【摘要】通過運(yùn)用基于缸蓋振動(dòng)信號(hào)能量特征的信息識(shí)別模型，專門針對(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。通過對(duì)實(shí)車數(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，其中氣門起著控制氣缸換氣，密封燃燒室的作用。氣門間隙正常與否，直接影響著柴油機(jī)的動(dòng)力性、經(jīng)濟(jì)性和可靠性。間隙過小時(shí)，會(huì)因氣門受熱膨脹而使氣門關(guān)閉不嚴(yán)引起漏氣，使得氣門和氣門座口過熱而燒蝕，導(dǎo)致氣缸壓力不足，嚴(yán)重時(shí)甚至?xí)斐蓡?dòng)困難;間隙過大時(shí)，氣門開閉不正時(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，必須通過檢查使氣門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)、氣門落座沖擊和氣門開啟節(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)來識(shí)別氣門間隙的狀態(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。下面以排氣門附近的螺栓處傳感器測(cè)得的信號(hào)為例進(jìn)行說明。

圖1-1 狀態(tài)A進(jìn)排氣門間隙均正常時(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)排氣門間隙均正常、狀態(tài)B排氣門間隙過小、狀態(tài)C排氣門間隙過大、狀態(tài)E進(jìn)排氣門間隙均過小、狀態(tài)F進(jìn)排氣門間隙均過大。對(duì)排氣門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排氣門間隙過小時(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排氣門間隙過大時(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)排氣門間隙均過小時(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)排氣門間隙均過小時(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

（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表征柴油機(jī)配氣機(jī)構(gòu)中的氣門間隙異常故障，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)為平均類內(nèi)距離小和均類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類的第m個(gè)樣本的第j個(gè)特征;Mt為第t類的樣本數(shù);J為每一類的特征個(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)類的類內(nèi)距離的平均值：

（2-2）

上式中：k，m=1，2，…，Mt，k≠m

第二步：計(jì)算不同類之間的類間距的平均值：

（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。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)練過程中通過調(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標(biāo)簽之間的非線性關(guān)系，通過適當(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)中排氣門至進(jìn)氣門落座沖擊段的信號(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.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，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：車輛裝備故障診斷。