本发明涉及一种航空发动机智能诊断技术。属于故障诊断与健康管理领域。
技术背景
目前对于航空发动机故障的分析与诊断已具备智能化特点。智能化程度体现在数学模型与真实系统间问题本质的逼近程度，以及领域专家知识的人工智能再现，是人工智能、其他相关学科理论与技术在故障诊断学科中的综合体现。将多种不同的智能技术结合起来，建立合理的混合推理模型，能够有效提高航空发动机故障诊断的智能化程度。
每一型号的航空发动机故障复杂多样，但其典型故障均可穷举。而每种故障的影响因素杂糅繁多，如发动机振动：影响航空发动机振动的直接因素有几十种，间接因素达上百种。但对于典型故障，如发动机转子不平衡引发振动等，其典型特征都是可描述且有限的。
在以往公开的方法中，多数采用模式识别的方法进行航空发动机的故障诊断。
中国发明专利为cn105758645a公布了一种基于概率神经网络的发动机故障诊断系统，包括进行历史数据的预处理、特征选择和提取，等流程，通过训练样本，得到期望的诊断模型，进行诊断。整个过程工程师不能干预，是一种黑箱识别方法。
欧洲发明专利为ep0988583公布了一种用于诊断发动机故障的诊断方法，包括从信息来源处提取信息并进行特征处理后串联两个神经网络形成诊断的关键系统和方法。
但上述方法只是依据故障的训练样本，训练识别模型后黑箱识别，并不反映领域知识；当待诊样本种类多，数据量大时，诊断速度慢；对于数据质量不高的待诊样本(故障特征不显著或存在干扰)，往往会有低质量的诊断结果；且实际诊断时常存在与故障信号相似的干扰信号时，单一进行有“黑箱”特征的诊断方法，虚警率高。有的信号故障模式相近，如转子支承不同心和转子支承结构间隙松动这两种故障模式在频谱图上都会出现1,2,…倍频振，此时则会有误诊的情况。
中国发明专利cn201610231577.2公开了一种基于自适应加权ds证据理论的航空发动机气路故障融合诊断方法，以解决采用单一方法诊断精度不足的问题。该方法的诊断结构为一种并行结构，是将具有不同可信度的两个子模块的诊断结果赋予差异的权值，采用自适应加权的证据理论做融合决策，以解决结果冲突的问题。
所述的大多数的推理方法及模式识别方法都主要在算法上进行优化，并未注意从动力学的角度出发进行结果的检验，进行故障的推理等。进行模式识别时，对于存在干扰等低质量的大量数据，随着模型训练的进行，模型的复杂度会增加，此时模型在训练数据集上的训练误差会逐渐减小，但是在模型的复杂度达到一定程度时，模型在验证集上的误差反而随着模型的复杂度增加而增大。即模型的复杂度升高，但是该模型在除训练集之外的数据集上却失效，识别精度难以满足工程要求。
对于航空发动机而言，对大数据样本进行故障识别，仅采用单一的模式识别方法进行故障诊断，或并行融合模式识别算法与其它推理方法结果时：
1.模式识别方法输入维数过多，存在维数灾难的情况，使得学习范围过大，模式识别时间长。
2.实际运用时，需要设置繁琐的优化算法，来保证模式算法的输入输出，识别模型，识别过程输出在实际运用中的精度与速度，还有可解释性。但少有人从动力学角度出发，通过运用动力学知识提纯输入数据，检验输出结果的方法来保证精度与速度。
技术实现要素：
为克服现有技术中存在的学习范围大、模式识别时间长，以及存在虚警的不足，本发明提出了一种多技术融合航空发动机故障智能诊断方法。
本发明具体过程是：
步骤1：构建故障库
针对不平衡、不对中和转静碰磨三种故障构建故障库。所构建的故障库是针对所述三种故障的原始故障数据与故障现象进行分析，得到三种故障的数据特征和动力学特点，并储存在故障库中。对不平衡、不对中和转静碰磨三种故障原始数据进行动力学分析，得到三种故障现象的动力学特点。
所述构建故障库的具体做法如下：
第一步，获取所述三种故障的原始数据。
