206 9o．069 1 o．171 7]T，很显然P(2 z)一o．270 8最大，故判断样本3属于A：类。同样经过类似计算，测试样本5的得分为P一[o．243 4 0．176 2

o．117 6 o．284 o o．166 6]T，P(4 z)一o．284 o最大，则样本5属于A。类。笔者将上述3种不同核

函数的传统sVM结果进行改进，结果如表5所示。根据试验结果，航空发动机滑油系统主要参数经过动态主元分析特征提取后，再采用核函数为径向基的改进支持向量机方法进行智能故障诊断，其表5基于改进sVM方法的不同核函数故障诊断对比结果Tab．5 The c岫paris佃I’esultS of different kemel fllnctions offault dia驴佛is based∞the improved SVM methods准确率得到了大幅提高。表明该方法对航空发动机滑油系统进行智能故障诊断，取得了很好的效果，实现了航空发动机的诊断效能。

4 结束语

采用基于动态PCA和改进SVM技术对航空发动机滑油系统进行智能故障诊断技术研究。试验研究表明，采用动态PCA技术对滑油系统主要参数进行特征提取，不仅可以充分考虑到参数的静态及动态特性，解决了数据的自相关问题，还可以使故障标准模式大幅度降维，较好地实现故障模式的分离。在此基础上采用3种不同核函数的SVM对特征向量进行故障诊断。传统SVM在处理多分类问题时，由于测试结果拒分类，导致诊断率的下降，而采用改进支持向量机算法可以明显提高故障诊断率，实现了智能故障诊断。试验表明，本研究采用的智能诊断方法对航空发动机滑油系统故障诊断是可行的，为航空发动机智能故障诊断提供了新的思路。参 考 文 献[1]孙闯，何正嘉，张周锁，等．基于状态信息的航空发动机运行可靠性评估[J]．机械工程学报，2013，49(6)：30一37．

Sun Chuang，He Zhen由ia，Zhang Zhousuo，et a1．op—erating reliability assessment for aero-engine based oncondition monitoring information[J]． Journal of Me—chanical Engineering，2013，49(6)：30一37． (in Chi—nese)[2]龚志飞，郭迎清．基于主元分析法的航空发动机传感器故障诊断研究[J]．计算机测量与控制，2012，20(8)：2017—2023．

Gong Zhifei，Guo Yingqing． Investigation of aero—en—gine fault diagnosis based on principal component anal—ysis[J]．Computer Measurement&ControI，2012，20一一1O120—11O11一一一112O1一一1201O一

际果一!。。．．；郧缈一岛屯赴AA；氐OOOO

3；O3124

1；24333

3；3l2345；约

万方数据

第1期 崔建国，等：基于动态PCA与改进sVM的航空发动机故障诊断 99[3][4][5][6][7]

(8)：2017—2023．(in Chinese)刘永斌，何清波，孔凡让，等．基于PCA和SVM的内燃机故障诊断[J]．振动、测试与诊断，2012，32(2)：250一255．

Liu Yongbin，He Qingbo，Kong Fanrang，et a1．Faultdiagnosis of internal combustion engine using PCA andSVM[J]．Journal of vibration，Measurement&Diag—nosis，2012，32(2)：250一255．(in Chinese)钱征文，程礼，范家栋，等．某型航空发动机振动值摆动故障诊断[J]．振动、测试与诊断，2012，32(2)：208—213．

Qian Zhengwen，Cheng Li，Fan Jiadong，et a1． Faultdiagnosis of vibration amplitude swing for some kind ofaeroengine[J]．Journal of Vibration，Measurement＆Diagnosis，2012，32(2)：208-213．(in Chinese)Sampath S，Gulati A，singh R．Artificial inteUigencetechniques for gas turbine engine fault diagnostics[C]∥38th AIAA／AsME／sAE／AsEE Joint PropulsionConference&Exhibit．Indianapolis：American Institu—te of Aeronautics and Astronautics，2002．刁广州，赵丽萍，要义勇．动态可调主元分析的多元自相关质量控制方法[J]．西安交通大学学报，2013，47(3)：24—29．

Diao Guangzhou，Zhao Liping，Yao Yiyong． The dy—namic regulated principal component analysis for mult—ivariate autocorrelation process quality contr01 method[J]． Journal of Xi’an Jiaotong University，2013，47(3)：24—29．(in Chinese)石怀涛，刘建昌，丁晓迪，等．基于混合动态主元分

析的故障检测方法[J]．控制工程，2012，19(1)：148—151．

Cao Chongfeng， Yang Shixi， Zhou Xiaofeng， et a1．Fault diagnosis of rotating machinery based on an im—proved support vector machines model[J]． Journal ofVibration，Measurement&Diagnosis，2009，29(3)：270一273．(in Chinese)[9]王晓红．基于概率投票策略的多类支持向量机及应用[J]．计算机工程，2009，35(2)：181一183．

Wang Xiaohong． Multi—class SVMs based on proba—bilty voting strategy and its application[J]． ComputerEngineering，2009，35(2)：181一183．(in Chinese)[10]Ribeiro B，Silva C，Chen N，et a1．Enhanced defaultrisk models with SVM+[J]． Expert Systems withApplications，2012，39(11)：10140—10152．[1 1]Li xianwei，chen Guolong． Face recognition based onPCA and SVM[C]∥20 1 2 International Symposium onPhotonics and 0ptoelectronics．[S．1．]：IEEE Transca—tion on Symposium on Photonics and 0ptoelectronics，2012．[12]赵升红．航空发动机与航空润滑油[M]．北京：中国石化出版社，2012：1—10．

恿函

第一作者简介：崔建国，男，1963年8月生，博士后、教授。主要研究方向为飞行器健康诊断、预测与综合健康管理、可视化仿真技术与应用。曾发表《基于遗传算法和ARMA模型的航空发电机寿命预测》(《航空学报》2011年第32卷第8期)等论文。E-mail：gordon_cjg@163．com万方数据

基于动态PCA与改进SVM的航空发动机故障诊断

作者： 崔建国， 严雪， 蒲雪萍， 齐义文， 蒋丽英， 师建强

作者单位： 崔建国,严雪,齐义文,蒋丽英(沈阳航空航天大学自动化学院 沈阳,110136)， 蒲雪萍,师建强(中国燃气涡轮研究院 成都,610500)刊名： 振动、测试与诊断

英文刊名： Journal of Vibration，Measurement & Diagnosis年，卷(期)： 2015,35(1)引用本文格式：崔建国.严雪.蒲雪萍.齐义文.蒋丽英.师建强 基于动态PCA与改进SVM的航空发动机故障诊断[期刊论文]-振动、测试与诊断 2015(1)