趙志堅(jiān) 茆志偉 張進(jìn)杰 江志農(nóng)

(北京化工大學(xué) 1.高端機(jī)械裝備健康監(jiān)控與自愈化北京市重點(diǎn)實(shí)驗(yàn)室；2.發(fā)動(dòng)機(jī)健康監(jiān)控及網(wǎng)絡(luò)化教育部重點(diǎn)實(shí)驗(yàn)室， 北京 100029)

引 言

柴油發(fā)動(dòng)機(jī)具有熱效率高、經(jīng)濟(jì)性能好、扭矩大等優(yōu)點(diǎn)[1]，在交通運(yùn)輸業(yè)和國防領(lǐng)域應(yīng)用廣泛，因此對(duì)其進(jìn)行故障監(jiān)測，以保證其經(jīng)濟(jì)可靠地運(yùn)行具有十分重要的意義。在實(shí)際使用過程中，由于柴油機(jī)的配氣機(jī)構(gòu)磨損，經(jīng)常會(huì)出現(xiàn)氣門間隙異常故障，導(dǎo)致產(chǎn)生柴油機(jī)進(jìn)氣不足、燃燒不充分、動(dòng)力不足等問題[2]。

目前通常使用缸蓋振動(dòng)信號(hào)來對(duì)柴油機(jī)氣門間隙狀況進(jìn)行監(jiān)測。由于柴油機(jī)機(jī)械部件眾多、背景噪聲強(qiáng)烈、工況復(fù)雜多變，因此其缸蓋振動(dòng)信號(hào)是一種典型的非平穩(wěn)信號(hào)，人為選取對(duì)噪聲和工況不敏感的故障特征十分困難。

針對(duì)非平穩(wěn)信號(hào)的分析問題，劉昱等[3]提出通過局部均值方法分解振動(dòng)信號(hào)，但該方法會(huì)出現(xiàn)端點(diǎn)效應(yīng)等問題，從而影響診斷精度；張超等[4]提出一種基于經(jīng)驗(yàn)?zāi)B(tài)分解的分析方法，然而由于誤差累積會(huì)出現(xiàn)模態(tài)混疊問題，使得識(shí)別準(zhǔn)確度下降；張恒琪等[5]通過Wigner- Ville變換對(duì)非平穩(wěn)信號(hào)進(jìn)行分析，發(fā)現(xiàn)時(shí)頻面存在很嚴(yán)重的交叉項(xiàng)干擾問題。而復(fù)Morlet變換是一種線性變換，不存在端點(diǎn)效應(yīng)、模態(tài)混疊、交叉項(xiàng)干擾嚴(yán)重等問題，且該方法能夠提供一個(gè)隨頻率改變的時(shí)頻窗[6]，是一種自適應(yīng)時(shí)頻分析方法。此外復(fù)Morlet小波與沖擊信號(hào)也較為相似，適合分析帶沖擊的非平穩(wěn)信號(hào)。

針對(duì)故障特征的提取問題，萬曉靜等[7]提出將振動(dòng)信號(hào)經(jīng)經(jīng)驗(yàn)?zāi)B(tài)分解所得到的各分量的能量熵作為特征集合, 然后輸入到診斷模型中；薛嫣等[8]提出一種基于熵特征和堆疊稀疏自編碼的滾動(dòng)軸承故障診斷方法。但上述特征提取方法費(fèi)時(shí)費(fèi)力且均需要一定的專家經(jīng)驗(yàn)，無法適應(yīng)大數(shù)據(jù)和智能化的需求。而基于AlexNet的神經(jīng)網(wǎng)絡(luò)技術(shù)在特征自動(dòng)提取和圖像識(shí)別精度上具有很大優(yōu)勢，且對(duì)噪聲和工況不敏感[9]。

