【摘要】通過(guò)運(yùn)用基于缸蓋振動(dòng)信號(hào)能量特征的信息識(shí)別模型,專(zhuān)門(mén)針對(duì)柴油機(jī)配氣機(jī)構(gòu)易發(fā)故障的特點(diǎn),探討了基于SVM的信息識(shí)別技術(shù)在柴油機(jī)故障診斷中的具體運(yùn)用。通過(guò)對(duì)實(shí)車(chē)數(shù)據(jù)比較試驗(yàn)表明,此方法在識(shí)別柴油機(jī)配氣機(jī)構(gòu)的故障類(lèi)型上相比于傳統(tǒng)診斷方法更加有效。
【關(guān)鍵詞】故障診斷;配氣機(jī)構(gòu);振動(dòng)信號(hào);能量特征
配氣機(jī)構(gòu)是柴油機(jī)的主要運(yùn)動(dòng)部件之一,其中氣門(mén)起著控制氣缸換氣,密封燃燒室的作用。氣門(mén)間隙正常與否,直接影響著柴油機(jī)的動(dòng)力性、經(jīng)濟(jì)性和可靠性。間隙過(guò)小時(shí),會(huì)因氣門(mén)受熱膨脹而使氣門(mén)關(guān)閉不嚴(yán)引起漏氣,使得氣門(mén)和氣門(mén)座口過(guò)熱而燒蝕,導(dǎo)致氣缸壓力不足,嚴(yán)重時(shí)甚至?xí)斐蓡?dòng)困難;間隙過(guò)大時(shí),氣門(mén)開(kāi)閉不正時(shí),柴油機(jī)噪音增大,進(jìn)氣不足和排氣不盡,柴油機(jī)功率下降,油耗增加。因此,必須通過(guò)檢查使氣門(mén)間隙處于正常范圍內(nèi),通常分為故障前檢查和故障后檢查。前者帶有一定的盲目性,且在拆裝過(guò)程中對(duì)各運(yùn)動(dòng)副的配合間隙產(chǎn)生影響;而后者是在發(fā)生故障后進(jìn)行檢測(cè),柴油機(jī)本身已經(jīng)受到不可逆轉(zhuǎn)的損害[1]。這些過(guò)程中都包含著大量的振動(dòng)信號(hào)。柴油機(jī)振動(dòng)信號(hào)源于燃燒激勵(lì)、活塞敲擊激勵(lì)、慣性力激勵(lì)、氣門(mén)落座沖擊和氣門(mén)開(kāi)啟節(jié)流沖擊等多種激勵(lì)源的綜合作用[2],其中包含了豐富的故障信息,并且具有信號(hào)便于分辨、快速響應(yīng)、識(shí)別精度高、檢測(cè)區(qū)域廣泛等優(yōu)點(diǎn),適宜于柴油機(jī)主要運(yùn)動(dòng)部件的診斷。因此,如何在特征層融合中利用振動(dòng)信號(hào)來(lái)識(shí)別氣門(mén)間隙的狀態(tài),為決策層融合提供可靠的依據(jù),確保故障得到及時(shí)、有效地檢修,具有很強(qiáng)的現(xiàn)實(shí)意義。
1.柴油機(jī)振動(dòng)信號(hào)的處理與診斷
振動(dòng)信號(hào)故障特征提?。?/p>
在檢測(cè)信號(hào)時(shí),各零部件運(yùn)行時(shí)產(chǎn)生的振動(dòng)和隨機(jī)噪聲都會(huì)影響到氣門(mén)故障特征信號(hào),因此需要對(duì)其進(jìn)行故障特征的提取。下面以排氣門(mén)附近的螺栓處傳感器測(cè)得的信號(hào)為例進(jìn)行說(shuō)明。
圖1-1 狀態(tài)A進(jìn)排氣門(mén)間隙均正常時(shí)信號(hào)的
時(shí)域波形及其三維時(shí)頻圖
1.1 各工況信號(hào)的時(shí)頻域分析
實(shí)驗(yàn)設(shè)置五種工況:狀態(tài)A進(jìn)排氣門(mén)間隙均正常、狀態(tài)B排氣門(mén)間隙過(guò)小、狀態(tài)C排氣門(mén)間隙過(guò)大、狀態(tài)E進(jìn)排氣門(mén)間隙均過(guò)小、狀態(tài)F進(jìn)排氣門(mén)間隙均過(guò)大。對(duì)排氣門(mén)附近的螺栓處傳感器測(cè)得的信號(hào)進(jìn)行時(shí)頻域分析,如圖1-1至1-5所示。
圖1-2 狀態(tài)B排氣門(mén)間隙過(guò)小時(shí)信號(hào)的
