【摘要】通過運用基于缸蓋振動信號能量特征的信息識別模型,專門針對柴油機配氣機構易發(fā)故障的特點,探討了基于SVM的信息識別技術在柴油機故障診斷中的具體運用。通過對實車數(shù)據(jù)比較試驗表明,此方法在識別柴油機配氣機構的故障類型上相比于傳統(tǒng)診斷方法更加有效。
【關鍵詞】故障診斷;配氣機構;振動信號;能量特征
配氣機構是柴油機的主要運動部件之一,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,直接影響著柴油機的動力性、經(jīng)濟性和可靠性。間隙過小時,會因氣門受熱膨脹而使氣門關閉不嚴引起漏氣,使得氣門和氣門座口過熱而燒蝕,導致氣缸壓力不足,嚴重時甚至會造成啟動困難;間隙過大時,氣門開閉不正時,柴油機噪音增大,進氣不足和排氣不盡,柴油機功率下降,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,且在拆裝過程中對各運動副的配合間隙產(chǎn)生影響;而后者是在發(fā)生故障后進行檢測,柴油機本身已經(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信號。柴油機振動信號源于燃燒激勵、活塞敲擊激勵、慣性力激勵、氣門落座沖擊和氣門開啟節(jié)流沖擊等多種激勵源的綜合作用[2],其中包含了豐富的故障信息,并且具有信號便于分辨、快速響應、識別精度高、檢測區(qū)域廣泛等優(yōu)點,適宜于柴油機主要運動部件的診斷。因此,如何在特征層融合中利用振動信號來識別氣門間隙的狀態(tài),為決策層融合提供可靠的依據(jù),確保故障得到及時、有效地檢修,具有很強的現(xiàn)實意義。
1.柴油機振動信號的處理與診斷
振動信號故障特征提?。?/p>
在檢測信號時,各零部件運行時產(chǎn)生的振動和隨機噪聲都會影響到氣門故障特征信號,因此需要對其進行故障特征的提取。下面以排氣門附近的螺栓處傳感器測得的信號為例進行說明。
圖1-1 狀態(tài)A進排氣門間隙均正常時信號的
時域波形及其三維時頻圖
1.1 各工況信號的時頻域分析
實驗設置五種工況:狀態(tài)A進排氣門間隙均正常、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進排氣門間隙均過小、狀態(tài)F進排氣門間隙均過大。對排氣門附近的螺栓處傳感器測得的信號進行時頻域分析,如圖1-1至1-5所示。
圖1-2 狀態(tài)B排氣門間隙過小時信號的
時域波形及其三維時頻圖
圖1-3 狀態(tài)C排氣門間隙過大時信號的
時域波形及其三維時頻圖
圖1-4 狀態(tài)E進排氣門間隙均過小時信號的
時域波形及其三維時頻圖
圖1-5 狀態(tài)F進排氣門間隙均過小時信號的
時域波形及其三維時頻圖
振動信號的幅值峰值的分布的時間、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。而信號的幅值與信號的能量緊密相連,氣門間隙異常時,其振動信號中某些頻段的能量與信號的復雜性也發(fā)生變化,因此,可提取信號的能量和復雜性特征作為故障特征。
1.2 IMF分量的選取
EMD可根據(jù)信號的局部時變特性進行自適應的時頻分解,將信號分解成若干個固有模式分量(IMF),減少了信號間特征信息的干涉或耦合,利于深層次的信息挖掘[3]。
將重點段信號進行EMD分解發(fā)現(xiàn)不同類別的信號得到的IMF分量Ci的個數(shù)略有不同,有10個、11個不等,這顯然不利于計算。為方便計算和去除冗余分量和虛假分量,要采用一定準則對IMF分量進行選取。本文經(jīng)對比分析后采用方差貢獻率準則。依據(jù)公式1-5計算各IMF的貢獻率Mi,再對多個信號計算取平均值后結(jié)果見表1-1所示。
(1-1)
(1-2)
式中:Di為第i個IMF分量的方差;N為信號EMD分解所得IMF個數(shù);△t為采樣周期;n為采樣點數(shù);k為采樣點。
綜合前文分析,信號的幅值與信號的能量緊密相連,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,本文采用計算復雜度較小的能量比,其具體步驟如下:
第一步:對去噪后的信號進行EMD分解,依據(jù)IMF方差貢獻率準則選取了前六個IMF分量Ci(t)進行計算,i=1,2,…,n(n=5)。
第二步:按式1-7計算IMF的能量,其中n為采樣點數(shù);k為采樣點。
(1-3)
第三步:構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.配氣機構故障的SVM識別
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配氣機構中的氣門間隙異常故障,但對于待識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判準則對各特征進行對比分析,對各特征進行有效選擇,以最終構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判準則,認為平均類內(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]。
設一個具有T個類的特征集:
{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個樣本的第j個特征;Mt為第t類的樣本數(shù);J為每一類的特征個數(shù),本文中Mt=20,T=5,J=5。基于距離的特征敏感性評價準則的算法描述如下:
