一种基于数字孪生的航空发动机主轴轴承故障诊断方法

本发明涉及航空发动机故障诊断领域，尤其是涉及一种基于数字孪生的航空发动机主轴轴承故障诊断方法。

背景技术：

1、航空发动机主轴轴承作为支承和定位发动机旋转部件的核心部件，对于发动机的可靠性、性能和安全性都具有重要影响。与普通轴承相比，航空发动机主轴轴承转速更高、载荷更大、保持架冲击严重、摩擦生热量更多、工作环境温度更高、难以保证良好润滑、短时间内存在大范围工况变化、某些情况下存在严重打滑等。航空发动机主轴轴承一旦出现故障，将会严重影响发动机的可靠性，可能会造成发动机抱死、断轴等事故，酿成严重的飞行事故，造成不堪设想的后果。因此，全面系统地对航空发动机主轴轴承故障的监测及诊断方法展开研究，对保证航天器的安全运行、降低维护、维修费用以及保障人民的生命和财产安全具有重大的现实意义。

2、随着计算能力的提升，基于深度学习的故障诊断方法逐步成为航空发动机主轴轴承故障诊断领域的解决方案之一。但是深度学习故障诊断方法需要大量数据，而通过航空发动机采集全面充足的主轴轴承故障样本是很难实现的。数字孪生技术为航空发动机主轴轴承故障样本生成研究提供了一个新的视角。但是初始建立的数字孪生模型通常不够可靠，孪生振动信号与实体物理振动信号的一致性差异制约了数字孪生技术在故障诊断领域的应用。而且航空发动机主轴轴承故障模式复杂多样，单一故障诊断方法对于不同类型故障通常不能始终保持很高的诊断准确率。因此，初始建立数字孪生模型不能保证孪生振动信号与实体物理系统振动信号的一致性和单一故障诊断方法准确率不稳定性是需要解决的问题。

技术实现思路

1、本发明所要解决的技术问题在于针对上述现有技术中的不足，提出了一种基于数字孪生的航空发动机主轴轴承故障诊断方法，利用深度学习方法对初始建立的数字孪生模型进行多阶段修正，利用孪生振动信号数据库结合集成学习故障诊断方法实时评估主轴轴承故障类型。

2、为达到上述目的，本发明的技术解决方案是：

3、一种基于数字孪生的航空发动机主轴轴承故障诊断方法，具体包括以下步骤：

4、s1：建立航空发动机主轴轴承的初始数字孪生模型，利用主轴轴承初始数字孪生模型仿真生成正常和不同故障类型的初始孪生振动信号，具体为：

5、s1.1：设置主轴轴承的几何形状、材料属性、运动学和动力学等方面参数，建立主轴轴承动力学模型；

6、s1.2：利用传感器实时采集主轴轴承的外部载荷、驱动力、驱动力矩和振动加速度等工况数据，并对工况数据进行预处理；

7、s1.3：将步骤s1.2预处理后的数据和轴承故障类型实时输入到s1.1的主轴轴承动力学模型，得到主轴轴承的初始数字孪生模型；

8、s1.4：利用步骤s1.3的初始数字孪生模型对不同工况参数和故障类型的主轴轴承仿真计算，得到轴承正常状态下的初始孪生振动信号和不同故障类型状态下的初始孪生振动信号；

9、s2：基于深度学习方法并利用采集的轴承实体振动信号和步骤s1获得的初始孪生振动信号对主轴轴承初始数字孪生模型参数进行多阶段修正，具体为：

10、s2.1：采集轴承正常状态下的实体振动信号并与步骤s1.4得到的对应工况下的初始孪生振动信号进行一致性对比，得到第一阶段偏差值；

11、s2.2：若步骤s2.1的偏差值不在预设的偏差范围内，确定修正参数，构建损失函数，选择迭代算法，调整数字孪生模型参数，重复步骤s2.1直到完成第一阶段修正；

12、s2.3：采集轴承故障状态下的实体振动信号并与步骤s1.4得到的对应工况和故障类型下的初始孪生振动信号进行一致性对比，得到第二阶段偏差值；

13、s2.4：若步骤s2.3的偏差值不在预设的偏差范围内，确定修正参数，构建损失函数，选择迭代算法，调整数字孪生模型参数，重复上述步骤直到完成第二阶段修正；

14、s2.5：同时采集轴承正常和故障状态下的实体振动信号与步骤s1.4得到的对应工况和故障类型下的初始孪生振动信号分别进行一致性对比，得到第三阶段偏差值；

15、s2.6：若步骤s2.5的偏差值不在预设的偏差范围内，确定修正参数，构建损失函数，选择迭代算法，调整数字孪生模型参数，重复上述步骤直到完成第三阶段修正，完成校准；