綜上，本文首先通過復(fù)Morlet小波將柴油機(jī)氣門間隙正常和異常的缸蓋振動(dòng)信號(hào)轉(zhuǎn)換為時(shí)頻圖。其次將時(shí)頻圖劃分為訓(xùn)練集和測試集，再將訓(xùn)練集和測試集輸入到AlexNet神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練與測試。然后通過Batch Normalization和Dropout技術(shù)改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)，并優(yōu)化神經(jīng)網(wǎng)絡(luò)超參數(shù)以提高模型的準(zhǔn)確度和計(jì)算效率。最后將本文算法與傳統(tǒng)的診斷算法進(jìn)行對(duì)比，驗(yàn)證了本文所提方法的優(yōu)越性。

1 復(fù)Morlet時(shí)頻變換方法

短時(shí)傅里葉變換的時(shí)頻窗口保持不變，僅適合用于分析頻率基本保持恒定的平穩(wěn)信號(hào)，而連續(xù)小波變換則針對(duì)短時(shí)傅里葉變換分辨率固定的缺點(diǎn)進(jìn)行了完善，是一種自適應(yīng)的時(shí)頻分析方法。

小波變換的難點(diǎn)在于小波基的選取，本文選擇復(fù)Morlet小波基。首先它既提供幅值信息，還提供相位信息，且相位信息對(duì)突變的柴油機(jī)振動(dòng)信號(hào)更敏感；其次復(fù)Morlet小波變換波形與柴油機(jī)振動(dòng)信號(hào)均為帶沖擊的有阻尼自由衰減振動(dòng)信號(hào)，二者有相似性，進(jìn)而更有利于信號(hào)特征的提取[10]。

本文對(duì)柴油機(jī)缸蓋振動(dòng)信號(hào)h(t)進(jìn)行連續(xù)小波變換，變換公式如下。

(1)

式中，α為小波基的伸縮狀態(tài)，τ為時(shí)間平移因子，φ(t)為復(fù)Morlet小波基，其表達(dá)式為

(2)

式中，fc為小波中心頻率，fb為帶寬參數(shù)。通過調(diào)整復(fù)Morlet小波基的中心頻率和帶寬參數(shù)，便可以獲得適于分析柴油機(jī)缸蓋振動(dòng)信號(hào)的復(fù)Morlet小波基。

2 AlexNet神經(jīng)網(wǎng)絡(luò)

AlexNet是一種經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)(CNN)，它可以挖掘二維圖像的顏色、邊緣、紋理、幾何形狀等特征，其一般結(jié)構(gòu)示意圖如圖1所示。

圖1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Convolutional neural network structure

為減少圖片冗余信息，本文對(duì)變換得到的時(shí)頻圖進(jìn)行壓縮，然后輸入到卷積神經(jīng)網(wǎng)絡(luò)中。由于CNN使用梯度下降法來求解目標(biāo)函數(shù)的最小值，為加快收斂速度，將分布于0～255像素值的時(shí)頻圖歸一化至0～1之間。將歸一化后的時(shí)頻圖Y與經(jīng)過初始化的卷積核W進(jìn)行卷積，計(jì)算公式如下。

(3)

式中，i,j,m,n表示矩陣各元素的位置，S為卷積結(jié)果。

卷積核通過與圖像局部連接來提取圖像特征，與全連接方式相比可以大幅降低圖片冗余信息的影響。綜合考慮求解速度和表現(xiàn)性能，本文選取3×3及5×5大小的卷積核來進(jìn)行實(shí)驗(yàn)，文中卷積核、池化核、步長及圖像尺寸的單位均為像素。

完成卷積運(yùn)算后進(jìn)行偏置處理，之后把計(jì)算結(jié)果輸入至激活函數(shù)。ReLu激活函數(shù)無需求冪，運(yùn)算簡便，且在輸出大于0的區(qū)域梯度為1，可以保證反向傳播階段神經(jīng)網(wǎng)絡(luò)參數(shù)的繼續(xù)優(yōu)化，故本文選用ReLu作為激活函數(shù)，其表達(dá)式為

g(z)=max(0,ln(1+ez))

(4)

