本發(fā)明屬于航空發(fā)動機的故障診斷技術(shù)領(lǐng)域，具體涉及一種EEMD與鄰域粗糙集結(jié)合的渦槳發(fā)動機轉(zhuǎn)子系統(tǒng)故障診斷方法。

背景技術(shù)：

轉(zhuǎn)子系統(tǒng)作為航空發(fā)動機的重要組成部分，它的工作狀態(tài)直接決定著發(fā)動機整機的運行可靠性和安全性。然而由于轉(zhuǎn)子系統(tǒng)長期工作在高溫、高壓以及高轉(zhuǎn)速的惡劣環(huán)境下，經(jīng)常會出現(xiàn)各類故障，嚴(yán)重影響其使用壽命和飛機的飛行安全。同時由于轉(zhuǎn)子位于發(fā)動機內(nèi)部，在整機無故障運行情況下很少有機會對發(fā)動機進(jìn)行拆卸以檢測轉(zhuǎn)子結(jié)構(gòu)是否出現(xiàn)疲勞開裂以及磨損等故障先兆。因此需要一種有效準(zhǔn)確的故障診斷方法來實時監(jiān)測發(fā)動機的運行狀況，對轉(zhuǎn)子系統(tǒng)出現(xiàn)的早期故障進(jìn)行預(yù)警。

航空發(fā)動機轉(zhuǎn)子系統(tǒng)的振動信號中包含了豐富的力學(xué)特征，能夠全面準(zhǔn)確的反映發(fā)動機當(dāng)前的運行狀態(tài)，因此通過在發(fā)動機承力機閘上安裝振動加速度傳感器采集振動信號進(jìn)行分析是一種理想的監(jiān)測手段，然而由于發(fā)動機結(jié)構(gòu)復(fù)雜，包括轉(zhuǎn)子系統(tǒng)、液壓系統(tǒng)、滑油系統(tǒng)、氣路系統(tǒng)等十幾個部件和系統(tǒng)，傳感器采集到的信號是由這些不同振源信號經(jīng)過不同傳遞路徑混疊而成的結(jié)果，此外還伴隨大量強背景噪聲，因此采集的振動信號具有強烈的非線性和非平穩(wěn)性特征，需要利用自適應(yīng)非線性的信號處理方法才能從中提取微弱的故障信息，提高故障診斷的準(zhǔn)確率。

技術(shù)實現(xiàn)要素：

有鑒于此，本發(fā)明的主要目的在于提供一種EEMD與鄰域粗糙集結(jié)合的渦槳發(fā)動機轉(zhuǎn)子系統(tǒng)故障診斷方法。

為達(dá)到上述目的，本發(fā)明的技術(shù)方案是這樣實現(xiàn)的：

本發(fā)明實施例提供一種EEMD與鄰域粗糙集結(jié)合的渦槳發(fā)動機轉(zhuǎn)子系統(tǒng)故障診斷方法，該方法通過以下步驟實現(xiàn)：

步驟1：對渦槳發(fā)動機轉(zhuǎn)子系統(tǒng)不同故障狀態(tài)下的原始振動信號進(jìn)行EEMD分解，獲得若干個IMF分量；

步驟2：提取渦槳發(fā)動機轉(zhuǎn)子系統(tǒng)的原始振動信號和所述若干個IMF分量中的IMF主分量所包含的多種不同特征指標(biāo)，構(gòu)造原始聯(lián)合特征集；

步驟3：根據(jù)鄰域粗糙集屬性約簡方法評估原始特征集中各特征的屬性重要度，從原始特征集中選出對轉(zhuǎn)子系統(tǒng)故障分類較為敏感的特征集；

步驟4：將訓(xùn)練樣本的敏感特征集輸入到支持向量機(Support Vector Machine,SVM)多分類器中，采用交叉驗證法，在指數(shù)范圍內(nèi)確定最優(yōu)的分類器參數(shù)c和g的組合，最后根據(jù)訓(xùn)練好的SVM模型對測試樣本進(jìn)行分類識別。

