直升机旋翼不仅是直升机的升力面还是直升机的操作面,既为前进提供动力又为各种姿势的变换提供动力,是直升机的关键组成部分。旋翼系统由于复杂的工作环境,承受着多变的空气载荷,关键部位容易产生故障引起重大事故的发生。对直升机旋翼实现异常检测技术,保障直升机的飞行安全,具有显著的经济效益和社会效益。本文以航空科学基金项目为支撑,以直升机旋翼振动数据为研究对象,针对异常检测中的关键问题,采用信号处理和模式识别方法,研究了直升机旋翼故障特征的提取和异常检测算法。(1)直升机旋翼振动数据是非平稳、非线性的,单从时域的角度很难提取敏感的故障特征。本文在自适应性的时频分析方法EMD分解的基础上,提出了一种基于IMF奇异值熵的特征提取方法,利用经验模式分解将旋翼振动信号按照频率由高到低分解为一系列的内蕴模式函数(IMF),用不同频带振动数据的奇异值熵作为直升机旋翼的特征。实验表明,相比于时域统计参数特征,基于IMF奇异值熵的特征具有更好的检测效果。(2)考虑到直升机旋翼固有的特性,提出了一种基于短时傅里叶变换的特征提取方法,将原始的振动信号通过短时傅里叶变换为时频两域的信息,提取旋翼旋转频率以及其倍频下的振动情况作为旋翼故障特征。实验表明,提取的基于短时傅里叶变换的特征检测效果好,能直接反应直升机状态的变化,可作为直升机旋翼的敏感特征。(3)单一的智能检测算法受到自身结构原理、数据分布和模型参数的限制,在面对复杂应用环境时,难以保障准确性和稳定性,为了提高算法的鲁棒性,提出了一种多模型集成的异常检测算法。多模型集成的异常检测算法以三种不同原理的K均值聚类检测器、高斯模型检测器和LOF算法检测器作为基学习器,采用集成学习中的提升方法,将每个基学习器提升为强学习器,然后对提升后的强学习器进行融合得到多模型集成的异常检测算法。实验表明,与单一的检测算法相比,多模型集成的异常检测算法具有较好的性能。