本发明涉及直升机关键部件故障诊断，特别是涉及一种基于应力波的直升机关键部件故障程度评估方法和装置。
背景技术：
1、近年来，随着我国直升机产业的迅速发展，直升机的安全性能和执勤效率愈来愈受到科研机构的重视，并视为先进直升机的必备指标。同时直升机在飞行中飞行环境复杂、起降次数多、发动机功率变化频繁，而且结构复杂、振动大易受损伤，需要开展直升机的诊断及预测分析以保障直升机飞行安全及提高维护性。据统计，齿轮箱系统的故障类型中轴承故障与齿轮故障占比高达90％，而箱体类、轴类故障等仅占10％。因此，研究关键部件齿轮故障检测对实现的直升机故障监测与诊断具有十分重要的意义。
2、直升机关键部件的故障监测和状态识别一般通过振动信号进行分析。振动监测技术是测量宽频带上的系统整体共振现象，进而通过对采集的振动信号进行分析和处理来对故障进行识别与判断的过程，对于部件的机械故障具有良好的识别效果。在这一方面，欧美国家和日本做了大量的研究，并建立了相应的在线监测系统。振动监测技术主要优点是信号的测试和处理简单、直观，但是也存在以下局限性：
3、(1)要想对故障进行准确监测识别，要求要尽可能近的放置于故障源处，受限于直升机各个系统的结构，振动传感器拾取的信号反映的是整体的振动情况，且多种类型的故障往往具有相似的振动信号特征，因此经常会导致故障识别的困难。
4、(2)由于振动监测是在主减速器等关键部件的外壳上对振动总量进行监测，而早期微弱故障引起的局部振动本身就比较小，传递到壳体振动传感器上时会变得更加微弱。加上不同飞行工况以及工作环境，使得振动监测信号十分复杂，在强噪声背景干扰下，由于自身获取信号的原理和精度的限制导致获取的故障信号很容易被噪声湮没，振动有效信号与噪声信号的频段重合，对于部件早期发生的微弱故障，有效信号更加难以区分，即对早期缺陷的故障信号“不敏感”，导致部件的早期微弱性缺陷逐渐演变成更加严重的故障。
技术实现思路
1、本发明提供一种基于应力波的直升机关键部件故障程度评估方法和装置，解决直升机关键部件故障程度难以评估的问题，取得了更佳的故障程度评估与分类准确率。
2、本发明解决其技术问题所采用的技术方案是：提供一种基于应力波的直升机关键部件故障程度评估方法，包括以下步骤：
3、从关键部件不同故障程度的应力波信号中提取出加权能量特征、加权振铃特征和最大幅值特征；
4、将所述加权能量特征、加权振铃特征和最大幅值特征作为bp神经网络的输入，将故障程度得分作为bp神经网络的输出，训练所述bp神经网络，得到故障程度评估模型；
5、从待测关键部件的应力波信号中提取出待测的加权能量特征、加权振铃特征和最大幅值特征；
6、将所述待测的加权能量特征、加权振铃特征和最大幅值特征输入所述故障程度评估模型，得到关键部件的故障程度。
7、所述应力波信号的信号范围为104-106hz。
8、所述加权能量特征为应力波信号包络线下的面积；所述加权振铃特征为在出现事件信号时应力波信号超过门槛电压的次数；所述最大幅值特征为应力波信号衰减波的包络超过门槛值电平时事件信号波形的最大幅值。
9、所述bp神经网络为多隐含层的bp神经网络。
10、所述故障程度评估模型为：p＝a*lg(ene)+b*lg(num)+c*lg(amp)+bias，其中，p为故障程度，ene为加权能量特征，num为加权振铃特征，amp为最大幅值特征，a为加权能量特征的权重，b为加权振铃特征的权重，c为最大幅值特征的权重，bias为偏置值。
11、本发明解决其技术问题所采用的技术方案是：一种基于应力波的直升机关键部件故障程度评估装置，包括：
12、第一提取模块，从关键部件不同故障程度的应力波信号中提取出加权能量特征、加权振铃特征和最大幅值特征；
13、训练模块，用于将所述加权能量特征、加权振铃特征和最大幅值特征作为bp神经网络的输入，将故障程度得分作为bp神经网络的输出，训练所述bp神经网络，得到故障程度评估模型；
