賀獻(xiàn)忠 徐麟紹 高超

摘要：二沖程低速柴油機(jī)具有復(fù)雜的振動(dòng)特性，傳統(tǒng)的經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）算法對其振動(dòng)信號處理效果不理想。為此，采用修正集合經(jīng)驗(yàn)?zāi)B(tài)分解（MEEMD）算法對低速柴油機(jī)機(jī)體振動(dòng)信號進(jìn)行分解。首先，采用三軸加速度計(jì)測量發(fā)動(dòng)機(jī)機(jī)體振動(dòng)。然后利用均方根（RMS）對三軸振動(dòng)強(qiáng)度進(jìn)行分析。最后，對x軸上的信號進(jìn)行MEEMD分析。結(jié)果表明：砌塊在x軸方向的振動(dòng)強(qiáng)度最大;與EMD算法相比，MEEMD算法可以抑制模態(tài)混合，有助于更好地識別塊振動(dòng)激勵(lì)。

關(guān)鍵詞：?低速柴油機(jī)?振動(dòng)?信號處理?修正集合經(jīng)驗(yàn)?zāi)B(tài)分解

中圖分類號：TM935

Analysis?of?the?Block?Vibration?of?Two-Stroke?Diesel?Engines?Based?on

the?MEEMD?Algorithm

HE?Xianzhong1*??XU?Linshao2??GAO?Chao3

1.?Merchant?Marine?College，?Shanghai?Maritime?University，?Shanghai，?201306?China;2.?Zhejiang?Shipping?Group?Zhehai?Shipping?Co.，?Ltd.，?Hangzhou，?Zhejiang?Province，?311500?China;3.?Transportation?Department，??Shougang?Mining?Corporation，?Tangshan，?Hebei?Province，?064404?China

Abstract：The?two-stroke?low-speed?diesel?engine?has?complex?vibration?characteristics，?and?the?conventional?empirical?mode?decomposition?（EMD）?algorithm?has?the?unsatisfactory?processing?effect?of?its?vibration?signals，?so?the?modified?ensemble?empirical?mode?decomposition?（MEEMD）?algorithm?is?adopted?to?decompose?the?signals?of??the?block?vibration?of?the?low-speed?diesel?engine.?First，?a?triaxial?accelerometer?is?used?to?measure?the?block?vibration?of?the?engine.?Then，?the?root?mean?square?（RMS）?is?used?to?analyze?the?vibration?intensity?of?three?axes.?Finally，?the?MEEMD?algorithm?is?used?to?analyze?the?signals?on?the?x-axis.?The?results?show?that?the?vibration?intensity?of?the?block?in?the?x-axis?direction?is?the?largest，?and?that?the?MEEMD?algorithm?can?suppress?modal?mixing?compared?to?the?EMD?algorithm，?which?helps?to?better?identify?the?vibration?excitation?of?the?block.?Key?Words：?Low-speed?diesel?engine;?Vibration;?Signal?processing;?Modified?ensemble?empirical?mode?decomposition

柴油機(jī)零部件眾多，振動(dòng)激勵(lì)源復(fù)雜[1]。特別是二沖程低速柴油機(jī)具有獨(dú)特的十字頭總成，其振動(dòng)比四沖程柴油機(jī)更復(fù)雜。因此，有必要對低速柴油機(jī)機(jī)體的振動(dòng)信號進(jìn)行研究分析。

經(jīng)典算法包括傅里葉變換和小波變換等[2]。經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）算法能夠?qū)π盘栠M(jìn)行自適應(yīng)分解，避免了傅里葉變換和小波變換依賴窗函數(shù)進(jìn)行分析的缺點(diǎn)[3]。然而，EMD分解結(jié)果中存在模態(tài)混疊和偽分量[4，5]。為了減少EMD的缺點(diǎn)，改進(jìn)的集合經(jīng)驗(yàn)?zāi)B(tài)分解（MEEMD）算法被提出[6]，并已成功應(yīng)用于各個(gè)領(lǐng)域。如對行星齒輪箱的振動(dòng)信號進(jìn)行分解[7]，可濾除包含主要故障信息的固有模態(tài)函數(shù)（IMF）分量[8]。MEEMD?算法也被用于地震分析[9-10]，研究地震波的變化特征。

