基于灰色预测的直升机齿轮箱状态预测方法

林泽力，王景霖，，郑 国，沈 勇，何 泳

(1.故障诊断与健康管理技术航空科技重点实验室，上海 201601； 2.上海航空测控技术研究所，上海 201601)



基于灰色预测的直升机齿轮箱状态预测方法

林泽力1，王景霖1，2，郑 国2，沈 勇2，何 泳2

(1.故障诊断与健康管理技术航空科技重点实验室，上海 201601； 2.上海航空测控技术研究所，上海 201601)

作为直升机上重要的关键部件，直升机齿轮箱能够将动力转换为动力输出形式，从而满足不同形式下动力的需要；针对直升机齿轮箱状态无法准确预测的技术难题，将灰色系统理论中的灰色预测方法运用到直升机齿轮箱中，有效解决了齿轮箱使用状态难以准确预测的技术难题；首先对采集到的直升机齿轮箱的不同的振动信号进行特征提取，然后采用信息融合技术，将不同振动信号的特征值进行融合，最后运用灰色预测方法对直升机齿轮箱的使用状态进行预测；文中对所提出的方法进行了试验验证，结果表明，所提出的基于灰色预测的直升机齿轮箱状态预测方法能够实现对直升机齿轮箱的状态准确预测的效能，并对其他航空设备以及机械设备的状态预测具有一定的借鉴意义。

灰色预测；齿轮箱；状态预测；信息融合

0 引言

直升机齿轮箱作为直升机上的一种连接和传递动力的关键部件，其不仅能够连接动力输出系统与动力接收系统，而且还负责动力传递，因此，在直升机上其具有重要的作用[1-2]。齿轮箱的健康状态将直接影响直升机运行的安全性和可靠性，据统计，在直升机旋转部件出现的故障中，有大约60%的故障是由齿轮箱出现故障而造成的[3]。及时、准确掌握齿轮箱运行过程中的健康状态，及早发现齿轮箱潜在故障，准确预测直升机齿轮箱在运行中的工作状态，对于提高直升机的飞行安全、降低直升机停飞时间以及制定科学、高效的维修策略都具有重要的现实意义[4-5]。

近年来，人们在对大量方法进行研究的基础上，获得了部分的应用效果，如将神经网络、支持向量机等智能学习方法应用到直升机齿轮箱的状态预测上，虽然得到了一定的状态预测效果，然而这些方法均有其优缺点，无法满足日益增长的航空技术发展的需要[6-7]。在通过对大量的预测方法的研究中，灰色系统理论中的灰色预测方法在对小样本数据上的预测，具有重要的优势[8]，因此，本文采用基于灰色预测的状态预测方法，对直升机齿轮箱进行状态预测，得到较好的预测结果。

1 灰色预测模型

1.1 灰色系统理论

灰色系统理论是1982 年由著名学者邓聚龙教授提出，其仅通过某些已知信息，来获取其中的有用部分，便能得到研究对象内在的变化规律[9]。因此一经提出，立即受到了国内外各界的关注，广泛应用于经济管理、军事科技、医药等众多科学研究领域，并一直处于改进发展当中。

灰色系统理论主要内容之一是灰色序列的生成，构建灰色序列是灰色预测的关键，其生成方式有多种，包括累加生成、累减生成、插值生成等[10]。

1.2 灰色系统模型

灰色预测模型(GM(1,n)模型)的建模过程如下[11]：

(1)

根据上式可以建立n元一阶线性微分方程：

(2)

(3)

(4)

(5)

其中：

(6)

(7)

X(1)(t)=eAt(X(1)(0)+A-1B)-A-1B

(8)

将时间响应函数离散化做累减还原得到：

k=1,2,…n

(9)

因此，即可构建灰色预测模型[12-13]。

2 振动信号特征提取

通过在实验室状态下模拟直升机齿轮箱的实际工作状态，采集齿轮箱的振动信号。本文运用3个振动传感器采集齿轮箱上不同的振动信号，获得齿轮箱状态预测的原始数据。采用基于小波分析的特征提取方法对原始信号进行特征提取[14]，结果如表1所示。

表1 直升机齿轮箱的振动信号特征值

3 振动信号特征层融合

在实验室状态下采集到的直升机齿轮箱的数据，进行特征提取，提取能够表征直升机齿轮箱状态的特征值。为了更好的实现对直升机齿轮箱进行状态预测，需要对直升机齿轮箱振动信号的特征值进行信息融合，剔除不同的特征值之间的杂质信息，从而方便运用灰色预测方法对直升机齿轮箱进行状态预测。运用基于加权融合算法的特征层融合方法进行信息融合[15]，结果如表2所示。

表2 直升机齿轮箱的振动信号特征值

4 基于灰色预测的直升机齿轮箱状态预测

4.1 基于灰色预测的状态预测方法实现步骤

通过对灰色预测方法的深入研究与分析，将灰色预测方法应用到直升机齿轮箱状态预测中，得到较好的预测效果。主要实现步骤如下[16]：

步骤1:在实验室状态下模拟直升机齿轮箱的实际工作状态，采集齿轮箱的三路振动信号；

步骤2:运用小波分析方法对所采集到的三路振动信号进行特征提取，提取振动信号中的特征值；

步骤3:运用加权融合算法对所提取到的特征值进行信息融合，得到融合特征值；

步骤4:运用灰色预测算法对直升机齿轮箱进行状态预测，得到预测结果；

步骤5:将预测结果与实际结果进行对比，求取预测误差。

4.2 基于灰色预测的直升机齿轮箱状态预测案例

依据所研究的灰色理论中的灰色预测方法对直升机齿轮箱进行状态预测，以预测10组数据为例，得到预测结果值如表3所示，并计算得到百分比误差为0.187 96%，与实际数据进行相比，结果在可接受范围之内，从而可得到运用基于灰色预测的直升机齿轮箱的状态预测方法能够实现对直升机齿轮箱的状态预测，能够得到很好的预测效果。