所述的原始数据选择所述发动机定型早期可靠性波动故障频发阶段的三种故障原始数据、投入使用时故障偶发阶段的三种故障原始数据。
第二步，采用数据分析方法对三种故障的原始数据进行分析，得到的数据特征；对三种故障的故障现象进行动力学分析，得到故障现象的动力学特征。
采用融合能量法对获得的数据进行分析。
在该融合能量法中，转子的涡动在各谐波下的运动轨迹是一系列的椭圆，定义谐波的长半轴ra的值与短半轴rb的值平方之和为转子该谐波的融合能量g
该谐波融合能量g的值归一化后。所有谐波的融合能量g的值构成转子回转融合能量谱。
对不平衡、不对中和转静碰磨三种故障原始数据使用融合能量分析，根据公式1，得到融合能量谱。
对不平衡、不对中和转静碰磨三种故障原始数据进行动力学分析，得到三种故障现象的动力学特点。
步骤2：获取待诊样本数据，并进行待诊样本现象的动力学分析：
所述根据待诊样本p1动力学特点在故障库中找出疑似故障的具体过程是：
ⅰ获取待诊样本数据
通过仿真获得待诊样本数据。
选取仿真数据时，在matlab环境下构建发动机转子系统的待诊样本p1，该待诊样本p1为测试系统的交流电干扰信号。所述p1包括水平与垂直方向两组数据。
在matlab环境下构建构建发动机转子系统的待诊样本p2；所述的待诊样本p2为测试系统的交流电干扰信号。p2＝p1。
所述的待诊样本p1的发动机转速为3000rpm。待诊样本p1幅值为a；所述a为以100为期望、以1为方差的正态分数随机数。
所述的待诊样本p1为测试系统的交流电干扰信号。
ⅱ对于待诊样本p1的现象进行动力学分析得到p1的现象的动力学特点。
步骤3：根据待诊样本p1动力学特点在故障库中找出疑似故障：
所述根据待诊样本p1动力学特点在故障库中找出疑似故障是对待诊样本数据进行待诊样本现象的动力学分析，得到待诊样本动力学特点。
所述根据待诊样本p1动力学特点在故障库中找出疑似故障是依据待诊样本p1的特点，采用相似度判别方法，对于待诊样本p1的每一个特点进行相似度分析，确定该特点属于故障库中哪些故障。
当对所述待诊样本p1的所有特点进行相似度计算，确定该待诊样本p1的疑似故障。
步骤4：对疑似故障依次进行多轮筛选，得出主要疑似故障。
所述对疑似故障依次进行多轮筛选的具体过程是：
第一轮筛选是针对不平衡故障。按不平衡故障名称进行索引，对该不平衡故障遍历一次其对应旋转机械振动原因分析表的特点。当不平衡故障遍历后在表上的置信度累加大于等于判断值时，将不平衡故障作为本轮筛选结果，认为它是可能性较大的结果，即主要疑似故障；当该不平衡故障遍历后在表上的置信度累加小于判断值时，则该轮筛选结果为空，即该疑似故障不是最有可能的那几个主要疑似故障，将其筛除。
第二轮筛选是针对不对中故障。按不对中故障名称进行索引，对该不对中故障遍历一次其对应旋转机械振动原因分析表的特点。当不对中故障遍历后在表上的置信度累加大于等于判断值时，将不对中故障作为本轮筛选结果，认为它是可能性较大的结果，即主要疑似故障；当该不对中故障遍历后在表上的置信度累加小于判断值时，则该轮筛选结果为空，即该疑似故障不是最有可能的那几个主要疑似故障，将其筛除。
第三轮筛选是针对转静碰磨故障。按转静碰磨故障名称进行索引，对该转静碰磨故障遍历一次其对应旋转机械振动原因分析表的特点。当转静碰磨故障遍历后在表上的置信度累加大于等于判断值时，将转静碰磨故障作为本轮筛选结果，认为它是可能性较大的结果，即主要疑似故障；当该转静碰磨故障遍历后在表上的置信度累加小于判断值时，则该轮筛选结果为空，即该疑似故障不是最有可能的那几个主要疑似故障，将其筛除。
所述各轮筛选中的所述判断值均为90。
步骤5：对于主要疑似故障进行模式识别，确认故障种类。根据待诊样本p1的数据特征，通过模式识别算法进行模式识别，得到待诊样本p1的识别结果。
