基于增强最小熵解卷积的航空发动机故障诊断

doi:10.3969/j.issn.1004-132X.2023.02.009

中国机械工程 ›› 2023, Vol. 34 ›› Issue (02): 193-200.DOI: 10.3969/j.issn.1004-132X.2023.02.009

基于增强最小熵解卷积的航空发动机故障诊断

赵艺珂1;王家序1，2;张新1，2;吴磊1;刘治汶3

1.西南交通大学机械工程学院，成都，610031
2.重庆大学机械传动国家重点实验室，重庆，400044
3.电子科技大学自动化工程学院，成都，611731

出版日期:2023-01-25 发布日期:2023-02-16
通讯作者: 张新（通信作者），男，1989年生，博士、副教授。研究方向为机械传动与驱动，装备健康状态监测、诊断与预示技术。发表论文30余篇。E-mail：xylon.zhang@swjtu.edu.cn。
作者简介:赵艺珂，女，1998年生，硕士研究生。研究方向为机械故障诊断。发表论文2篇。E-mail：zhaoyike@my.swjtu.edu.cn。
基金资助:
国家自然科学基金（52075456，52175122）；机械传动国家重点实验室开放基金（SKLMT-MSKFKT-202108）；中央高校科技创新项目（2682021CX021）

Aero-engine Fault Diagnosis Based on an Enhanced Minimum Entropy Deconvolution

ZHAO Yike1;WANG Jiaxu1，2;ZHANG Xin1，2;WU Lei1;LIU Zhiwen3

1.School of Mechanical Engineering，Southwest Jiaotong University，Chengdu，610031
2.State Key Laboratory of Mechanical Transmissions，Chongqing University，Chongqing，400044
3.School of Automation Engineering，University of Electronic and Technology of China，Chengdu，611731

Online:2023-01-25 Published:2023-02-16

摘要/Abstract

摘要： 为有效提取轴承的微弱故障特征，提出一种基于无偏自相关分析的增强最小熵解卷积方法。该方法的滤波器系数的迭代求解中，通过抑制滤波信号中的非周期成分，实现对周期性故障冲击的增强检测，完成轴承故障的准确辨识。仿真信号分析结果表明，所提方法在复杂干扰下仍能准确提取轴承故障冲击序列。航空发动机故障诊断案例分析证实了该方法对复杂机械结构中轴承故障诊断的有效性。

关键词: 航空发动机, 故障诊断, 轴承, 最小熵解卷积, 无偏自相关

Abstract: To extract weak features of bearing faults， an enhanced minimum entropy deconvolution method was proposed based on unbiased autocorrelation analysis. In iterative solution of filter coefficients for the method， aperiodic components in the filtered signals were suppressed， the enhanced detection of the periodic fault impact features was realized， and the accurate identification of bearing faults was completed. The analysis results of simulated signals show that the enhanced minimum entropy deconvolution may accurately extract the periodic fault impact sequence from the signals with complex interferences. The applications in aero-engine fault diagnosis verify the effectiveness of the method for fault diagnosis of bearings in complex mechanical structures.

Key words: aero-engine, fault diagnosis, bearing, minimum entropy deconvolution, unbiased autocorrelation

中图分类号:

V233.1

赵艺珂, 王家序, 张新, 吴磊, 刘治汶. 基于增强最小熵解卷积的航空发动机故障诊断[J]. 中国机械工程, 2023, 34(02): 193-200.

ZHAO Yike, WANG Jiaxu, ZHANG Xin, WU Lei, LIU Zhiwen. Aero-engine Fault Diagnosis Based on an Enhanced Minimum Entropy Deconvolution[J]. China Mechanical Engineering, 2023, 34(02): 193-200.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.cmemo.org.cn/CN/10.3969/j.issn.1004-132X.2023.02.009