上述方案中，所述步驟1中對轉(zhuǎn)子系統(tǒng)振動信號進(jìn)行EEMD分解，具體步驟為：

步驟1.1：根據(jù)動態(tài)測試系統(tǒng)采集轉(zhuǎn)子系統(tǒng)的振動加速度信號x(t)，確定信號疊加白噪聲的次數(shù)N以及白噪聲幅值ξ，N從1開始；

步驟1.2：原始信號x(t)第一次疊加白噪聲后的結(jié)果為x₁＝x(t)+n₁，n₁為第一次預(yù)先添加的白噪聲，根據(jù)EMD分解算法對疊加信號x₁進(jìn)行分解，得到的分解結(jié)果式中，c_i為第i階IMF分量，r₁為分解產(chǎn)生的余項；

步驟1.3：循環(huán)步驟1.2，直到達(dá)到預(yù)先設(shè)定的疊加白噪聲次數(shù)，第n次疊加白噪聲所得到各階IMF分量為：式中c_in為第n次疊加白噪聲后分解產(chǎn)生的第i階IMF分量，r_n為余項；

步驟1.4：根據(jù)白噪聲的零均值原理，對N次得到的EMD分解結(jié)果進(jìn)行總體平均計算得到最終的IMF分量和余項為：

上述方案中，所述步驟2中構(gòu)造原始聯(lián)合特征集，其具體步驟為：

步驟2.1：分別提取原始振動信號以及前八階IMF主分量的均方根值、偏斜度、峭度指標(biāo)、波形指標(biāo)、峰值指標(biāo)、脈沖指標(biāo)和裕度指標(biāo)7個時域特征；

步驟2.2：計算渦槳發(fā)動機轉(zhuǎn)子振動信號在不同尺度下的排列熵值，構(gòu)造多尺度排列熵(Multiscale Permutation Entropy,MPE)特征向量；

步驟2.3：根據(jù)計算各IMF主分量的能量值，構(gòu)造能量特征向量，其中i＝1,2...n分別表示信號中的各離散點，x(i)是各信號離散點的幅值。

步驟2.4：對由IMF主分量構(gòu)成的矩陣進(jìn)行奇異值分解，根據(jù)得到的各奇異值構(gòu)造特征向量；

步驟2.5：通過上述從不同角度提取的表征渦槳發(fā)動機運行狀態(tài)的時域特征、MPE特征、能量特征和奇異值特征，構(gòu)造原始聯(lián)合特征集。

上述方案中，所述步驟3中根據(jù)鄰域粗糙集屬性約簡方法評估原始特征集中各特征的屬性重要度，構(gòu)造對轉(zhuǎn)子系統(tǒng)故障分類較為敏感的特征集，具體步驟為：

步驟3.1：構(gòu)造鄰域決策系統(tǒng)其中稱為論域，C為條件屬性集，D為決策屬性集，初始化屬性約簡集合red為對于計算鄰域關(guān)系N_A；

步驟3.2：定義它表示決策屬性D對于特征屬性的依賴程度，分別計算每一個屬性的重要度：

步驟3.3：從中選擇屬性重要度最高的特征A_k，即滿足：

SIG(A_k,red,D)＝max(SIG(A_i,red,D))

步驟3.4：如果SIG(A_k,red,D)＞0，則將特征A_k加入約簡屬性集合red中，循環(huán)執(zhí)行步驟3.2，否則迭代結(jié)束，red即為最終選出的敏感特征集。

上述方案中，所述步驟4具體為：

步驟4.1：將訓(xùn)練樣本的敏感特征集輸入到SVM中，通過交叉驗證法確定在該訓(xùn)練集下分類準(zhǔn)確率最高同時保持較好泛化性能的核函數(shù)參數(shù)g以及懲罰因子c；