16、s3：利用步骤s2修正后的主轴轴承数字孪生模型仿真生成正常状态下运行的孪生振动信号和不同故障类型状态下运行的孪生振动信号；

17、s4：将标记工况数据和故障信息的步骤s2采集的轴承实体振动信号和步骤s3仿真生成的孪生振动信号建立孪生振动信号数据库；

18、s5：利用步骤s4建立的孪生振动信号数据库对故障诊断模型进行训练和微调，建立集成学习故障诊断模型，具体为：

19、s5.1：构建改进的卷积神经网络，利用孪生振动信号数据库中的孪生振动信号对模型进行训练并利用实体振动信号微调,得到故障诊断模型一；

20、s5.2：构建改进的自动编码器，利用孪生振动信号数据库中的孪生振动信号对模型进行训练并利用实体振动信号微调,得到故障诊断模型二；

21、s5.3：构建门控循环单元gru，利用孪生振动信号数据库中的孪生振动信号对模型进行训练并利用实体振动信号微调,得到故障诊断模三；

22、s5.4：将三个故障诊断模型通过集成学习方法构建集成学习故障诊断模型；

23、s6：根据集成学习故障诊断模型检测主轴轴承实体实时振动信号的故障结果，增量式更新孪生振动信号数据库，具体为：

24、s6.1：将主轴轴承实体实时振动信号输入集成学习故障诊断模型，评估故障类型；

25、s6.2：对比实际故障类型和步骤s6.1得到的故障类型是否一致；

26、s6.3：若步骤s6.2对比结果为不一致，将该振动信号添加到数据库待处理模块；

27、s6.4：待处理信号故障类型未被标记，则人工确定故障类型，更新到孪生振动信号数据库；

28、s6.5：待处理信号故障类型已被标记，则对故障诊断模型进行改进，重复上述步骤直到对比结果一致；

29、s6.6：若步骤s6.2对比结果为一致，将振动信号及对应工况和故障信息更新到孪生振动信号数据库。

30、具体的，步骤s1.2中，所述预处理方法为数据清洗、噪声过滤和异常值检测；步骤s1.4中，所述故障类型为内圈故障、外圈故障和滚动体故障。

31、具体的，步骤s2中，所述修正参数为几何参数、材料属性、摩擦模型和装配参数，采用最大均值差异mmd构建最小化孪生振动信号与实际振动信号差距的损失函数，迭代算法为随机梯度下降法。

32、进一步的，最大均值差异mmd具体为：

33、

34、其中，x和y分别是孪生振动信号与实体振动信号样本集合，xi和yj分别是来自x和y的样本信号，函数φ(x)是将样本映射到特征空间的映射函数，表示距离是由φ(x)将数据映射到再生希尔伯特空间中进行度量。

35、进一步的，随机梯度下降法具体为：

36、

37、其中，θt为第t步的参数值，η为学习率，是损失函数j在训练样本xi和标签zi上对模型参数θt的梯度。

38、具体的，步骤s2中，所述一致性对比方法为经过傅里叶变换转换为时域信号后进行时域波形比较。

39、具体的，步骤s5.1中，所述故障诊断模型一为利用随机池化和elu函数改进的卷积神经网络，具体为：

40、池化层利用随机池化方法构建，输出特征图第i行第j列的元素ai,j，元素ai,j的抽样概率pi,j，池化操作后输出特征映射对应的元素fi,j具体为：

41、

42、

43、

44、其中xi+q-1,j+p-1是输入特征图的第(i+q-1)行和第(j+p-1)列的元素，uq,p是卷积核第q行第p列的元素，大小为n×n,b为卷积核的偏差，rs为池化区域，*表示卷积运算，f(·)表示激活函数，激活函数选择elu函数，激活函数公式为：

45、

46、其中，激活函数公式中α一般取1。

47、具体的，步骤s5.2中，所述故障诊断模型二为利用批归一化、mish激活函数和l2正则化改进的自动编码器，具体为：

48、批归一化核心公式为：

49、

50、

51、

52、

53、其中，h为小批量样本数，μ和σ分别为小批量样品的平均值和标准差，为小批量样本中的第i个损坏样本，是的标准化版本，是的线性变换，ε是一个小的正常数，γ和β分别为尺度参数和位移参数；

54、mish激活函数为具体为：

55、

56、其中，为tanh激活函数，

57、l2正则化后的损失函数为l，具体为：

58、l＝lw+λ·||w||2

59、

60、其中lw为未加正则项的损失，λ为超参数。

61、具体的，步骤s5.3中，所述故障诊断模型三为门控循环单元gru，具体为：

62、zt＝σ(wzxt+uzht-1+bz)

63、rt＝σ(wrxt+urht-1+br)

64、

65、

66、其中zt为更新门输出，rt为重置门输出，为候选隐藏状态，ht为更新的隐藏状态，{wz，wr，wh}为连接输入与更新门的权重矩阵，{uz，ur，uh}为连接前一个隐藏状态与更新门的权重矩阵，{bz，br，bh}为偏差矩阵，xt为目标域样本，ht-1为t-1时刻单元输出状态，σ为sigmoid激活函数，tanh为tanh激活函数。

67、具体的，步骤s5.4中，所述集成学习方法为加权投票，加权投票结果r具体为：

68、

69、其中，n＝3为参与集成的数量，yi为第i个模型故障诊断结果，wi为yi对应的权重。

70、与现有技术相比，本发明具有以下效果：

71、本发明的目的在于提供一种基于数字孪生的航空发动机主轴轴承故障诊断方法，解决初始建立数字孪生模型不能保证孪生振动信号与实体物理系统振动信号的一致性和单一故障诊断方法准确率不稳定性的问题。本发明提出的基于深度学习方法通过最大均值差异mmd和随机梯度下降法对主轴轴承数字孪生模型参数进行多阶段修正，则可以获得高精度的数字孪生模型，进而得到全面充足与实体振动信号偏差小的孪生振动信号；本发明提出的利用孪生振动信号数据库结合集成学习故障诊断方法实时评估主轴轴承故障类型，充分利用数字孪生模型生成孪生振动信号来构建孪生振动信号数据库，并在深度学习故障诊断基础上采用集成学习方法构建集成学习故障诊断模型，实时、高效、准确的诊断航空发动机主轴轴承故障类型，及时采取相应的维修和保养措施，提高航空发动机的可靠性和安全性，降低运维成本。