所述对主要疑似故障进行模式识别，确认故障种类的具体过程：
ⅰ提取待诊样本数据特征
对于待诊样本提取数据特征。所述的数据特征与表1的数据特征一致，即模式识别方法的学习对象是待诊样本在故障库主要疑似故障中的数据特征，识别对象待诊样本的数据特征，待诊样本p1的数据特征的类型必须是待诊样本在故障库中主要疑似故障的数据特征类型。
随机选取所述待诊样本p1中多组数据进行融合能量分析，得到待诊样本的融合能量谱。
ⅱ对于待诊样本的数据特征进行模式识别：
根据得到的待诊样本的融合能量谱，采用bp神经网络对待诊样本p1数据特征进行模式识别。具体过程是：
第一步，选择模式识别算法对待诊样本进行模式识别：
确定bp神经网络参数，通过修改该bp神经网络的学习速率和动量系数，使该bp神经网络的样本分类正确率λ达到90％以上，该学习速率和动量系数即为确定的bp神经网络参数。bp神经网络学习对象是故障库中不平衡故障的融合能量谱。
识别对象是待诊样本p1的融合能量谱。
第二步，通过所述训练好的bp神经网络模型得到查全率η、样本分类正确率λ、识别时间t和待诊样本p1的故障类型。
对于查全率η：确定学习范围，得到查全率。故障库中所有故障的数据特征总数为sum。而步骤4多轮筛选得出主要疑似故障，主要疑似故障的数据特征种类用k表示；k＝1，2，3，4。
η＝k/sum(3)
所述η的值代表学习范围。
以样本的识别正确率λ作为评价学习效果的标准，所述λ值与学习效果成正比。
所述的识别时间t是在运行模式识别算法时在matlab环境中记录bp神经网络运行时间；所述识别时间t与bp神经网络的识别速度成反比。
所述λ通过公式(4)得到：
步骤6：对得到的识别结果进行检验：
根据检验规则对步骤5种得到的待诊样本p1的故障类型进行识别结果检验；
所述的检验规则为：
ⅰ待诊样本数据中，转速变为原来的x倍，振动幅值变为原来的x2倍；
ⅱ待诊样本反映出的进动方向为正进动；
按照规则ⅰ，输入步骤2获取的待诊样本p2；p2，p1幅值相同；检验结果是待诊样本p1不满足第一条规则；
按照规则ⅱ，待诊样本p1为交流电干扰信号，不满足第二条规则；
步骤7：不平衡故障的判定
将步骤6中得到的p1的检验结果与所述不平衡故障具有的特点对比；对比结果是二者不同，故判定该待诊样本p1和待诊样本p2均不是不平衡故障，不会产生故障报警；
至此，完成了航空发动机结构类故障的智能诊断。
本发明提出了一种多种技术串行融合的识别结构，用于航空发动机典型故障的智能诊断。本发明首先在总结分析结构类故障的案例以及动力学特征，形成了由故障数据样本特征表，故障现象动力学表示形式表组成的故障库。然后通过数据分析方法得到待识别样本的特征，根据待识别样本特征，根据相似度计算公式，匹配出故障库中与待诊样本相似度不低于判断值的故障作为疑似故障。这里的判断值，是步骤3中人工设置的一个识别的底线值。再依据典型故障因子决策表，对所有疑似故障进行多轮筛选，得出可能性最大的有限个主要疑似故障。利用模式识别算法，对于主要疑似故障进行模式识别，识别时的学习训练样本来自于故障样本数据特征库中的故障数据特征，识别时的识别对象为待识别样本的特征。最后对识别结果进行一次或多次动力学特征检验，看待识别样本中相关参数之间的关系及变化规律，是否符合典型故障检验规则库中对应故障的检验规则，符合检验规则，接受识别结果；不符合检验规则，拒绝识别结果，结束诊断。
识别流程和现有一些多技术融合识别流程区别在于，整体结构的不同：这是一种新的识别结构。现有多技术融合方法是一种并行生成结果融合的方法，即通过专家系统，神经网络，核主元等多种技术中的一或多种，分别得出诊断结果，再根据一定方法分别取信各个结果进行结果融合。本方法是一个串行生成结果的过程，可看出，步骤3到步骤5里，每一环节作为上一环节的检验筛选，依据动力学知识，通过层层筛选的方式得出结果。