時(shí)域波形及其三維時(shí)頻圖
圖1-3 狀態(tài)C排氣門(mén)間隙過(guò)大時(shí)信號(hào)的
時(shí)域波形及其三維時(shí)頻圖
圖1-4 狀態(tài)E進(jìn)排氣門(mén)間隙均過(guò)小時(shí)信號(hào)的
時(shí)域波形及其三維時(shí)頻圖
圖1-5 狀態(tài)F進(jìn)排氣門(mén)間隙均過(guò)小時(shí)信號(hào)的
時(shí)域波形及其三維時(shí)頻圖
振動(dòng)信號(hào)的幅值峰值的分布的時(shí)間、頻率段出現(xiàn)明顯受到氣門(mén)間隙的影響,且間隙增大,幅值的峰值也增大。而信號(hào)的幅值與信號(hào)的能量緊密相連,氣門(mén)間隙異常時(shí),其振動(dòng)信號(hào)中某些頻段的能量與信號(hào)的復(fù)雜性也發(fā)生變化,因此,可提取信號(hào)的能量和復(fù)雜性特征作為故障特征。
1.2 IMF分量的選取
EMD可根據(jù)信號(hào)的局部時(shí)變特性進(jìn)行自適應(yīng)的時(shí)頻分解,將信號(hào)分解成若干個(gè)固有模式分量(IMF),減少了信號(hào)間特征信息的干涉或耦合,利于深層次的信息挖掘[3]。
將重點(diǎn)段信號(hào)進(jìn)行EMD分解發(fā)現(xiàn)不同類(lèi)別的信號(hào)得到的IMF分量Ci的個(gè)數(shù)略有不同,有10個(gè)、11個(gè)不等,這顯然不利于計(jì)算。為方便計(jì)算和去除冗余分量和虛假分量,要采用一定準(zhǔn)則對(duì)IMF分量進(jìn)行選取。本文經(jīng)對(duì)比分析后采用方差貢獻(xiàn)率準(zhǔn)則。依據(jù)公式1-5計(jì)算各IMF的貢獻(xiàn)率Mi,再對(duì)多個(gè)信號(hào)計(jì)算取平均值后結(jié)果見(jiàn)表1-1所示。
(1-1)
(1-2)
式中:Di為第i個(gè)IMF分量的方差;N為信號(hào)EMD分解所得IMF個(gè)數(shù);△t為采樣周期;n為采樣點(diǎn)數(shù);k為采樣點(diǎn)。
綜合前文分析,信號(hào)的幅值與信號(hào)的能量緊密相連,因此可用IMF能量作為故障特征[4],如IMF能量熵[5]、能量比[6]、能量矩[7]等,本文采用計(jì)算復(fù)雜度較小的能量比,其具體步驟如下:
第一步:對(duì)去噪后的信號(hào)進(jìn)行EMD分解,依據(jù)IMF方差貢獻(xiàn)率準(zhǔn)則選取了前六個(gè)IMF分量Ci(t)進(jìn)行計(jì)算,i=1,2,…,n(n=5)。
第二步:按式1-7計(jì)算IMF的能量,其中n為采樣點(diǎn)數(shù);k為采樣點(diǎn)。
(1-3)
第三步:構(gòu)造特征向量并歸一化處理為T(mén)
(1-4)
按照上述步驟提取IMF能量比,共提取每種狀態(tài)各提取20組故障特征向量。
2.配氣機(jī)構(gòu)故障的SVM識(shí)別
敏感故障特征集的建立:
以上故障特征都可以從不同的角度來(lái)表征柴油機(jī)配氣機(jī)構(gòu)中的氣門(mén)間隙異常故障,但對(duì)于待識(shí)別的故障具有不同的靈敏程度。因此需建立一定的特征敏感性評(píng)判準(zhǔn)則對(duì)各特征進(jìn)行對(duì)比分析,對(duì)各特征進(jìn)行有效選擇,以最終構(gòu)成用于分類(lèi)的敏感故障特征集。
本文采用基于距離的特征敏感性評(píng)判準(zhǔn)則,認(rèn)為平均類(lèi)內(nèi)距離小和均類(lèi)間距離大的平的特征才具有好的可分性[8][9]。
設(shè)一個(gè)具有T個(gè)類(lèi)的特征集:
{Xm,t,j,m=1,2,…,Mt};t=1,2,…,T;j=1,2,…,J ? ? ? ? ? ? ? ? ? ? ? (2-1)