5 结论

本文首先采用直升机齿轮箱专用试验平台采集能够表征直升机齿轮箱状态特征的三组振动信号，然后依据采集到的振动信号，运用特征提取技术，提取振动信号中的特征成分，从而发掘出振动信号中的有用成分，其次，依据提取的特征成分，运用信息融合技术，将提取到的特征信息进行信息融合，方便

表3 直升机齿轮箱灰色预测10组数据结果与实际对比

图1 直升机齿轮箱状态预测结果图

运用灰色预测方法对直升机齿轮箱进行状态预测，最后，通过对灰色系统理论的深入分析与研究，将灰色系统理论中的灰色预测方法运用到直升机齿轮箱状态预测中，从而得到直升机齿轮箱状态预测结果，解决直升机齿轮箱状态难以准确预测的技术难题。

通过本文所提出直升机齿轮箱状态预测方法的研究，得到直升机齿轮箱状态预测结果，且预测结果与实际值进行对比，误差范围在可接受的范围之内，从而表明该方法能够实现对直升机齿轮箱进行状态预测，且对于其他旋转机械的状态预测，具有一定的借鉴意义。

[1] 张志禹, 吕延军, 张九龙, 等. 航空发动机转子碰磨故障瞬时平率诊断方法[J]. 交通运输工程学报, 2007, 7(4): 21-23.

[2] Wilkinson C. Prognostic and health management for avionics[A]. 2004 IEEE Aerospace Conference Proceedings[C].2004: 3435-3447.

[3] 王莹玉. 航空发电机健康状态预测技术员研究[D]. 沈阳: 沈阳航空航天大学, 2010.

[4] Azam M, Ghoshal S, et al. Prognostics and health management (PHM) of electromechanical actuation (EMA) systems for next-generation aircraft[J]. American Institute of Aeronautics and Astronautics, 2013.

[5] 侯新国,等. 基于D-S证据理论的感应电动机转子故障诊断方法研究[J]. 电工技术学报, 2004, 19(6): 36-38.

[6] 杨存祥, 朱 琛, 仝战营. 基于EMD-神经网络的电动机转子故障诊断方法研究[J]. 电工文摘, 2011(4):36-39.

[7] 石受东. 基于多源信息融合的机电系统监控方法研究[D]. 天津: 河北工业大学, 2010.

[8] 相 江. 基于多子波支持向量机航电设备健康管理系统关键技术研究[D]. 西安：西安电子科技大学, 2013.

[9] 吴立军. 基于分层信息融合技术的航空发动机故障诊断方法研究[D]. 天津：中国民用航空飞行学院，2009.

[10] 郭显新, 郭小军, 龙海跃. 直升机传动系统健康管理技术[J]. 机械传动, 2011, 35(11): 86-89.

[11] 李军星. 基于信息融合组合算法的复杂装备传动关键部件寿命预测[D]. 重庆: 重庆大学，2013.

[12] Guillen A J, Gomez J F, Crespo A, et al. Advances in PHM application frameworks: processing methods, prognosis models, decision making[J]. The Italian Association of Chemical Engineering, 2013, 33: 391-396.

[13] Simon D L, et al. Aircraft engine gas path diagnostic methods: public benchmarking results[J]. Journal of Engineering for Gas Turbines and Power,2014， 136: 1-10.

[14] Nickerson B, Ulv R. Development of a Smart Wireless Networkable Sensor for Aircraft Engine Health Management [J]. IEEE, 2001, 7：3255-3262.

[15] 汪平平,张 歆, 刘 深. 基于线性最小方差和递归最小二乘的融合算法[J]. 探测与控制学报, 2013, 35(2): 33-36.

[16] 闫建波. 基于BP神经网络的灰色预测模型[D].西安：西安理工大学，2009.

State Prediction of Helicopter Gearbox Based on Grey Prediction Method

Lin Zeli1，Wang Jinglin1，2，Zheng Guo2，Shen Yong2，He Yong2

(1.Shanghai Aero Measurement & Control Technology Research Institute,Shanghai 201601,China； 2.Aviation Key Laboratory of Science and Technology on Fault Diagnosis and Health Management,Shanghai 201601,China)

As a key part of the helicopter, the helicopter gearbox can convert power into the power output, so as to meet the need of different forms.Aiming at the technical problem of helicopter gearbox condition can not be accurately forecast, the grey prediction method is applied to the helicopter gearbox, so effectively solve the difficult technical problem of the accurately predict to the status gearbox. Firstly, the vibration signal of helicopter gearbox which have been collected, and the feature were picked up. Then, the paper used the information fusion technology for the characteristics of different values vibration signal to fusion. Finally, the paper used the grey prediction method for helicopter gearbox to state prediction. In this paper, the proposed method is verified by experiment. The results show that the proposed state grey prediction method can achieve the accurate prediction of helicopter gearbox state performance, and the state prediction method has a certain significance for other aviation equipment and machinery equipment.

grey prediction；gearbox；state prediction；information fusion

2015-11-16；

2015-12-22。

航空科学基金(2014ZD3301)。

林泽力(1987-)，男，河南商丘人，硕士研究生，主要从事飞机故障诊断与健康管理方向的研究。

1671-4598(2016)06-0024-03DOI：10.16526/j.cnki.11-4762/tp

V240.2TP

A