步驟4.2：根據(jù)訓(xùn)練好的分類模型對測試樣本進(jìn)行分類識別，據(jù)此實現(xiàn)對渦槳發(fā)動機轉(zhuǎn)子系統(tǒng)的故障診斷。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果：

本發(fā)明應(yīng)用于渦槳發(fā)動機轉(zhuǎn)子系統(tǒng)的故障診斷中，能夠從不同角度盡可能挖掘潛藏在振動信號中可以反映轉(zhuǎn)子系統(tǒng)運行狀態(tài)的信息，通過鄰域粗糙集方法選擇敏感特征集，利用SVM準(zhǔn)確有效地識別出轉(zhuǎn)子系統(tǒng)不同的運行狀態(tài)，同時也降低了故障特征的冗余度和分類器計算的復(fù)雜度。

附圖說明

圖1為本發(fā)明實施例提供一種EEMD與鄰域粗糙集結(jié)合的渦槳發(fā)動機轉(zhuǎn)子系統(tǒng)故障診斷方法的流程圖；

圖2為某型渦槳發(fā)動機整體結(jié)構(gòu)圖；

圖3為渦槳發(fā)動機1#的振動信號；

圖4為渦槳發(fā)動機2#的振動信號；

圖5為減速器齒輪轂帶有裂紋的渦槳發(fā)動機3#的振動信號；

圖6為運行時間超過600h的渦槳發(fā)動機4#的振動信號；

圖7為渦槳發(fā)動機3#振動信號的EEMD分解結(jié)果；

圖8為渦槳發(fā)動機四種運行狀態(tài)下前8階IMF分量的奇異值；

圖9為渦槳發(fā)動機四種運行狀態(tài)下不同尺度因子的排列熵值；

圖10為利用鄰域粗糙集方法計算的特征重要度；

圖11為渦槳發(fā)動機四種故障狀態(tài)的聚類效果；

圖12為利用原始特征集訓(xùn)練SVM的分類器參數(shù)優(yōu)化結(jié)果；

圖13為SVM對原始特征集測試樣本的分類結(jié)果；

圖14為SVM對敏感特征集測試樣本的分類結(jié)果；

圖15為各分類器利用不同特征集的分類效果對比。

具體實施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

本發(fā)明實施例提供一種EEMD與鄰域粗糙集結(jié)合的渦槳發(fā)動機轉(zhuǎn)子系統(tǒng)故障診斷方法，如圖1所示，該方法通過以下步驟實現(xiàn)：

步驟1：對渦槳發(fā)動機轉(zhuǎn)子系統(tǒng)不同故障狀態(tài)下的原始振動信號進(jìn)行EEMD分解，獲得若干個IMF分量；

具體地，所述步驟1中對轉(zhuǎn)子系統(tǒng)振動信號進(jìn)行EEMD分解，具體步驟為：

步驟1.1：根據(jù)動態(tài)測試系統(tǒng)采集轉(zhuǎn)子系統(tǒng)的振動加速度信號x(t)，確定信號疊加白噪聲的次數(shù)N以及白噪聲幅值ξ，N從1開始；

步驟1.2：原始信號x(t)第一次疊加白噪聲后的結(jié)果為x₁＝x(t)+n₁，n₁為第一次預(yù)先添加的白噪聲，根據(jù)EMD分解算法對疊加信號x₁進(jìn)行分解，得到的分解結(jié)果式中，c_i為第i階IMF分量，r₁為分解產(chǎn)生的余項；

步驟1.3：循環(huán)步驟1.2，直到達(dá)到預(yù)先設(shè)定的疊加白噪聲次數(shù)，第n次疊加白噪聲所得到各階IMF分量為：式中c_in為第n次疊加白噪聲后分解產(chǎn)生的第i階IMF分量，r_n為余項；