式中:Xm,t,j為第t類(lèi)的第m個(gè)樣本的第j個(gè)特征;Mt為第t類(lèi)的樣本數(shù);J為每一類(lèi)的特征個(gè)數(shù),本文中Mt=20,T=5,J=5?;诰嚯x的特征敏感性評(píng)價(jià)準(zhǔn)則的算法描述如下:
第一步:計(jì)算T個(gè)類(lèi)的類(lèi)內(nèi)距離的平均值:
(2-2)
上式中:k,m=1,2,…,Mt,k≠m
第二步:計(jì)算不同類(lèi)之間的類(lèi)間距的平均值:
(2-3)
上式中:t,e=1,2,…,T,t≠e,Me=Mt=20。
第三步:定義并計(jì)算一個(gè)加權(quán)因子
(2-4)
上式中:
t,e=1,2,…,T,t≠e
第四步:得到特征敏感性評(píng)判指標(biāo)值:
(2-5)
更大的值意味著相應(yīng)的特征具有更強(qiáng)的敏感性,更容易區(qū)分T個(gè)不同的類(lèi)。因此,可以從IMF能量比特征集、IMF復(fù)雜度特征集、IMF樣本熵特征集中根據(jù)值的大小來(lái)分析比較特征的敏感性,進(jìn)而選取若干個(gè)值較大的特征組成敏感特征集,以便輸入SVM中進(jìn)行氣門(mén)間隙的狀態(tài)識(shí)別。
特征集的值如表2-1所示,繪成柱狀圖如圖2-1所示。從中選取E1、E4、R2、S3共四個(gè)敏感特征組成敏感特征集用于SVM識(shí)別。
圖2-1 各故障特征的敏感性評(píng)判指標(biāo)值的柱狀圖
3.基于敏感特征集和SVM的配氣機(jī)構(gòu)故障診斷
將上述敏感特征集分為訓(xùn)練和測(cè)試兩部分。用訓(xùn)練樣本集訓(xùn)練SVM,用測(cè)試樣本集測(cè)試訓(xùn)練得到的SVM,訓(xùn)練過(guò)程中通過(guò)調(diào)整SVM的核函數(shù)和懲罰參數(shù)使其診斷正確率達(dá)到要求,將訓(xùn)練好的SVM保存,利用訓(xùn)練好的SVM即可對(duì)柴油機(jī)配氣機(jī)構(gòu)進(jìn)行故障診斷。
依照上一小節(jié)的結(jié)論組合IMF1分量的能量比E1、IMF4的能量比E4、IMF2的復(fù)雜度R2、IMF3的樣本熵S3成敏感故障特征,每種狀態(tài)有20個(gè)故障樣本,共100個(gè)樣本,現(xiàn)隨機(jī)取出其中60組訓(xùn)練,剩下40組為測(cè)試樣本。限于篇幅,表4-6給出其中15組訓(xùn)練樣本。
基于SVM的配氣機(jī)構(gòu)故障診斷效果除了與故障特征提取有關(guān)外,SVM核函數(shù)及其參數(shù)g、懲罰參數(shù)c的確定也有一定的影響。
目前,應(yīng)用較多的核函數(shù)有:
d階多項(xiàng)式(Polynomial)核函數(shù):
K(xi,xj)=[(xi.xj)+1]d ? ? ? ? ? ?(3-1)
徑向基(RBF)核函數(shù):
(3-2)
雙曲正切(Sigmoid)核函數(shù):
K(xi,xj)=tanh[a(xi.xj)+b] ? ? ? ?(3-3)
本文選擇徑向基核函數(shù),主要因?yàn)镽BF核的計(jì)算難度較小,并且可以處理故障特征與類(lèi)標(biāo)簽之間的非線性關(guān)系,通過(guò)適當(dāng)?shù)膮?shù)選擇可以適用于任意分布的樣本[10]。
利用SVM對(duì)40個(gè)測(cè)試樣本進(jìn)行診斷,其中4組識(shí)別錯(cuò)誤,正確率90%。此外,本文還采用不同數(shù)量訓(xùn)練樣本對(duì)SVM進(jìn)行訓(xùn)練,訓(xùn)練樣本、測(cè)試樣本共100個(gè)。剩余樣本為測(cè)試樣本,其結(jié)果如表3-2所示。
表3-2 不同訓(xùn)練樣本數(shù)下SVM的識(shí)別效果
訓(xùn)練樣本數(shù) 20 40 60 80 90
識(shí)別率S(%) 75 81.67 90 95 90
耗時(shí)T(s) 2.387 2.736 3.168 3.392 3.898