本发明步骤2中计算相似度时，充分利用现有基于案例推理与基于规则推理两种推理方法的优势，即在故障库的故障现象表现形式表中，既存在参数特征，能进行规则推理，又存在现象描述特征，能进行案例推理，此处的案例推理与基于规则推理是公知的智能系统的两种不同推理方法。在步骤3中根据待识别样本特征在故障库中找出疑似故障时，相似度s符合要求就考虑接纳推理结果。所述要求为步骤3中人工设置的一个识别的底线值，可灵活调节相似度s，进行大量模糊不精确的推理，充分考虑推理时各种可能性。
本发明使用模式识别方法，与现有的模式识别方法在流程及运用上相同，不同在于其输入与输出部分。输入部分，区别在于输入数据的维数，面对同样的待识别数据组，本方法通过步骤4对于疑似故障进行多轮筛选，得出主要疑似故障，将模式识别方法的学习对象从库中的所有样本减少为经过筛选后可能性最大的有限个主要疑似故障。输出部分，设置了以动力学模型为基础的检验规则，对识别结果进行检验。使用本发明时，在保证模式识别方法学习的故障库中的特征类型，和对待诊样本进行识别时，待诊样本的特征类型是一致的前提下，可以采用不同的模式识别算法。
可以选取任意一种模式识别方法用于本发明。
与现有技术相比，本发明的有益效果为：
1、本发明的通过多技术融合的识别流程，通过对待识别样本的相似度计算得到疑似故障与通过依据动力学特征决策表的多轮筛选这两步，减小了模式识别算法的学习范围，减少了输入维数，指定了学习对象。降低了模式识别的时间。使用本发明时，在保证模式识别方法学习的故障库中的特征类型，和对待诊样本进行识别时，待诊样本的特征类型是一致的前提下，可以采用不同的模式识别算法。
2、本发明的通过设置步骤6，对于识别结果进行检验。保证了经过学习的模型是在实际运用中，和仅采用单一模式识别方法相比，识别存在干扰的低质量数据时，精度有保证，有效消除对干扰信号虚警，降低虚警率。对于几种特征相近的故障数据进行识别，也能够有效区分。
3、本发明所述识别流程不用设置复杂的数据提纯环节以及优化算法，而是通过故障的本质即其动力学特征出发，进行故障的动力学特点识别，故障的类型筛选并进行识别结果的检验。易于在工程中推广。除了所示出的不平衡，不对中，转静碰磨三种故障外，还可用于其它能够刻画出动力学模型的结构类故障，如齿轮故障，轴承故障，支座松动，盘腔积液。
4.本发明除了对于仿真信号外，对于工程中的实测数据也可通过本方法进行航空发动机结构类故障的诊断。
5.除了本发明对不平衡总结的检验规则外，可以总结其它的结构类故障的检验规则，用作在对其它结构类故障使用本方法进行诊断时的检验。
6.除了本发明所提到的bp神经网络，同样还可以选择其它类型的神经网络，以及需要有数据特征作为学习对象的机器学习算法，如支持向量机和朴素贝叶斯分类器，作为步骤5的模式识别方法。只要其满足学习对象是和故障库中的故障数据特征相同的类型，学习范围是依据本发明步骤2到步骤4所选择的有限的故障样本中间的条件。
将本发明和只采用bp神经网络这一单一的模式识别算法进行故障识别作比较，得到两者在查全率η，平均虚警率，时间三个方面的结果对比表，平均虚警率，是指把干扰信号识别成某些故障时，这些故障种类占总的故障种类的百分比。
在mtlab环境，对同样的待诊样本p1进行识别。bp神经网络参数为学习速率为0.35，动量系数为0.65。因为只单一采用bp神经网络进行模式识别，识别时不像本方法可以有选择性地确定识别对象。单一采用bp神经网络进行模式识别时，bp神经网络的识别对象为故障库中三种故障的所有数据特征，即要学习故障库不平衡，不对中，转静碰磨的融合能量谱，即表1的全部内容。识别对象为待诊样本p1的融合能量谱。