上述研究結(jié)果表明，MEEMD?算法通過重構(gòu)本征模函數(shù)，具有有效特征識別的可靠方法。然而，尚未應(yīng)用于船舶低速柴油機(jī)缸體的振動(dòng)分析。因此，本文將MEEMD算法應(yīng)用于船用低速柴油機(jī)缸體振動(dòng)分析。主要目的是評估該方法在分解低速發(fā)動(dòng)機(jī)機(jī)體振動(dòng)信號中的有效性。

1材料和方法

1.1船用低速柴油機(jī)

在?MAN?B&W?公司生產(chǎn)的一臺二沖程低速柴油機(jī)上進(jìn)行了試驗(yàn)研究。該發(fā)動(dòng)機(jī)通常用于大型船舶，型號是6S35ME-B9，額定功率3570kW，額定轉(zhuǎn)速142rpm。

1.2信號采集

通過3軸振動(dòng)傳感器，測試機(jī)體表面振動(dòng)信號，安裝位置位于3缸和4缸之間，三個(gè)軸向（x，y，z）信號被傳感器同時(shí)采集。

振動(dòng)傳感器測得的信號被傳輸?shù)綌?shù)據(jù)采集系統(tǒng)，最后通過通用串行總線端口傳輸?shù)奖銛y式計(jì)算機(jī)。然后，通過安裝的?MATLAB?軟件對數(shù)據(jù)進(jìn)行離線處理。為了分析發(fā)動(dòng)機(jī)機(jī)體在中低負(fù)荷下的振動(dòng)情況，在25%負(fù)荷（98r、91.64kN.m）、40%負(fù)荷（105r、1116.13kN.m）、50%負(fù)荷三種負(fù)荷工況下進(jìn)行了試驗(yàn)。

1.3均方根（RMS）

為了評估發(fā)動(dòng)機(jī)機(jī)體在三軸上的振動(dòng)強(qiáng)度，利用式（1）計(jì)算振動(dòng)信號的均方根（RMS），

其中是時(shí)域信號中的第?k?個(gè)加速度值，N表示信號采樣的總數(shù)。

1.4修正集合經(jīng)驗(yàn)?zāi)B(tài)分解（MEEMD）

MEEMD是在EMD基礎(chǔ)上，在原始信號中加入一對正負(fù)白噪聲，利用置換熵算法（PE）去除異常本征模態(tài)函數(shù)（IMF），以獲得更好的分解效果。MEEMD?算法的具體步驟如下。

