基于时频域的加速度计信号处理方法提高转子-机匣碰摩检测性能

《Results in Engineering》：Improving rotor-casing rubbing detection performance with time-frequency domain-based accelerometer signal processing methodologies

　　

转子-机匣碰摩（rotor-casing rubbing）如果在最早期的初始阶段未被检测到，可能具有破坏性。由于其构造特征往往阻碍接近传感器（proximity sensors）的安装，在航空发动机和航改燃气轮机中，这种检测尤其具有挑战性。相反，来自加速度计的机匣加速度测量值通常是这些机器唯一可用的振动数据。近期文献中提出了基于时频（Time-Frequency, TF）域的方法，用于利用加速度计信号进行早期转子-机匣碰摩检测。本研究基于这些信号处理方法以及一个七层卷积神经网络（Convolutional Neural Network, CNN）分类模型（用于旋转机械故障检测），展示了在TF域分析加速度信号并结合深度神经网络（Deep Neural Network, DNN）进行无碰摩/碰摩自动分类及碰摩强度估计的可行性。在将加速度数据输入网络之前，在TF域对其进行预处理，与输入时域信号或傅里叶谱相比，显著改善了无碰摩/碰摩分类和碰摩强度估计的性能指标。研究人员比较了TF域尺度图（scalograms）的多种重分配函数，并得出结论：沿频率轴方向的重分配比沿时间轴方向的重分配更有效。本研究提供了证据，证明在将数据输入机器学习（Machine Learning, ML）模型之前进行适当的数据预处理，与ML模型本身的设计、训练和验证参数同等重要。

**论文解读文章**

**研究背景、问题与意义**
旋转机械（如燃气轮机）在电网发电、油气、化工及航空推进等工业领域至关重要。这些机器的故障或停机可能导致巨大的经济损失。基于状态预测性维护通过分析振动数据来评估机器当前状态并预测未来故障概率。转子-机匣碰摩是旋转机械常见故障之一，通常由轴和/或叶片过度振动、或制造商为最大化热效率而减小间隙引起。该故障在初始阶段难以检测，尤其是在航空发动机和航改燃气轮机中，由于结构限制常无法安装轴位移传感器（proximitors），只能通过外部加速度计间接监测机匣振动。现有研究多聚焦于严重碰摩的检测，但对早期轻碰摩（如1×和1/2×单点碰摩）的检测仍具挑战。尽管已有基于机器学习的自动故障检测方法，但大多局限于使用轴位移数据或过度依赖复杂模型，忽视了数据预处理的重要性。本研究旨在证明，结合时频域信号预处理与简单卷积神经网络（CNN），可显著提升早期碰摩检测的准确性和鲁棒性。该论文发表在《Results in Engineering》。

**主要关键技术方法**
研究人员从实验转子台（含柔性机匣、碳纤维-环氧复合材料外壳、AISI 4140钢轴及两个钢盘）采集加速度信号。通过一个带螺纹的碰摩主轴（brass spindle）施加单点碰摩，并通过主轴穿透深度控制碰摩强度。引入轴向压缩空气流动来模拟流体诱导噪声。使用加速度计（Brüel & Kj?r 4371）在机匣位置P1采集数据，同时用位移传感器（proximitors）和霍尔效应传感器（keyphasor）记录碰摩强度和转速。数据以10 kHz采样，后处理中同步降采样至每转64个样本，并分割为128点（两转）的样本向量。构建了三种CNN架构：一维CNN处理时域信号；一维CNN处理傅里叶谱模值；二维CNN处理重新分配的时频尺度图（scalograms），包括同步挤压小波变换（SST）、同步重分配小波变换（SRT）、时间重分配同步挤压小波变换（TST）、同步提取小波变换（SET）和瞬态提取小波变换（TET）。所有网络基于Appana等[47]提出的轴承故障检测CNN，并针对分类和回归任务调整。使用Adam优化器，学习率分别设为3e-3和5e-3，训练/测试集按70/30划分。

**研究结果**
**4. 自动化碰摩检测性能**
- 基于不同数据预处理算法，研究人员对无碰摩/碰摩分类CNN进行训练和测试。结果表明，使用二维重新分配时频尺度图作为输入的CNN性能显著优于一维时域和频域输入。其中，频率轴重分配方法（SST、SRT、SET）优于时间轴重分配方法（TST、TET），因其对高频局部冲击噪声更不敏感，而对低频准稳态碰摩特征更敏感。
- 输入SST和SET组合的模值和相位尺度图（四通道）时，某些网络在测试集上实现了100%的分类准确率。混淆矩阵和迭代损失曲线证实网络收敛且无过拟合。
- 碰摩强度估计回归任务中，基于SET尺度图的网络预测误差更小，R2值超过0.85，优于基于时域信号的网络。

**5. 神经网络对新数据集的泛化能力**
- 研究人员将网络应用于不同转速（95 Hz）和传感器位置（P1和P6）的新数据集，发现原始网络因支持结构振动噪声而性能下降。但通过对原始信号进行10样本（0.001秒）滑动平均预处理，显著降低了高频噪声，增强了无碰摩/碰摩样本的可分离性。结合频率和时间重分配方法（如SST和TET）的尺度图对在变工况下表现最佳，显示了良好的泛化潜力。

**讨论与结论**
讨论部分指出，数据归一化是导致频率重分配方法优于时间重分配方法的关键因素——归一化使得网络更关注信号定性特征（模式）而非定量幅值。碰摩导致的低频瞬态振动在频率重分配表示中更突出，而时间重分配方法对高频噪声更敏感。研究强调，数据预处理的质量与模型设计同等重要，甚至更为关键。
**结论翻译**：本研究通过将一个简单的卷积神经网络（由Appana等[47]提出用于轴承故障检测）与重新分配的时频尺度图（如SST和SET）结合，证明了利用加速度计信号进行实时早期碰摩检测的有效性。使用SST和SET尺度图作为输入，在测试集上实现了高达100%的碰摩分类准确率和超过0.85的碰摩强度估计R2值。总体而言，频率轴方向的重分配优于时间轴方向的重分配，因为前者对高频局部冲击噪声的敏感性较低，而对低频准稳态碰摩信号特征的敏感性较高。分类网络可外推到不同于训练数据采集条件的运行和测量工况，但初步结果表明未来需更深入研究。环境因素（如温度、负载、磨损、腐蚀和离心力）对碰摩检测鲁棒性的影响也应考虑。结果强调了在将数据输入机器学习模型前进行适当预处理的重要性，以实现最优性能。