https://www.cmemo.org.cn/CN/Y2023/V34/I02/193

参考文献

［1］吕超，程弓，刘云清. 基于BDPCA聚类算法的航空发动机故障数据标记［J］. 振动与冲击， 2020， 39（9）：35-41.
LYU Chao， CHENG Gong， LIU Yunqing. Aeroengine Fault Data Tag Using on Improved BDPCA Algorithm［J］. Journal of Vibration and Shock， 2020， 39（9）：35-41.
［2］张忠强，张新，王家序，等. 基于重加权谱峭度方法的航空发动机故障诊断［J］. 航空学报， 2022， 43（9）：625445-1-10.
ZHANG Zhongqiang， ZHANG Xin， WANG Jiaxu， et al. Reweighted Kurtogram for Aero-engine Fault Diagnosis［J］. Acta Aeronautica et Astronautica Sinica， 2022， 43（9）：625445-1-10.
［3］崔建国，李国庆，蒋丽英，等. 基于深度自编码网络的航空发动机故障诊断［J］. 振动. 测试与诊断， 2021， 41（1）：85-89.
CUI Jianguo， LI Guoqing， JIANG Linying， et al. Aero-engine Fault Diagnosis Based on Deep Self-Coding Network［J］. Journal of Vibration， Measurement & Diagnosis， 2021， 41（1）：85-89.
［4］吴磊，王家序，张新，等. 基于最大重加权峭度盲解卷积的风电机组齿轮故障诊断［J］. 中国机械工程， 2022， 33（19）：2356-2363.
WU Lei， WANG Jiaxu， ZHANG Xin， et al. Blind Deconvolution Based on Reweighted-kurtosis Maximization for Wind Turbine Gear Fault Diagnosis［J］. China Mechanical Engineering， 2022， 33（19）：2356-2363.
［5］段晨东，张荣. 基于改进经验小波变换的机车轴承故障诊断［J］. 中国机械工程， 2019， 30（6）：631-637.
DUAN Chendong， ZHANG Rong. Locomotive Bearing Fault Diagnosis Using an Improved Empirical Wavelet Transform［J］. China Mechanical Engineering， 2019， 30（6）：631-637.
［6］王帅，向阳，王磊. 基于集总经验模态分解和极坐标表示的瞬时转速诊断方法［J］. 中国机械工程， 2017， 28（15）：1848-1853.
WANG Shuai， XIANG Yang， WANG Lei. Fault Diagnosis Method of Instantaneous Angular Speed Based on EEMD and Polar Representation［J］. China Mechanical Engineering， 2017， 28（15）：1848-1853.
［7］崔伟成，许爱强，李伟，等. 局部特征尺度分解结合局部均值解调的齿轮故障诊断［J］. 中国机械工程， 2016， 27（24）：3332-3337.
CUI Weicheng， XU Aiqiang， LI Wei， et al. Gear Fault Diagnosis Based on LCD and LME Demodulation Approach［J］. China Mechanical Engineering， 2016， 27（24）：3332-3337.
［8］马洪斌，佟庆彬，张亚男. 优化参数的变分模态分解在滚动轴承故障诊断中的应用［J］. 中国机械工程， 2018， 29（4）：390-397.
MA Hongbin， TONG Qingbin， ZHANG Yanan. Applications of Optimization Parameters VMD to Fault Diagnosis of Rolling Bearings［J］. China Mechanical Engineering， 2018， 29（4）：390-397.
［9］ZHANG X， LIU Z W， WANG J X， et al. Time-frequency Analysis for Bearing Fault Diagnosis Using Multiple Q-factor Gabor Wavelets［J］. ISA Transactions， 2019， 87：225-234.
［10］姚成玉，来博文，陈东宁，等. 基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法［J］. 中国机械工程， 2017， 28（24）：3001-3012.
YAO Chengyu， LAI Bowen， CHEN Dongning， et al. Fault Diagnosis Method Based on MED-VMD and Optimized SVM for Rolling Bearing［J］. China Mechanical Engineering， 2017， 28（24）：3001-3012.
［11］ZHANG X， MIAO Q， ZHANG H， et al. A Parameter-adaptive VMD Method Based on Grasshopper Optimization Algorithm to Analyze Vibration Signals from Rotating Machinery［J］. Mechanical Systems and Signal Processing， 2018， 108：58-72.
［12］WIGGINS R A. Minimum Entropy Deconvolution［J］. Geoexploration， 1978， 16（1/2）：21-35.
［13］ENDO H， RANDALL R B. Enhancement of Autoregressive Model Based Gear Tooth Fault Detection Technique by the Use of Minimum Entropy Deconvolution Filter［J］. Mechanical Systems and Signal Processing， 2007， 21（2）：906-919.
［14］CABRELLI C A. Minimum Entropy Deconvolution and Simplicity：a Noniterative Algorithm［J］. Society of Exploration Geophysicists， 2012， 50（3）：394-413.
［15］MCDONALD G L， ZHAO Q， ZUO M J. Maximum Correlated Kurtosis Deconvolution and Application on Gear Tooth Chip Fault Detection［J］. Mechanical Systems and Signal Processing， 2012， 33：237-255.
［16］MCDONALD G L， ZHAO Q. Multipoint Optimal Minimum Entropy Deconvolution and Convolution Fix：Application to Vibration Fault Detection［J］. Mechanical Systems and Signal Processing， 2017， 82：461-477.
［17］朱丹宸，张永祥，何伟，等. 基于自适应CYCBD和互相关谱的滚动轴承复合故障诊断方法［J］. 振动与冲击， 2020， 39（11）：116-122.
ZHU Danchen， ZAHNG Yongxiang， HE Wei， et al. Compound Faults Diagnosis of Rolling Element Bearing Using Adaptive CYCBD and Cross-correlation Spectrum［J］. Journal of Vibration and Shock， 2020， 39（11）：116-122.
［18］LIANG K， ZHAO M， LIN J， et al. Maximum Average Kurtosis Deconvolution and Its Application for the Impulsive Fault Feature Enhancement of Rotating Machinery［J］. Mechanical Systems and Signal Processing， 2021， 149：107323.
［19］BUZZONI M， ANTONI J， DELIA G. Blind Deconvolution Based on Cyclostationarity Maximization and Its Application to Fault Identification［J］. Journal of Sound and Vibration， 2018， 432：569-601.
［20］MOSHREFZADE H A， ALESSANDRO F. The Autogram：an Effective Approach for Selecting the Optimal Demodulation Band in Rolling Element Bearings Diagnosis［J］. Mechanical Systems and Signal Processing， 2018， 105：294-318.
［21］CHEN B Y， ZHANG W H， et al. Blind Deconvolution Assisted with Periodicity Detection Techniques and Its Application to Bearing Fault Feature Enhancement［J］. Measurement， 2020， 159：107804.
［22］ANTONI J， GRIFFATON J， ANDRE H， et al. Feed-back on the Surveillance 8 Challenge：Vibration-based Diagnosis of a Safran Aircraft Engine［J］. Mechanical Systems and Signal Processing， 2017， 97：112-114.

