技术领域
[0001] 本
发明属于状态预测方法技术领域，具体涉及一种直升机传动齿轮的性能趋势预测方法。
背景技术
[0002] 作为直升机上重要的动
力传动装置—直升机
传动系统是直升机上的典型机械旋转系统，是由大量相互联系但工作过程又彼此不同的部件组成，存在着强烈的非线性、非平稳性、不确定性等复杂系统特征，导致了其易发故障，且一旦发生故障，将导致灾难性事故的发生。
[0003] 直升机传动系统由
主减速器、尾减速器、中间减速器、主减速器与
发动机之间的动力
传动轴组件、尾传动轴组件组成，其中各种组件内部靠齿轮进行传输动力。齿轮是工作在环境恶劣、工作强度大等环境下的一类重要零件，导致其易发故障，且状态变化规律难以掌握，性能难以准确预测，所以对直升机传动齿轮性能状态进行趋势分析一直是提高航空武器装备安全运行的一个无法逾越的技术
瓶颈，实现直升机传动齿轮性能状态的准确趋势分析，时刻掌握直升机齿轮性能变化情况，及早预测齿轮故障，是保证直升机飞行安全和提高直升机出勤率重要手段之一。然而现有的多数直升机传动齿轮性能分析方法都无法得出准确可靠的趋势分析结果，且普遍存在分析结果不准确、误差大的缺点。
发明内容
[0004] 本发明的目的在于提供一种具有高可靠性、高准确性的直升机传动齿轮的性能趋势预测方法，使直升机传动齿轮性能状态趋势预测能力得到提升。
[0005] 实现本发明目的的技术解决方案为：一种直升机传动齿轮的性能趋势预测方法，包括以下步骤：
[0006] 步骤1，采用缺省
阈值降噪方法，对采集到的直升机传动齿轮振动
信号进行降噪处理；
[0007] 步骤2，采用时域信号分析方法，对降噪处理后的直升机传动齿轮振动信号进行特征值提取，获取直升机传动齿轮振动信号中的特征值；
[0008] 步骤3，采用熵权法计算多类特征值的权重，得到多类特征值中信息成分的贡献度大小；
[0009] 步骤4，根据特征值的贡献度大小，对多类特征值进行特征值信息融合，即得到融合后的特征值；
[0010] 步骤5，根据融合后的特征值，采用灰色预测方法对直升机传动齿轮的性能变化趋势进行预测，以得到直升机传动齿轮的状态变化趋势。
[0011] 进一步地，步骤2所述采用时域信号分析方法，对降噪处理后的直升机传动齿轮振动信号进行特征值提取，获取直升机传动齿轮振动信号中的特征值，具体如下：
[0012] 将步骤1所得到的降噪处理后的直升机传动齿轮振动信号x(t)，采用公式(1)和公式(2)分别提取振动信号中的特征值峭度KV和裕度CLF：
[0013]
[0014]
[0015] 其中，p(x)是时域信号的频域信息、x代表频域信息。
[0016] 进一步地，步骤3所述采用熵权法计算多类特征值的权重，得到多类特征值中信息成分的贡献度大小，具体如下：
[0017] 将步骤2得到的特征值记为u(i,j){i＝1,2,…,k；j＝1,2,…,l}，其中，i、j分别代表特征值向量u(i,j)的行和列编号，k、l分别代表特征值向量u(i,j)的行和列的数量，计算各个特征值权重的大小，过程如下：
[0018] 1)对直升机传动齿轮振动信号进行特征提取，求取振动信号的四种特征值，并将特征值组成原始数据矩阵U，矩阵U＝(uij)k×l,uij≥0；其中：i＝1,2,...,k；j＝1,2,...,l；
[0019] 2)对原始数据矩阵X进行预处理，采用归一化的方法进行处理，即
[0020]
[0021] 得到处理后的矩阵P＝(pij)k×l；
[0022] 3)求取指标uj的信息熵Ej，计算方法为：
[0023]
[0024] 4)求取第j个指标的熵权ωj计算公式为：
[0025]
[0026] 则根据求取出的ωj，得到多类特征值中信息成分的贡献度大小，权重值越大，贡献度则会越大。
[0027] 本发明与
现有技术相比，其显著优点为：(1)运用时域分析方法对采集到的直升机传动齿轮振动信号进行特征提取，运用熵权法对特征值进行融合，最后运用灰色理论
算法构建灰色
预测模型，实现对直升机传动齿轮性能状态进行可靠、准确的趋势预测；(2)通过对直升机传动齿轮性能状态进行趋势预测，尽早掌握齿轮的运行状态，实现齿轮的早期诊断及预测，提升直升机传动系统的安全运行。
[0028] 下面结合
附图和具体实施方式对本发明做进一步说明。
附图说明
[0029] 图1为本发明直升机传动齿轮的性能趋势预测方法的
流程图。
具体实施方式