式中，z為激活函數(shù)的輸入值，g為激活函數(shù)。

在激活步驟之后設(shè)置批標(biāo)準(zhǔn)化層將激活值規(guī)范化在線性區(qū)間，從而加快模型的收斂速度[11]。

隨后進(jìn)行池化步驟，由于最大池化技術(shù)對(duì)特征圖的紋理信息提取效果更好，更適合挖掘時(shí)頻圖像的沖擊特征，故選用最大池化技術(shù)。特征圖在經(jīng)過池化層后維度將降低，從而達(dá)到特征降維的目的。

池化之后設(shè)置Dropout層，將前向傳播階段部分特征檢測器的激活結(jié)果以一定的概率忽略掉。在神經(jīng)網(wǎng)絡(luò)中引入該層會(huì)讓模型不過分依賴某些局部特征，泛化能力更強(qiáng)，可以有效防止過擬合情況的出現(xiàn)[12]。

經(jīng)過3個(gè)輪次的卷積、批標(biāo)準(zhǔn)化、池化、Dropout步驟后，將提取到的特征輸入到全連接層進(jìn)行特征組合從而完成分類。將輸出結(jié)果與實(shí)際的標(biāo)簽值進(jìn)行比對(duì)，利用反向傳播算法逐層傳遞誤差同時(shí)自適應(yīng)優(yōu)化網(wǎng)絡(luò)權(quán)重及偏置值，通過不斷的正向與反向傳播，最終完成模型訓(xùn)練。

3 氣門間隙異常故障診斷實(shí)驗(yàn)

3.1 實(shí)驗(yàn)裝置和數(shù)據(jù)采集

本文所用實(shí)驗(yàn)裝置為TBD234V12型柴油機(jī)，其主要參數(shù)如表1所示。通過在該柴油機(jī)缸蓋上安裝加速度傳感器來獲得缸蓋振動(dòng)信號(hào)，在飛輪上安裝鍵相傳感器來獲得其鍵相信號(hào)，在非驅(qū)動(dòng)端齒輪盤上安裝瞬時(shí)轉(zhuǎn)速傳感器來獲得其瞬時(shí)轉(zhuǎn)速信號(hào)。數(shù)采系統(tǒng)采樣頻率為51 200 Hz，柴油機(jī)故障診斷實(shí)驗(yàn)臺(tái)如圖2所示，柴油機(jī)故障診斷系統(tǒng)示意圖如圖3所示。以7～12號(hào)缸為氣門間隙故障模擬缸，在柴油機(jī)停機(jī)狀態(tài)下，利用厚度尺設(shè)置間隙值，再通過轉(zhuǎn)動(dòng)螺釘進(jìn)行氣門間隙固定，共設(shè)置6組氣門間隙正常和6組氣門間隙異常的故障模擬實(shí)驗(yàn)，如表2所示。為測試本文所提出的故障診斷方法在變工況條件下的診斷效果，故障模擬實(shí)驗(yàn)分別在12種工況下進(jìn)行，如表3所示。每種工況采集40～50組缸蓋振動(dòng)信號(hào)，然后將每組信號(hào)轉(zhuǎn)換為一幅時(shí)頻圖。先對(duì)7號(hào)缸進(jìn)氣門間隙嚴(yán)重故障情況進(jìn)行診斷，7號(hào)缸各關(guān)鍵相位如表4所示。

表1 TBD234V12型柴油機(jī)主要參數(shù)Table 1 Main parameters of the TBD234V12 diesel engine

表2 柴油機(jī)氣門間隙情況Table 2 Diesel engine valve clearance

表3 柴油機(jī)的不同工況Table 3 Different working conditions of the diesel engine

表4 7號(hào)缸關(guān)鍵相位Table 4 Key phases of cylinder 7

圖2 柴油機(jī)故障診斷實(shí)驗(yàn)臺(tái)Fig.2 Diesel engine fault diagnosis test bench

圖3 柴油機(jī)故障診斷系統(tǒng)示意圖Fig.3 Diagram of the diesel engine fault diagnosis system