由于没有进行如本发明步骤2到步骤4的过程，只使用bp神经网络进行对待诊样本p1的模式，不能选择性地确定学习对象，需要学全库中3种故障才能得到训练好的bp神经网络。
训练bp神经网络时，bp神经网络的参数设置为学习速率为0.35，动量系数为0.65，得到训练样本分类正确率λ，等于1。这么设置是为了说明这里的bp神经网络和本发明中的bp神经网络一样，都能对测试样本进行有效识别，训练的效果一样。
把这里训练好的bp神经网络用于对待诊样本p1的融合能量谱的识别，并和本发明训练好的bp神经网络，在查全率η，平均虚警率，时间三个方面的结果作比较，的结果对比表见表6。
表6：结果对比表
从表6可以看出，本发明与只使用单一模式识别方法相比，通过步骤3和步骤4，能够有选择性地确定步骤5中的模式识别的学习对象，缩小学习范围，降低查全率η，从1降为33％。减少了学习时间，从90s减少到了19s。通过设置步骤6这一检验环节，能对步骤5的识别结果进行检验，降低对于干扰信号的虚警概率，从原来的33％将为0。
具体实施方式
步骤1：构建故障库
针对不平衡、不对中和转静碰磨三种故障，构建故障库。
构建的故障库，目的在于针对发动机不平衡、不对中和转静碰磨三种故障原始故障数据与故障现象进行分析，得到：1.三种故障数据的数据特征表；2.三种故障现象的动力学表示形式表。储存在故障库中。
具体做法如下：
得到三种故障数据的数据特征表与动力学表示形式表，需要两步：
第一步，得到三种故障的原始数据，这些数据是在发动机研发、定型和试验中测试系统所得到数据。
选择所述发动机定型早期可靠性波动故障频发阶段的三种故障原始数据、投入使用时故障偶发阶段的三种故障原始数据，作为故障库中三种故障数据样本。然后进入第二步对三种故障原始数据数据进行分析。
第二步，对三种故障的原始数据采用数据分析方法进行分析，得到的数据特征表1；对三种故障的故障现象进行动力学分析，得到故障现象的动力学特征，见表2。
所述的数据分析采用emd、独立分量、关联维数、频率域分析和融合能量法中的一种，本实施例中采用融合能量法对三种故障原始数据进行分析。
通过融合能量分析，得到数据特征表。所述融合能量分析是对待诊样本进行频谱分析后矢量融合，得到矢量融合谱。所述的融合能量法是由董辛旻、韩捷等人在2010年3月27卷第3期《微电子学与计算机》期刊上提出的《基于融合能量谱的旋转机械故障诊断研究》。该研究中详细描述了融合能量这一可用于模式识别算法识别的数据特征，以及融合能量的提取方法。
在该融合能量法中，转子的涡动在各谐波下的运动轨迹是一系列的椭圆，定义谐波的长半轴ra的值与短半轴rb的值平方之和为转子该谐波的融合能量g
该谐波融合能量g的值归一化后。所有谐波的融合能量g的值构成转子回转融合能量谱。
对不平衡、不对中和转静碰磨三种故障原始数据使用融合能量分析，根据公式1，得到融合能量谱见表1：
表1：不平衡、不对中和转静碰磨三种故障的融合能量谱
对不平衡、不对中和转静碰磨三种故障原始数据进行动力学分析，得到三种故障现象的动力学特征，见表2。动力学分析是指对不平衡、不对中和转静碰磨三种故障所表现的特征频率，振动稳定性，振动方位，进动方向等进行动力学描述。
对不平衡、不对中和转静碰磨三种故障原始数据进行动力学分析，得到三种故障现象的动力学，见表2。
表2：平衡、不对中和转静碰磨三种故障故障现象的动力学表
步骤2：获取待诊样本数据，并进行待诊样本现象的动力学分析：
本步骤针对待诊样本数据，进行待诊样本现象的动力学分析，得到待诊样本动力学特点。完成本步骤分为两步：
1、获取待诊样本数据
通过仿真获得待诊样本数据。