14、第二提取模块，用于从待测关键部件的应力波信号中提取出待测的加权能量特征、加权振铃特征和最大幅值特征；
15、评估模块，用于将所述待测的加权能量特征、加权振铃特征和最大幅值特征输入所述故障程度评估模型，得到关键部件的故障程度。
16、所述应力波信号的信号范围为104-106hz。
17、所述加权能量特征为应力波信号包络线下的面积；所述加权振铃特征为在出现事件信号时应力波信号超过门槛电压的次数；所述最大幅值特征为应力波信号衰减波的包络超过门槛值电平时事件信号波形的最大幅值。
18、所述bp神经网络为多隐含层的bp神经网络。
19、所述故障程度评估模型为：p＝a*lg(ene)+b*lg(num)+c*lg(amp)+bias，其中，p为故障程度，ene为加权能量特征，num为加权振铃特征，amp为最大幅值特征，a为加权能量特征的权重，b为加权振铃特征的权重，c为最大幅值特征的权重，bias为偏置值。
20、有益效果
21、由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明从故障数据中提取加权能量特征、加权振铃特征和最大幅值特征，并应用神经网络算法对提取出的参数特征进行权重分配；基于分配的权重得到故障程度判据，并进行故障状态分类。本发明解决了单一故障特征无法表征直升机关键部件故障程度，而各故障特征间耦合关系复杂难以融合的问题，通过直升机动部件量化特征提取、故障程度评估模型构建，提升了直升机关键部件的故障程度识别能力。
1.一种基于应力波的直升机关键部件故障程度评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于应力波的直升机关键部件故障程度评估方法，其特征在于，所述应力波信号的信号范围为104-106hz。
3.根据权利要求1所述的基于应力波的直升机关键部件故障程度评估方法，其特征在于，所述加权能量特征为应力波信号包络线下的面积；所述加权振铃特征为在出现事件信号时应力波信号超过门槛电压的次数；所述最大幅值特征为应力波信号衰减波的包络超过门槛值电平时事件信号波形的最大幅值。
4.根据权利要求1所述的基于应力波的直升机关键部件故障程度评估方法，其特征在于，所述bp神经网络为多隐含层的bp神经网络。
5.根据权利要求1所述的基于应力波的直升机关键部件故障程度评估方法，其特征在于，所述故障程度评估模型为：p＝a*lg(ene)+b*lg(num)+c*lg(amp)+bias，其中，p为故障程度，ene为加权能量特征，num为加权振铃特征，amp为最大幅值特征，a为加权能量特征的权重，b为加权振铃特征的权重，c为最大幅值特征的权重，bias为偏置值。
6.一种基于应力波的直升机关键部件故障程度评估装置，其特征在于，包括：
7.根据权利要求6所述的基于应力波的直升机关键部件故障程度评估装置，其特征在于，所述应力波信号的信号范围为104-106hz。
8.根据权利要求6所述的基于应力波的直升机关键部件故障程度评估装置，其特征在于，所述加权能量特征为应力波信号包络线下的面积；所述加权振铃特征为在出现事件信号时应力波信号超过门槛电压的次数；所述最大幅值特征为应力波信号衰减波的包络超过门槛值电平时事件信号波形的最大幅值。
9.根据权利要求6所述的基于应力波的直升机关键部件故障程度评估装置，其特征在于，所述bp神经网络为多隐含层的bp神经网络。
10.根据权利要求6所述的基于应力波的直升机关键部件故障程度评估装置，其特征在于，所述故障程度评估模型为：p＝a*lg(ene)+b*lg(num)+c*lg(amp)+bias，其中，p为故障程度，ene为加权能量特征，num为加权振铃特征，amp为最大幅值特征，a为加权能量特征的权重，b为加权振铃特征的权重，c为最大幅值特征的权重，bias为偏置值。