步驟1.4：根據(jù)白噪聲的零均值原理對N次得到的EMD分解結(jié)果進(jìn)行總體平均計算得到最終的IMF分量和余項為：

步驟2：提取渦槳發(fā)動機轉(zhuǎn)子系統(tǒng)的原始振動信號和所述若干個IMF分量中的IMF主分量所包含的多種不同特征指標(biāo)，構(gòu)造原始聯(lián)合特征集；

具體地，當(dāng)轉(zhuǎn)子系統(tǒng)處于不同的運行狀態(tài)時，這些能夠揭示其故障本質(zhì)的狀態(tài)信息會隱藏在不同的特征域中，因此為了充分挖掘特征信息，準(zhǔn)確的反映轉(zhuǎn)子系統(tǒng)的故障狀態(tài)，本發(fā)明分別提取了轉(zhuǎn)子系統(tǒng)振動信號的時域特征和多尺度排列熵特征，以及前八階IMF主分量的時域特征、能量特征和奇異值特征。

具體步驟為：

步驟2.1：分別提取原始振動信號以及前八階IMF主分量的均方根值、偏斜度、峭度指標(biāo)、波形指標(biāo)、峰值指標(biāo)、脈沖指標(biāo)和裕度指標(biāo)7個時域特征；

時域無量綱特征指標(biāo)不受設(shè)備運行工況和外界環(huán)境的影響，對早期故障很敏感，具有較好的穩(wěn)定性，能夠表現(xiàn)出信號故障的本質(zhì)特征，有效反映設(shè)備的故障狀態(tài)。

本發(fā)明分別提取了轉(zhuǎn)子系統(tǒng)振動信號以及IMF主分量的7個時域特征指標(biāo)(T₁-T₇)作為渦槳發(fā)動機轉(zhuǎn)子系統(tǒng)故障診斷的時域特征，它們分別為均方根值、偏斜度、峭度指標(biāo)、波形指標(biāo)、峰值指標(biāo)、脈沖指標(biāo)和裕度指標(biāo)，它們的計算公式如下表1所示。

表1時域特征指標(biāo)(T₁-T₇)

注：x_i為信號序列x_i(t)中各離散點的幅值，N為離散點的個數(shù)，σ和分別為信號的標(biāo)準(zhǔn)差和均值。

步驟2.2：計算渦槳發(fā)動機轉(zhuǎn)子振動信號在不同尺度下的排列熵值，構(gòu)造多尺度排列熵(Multiscale Permutation Entropy,MPE)特征向量；

MPE是一種新的時間序列復(fù)雜度的度量方法，它可以用來研究非線性系統(tǒng)信號的不規(guī)則性和混亂程度。相比于排列熵算法，MPE可以定量度量時間序列在不同尺度下的隨機性和復(fù)雜性，同時計算簡單方便，抗噪能力強，具有更好的魯棒性。

由于渦槳發(fā)動機轉(zhuǎn)子系統(tǒng)處于高轉(zhuǎn)速、高溫的工況下，其振動信號是多處振源信號卷積等多種方式混疊而成的結(jié)果，具有強烈的非線性、復(fù)雜性和隨機性的特點，因此通過計算轉(zhuǎn)子系統(tǒng)振動信號的MPE特征值來定量描述非線性系統(tǒng)的復(fù)雜性，比較轉(zhuǎn)子系統(tǒng)在不同狀態(tài)不同尺度下的排列熵值，進(jìn)而選擇對故障類型分辨能力較好的尺度下的排列熵值(M₁-M_n)構(gòu)成MPE特征指標(biāo)。

步驟2.3：根據(jù)計算各IMF主分量的能量值，構(gòu)造能量特征向量，其中i＝1,2...n分別表示信號中的各離散點，x(i)是各信號離散點的幅值；

EEMD分解產(chǎn)生的各IMF分量是原始信號中的不同尺度成分按照從高頻到低頻的順序逐級分解出來的結(jié)果，轉(zhuǎn)子系統(tǒng)處于不同故障狀態(tài)時不同頻帶信號成分的能量分布會隨之發(fā)生變化，因此由各IMF分量的能量構(gòu)成的特征向量可以反映轉(zhuǎn)子系統(tǒng)的狀態(tài)。