选取仿真数据时，在matlab环境下构建发动机转子系统的待诊样本p1，所述的待诊样本p1为测试系统的交流电干扰信号，3000rpm下p1。幅值为a，a为以100为期望，以1为方差的正态分数随机数，采样频率定为4000hz。p1包括水平与垂直方向两组数据。
在matlab环境下构建构建发动机转子系统6000rpm时的待诊样本p2，所述的待诊样本p2为测试系统的交流电干扰信号。p2＝p1。
p1为测试系统的交流电干扰信号，p2为测试系统的交流电干扰信号，p2＝p1是因为，测试系统的交流电干扰信号不管在发动机任何转速下都是一样的，因为测试系统交流电的频率电压无变动。干扰信号并不是故障，对交流电干扰信号进行识别是为了检验本发明是否会把干扰错误诊断为故障，如果识别错误，将交流电干扰信号诊断为了一种故障，那么就会造成虚警。
2、对于待诊样本p1的现象进行动力学分析
对于待诊样本p1的现象进行动力学分析得到p1的现象的动力学特点，见表3。此时对于待诊样本p1中特点的分析亦在所述表2所列举的范围内，但不用与表2中的完全一致。本实施例中，仅对待诊样本p1的特征频率进行分析。
表3：待诊样本p1的现象的动力学特点
根据表3，进行步骤3，根据待识别样本动力学特点在故障库中找出疑似故障。
步骤3：根据待诊样本p1动力学特点在故障库中找出疑似故障：
本步骤针对待诊样本p1的特点，根据相似度判别方法，对于待诊样本p1的每一个特点进行相似度分析，确定该特点属于故障库中哪些故障。
当对所述待诊样本p1的所有特点进行相似度分析后，即能够确定该待诊样本p1的疑似故障。
所述确定待诊样本p1属于故障库中哪些故障的具体过程分为两步：
1、针对待诊样本p1的特点，计算待诊样本p1与不平衡、不对中和转静碰磨三类故障的相似度。
相似度计算方法：计算待诊样本p1与不平衡故障的相似度，
待诊样本p1具有多维特点，从中选出n维作为待识别特点，待识别特点的集合用m表示，待识别特征组，mi(i＝1,2,3,...,n)为待识别组具有的n维故障特征：
m＝(m1,m2,m3,...,mn)
故障库中的不平衡故障，此处记为c具有h维特征：
c＝(c1,c2,c3,...ch)
m与c的相似度为s；
ωi为第i个特征权值，fi表示计算m中i特征与c中i特征的相似性的函数，ch←i表示m中i所指示的特征，是c的h个特征中的哪一个。因为m的特征与c的特征的排列顺序不完全相同。具体相似性的计算函数f有很多种，不做多的赘述。s越大，一定程度上代表两个案例在该环节越相似，s取大于0小于1，但并不认为s等于1，或s近似等于1，便认为故障识别成功。这是因为这种匹配方法不是精确推理，仅根据待识别的特征进行匹配，结果是不可靠的。
在故障识别过程中，得到故障现象的动力学特点，在根据故障现象的动力学特点推断某一待识别组是故障库中的哪种故障时，按照李洪伟，谢镇波等人在2014年22卷第3期《计算机测量与控制》期刊上提出的《基于案例和规则融合的某型航空发动机故障诊断专家系统》中相似度的计算方法，根据故障现象的动力学特点计算某一待识别组与故障库中的某种故障的相似程度，从而推断该待识别组的故障类型。
本实施例中，根据公式2及所述相似度计算方法，得出待诊样本p1与不平衡，相似度为0.4。
按照确定待诊样本p1与不平衡相似度方法，确定待诊样本p1与不对中相似度为0.25。待诊样本p1与转静碰磨，相似度为0.25。得到待诊样本p1与不平衡不对中，转静碰磨得相似度后，根据相似度得到疑似故障。
2、得到疑似故障：
设定相似度s的底线值，对于待诊样本p1与故障库中某一故障的相似度而言，高于这个底线值，认为该故障是待诊样本p1的疑似故障。通过控制s的底线值来控制得出的疑似故障的个数；该底线值不高于0.5.