柴油機(jī)正常工作時(shí)，曲軸旋轉(zhuǎn)一周鍵相傳感器便進(jìn)行一次采樣，而曲軸旋轉(zhuǎn)兩周柴油機(jī)才進(jìn)行一次點(diǎn)火。在截取兩周期信號(hào)時(shí)，由于一般根據(jù)鍵相脈沖信號(hào)截取，會(huì)導(dǎo)致相位不一致的情況發(fā)生，因此需要對(duì)截取出來的周期信號(hào)進(jìn)行相位調(diào)整，使得各關(guān)鍵相位一致，便于后續(xù)的圖像識(shí)別。

通過對(duì)點(diǎn)火相位處和點(diǎn)火相位后延360°處的沖擊能量值進(jìn)行比較，來判斷是否發(fā)生跑相位。若沒有跑相位情況出現(xiàn)，則點(diǎn)火角度對(duì)應(yīng)的沖擊能量值更大，將信號(hào)對(duì)中進(jìn)行剪切取其中一份，如圖4所示；反之，則截取信號(hào)中間的一個(gè)完整周期，如圖5所示。

圖4 相位切分圖Fig.4 Phase slice diagram

圖5 相位調(diào)整圖Fig.5 Phase adjustment diagram

柴油機(jī)工作周期時(shí)長會(huì)隨轉(zhuǎn)速而發(fā)生變化，但其各關(guān)鍵相位卻保持不變，因此在角域上分析信號(hào)更加方便。將柴油機(jī)振動(dòng)時(shí)序信號(hào)轉(zhuǎn)換到角域進(jìn)行分析，經(jīng)過相位調(diào)整和角域轉(zhuǎn)換后的柴油機(jī)缸蓋振動(dòng)信號(hào)如圖6所示。

圖6 振動(dòng)信號(hào)角域圖Fig.6 Vibration signal angular domain diagram

3.2 通過小波變換獲取時(shí)頻圖

選取適合于分析沖擊信號(hào)的db5小波基、sym6小波基、cmor3- 3小波基、S變換和Wigner- Ville變換來獲取時(shí)頻圖。從圖7、圖8可以看出：db5和sym6小波基對(duì)于部分高能量值的信號(hào)點(diǎn)無法分辨，且其整體頻率分辨率較低；S變換在信號(hào)的高頻區(qū)域頻率分辨率較低，即高頻分辨率不夠準(zhǔn)確；Wigner- Ville變換時(shí)頻聚焦性良好，但交叉項(xiàng)干擾過多，此外能量值也較低，不利于后續(xù)的圖像識(shí)別；而cmor3- 3小波基時(shí)頻分辨率較高，時(shí)頻聚焦性好，圖像清晰，更能揭示信號(hào)沖擊能量值高的區(qū)域。

圖7 4種變換的時(shí)頻圖Fig.7 Time-frequency diagrams of four transform methods

圖8 cmor3- 3小波基時(shí)頻圖Fig.8 Time-frequency diagram of the cmor3- 3 wavelet base

綜合比較以上結(jié)果，最后選擇采用復(fù)Morlet小波即cmor3- 3小波基將振動(dòng)信號(hào)轉(zhuǎn)換為時(shí)頻圖。

3.3 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與測試

通過復(fù)Morlet小波將7號(hào)缸在不同轉(zhuǎn)速和扭矩下的振動(dòng)數(shù)據(jù)進(jìn)行變換，得到多種工況下正常氣門間隙下的531幅時(shí)頻圖和進(jìn)氣門間隙異常增大故障下的537幅時(shí)頻圖。用500幅正常工況和500幅異常故障的時(shí)頻圖作為訓(xùn)練集，余下的31幅正常和37幅異常的時(shí)頻圖作為測試集。在初始AlexNet網(wǎng)絡(luò)基礎(chǔ)上，通過設(shè)置4層Batch Normalization和4層Dropout來改進(jìn)AlexNet神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，以增強(qiáng)其診斷能力，改進(jìn)后的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如表5所示。