步驟2.4：對由IMF主分量構(gòu)成的矩陣進(jìn)行奇異值分解，利用得到的各奇異值構(gòu)造特征向量；

相比于特征值分解技術(shù)，奇異值分解可以提取任意階數(shù)矩陣的特征值，這些特征值反映了矩陣本身固有的性質(zhì)，具有較好的穩(wěn)定性，當(dāng)矩陣元素發(fā)生微小變化時，矩陣奇異值的分解結(jié)果幾乎不受影響。在機械故障診斷領(lǐng)域，特征矩陣往往并不是方陣，并且相同故障類型樣本的特征矩陣之間差別較小，因此矩陣的奇異值可以較好的反映設(shè)備不同的故障狀態(tài)，符合模式識別的要求。

本發(fā)明分別計算了不同故障狀態(tài)下轉(zhuǎn)子系統(tǒng)振動信號的IMF主分量構(gòu)成矩陣的奇異值，通過比較不同故障狀態(tài)下奇異值的差別，從中選擇具有較高聚類緊致度和辨識能力的奇異值(S₁-S_n)作為特征向量。

步驟2.5：通過上述從不同角度提取的表征渦槳發(fā)動機運行狀態(tài)的時域特征、MPE特征、能量特征和奇異值特征，構(gòu)造原始聯(lián)合特征集。

步驟3：根據(jù)鄰域粗糙集屬性約簡方法評估原始特征集中各特征的屬性重要度，并從原始特征集中選出對轉(zhuǎn)子系統(tǒng)故障分類較為敏感的特征集；

具體地，所述步驟3中鄰域粗糙集方法具體為：

給定一個非空有限對象集合條件屬性集C和決策屬性集D，稱為論域，構(gòu)成了一個決策信息系統(tǒng)。利用歐式距離定義論域中任一對象X_i的鄰域δ為：

δ為鄰域半徑，一般取值為δ＝0.2-0.4。如果決策屬性D將劃分為N個等價類，則它關(guān)于屬性集合的下近似為：

式中δ_A(X_i)是由特征屬性A和距離函數(shù)Δ生成的鄰域信息粒子。決策屬性D的下近似也稱為決策正域POS_A(D)，它反映了給定的特征屬性A對于待分離樣本的分類能力，并由此定義決策屬性D對于特征屬性A的依賴程度：

式中|POS_A(D)|表示正域中元素的個數(shù)，表示論域中的元素個數(shù)。定義特征屬性a∈A對于決策屬性D的重要度為：

SIG(a,A,D)＝α_A(D)-α_A-a(D)

所述步驟3中根據(jù)上述計算出的特征屬性重要度，構(gòu)造基于依賴性函數(shù)的前向貪心式屬性約簡算法。該算法的初始約簡屬性集合為空集，通過計算剩余所有特征屬性的重要度，從中選出屬性重要度最高的特征指標(biāo)加入到約簡集合中，直至再加入任何新的屬性，依賴性函數(shù)值都不會發(fā)生變化為止，即所有剩余屬性的重要度都為零。具體步驟為：

步驟3.1：構(gòu)造鄰域決策系統(tǒng)其中稱為論域，C為條件屬性集，D為決策屬性集，初始化屬性約簡集合red為對于計算鄰域關(guān)系N_A；

步驟3.2：定義它表示決策屬性D對于特征屬性的依賴程度，分別計算每一個屬性的重要度：

步驟3.3：從中選擇屬性重要度最高的特征A_k，即滿足：

SIG(A_k,red,D)＝max(SIG(A_i,red,D))

步驟3.4：如果SIG(A_k,red,D)＞0，則將特征A_k加入約簡屬性集合red中，循環(huán)執(zhí)行步驟3.2，否則迭代結(jié)束，red即為最終選出的敏感特征集。