本实施例中，设置s的底线值为0：得到待诊样本p1的疑似故障有三个：不平衡、不对中和转静碰磨。
步骤4：对于疑似故障依次进行多轮筛选，得出主要疑似故障。
针对疑似故障，根据旋转机械振动原因分析表中，分析各个疑似故障的置信度累加值，得到主要疑似故障。
所述旋转机械振动原因分析表用于当存在待诊样本与几个故障都相似的情况时，判断待诊样本和哪一个最相似。该旋转机械振动原因分析表公开在钟秉林的《机械故障诊断学》中的158页到168页，分析各个疑似故障的置信度累加值，认为置信度最大的相似度最大。
具体过程是：
第一轮筛选是针对不平衡故障。按不平衡故障名称进行索引，对该不平衡故障遍历一次其对应旋转机械振动原因分析表的特点。当不平衡故障遍历后在表上的置信度累加大于等于判断值时，将不平衡故障作为本轮筛选结果，认为它是可能性较大的结果，即主要疑似故障；当该不平衡故障遍历后在表上的置信度累加小于判断值时，则该轮筛选结果为空，即该疑似故障不是最有可能的几个主要疑似故障，将其筛除。所述判断值为90。
第二轮筛选是针对不对中故障。按不对中故障名称进行索引，对该不对中故障遍历一次其对应旋转机械振动原因分析表的特点。当不对中故障遍历后在表上的置信度累加大于等于判断值时，将不对中故障作为本轮筛选结果，认为它是可能性较大的结果，即主要疑似故障；当该不对中故障遍历后在表上的置信度累加小于判断值时，则该轮筛选结果为空，即该疑似故障不是最有可能的那几个主要疑似故障，将其筛除。所述判断值为90。
第三轮筛选是针对转静碰磨故障。按转静碰磨故障名称进行索引，对该转静碰磨故障遍历一次其对应旋转机械振动原因分析表的特点。当转静碰磨故障遍历后在表上的置信度累加大于等于判断值时，将转静碰磨故障作为本轮筛选结果，认为它是可能性较大的结果，即主要疑似故障；当该转静碰磨故障遍历后在表上的置信度累加小于判断值时，则该轮筛选结果为空，即该疑似故障不是最有可能的那几个主要疑似故障，将其筛除。所述判断值为90。
在所述旋转机械振动原因分析表中选取本发明涉及到的特点，本实施例涉及频率特点，得到典型故障因子决策表表，记为表4，。
表4：典型故障因子决策表
根据表4分析三个疑似故障，三个疑似故障的置信度累加值分别为：不平衡故障90，不对中故障40，转静碰磨故障为30。
与所述判断值90相等的是不平衡故障的置信度累加值，故取不平衡故障为主要疑似故障。
步骤5：对于主要疑似故障进行模式识别，确认故障种类。
步骤5针对主要疑似故障，根据待诊样本p1的数据特征，通过模式识别算法进行模式识别，得到识别结果。
具体分为两步：
1、提取待诊样本数据特征
对于待诊样本提取数据特征。所述的数据特征与表1的数据特征一致，即模式识别方法的学习对象是待诊样本在故障库主要疑似故障中的数据特征，识别对象待诊样本的数据特征，待诊样本p1的数据特征的类型必须是待诊样本在故障库中主要疑似故障的数据特征类型。
随机选取所述待诊样本p1中的12组数据进行融合能量分析，得到待诊样本的融合能量谱，见表5：
表5：待诊样本p1的融合能量谱
2、对于待诊样本的数据特征进行模式识别：
根据表5，对于待诊样本p1数据特征进行模式识别。模式识别的方法采用bp神经网络、支持向量机、关联维数分析和朴素贝叶斯分类法中的任意一种。具体做法如下：
第一步，选择模式识别算法对待诊样本进行模式识别：
本实施例中，采用bp神经网络方法进行模式识别。具体过程是：
选取bp神经网络作为识别方法，bp神经网络参数如下：学习速率0.4，动量系数0.6。bp神经网络学习对象是故障库中不平衡故障的融合能量谱。即表1中不平衡所在的列。