由表3-2可以看出,當(dāng)訓(xùn)練樣本較少,例如為20個(gè)時(shí),SVM識(shí)別率就達(dá)到75%,訓(xùn)練樣本60以上時(shí)就達(dá)到了90%,識(shí)別率相對(duì)是較高的。但在訓(xùn)練樣本為90個(gè),測(cè)試樣本為10時(shí),SVM的識(shí)別準(zhǔn)確率反而由原來(lái)的95%下降至90%,經(jīng)分析數(shù)據(jù)后發(fā)現(xiàn),在這10個(gè)測(cè)試樣本中有一個(gè)奇異樣本,影響了識(shí)別準(zhǔn)確率。
4.小結(jié)
本文針對(duì)柴油機(jī)配氣機(jī)構(gòu)的氣門(mén)間隙異常故障,在對(duì)振動(dòng)信號(hào)進(jìn)行時(shí)頻分析的基礎(chǔ)上,截取整周期信號(hào)中排氣門(mén)至進(jìn)氣門(mén)落座沖擊段的信號(hào)作重點(diǎn)分析,并分析各工況信號(hào)的三維時(shí)頻圖和時(shí)域波形,提出從能量和復(fù)雜度特征兩方面結(jié)合EMD進(jìn)行特征提取的方法。其次,建立了基于距離的故障特征敏感性評(píng)判指標(biāo),通過(guò)指標(biāo)值的計(jì)算,進(jìn)一步提取出IMF1分量的能量比E1、IMF4的能量比E4、IMF2的復(fù)雜度R2、IMF3的樣本熵S3組成敏感故障特征集輸入SVM進(jìn)行氣門(mén)間隙的狀態(tài)識(shí)別。結(jié)果表明SVM識(shí)別耗時(shí)短,所需數(shù)據(jù)樣本相對(duì)較少,適用于車(chē)輛實(shí)際故障診斷的需要。另外,如果將其運(yùn)用在多傳感器特征層融合局部診斷中,能夠?yàn)橄乱徊饺衷\斷提供有效可信的決策依據(jù)。
參考文獻(xiàn)
[1]Fraser A M,Swinney H L.Independent coordinaltes for strange attractors from mutual information[J].Phys Rev A,1986,33:1134-1140.
[2]賀銀芝,沈松,應(yīng)懷樵,等.小波包分解及其能量譜在發(fā)動(dòng)機(jī)連桿軸承故障診斷中的應(yīng)用[J].振動(dòng)工程學(xué)報(bào),2001,14(1):72-75.
[3]吳虎勝.EMD和SVM在武警車(chē)用柴油發(fā)動(dòng)機(jī)故障診斷中的應(yīng)用研究[D].西安:武警工程學(xué)院,2011.
[4]張小薊,張歆,孫進(jìn)才.基于IMF能量熵的目標(biāo)特征提取與分類(lèi)方法[J].計(jì)算機(jī)工程與應(yīng)用,2008,44(4):68-69.
[5]張德祥,吳小培,盧一相.EMD在汽車(chē)變速齒輪箱振動(dòng)故障分析的應(yīng)用[J].安徽大學(xué)學(xué)報(bào)(自然科學(xué)版),2009,33(2):35-38.
[6]秦太龍,楊勇,程珩,等.基于IMF能量矩和神經(jīng)網(wǎng)絡(luò)的軸承故障診斷[J].振動(dòng)、測(cè)試與診斷,2008,28(3):229-232.
[7]Kolmogorov A N.Three approaches to the quantitative definition of information[J].Problems Information Transmissions,1965,1(1):1-7.
[8]雷亞國(guó),何正嘉,訾艷陽(yáng).基于混合智能新模型的故障診斷[J].機(jī)械工程學(xué)報(bào),2008,44(7):112-117.
[9]王柯.基于粗糙集和支持向量機(jī)的智能故障診斷方法研究[D].無(wú)錫:江南大學(xué),2008.
[10]孫紅輝,張清華,宋賢征.基于RBF神經(jīng)網(wǎng)絡(luò)的柴油機(jī)故障診斷[J].小型內(nèi)燃機(jī)與摩托車(chē),2009,38(1):70-72.
作者簡(jiǎn)介:賈佳(1988—),男,浙江杭州人,碩士研究生,助教,主要研究方向:車(chē)輛裝備故障診斷。