步驟4：將訓(xùn)練樣本的敏感特征集輸入到SVM多分類器中，采用交叉驗證法，在一定的指數(shù)范圍內(nèi)確定最優(yōu)的分類器參數(shù)c和g的組合，最后根據(jù)訓(xùn)練好的SVM模型對測試樣本進(jìn)行分類識別。

具體地，利用交叉驗證法優(yōu)化SVM的核函數(shù)參數(shù)g和懲罰因子c，核函數(shù)類型為徑向基RBF核函數(shù)，通過將c和g的值離散化，使它們在2^-5-2⁵的指數(shù)范圍內(nèi)取值，最后得到滿足在該訓(xùn)練集下分類準(zhǔn)確率最高同時保持較好泛化性能這一條件的分類器參數(shù)值。

所述步驟4具體步驟為：

步驟4.1：將訓(xùn)練樣本的敏感特征集輸入到SVM中，通過交叉驗證法確定在該訓(xùn)練集下分類準(zhǔn)確率最高同時保持較好泛化性能的核函數(shù)參數(shù)g以及懲罰因子c；

步驟4.2：根據(jù)訓(xùn)練好的分類模型對測試樣本進(jìn)行分類識別，據(jù)此實現(xiàn)對渦槳發(fā)動機轉(zhuǎn)子系統(tǒng)的故障診斷。

實施例：

本發(fā)明所使用的實驗數(shù)據(jù)是在某飛機廠外和某發(fā)動機廠內(nèi)試車臺分別測得的。圖2為某型渦槳發(fā)動機整體結(jié)構(gòu)圖，實驗中分別采集了外廠在役的某型渦槳發(fā)動機1#和2#的轉(zhuǎn)子系統(tǒng)振動信號，同時在某發(fā)動機廠內(nèi)試車臺分別采集了減速器一級齒輪轂帶有裂紋的發(fā)動機3#以及運行時間超過600h的發(fā)動機4#的振動信號。

分別選取發(fā)動機在每種運行狀態(tài)下的樣本數(shù)為70組，其中40組輸入到SVM中進(jìn)行訓(xùn)練，其余30組樣本用來測試，每組樣本包含8192個數(shù)據(jù)點。

(1)轉(zhuǎn)子系統(tǒng)振動信號的EEMD分解

渦槳發(fā)動機轉(zhuǎn)子系統(tǒng)四種狀態(tài)下的振動信號如圖3—圖6所示，分別對每組樣本信號進(jìn)行EEMD分解，其中，所添加白噪聲的幅值ε為原始信號標(biāo)準(zhǔn)差的0.2倍，集成次數(shù)為n＝100。

以減速器一級齒輪轂帶有裂紋的渦槳發(fā)動機3#的振動信號為例，其EEMD分解結(jié)果如圖7所示，分解產(chǎn)生了12個IMF分量和一個余項，前8階IMF分量包含了信號的大部分能量和故障信息，因此本發(fā)明以它們?yōu)樘崛」收咸卣餍畔⒌闹饕獙ο蟆?/p>

(2)轉(zhuǎn)子系統(tǒng)故障特征提取

分別計算渦槳發(fā)動機四種運行狀態(tài)的奇異值和在不同尺度下的排列熵值，由圖8所示，前4個奇異值特征具有更好的狀態(tài)分類能力。同時從圖9中可以看出，相比于其他尺度，發(fā)動機不同運行狀態(tài)在6—9四個尺度下的MPE值差別較為明顯，計算MPE指標(biāo)過程中選取的嵌入維數(shù)m＝6，時延λ＝1,最大尺度因子s＝10。

因此本發(fā)明分別提取每個樣本原始信號的7個時域特征和四個尺度下的MPE指標(biāo)，以及前8階IMF分量的7個時域指標(biāo)、能量值和前4個奇異值來構(gòu)造原始特征集，共包含79個特征。