第一步:計算T個類的類內(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:定義并計算一個加權因子
(2-4)
上式中:
t,e=1,2,…,T,t≠e
第四步:得到特征敏感性評判指標值:
(2-5)
更大的值意味著相應的特征具有更強的敏感性,更容易區(qū)分T個不同的類。因此,可以從IMF能量比特征集、IMF復雜度特征集、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,進而選取若干個值較大的特征組成敏感特征集,以便輸入SVM中進行氣門間隙的狀態(tài)識別。
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共四個敏感特征組成敏感特征集用于SVM識別。
圖2-1 各故障特征的敏感性評判指標值的柱狀圖
3.基于敏感特征集和SVM的配氣機構故障診斷
將上述敏感特征集分為訓練和測試兩部分。用訓練樣本集訓練SVM,用測試樣本集測試訓練得到的SVM,訓練過程中通過調(diào)整SVM的核函數(shù)和懲罰參數(shù)使其診斷正確率達到要求,將訓練好的SVM保存,利用訓練好的SVM即可對柴油機配氣機構進行故障診斷。
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的復雜度R2、IMF3的樣本熵S3成敏感故障特征,每種狀態(tài)有20個故障樣本,共100個樣本,現(xiàn)隨機取出其中60組訓練,剩下40組為測試樣本。限于篇幅,表4-6給出其中15組訓練樣本。
基于SVM的配氣機構故障診斷效果除了與故障特征提取有關外,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,應用較多的核函數(shù)有:
d階多項式(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),主要因為RBF核的計算難度較小,并且可以處理故障特征與類標簽之間的非線性關系,通過適當?shù)膮?shù)選擇可以適用于任意分布的樣本[10]。
利用SVM對40個測試樣本進行診斷,其中4組識別錯誤,正確率90%。此外,本文還采用不同數(shù)量訓練樣本對SVM進行訓練,訓練樣本、測試樣本共100個。剩余樣本為測試樣本,其結(jié)果如表3-2所示。
表3-2 不同訓練樣本數(shù)下SVM的識別效果
訓練樣本數(shù) 20 40 60 80 90
識別率S(%) 75 81.67 90 95 90
耗時T(s) 2.387 2.736 3.168 3.392 3.898
由表3-2可以看出,當訓練樣本較少,例如為20個時,SVM識別率就達到75%,訓練樣本60以上時就達到了90%,識別率相對是較高的。但在訓練樣本為90個,測試樣本為10時,SVM的識別準確率反而由原來的95%下降至90%,經(jīng)分析數(shù)據(jù)后發(fā)現(xiàn),在這10個測試樣本中有一個奇異樣本,影響了識別準確率。
4.小結(jié)
本文針對柴油機配氣機構的氣門間隙異常故障,在對振動信號進行時頻分析的基礎上,截取整周期信號中排氣門至進氣門落座沖擊段的信號作重點分析,并分析各工況信號的三維時頻圖和時域波形,提出從能量和復雜度特征兩方面結(jié)合EMD進行特征提取的方法。其次,建立了基于距離的故障特征敏感性評判指標,通過指標值的計算,進一步提取出IMF1分量的能量比E1、IMF4的能量比E4、IMF2的復雜度R2、IMF3的樣本熵S3組成敏感故障特征集輸入SVM進行氣門間隙的狀態(tài)識別。結(jié)果表明SVM識別耗時短,所需數(shù)據(jù)樣本相對較少,適用于車輛實際故障診斷的需要。另外,如果將其運用在多傳感器特征層融合局部診斷中,能夠為下一步全局診斷提供有效可信的決策依據(jù)。
參考文獻
[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,應懷樵,等.小波包分解及其能量譜在發(fā)動機連桿軸承故障診斷中的應用[J].振動工程學報,2001,14(1):72-75.
[3]吳虎勝.EMD和SVM在武警車用柴油發(fā)動機故障診斷中的應用研究[D].西安:武警工程學院,2011.
[4]張小薊,張歆,孫進才.基于IMF能量熵的目標特征提取與分類方法[J].計算機工程與應用,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故障分析的應用[J].安徽大學學報(自然科學版),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)絡的軸承故障診斷[J].振動、測試與診斷,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,何正嘉,訾艷陽.基于混合智能新模型的故障診斷[J].機械工程學報,2008,44(7):112-117.
[9]王柯.基于粗糙集和支持向量機的智能故障診斷方法研究[D].無錫:江南大學,2008.
[10]孫紅輝,張清華,宋賢征.基于RBF神經(jīng)網(wǎng)絡的柴油機故障診斷[J].小型內(nèi)燃機與摩托車,2009,38(1):70-72.
作者簡介: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。