（1）在原始信號中加入正負(fù)白噪聲和：

式中表示白噪聲的幅度，和是在原始信號中加入白噪聲的結(jié)果。

（2）應(yīng)用EEMD對上述信號進(jìn)行分解，

其中和是EEMD的結(jié)果。

（3）對分量進(jìn)行求和平均計(jì)算，最大限度的消除白噪聲，得到，

（4）采用PE算法判斷是否為異常分量，PE算法定義為式（7），

式中g(shù)為PE重構(gòu)后內(nèi)部向量的序列，為每個(gè)序列發(fā)生的概率。

（5）從原始信號中去除異常分量。

（6）最后對r（t）進(jìn)行EMD分解得到最終的IMF分量和殘差：

（7）MEEMD的分解過程可簡化為式（10），

2?結(jié)果和討論

2.1時(shí)域分析

由圖1可以看出，不同負(fù)荷下，機(jī)體振動(dòng)表現(xiàn)出不同的強(qiáng)度，三個(gè)方向上的加速度均方根值相差很大。值得注意的是，發(fā)動(dòng)機(jī)機(jī)體的x軸振動(dòng)最大，且大于z軸振動(dòng)。一般情況下，由于?z軸是發(fā)動(dòng)機(jī)活塞往復(fù)運(yùn)動(dòng)的方向，缸內(nèi)燃油燃燒的沖擊使得z軸具有較大的振動(dòng)強(qiáng)度。然而，二沖程低速柴油機(jī)的活塞連桿部分的結(jié)構(gòu)不同于四沖程循環(huán)發(fā)動(dòng)機(jī)，十字頭總成是其獨(dú)特的結(jié)構(gòu)。十字頭總成的作用是連接活塞和連桿，承受側(cè)向推力，并指導(dǎo)活塞的運(yùn)動(dòng)。在所獲得的發(fā)動(dòng)機(jī)機(jī)體振動(dòng)中，雖然活塞運(yùn)動(dòng)方向的振動(dòng)強(qiáng)度較大，但由于十字頭組件在測量位置產(chǎn)生的側(cè)向推力的存在，x軸的均方根值最大。

隨著載荷的增加，z軸振動(dòng)強(qiáng)度變化不大，y軸振動(dòng)強(qiáng)度呈增長趨勢，約增長90%?。相反，x軸的振動(dòng)烈度有一定程度的下降，尤其是在50%?載荷工況下，下降了41%??？傮w而言，3個(gè)方向的均方根值之和在25%?載荷工況下最大，在50%?載荷工況下最小。這表明隨著低速柴油機(jī)轉(zhuǎn)速的提高，各方向的振動(dòng)強(qiáng)度趨于一致。

由于x軸的振動(dòng)強(qiáng)度最大，且與橫梁產(chǎn)生的側(cè)推力直接相關(guān)，因此對x軸的振動(dòng)數(shù)據(jù)進(jìn)行了分析。圖3給出了不同載荷條件下x軸振動(dòng)的時(shí)域波形。與上述分析結(jié)果一致，25%?載荷下的振幅較大，最大值為22?m/。然而，40%?和50%?載荷工況下的最大振幅有所下降，下降了27%?，均在16?m/左右。

2.2?MEEMD?分析

船用低速柴油機(jī)不同負(fù)荷條件下x軸的時(shí)域信號如圖2-圖4所示。分別用?EMD?和?MEEMD?兩種方法處理x軸上的信號，圖2-圖4的處理結(jié)果如圖5和圖6所示。EMD的分解結(jié)果包含15個(gè)本征模態(tài)函數(shù)和1個(gè)殘差，MEEMD?的分解結(jié)果包含12個(gè)本征模態(tài)函數(shù)和1個(gè)殘差。

EMD?方法的分解結(jié)果如圖5所示，?imf?1-imf?8是具有明顯周期性瞬態(tài)激勵(lì)含量的分量。因此，可以假設(shè)這些部件是由十字頭總成在活塞行程反轉(zhuǎn)期間撞擊缸體的激勵(lì)和氣缸內(nèi)的燃燒爆發(fā)沖擊引起的。Imf?9-imf?11可以被認(rèn)為是低速發(fā)動(dòng)機(jī)機(jī)體的整體振動(dòng)。其余部件包括?imf?12-imf?15均為穩(wěn)態(tài)單自由度振動(dòng)。低頻成分也可以認(rèn)為是由低速柴油機(jī)的整體振動(dòng)引起的。最終殘差是單調(diào)的，不能進(jìn)一步分解的成分。