(3)基于鄰域粗糙集的敏感特征選擇

利用鄰域粗糙集方法選擇敏感特征，鄰域大小設(shè)置為δ＝0.2，迭代終止閾值為μ＝0.86。圖10為各特征的屬性重要度計算結(jié)果，從包含有79個指標(biāo)的原始特征集中選出了46個敏感特征，其余特征的屬性重要度均為0。

屬性重要度最高的三個特征分別為IMF1分量的能量值以及由IMF主分量矩陣奇異值分解產(chǎn)生的前兩個奇異值特征，圖11是渦槳發(fā)動機四種不同運行狀態(tài)的樣本以這三個特征指標(biāo)為坐標(biāo)的聚類效果，可以看出，同一故障狀態(tài)的樣本能夠較好的聚類在一起，不同故障狀態(tài)樣本也未發(fā)生混淆，由此可見，這三個特征最能反映故障的本質(zhì)，可以較好的區(qū)分不同故障類型。

(4)渦槳發(fā)動機轉(zhuǎn)子系統(tǒng)故障診斷

本發(fā)明分別以訓(xùn)練樣本的原始特征集和敏感特征集作為SVM分類器的輸入，利用訓(xùn)練好的模型對渦槳發(fā)動機轉(zhuǎn)子系統(tǒng)四種不同運行狀態(tài)下的測試樣本進(jìn)行分類識別。

圖12為利用原始特征集訓(xùn)練SVM時通過交叉驗證法對分類器參數(shù)進(jìn)行優(yōu)化的結(jié)果，當(dāng)c＝16，g＝0.0118時，訓(xùn)練集的分類準(zhǔn)確率最高為98.1250％，同樣采用敏感特征集訓(xùn)練SVM，最終得到的參數(shù)優(yōu)化結(jié)果為c＝1.7411，g＝0.0118，訓(xùn)練集分類準(zhǔn)確率最高為98.5％。

利用訓(xùn)練好的SVM模型分別對原始特征集和敏感特征集的測試樣本進(jìn)行分類識別。從圖13和圖14可以看出，采用原始特征集進(jìn)行故障診斷的識別準(zhǔn)確率為83.3333％，120個測試樣本中有20個樣本分類錯誤，其中大部分是渦槳發(fā)動機1#的樣本被誤判為運行時間超過600h的渦槳發(fā)動機4#的故障狀態(tài)，可見這兩種故障類型容易混淆；而利用敏感特征集進(jìn)行故障診斷時的分類準(zhǔn)確率提高到了97.5％，只有3個樣本出錯。

因此利用本發(fā)明提出的特征屬性約簡方法，可以去掉大量冗余不相關(guān)的特征，同時也提高了故障診斷的準(zhǔn)確率。

(5)對比分析

為了驗證利用鄰域粗糙集選擇敏感特征的方法與SVM在渦槳發(fā)動機轉(zhuǎn)子系統(tǒng)故障診斷方面的優(yōu)越性，本發(fā)明將上述同樣的原始特征集和敏感特征集分別輸入到徑向基神經(jīng)網(wǎng)絡(luò)(Radical Basis Function Neural Network,RBFNN)中進(jìn)行故障識別。

從圖15可以看出，對于SVM分類器，利用原始特征集與敏感特征集進(jìn)行故障診斷的準(zhǔn)確率從83.3330％提高到了97.5％，而對于RBFNN，分類準(zhǔn)確率則從65％提高到88.3330％；相比于RBFNN的識別效果，同樣的原始特征集利用SVM可以將分類準(zhǔn)確率從65％提高到83.3330％，而對于敏感特征集，SVM則將分類準(zhǔn)確率從88.3330％提高到97.5％，進(jìn)一步說明了SVM具有更好的分類能力以及鄰域粗糙集方法在敏感特征選擇方面的可行性和有效性。

以上所述，僅為本發(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護(hù)范圍。