表5 基于AlexNet的網(wǎng)絡(luò)結(jié)構(gòu)Table 5 Network structure based on AlexNet

在優(yōu)化的網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上，通過控制變量法研究時(shí)頻圖像素值、卷積層卷積核大小、最小學(xué)習(xí)率、批處理數(shù)量(Batch Size)、Epoch數(shù)量對(duì)模型準(zhǔn)確率的影響，結(jié)果如表6所示。

表6 調(diào)參情況Table 6 Parameter tuning

通過調(diào)參，找到了相對(duì)較優(yōu)的參數(shù)可以使模型的準(zhǔn)確率較高，且計(jì)算時(shí)間相對(duì)較短。較優(yōu)參數(shù)如表7所示，此時(shí)模型在多工況測試集下的準(zhǔn)確率為98.91%。

表7 AlexNet神經(jīng)網(wǎng)絡(luò)較優(yōu)參數(shù)Table 7 Optimal parameters of the AlexNet neural network

4 結(jié)果分析

4.1 不同故障模式下模型的準(zhǔn)確率

第3節(jié)的振動(dòng)信號(hào)是在多工況下采集的，模型的訓(xùn)練也是通過多工況數(shù)據(jù)完成的，多工況測試集的驗(yàn)證結(jié)果表明所提模型的準(zhǔn)確率高，說明該方法可以很好地適應(yīng)柴油機(jī)變負(fù)載和變轉(zhuǎn)速的工況。但上文僅針對(duì)單一故障進(jìn)行了研究，為充分驗(yàn)證本文方法的有效性和適應(yīng)性，接下來對(duì)其他5種柴油機(jī)氣門間隙異常故障模式進(jìn)行訓(xùn)練和測試。不同故障模式下復(fù)Morlet變換+改進(jìn)AlexNet方法的平均準(zhǔn)確率和綜合準(zhǔn)確率如表8所示。

表8 復(fù)Morlet變換+改進(jìn)AlexNet方法的準(zhǔn)確率Table 8 Accuracy of the complex Morlet andimproved AlexNet method

4.2 與傳統(tǒng)方法的對(duì)比

為了驗(yàn)證本文所提出的基于復(fù)Morlet變換+改進(jìn)AlexNet神經(jīng)網(wǎng)絡(luò)進(jìn)行柴油機(jī)氣門間隙異常故障診斷方法的有效性，與兩種傳統(tǒng)的故障診斷方法進(jìn)行對(duì)比實(shí)驗(yàn)：第一種為基于支持向量機(jī)(SVM)的柴油機(jī)氣門間隙異常故障診斷方法，該方法通過手工提取氣門啟閉沖擊組成特征向量來實(shí)現(xiàn)對(duì)柴油機(jī)氣門間隙異常故障的診斷；第二種為基于主成分分析和支持向量機(jī)(PCA+SVM)的氣門間隙異常診斷方法，該方法首先通過PCA技術(shù)對(duì)特征進(jìn)行降維，然后再利用SVM對(duì)氣門間隙故障情況分類。對(duì)比結(jié)果如表9所示，可以看出本文所提方法的識(shí)別準(zhǔn)確率更高。

表9 不同方法綜合準(zhǔn)確率對(duì)比Table 9 Comparison of the comprehensive accuracy ofdifferent methods

5 結(jié)束語

本文提出了一種基于復(fù)Morlet變換+改進(jìn)AlexNet神經(jīng)網(wǎng)絡(luò)的柴油機(jī)氣門間隙異常故障診斷方法。首先根據(jù)柴油機(jī)缸蓋振動(dòng)信號(hào)非平穩(wěn)的特點(diǎn)選擇適于分析該信號(hào)的復(fù)Morlet時(shí)頻變換方法；然后通過調(diào)整Batch Normalization層和Dropout層來優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，通過調(diào)整卷積核大小等超參數(shù)來提高模型的準(zhǔn)確率，所構(gòu)建的氣門間隙故障診斷模型在測試集上的準(zhǔn)確率達(dá)到了98.91%。最后對(duì)6種進(jìn)排氣門間隙故障進(jìn)行識(shí)別，綜合準(zhǔn)確率達(dá)到了98.77%，明顯高于傳統(tǒng)的SVM算法。