[1]	罗洁思, 于德介, 史美丽. 基于SVD和线调频小波路径追踪的转速波动齿轮箱故障诊断 [J]. J4, 201016, 21(16): 1947-1951.
[2]	胡超, 刘佐民. 基于材料匹配性的球轴承Heathcote黏-滑模型研究 [J]. J4, 201016, 21(16): 1969-1973.
[3]	仝兆景, 王鹏超, 樊永奎, 韩广洋, 王自奇. 基于改进精细复合多尺度样本熵与贝叶斯网络的滚动轴承故障诊断方法[J]. 中国机械工程, 2025, 36(12): 2952-2959.
[4]	张雄, 董乐聪, 王文强, 渠伟瀅, 万书亭. 融合二维卷积与门控循环神经网络的滚动轴承多故障诊断方法[J]. 中国机械工程, 2025, 36(12): 2978-2985.
[5]	孙富建, 朱千放, 梁志强, 鲁艳军, 陈金龙, 肖玉斌, 黄浩, 袁剑平. 电脉冲辅助硬车淬硬轴承钢表面摩擦学性能研究[J]. 中国机械工程, 2025, 36(11): 2537-2543.
[6]	李云峰, 李金成, 仲志丹. 基于热网络法的风电机组主轴承温度场分析[J]. 中国机械工程, 2025, 36(11): 2624-2632.
[7]	马天宇, 巩固, 曹宏瑞, 史江海, 尉询楷, 章立军. 8Cr4Mo4V轴承钢微观裂纹萌生与扩展机制的分子动力学模拟[J]. 中国机械工程, 2025, 36(10): 2179-2189.
[8]	陈武超, 俞翔栋, 何昆, 张济民. 模块化多胞元永磁推力轴承的承载特性[J]. 中国机械工程, 2025, 36(10): 2300-2305.
[9]	李颂华, 薛宝圆, 左闯. Si₃N₄耐高温全陶瓷向心关节轴承磨损性能研究[J]. 中国机械工程, 2025, 36(09): 1989-1995.
[10]	杨慧明, 杨霞, 黄宇齐. 基于Paris模型的滚动轴承全周期疲劳寿命预测[J]. 中国机械工程, 2025, 36(09): 2003-2010.
[11]	冯思茜, 王家序, 张新, 黄欣玥. 基于共振解调新方法的滚动轴承故障诊断[J]. 中国机械工程, 2025, 36(09): 2022-2031.
[12]	陈剑, 严明辉, 陈品. 基于贝叶斯优化多尺度DenseNet的离心泵声信号故障诊断方法[J]. 中国机械工程, 2025, 36(09): 2032-2038.
[13]	朱晴旺, 张靖, 谢发祥, 朱忠刚, 郭剑禹, 严厚林. RV减速器主轴承试验台研制与实验研究[J]. 中国机械工程, 2025, 36(08): 1749-1756.
[14]	黄昊1, 王曾2, 李波2, 卢泽华1, 刘怀举1. 基于折衷规划法的航发齿轮传动壳体结构热柔度协同拓扑优化[J]. 中国机械工程, 2025, 36(07): 1471-1478.
[15]	张建宇, 王留震, 肖勇, 马雅楠. 滚动轴承的退化特征信息融合与剩余寿命预测[J]. 中国机械工程, 2025, 36(07): 1553-1561.

基于增强最小熵解卷积的航空发动机故障诊断

Aero-engine Fault Diagnosis Based on an Enhanced Minimum Entropy Deconvolution

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics