熊天旸，張先輝，李新民，金小強

中國直升機設(shè)計研究所 直升機旋翼動力學(xué)重點實驗室，江西 景德鎮(zhèn) 333001

隨著直升機在軍用和民用中的作用日益增加，其可靠性和安全性問題越來越受到重視。為提高直升機的安全性，減少災(zāi)難性事故的發(fā)生和降低維修成本，國內(nèi)外大量學(xué)者都致力于直升機健康狀態(tài)與使用監(jiān)測系統(tǒng)的研究。

直升機自動傾斜器是實現(xiàn)旋翼總距和周期變距操縱的主要功能部件[1]。它采用四點接觸球軸承，當(dāng)該軸承發(fā)生故障，會造成嚴重的后果。因此，對自動傾斜器軸承故障診斷的研究能夠有效提高直升機的可靠性和安全性。

自動傾斜器軸承屬于滾動軸承類型。目前，滾動軸承故障診斷[2]主要采用振動分析、滑油分析、溫度分析等方法，其中，振動分析由于其具有測試與處理簡便、診斷效果精確可靠等優(yōu)點被廣泛應(yīng)用。Sikorsky公司[3]采用能量對數(shù)倒譜和振幅解調(diào)包絡(luò)分析等方法實現(xiàn)對自動傾斜器軸承的故障診斷。國內(nèi)西安電子科技大學(xué)[4]、大連理工大學(xué)[5]、國防科技大學(xué)[6]也開展了滾動軸承故障診斷研究，但旋翼自動傾斜器軸承故障診斷相關(guān)研究較少。

本文針對某型直升機的自動傾斜器軸承進行故障診斷研究，開展故障植入試驗，獲取故障振動數(shù)據(jù)，利用小波包去噪對振動數(shù)據(jù)進行濾波，并提取多個軸承振動數(shù)據(jù)特征參數(shù)作為輸入?yún)?shù)，在此基礎(chǔ)上，構(gòu)建反向傳播（Back Propagation， BP）神經(jīng)網(wǎng)絡(luò)，通過大量訓(xùn)練，實現(xiàn)了對直升機自動傾斜器軸承的故障診斷。

1 自動傾斜器軸承故障頻率分析

1.1 時頻域特征提取

自動傾斜器軸承運行過程中，軸承元件表面的損傷點將會反復(fù)撞擊與之相接觸的其他元件表面，進而產(chǎn)生周期性沖擊振動，該周期性沖擊振動的頻率也被稱為軸承故障特征頻率[7]。

（1）內(nèi)圈故障頻率（BPFI）：式中，fs為旋轉(zhuǎn)頻率；Nb為滾珠數(shù)目；d為滾珠直徑；D為節(jié)徑；α為接觸角。若滾動軸承頻譜信號中存在以上類型特征頻率及其倍頻成份，就可據(jù)此有效地識別出自動傾斜器軸承的故障部位和類型。自動傾斜器軸承基本參數(shù)見表1。

表1 自動傾斜器軸承基本參數(shù)Table 1 Essential parameter of swash-plate bearing

根據(jù)式（1）~式（3）及表1所示參數(shù)，計算得出自動傾斜器軸承故障一階特征頻率，見表2。

表2 自動傾斜器軸承故障特征頻率Table 2 Fault characteristic frequency of swash-plate bearing

2 自動傾斜器軸承故障頻率分析

2.1 小波域能量特征提取

采用“DB10”小波基對自動傾斜器軸承振動信號進行N層小波分解，然后對小波系數(shù)進行重構(gòu)，最后得到重構(gòu)后的各頻段能量E（j，i），將其作為故障特征參數(shù)輸入神經(jīng)網(wǎng)絡(luò)中，E（j，i）計算公式如下：式中：k為各頻段重構(gòu)信號系數(shù)；i為分解頻段數(shù)；xji（k）為在尺度j上第i個頻段重構(gòu)信號的第k個系數(shù)。

歸一化各頻段能量 E（j，i）：

經(jīng)2層小波分解后，歸一化后的小波能量特征矢量表示為：

2.2 功率譜譜熵特征提取

功率譜譜熵反映的是能量譜的集中程度，因此，可以用于表征自動傾斜器軸承的故障特征。

對自動傾斜器軸承振動信號x（t）做快速傅里葉變換可以得到其單邊功率譜P（k），其單邊功率譜圖中某點處的功率在整個單邊功率譜圖總能量中所占比例為q（k）：

則故障振動信號的功率譜譜熵為：

3 自動傾斜器軸承故障診斷方法

采用三層BP神經(jīng)網(wǎng)絡(luò)[8]用于自動傾斜器軸承故障診斷，選取相對敏感且可靠的故障模式分類特征作為BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，期望輸出參數(shù)則為正常、外圈、內(nèi)圈和滾珠故障，如圖1所示。BP神經(jīng)網(wǎng)絡(luò)設(shè)計為輸入層神經(jīng)元n個、隱層神經(jīng)元2n+1個、輸出層神經(jīng)元4個。

圖1 BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 Scheme of BP neural networks

選取正切Sigmoid函數(shù)為隱層神經(jīng)元激勵函數(shù)，其表達式為：

選取線性函數(shù)為輸出層神經(jīng)元激勵函數(shù)，其表達式為：

最后，根據(jù)特征參數(shù)樣本的復(fù)雜度及規(guī)模等因素，選取列文伯格-馬奈爾特（LM）算法作為BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法，它具有收斂速度快、誤差小等優(yōu)點。

4 自動傾斜器軸承故障植入試驗

自動傾斜器軸承故障植入試驗系統(tǒng)如圖2所示。試驗系統(tǒng)主要由軸承疲勞加載試驗機、自動傾斜器軸承、三軸加速度傳感器、激光脈沖傳感器、PXI數(shù)據(jù)采集器以及計算機共同組成。綜合考慮傳感器優(yōu)化配置與測量精度等因素，在疲勞試驗機保持架0°和90°方向安裝兩個三軸加速度傳感器，如圖3所示。

為了縮短試驗周期，采用電火花刻蝕技術(shù)對自動傾斜器軸承試驗件植入故障，模擬真實環(huán)境下自動傾斜器軸承的損傷狀況。故障類型與故障規(guī)格見表3。

圖2 直升機自動傾斜器軸承故障診斷試驗系統(tǒng)Fig.2 Fault diagnosis test system of helicopter swash-plate bearing

圖3 振動傳感器的配置Fig.3 Configuration of vibration sensors

表3 自動傾斜器軸承故障規(guī)格Table 3 Fault norms of swash-plate bearing

設(shè)計采用軸向加載方式模擬自動傾斜器軸承受載工況。在額定載荷-100%，-75%，-50%，0，50%，75%，100%的7種軸向載荷狀態(tài)下，開展10組不同試驗件故障規(guī)格疲勞試驗。部分自動傾斜器軸承故障植入試驗件，內(nèi)圈故障規(guī)格：槽寬1.5mm，槽深0.4mm；外圈故障規(guī)格：槽寬1.5mm，槽深0.4mm；滾珠故障規(guī)格：槽寬1.3mm，槽深 0.4mm。

5 故障診斷結(jié)果與分析

采用小波包去噪的方法進行降噪處理，目的是去除低頻噪聲干擾，增強信號突變信息（沖擊成分）。完好軸承、軸承內(nèi)圈故障、軸承外圈故障和軸承滾珠故障的自動傾斜器軸承振動信號濾波前后時域波形如圖4~圖7所示。

圖4 完好軸承振動數(shù)據(jù)濾波Fig.4 Vibration data of swash-plate bearing smoothing in normal state

圖5 軸承內(nèi)圈故障振動數(shù)據(jù)濾波Fig.5 Vibration data of swash-plate bearing smoothing under inner race fault

根據(jù)式（6）和式（9）提取自動傾斜器軸承故障振動信號的歸一化小波域能量和功率譜譜熵，將這兩個參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)進行訓(xùn)練，最終實現(xiàn)對自動傾斜器軸承故障的診斷。

自動傾斜器軸承正常信號、內(nèi)圈故障信號、外圈故障信號和滾珠故障信號的BP神經(jīng)網(wǎng)絡(luò)故障診斷率見表4。

圖6 軸承外圈故障振動數(shù)據(jù)濾波Fig.6 Vibration data of swash-plate bearing smoothing under outer race fault

圖7 軸承滾珠故障振動數(shù)據(jù)濾波Fig.7 Vibration data of swash-plate bearing smoothing under rolling ball fault

表4 0號傳感器Y軸振動信號的BP神經(jīng)網(wǎng)絡(luò)故障診斷率（故障尺寸1.5mm）Table 4 BP neural network fault diagnosis rate for vibration signals of Y axis of NO.0 sensor （fault size 1.5mm ）

從表4中可得，在空載情況下，正常信號、內(nèi)圈故障信號和滾珠故障信號診斷率均在95%以上，滿足診斷需求，但外圈故障診斷率為31%；在正向加載情況下，正常信號、內(nèi)圈故障信號和外圈故障信號平均診斷率均在98%以上，滾珠故障信號平均診斷率較低，均滿足診斷需求；在負向加載情況下，正常信號、內(nèi)圈故障信號和外圈故障信號平均診斷率均在80%以上，滿足診斷需求，滾珠故障信號平均診斷率較低，不滿足診斷需求。

綜合以上結(jié)論分析，首先，空載時外圈故障診斷率為31%，可能是由于BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練問題，與數(shù)據(jù)精確性無關(guān)；其次，滾珠故障特別是當(dāng)負向加載時其診斷率較低，分析原因可能是在負向加載時，自動傾斜器軸承滾珠的不規(guī)律公轉(zhuǎn)和自轉(zhuǎn)導(dǎo)致振動信號中滾珠故障特征的采集具有隨機性。后續(xù)將針對該問題開展進一步的研究。

6 結(jié)論

通過直升機自動傾斜器軸承故障植入診斷試驗驗證表明，采用故障信號的小波域能量和功率譜譜熵作為BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，通過有效訓(xùn)練后，可以實現(xiàn)對自動傾斜器軸承的外圈故障、內(nèi)圈故障和滾珠故障進行診斷。通過研究，可以得出以下結(jié)論：

（1）采用小波包去噪能夠有效去除強烈的背景噪聲干擾，基于小波域能量和功率譜譜熵的自動傾斜器軸承故障特征提取方法能夠有效地提取故障特征。

（2）分析結(jié)果驗證了基于BP神經(jīng)網(wǎng)絡(luò)的自動傾斜器故障診斷方法的可行性和有效性，軸承正常、外圈故障和內(nèi)圈故障信號診斷率大于80%，而軸承滾珠負向加載時存在故障診斷率偏低的情況，因此，該方法對軸承滾珠故障的診斷適用性不強，如何提高滾珠的故障診斷率還有待于進一步的研究。

[1] 張呈林，張曉谷，郭士龍，等.直升機部件設(shè)計[M].南京：航空專業(yè)教材編審組，1986.ZHANG Chenglin， ZHANG Xiaogu， GUO Shilong， et al.Helicopter component design[M]. Nanjing：Aviation Materials Professional Editing Publishing Group， 1986. （in Chinese）

[2] 金小強， 李新民， 張先輝， 等. 基于神經(jīng)網(wǎng)絡(luò)的直升機自動傾斜器軸承故障診斷方法[J].南京航空航天大學(xué)學(xué)報， 2016，48（2）：230-237.JIN Xiaoqiang， LI Xinmin， ZHANG Xianhui， et al. Fault diagnosis method of helicopter swash-plate bearing based on neural networks[J]. Journal of Nanjing University of Aeronautics &Astronautics，2016，48（2）：230-237. （in Chinese）

[3] Harris T A. Rolling bearing analysis essential concepts of bearing technology[M].New York：CRC Press Inc.，2007.

[4] 陳夔蛟．基于振動信號的滾動軸承故障診斷研究[D]. 西安：西安電子科技大學(xué)，2011.CHEN Kuijiao. Study on ball bearing fault diagnosis based on vibration signals [D]. Xi’an：Xidian University， 2011.（in Chinese）

[5] 馬川．滾動軸承故障特征提取與應(yīng)用研究[D].大連：大連理工大學(xué)，2009.MA Chuan. Investigation on fault extraction for rolling bearing and application [D]. Dalian：Dalian University of Technology，2009. （in Chinese）

[6] 屈梁生，何正嘉．機械故障診斷學(xué)[M]．上海：上海科學(xué)技術(shù)出版社，1986．QU Liangsheng， HE Zhengjia. Mechanical fault diagnosis [M]．Shanghai：Shanghai Science and Technology Press， 1986.（in Chinese）

[7] 李洪，曲中謙．實用軸承手冊[M]．沈陽：遼寧科學(xué)技術(shù)出版社，2001．LI Hong， QU Zhongqian. Bearing application manual [M]. Shengyang：Liaoning Science and Technology Press， 2001. （in Chinese）

[8] 從飛云， 陳進， 董廣明. 基于譜峭度和AR模型的滾動軸承故障診斷 [J]. 振動、測試與診斷， 2012， 32（4）：538-541.CONG Feiyun， CHEN Jin， DONG Guangming. Spectral kurtosis and AR model based method for fault diagnosis of rolling bearings[J]. Journal of Vibration， Measurement & Diagnosis，2012， 32（4）：538-541.（in Chinese）