MEEMD?方法的分解結(jié)果如圖6所示，imf1-imf5是具有不同點(diǎn)火周期的信號組件，因此與側(cè)推力和燃料燃燒爆發(fā)壓力有關(guān)，并且比?EMD?少3個(gè)。Imf6-imf8是發(fā)動(dòng)機(jī)機(jī)體的高頻振動(dòng)，而?imf9-imf12是其低頻振動(dòng)。最后，MEEMD?分析的殘差是單調(diào)的，不能進(jìn)一步分解，分解結(jié)果中白噪聲的殘差接近于0。因此，在原始信號中加入正負(fù)白噪聲對各?IMF?分量基本沒有影響。該算法也改善了其分解結(jié)果?？偟膩碚f，改進(jìn)的經(jīng)驗(yàn)?zāi)B(tài)分解的本征模態(tài)函數(shù)比經(jīng)驗(yàn)?zāi)B(tài)分解的本征模態(tài)函數(shù)少3個(gè)，從而抑制了模態(tài)混疊，減少了偽分量。該方法在機(jī)體振動(dòng)分析中具有良好的實(shí)用性，可為今后低速柴油機(jī)機(jī)體振動(dòng)信號處理提供方法參考。

3結(jié)論

本研究測量了二沖程低速柴油機(jī)在三種不同負(fù)荷條件下的機(jī)體振動(dòng)。主要目的是研究柴油機(jī)機(jī)體振動(dòng)的劇烈程度及其機(jī)理，以及機(jī)體振動(dòng)信號經(jīng)驗(yàn)?zāi)B(tài)分解對機(jī)體振動(dòng)信號分解的影響。為此，測量了發(fā)動(dòng)機(jī)3個(gè)方向（x、?y、?z?軸）的振動(dòng)信號。結(jié)果表明，由于十字頭總成產(chǎn)生的側(cè)向推力，x軸上的振動(dòng)強(qiáng)度最大。與經(jīng)驗(yàn)?zāi)B(tài)分解相比，經(jīng)驗(yàn)?zāi)B(tài)分解的本征模態(tài)函數(shù)個(gè)數(shù)較少，能夠抑制模態(tài)混疊，減少偽分量的出現(xiàn)。因此，該方法適用于低速柴油機(jī)機(jī)體振動(dòng)信號的分解。

參考文獻(xiàn)

[1] ?胡麗?，何先波，?譚政宇等.基于盲源分離算法的柴油機(jī)噪聲激勵(lì)源診斷[J].?內(nèi)燃機(jī)工程，?2023，44（1）：?27-33，44.

[2] ?HUANG?N?E，?SHEN?Z，?LONG?S?R，?et?al.?The?empirical?Mode?Decomposition?and?the?Hilbert?Spectrum?for?Nonlinear?and?Non-Stationary?Time?Series?Analysis[J].?Proceedings?of?the?Royal?Society?a-Mathematical

Physical?and?Engineering?Sciences，1998;454（1971）：903-995.

[3] 蔣佳煒，胡以懷，方云虎等.船舶動(dòng)力裝置智能故障診斷技術(shù)的應(yīng)用與展望[J].中國艦船研究，2020，15（01）：56-67.

[4] 李瑞星，戴瑩瑩，王潤賢等.基于EEMD和SOM的軸承故障診斷[J].機(jī)械工程師，2023（1）：4-8.

[5] 周軍，李永祥，任佳鵬.基于MEEMD與HT的諧波檢測方法[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2023，35（6）：73-82.

[6] 鄭近德，程軍圣，楊宇.改進(jìn)的EEMD算法及其應(yīng)用研究[J].振動(dòng)與沖擊，2013，32（21）：21-26，46.

[7] 魏秀業(yè)，程海吉，賀妍等.基于MEEMD與相關(guān)分析的行星齒輪箱測點(diǎn)優(yōu)化[J].制造技術(shù)與床，2022（2）：121-125.

[8] 張程，劉佳靜，蔡思靜等.基于MEEMD與MP的電網(wǎng)低頻振蕩模態(tài)識別[J].智慧電力，2022，50（4）：89-95.

[9] 余華龍，徐國林.基于MEEMD和時(shí)變VARMA模型的地震動(dòng)噪聲清除及基線修正[J].地震工程與工程振動(dòng)，2022，42（2）：172-180.

[10] 胡泰桓，曾春華，朱道恒等.風(fēng)暴作用下淺水波浪的MEEMD分析[J].海洋科學(xué)進(jìn)展，2023，41（1）：76-86.