识别对象是待诊样本p1的融合能量谱。bp神经网络的模型，程序，使用方法是公知的，给定了bp神经网络的学习速率0.4，动量系数0.6，指定学习对象，就能按部就班得到一个训练好的bp神经网络模型。
第二步，通过所述训练好的bp神经网络模型得到查全率η、训练样本分类正确率λ、识别时间t和待诊样本p1的故障类型。
对于查全率η：.确定学习范围，得到查全率。故障库中所有故障的数据特征总数为sum。而步骤4多轮筛选得出主要疑似故障，主要疑似故障的数据特征种类用k表示；k＝1，2，3，4。
η＝k/sum(3)
所述η的值代表学习范围。
对于待诊样本p1，其主要疑似故障是不平衡，模式识别算法学习的是不平衡的数据特征，故障库中不平衡数据特征有一个，总的故障特征有4个.根据公式3：
k＝1，sum＝4，η＝0.25。
对于训练样本分类正确率λ：从故障样本数据特征库中找出上述主要疑似故障样本数据特征，作为模式识别方法学习训练的对象，得到学习训练好的模式识别方法。这里用训练样本分类正确率λ来表示训练结果。
由bp神经网络模型随机选取不平衡故障数据特征中的一部分作为学习样本，一部分作为训练样本，检测学习后的算法效果。以样本的识别正确率λ作为评价标准，bp神经网络中，λ计算公式如下：
所述λ值与学习效果成正比。
对于本步骤的bp神经网络训练结束时输出的样本的识别正确率，得到λ＝1。
运行模式识别算法时，在matlab环境中记录bp神经网络运行时间，得到识别时间t；所述识别时间t与bp神经网络的识别速度成反比。
对于本步骤的bp神经网络，t等于19秒。
本步骤的bp神经网络对待诊样本p1的识别结果为不平衡故障。
此时将待诊样本识别为不平衡故障，故障库中的不平衡故障占总的故障种类的百分比为33％。
步骤6：对得到的识别结果进行检验：
针对待步骤5种得到的待诊样本p1的故障类型，根据检验规则，进行识别结果检验。
检验具体分为两步：
1、得到模式识别结果的检验规则；
根据不平衡故障的动力学故障模型获得模式识别结果的检验规则。
所述故障动力学模型采用廖明夫等人编纂的于2015年11月出版的《航空发动机转子动力学》中提出的航空发动机结构类故障的动力学模型。
所述的检验规则如下：
规则ⅰ：待诊样本数据中，转速变为原来的x倍，振动幅值变为原来的x2倍。
规则ⅱ：待诊样本反映出的进动方向为正进动。
2、按照所述检验规则对已经被识别为不平衡的故障的待诊样本样本p1进行检验
按照规则ⅰ，输入步骤1中在matlab环境下构建构建发动机转子系统6000rpm时的待诊样本p2。因为p2＝p1，所以p2，p1幅值相同，不满足规则ⅰ。
按照规则ⅱ，待诊样本p1为交流电干扰信号，并不是转子不平衡振动，不存在进动。所以不满足规则ⅱ。
检验结果是，所述的待诊样本p1和待诊样本p2均不满足规则ⅰ和规则ⅱ。
步骤7：不平衡故障的判定
将步骤6中依据检验规则ⅰ得到p2，p1的检验结果与所述不平衡故障具有的特点对比，二者不同，故该待诊样本p1和待诊样本p2均不是不平衡故障，不会产生故障报警。
将步骤6中依据检验规则ⅱ得到p2，p1的检验结果与所述不平衡故障具有的特点对比，二者不同，故该待诊样本p1和待诊样本p2亦均不是不平衡故障，不会产生故障报警。
判断平均虚警率。步骤5中将待诊样本识别为不平衡故障，故障库中的不平衡故障占总故障种类的33％。经过步骤6对得到的识别结果进行检验，并将检验后的识别结果与所述不平衡故障具有的特点对比，确定该待诊样本p1和待诊样本p2亦均不是不平衡故障，不会产生故障报警。故步骤5得到的占故障库中总故障种类33％的不平衡故障均不会产生故障报警。
至此，本发明所有步骤结束，诊断完毕。