[0030] 结合图1，本发明直升机传动齿轮的性能趋势预测方法，主要是依据采集到的直升机传动齿轮振动信号，采用缺省阈值降噪技术，对采集到的振动信号进行数据降噪处理，得到本发明所需要的原始数据；然后，运用时域信号分析方法对降噪过的振动信号进行特征值提取，提取振动信号中的各种特征值，包括峭度、裕度等，从而使得将振动信号成分中的特征信息成分分解出来，利用获得的特征值，运用熵权法，计算其贡献度大小，即权重值，最终可利用该权重值对多类特征值进行有效融合；根据融合的特征值，运用灰色系统理论的灰色预测方法可实现对直升机传动齿轮性能状态进行趋势分析。
[0031] 步骤1，采用缺省阈值降噪方法，对采集到的直升机传动齿轮振动信号进行降噪处理；
[0032] 所述的缺省阈值降噪方法对直升机传动齿轮振动信号进行降噪，其主要是为了实现对直升机传动系统振动信号中的噪声进行消除，以避免噪声信号对性能趋势预测结果的影响。
[0033] 步骤2，采用时域信号分析方法，对降噪处理后的直升机传动齿轮振动信号进行特征值提取，获取直升机传动齿轮振动信号中的特征值；
[0034] 所述的运用时域信号分析方法对直升机传动齿轮振动信号进行分析，其主要是根据振动信号的时域无量纲参数计算方法，求取振动信号中无量纲参数或幅值，从而使之能够根据该特征值对直升机传动齿轮性能状态进行趋势分析，最终解决直升机传动齿轮振动信号中的复杂成分的分离与表示问题。
[0035] 步骤3，采用熵权法计算多类特征值的权重，得到多类特征值中信息成分的贡献度大小；
[0036] 所述的运用熵权法对直升机传动齿轮计算权重值，其主要是根据熵权法中计算信息熵的方法，计算多类特征值的权重大小，以求取多类特征值的重要信息程度，从而实现特征值融合的目的。
[0037] 步骤4，根据特征值的贡献度大小，对多类特征值进行特征值信息融合，即得到融合后的特征值；
[0038] 步骤5，根据融合后的特征值，采用灰色预测方法对直升机传动齿轮的性能变化趋势进行预测，以得到直升机传动齿轮的状态变化趋势；
[0039] 所述的运用灰色预测方法对直升机传动齿轮进行性能趋势分析，其主要是根据灰色系统理论中的趋势分析方法，根据得到的融合特征值，以计算直升机传动齿轮性能状态变化趋势，从而实现趋势分析的目的。
[0040] 对步骤1～5具体说明如下：
[0041] 1.步骤1所述采用缺省阈值降噪方法，对采集到的直升机传动齿轮振动信号进行降噪处理，即：根据缺省阈值降噪技术的原理，对采集到的原始信号进行降噪处理；
[0042] 2.步骤2所述采用时域信号分析方法，对降噪处理后的直升机传动齿轮振动信号进行特征值提取，获取直升机传动齿轮振动信号中的特征值，具体如下：
[0043] 将步骤1所得到的降噪处理后的直升机传动齿轮振动信号x(t)，采用公式(1)和公式(2)分别提取振动信号中的特征值峭度KV和裕度CLF：
[0044]
[0045]
[0046] 其中，p(x)是时域信号的频域信息、x代表频域信息。
[0047] 3.步骤3所述采用熵权法计算多类特征值的权重，得到多类特征值中信息成分的贡献度大小，具体如下：
[0048] 将步骤2得到的特征值记为u(i,j){i＝1,2,…,k；j＝1,2,…,l}，其中，i、j分别代表特征值向量u(i,j)的行和列编号，k、l分别代表特征值向量u(i,j)的行和列的数量，计算各个特征值权重的大小，过程如下：
[0049] 1)对直升机传动齿轮振动信号进行特征提取，求取振动信号的四种特征值，并将特征值组成原始数据矩阵U，矩阵U＝(uij)k×l,uij≥0；其中：i＝1,2,...,k；j＝1,2,...,l；
[0050] 2)对原始数据矩阵X进行预处理，采用归一化的方法进行处理，即
[0051]
[0052] 得到处理后的矩阵P＝(pij)k×l；
[0053] 3)求取指标uj的信息熵Ej，计算方法为：
[0054]
[0055] 4)求取第j个指标的熵权ωj计算公式为：
[0056]
[0057] 则根据求取出的ωj，得到多类特征值中信息成分的贡献度大小，权重值越大，贡献度则会越大。
[0058] 4.步骤4所述根据特征值的贡献度大小，对多类特征值进行特征值信息融合，即得到融合后的特征值，即：将步骤3得到的权重值与特征值u(i,j)进行数据运算，采用相乘的方法，最终得到融合特征值；
[0059] 5.步骤5所述根据融合后的特征值，采用灰色预测方法对直升机传动齿轮的性能变化趋势进行预测，以得到直升机传动齿轮的状态变化趋势，即：根据得到融合特征值，将其带入灰色预测算法中，以实现直升机传动齿轮性能状态趋势预测。
[0060] 综上所述，本发明应用于直升机传动齿轮性能趋势预测的方法，通过将熵权法和灰色预测理论算法相结合，实现对直升机传动齿轮性能状态进行趋势预测，进而尽早掌握齿轮的运行状态，实现齿轮的早期诊断及预测，提升直升机传动系统的安全运行。
