胡甫才 薛厚強 高 碩 魏志威

(武漢理工大學(xué)能源與動力工程學(xué)院1) 武漢 430063) (高性能船舶技術(shù)教育部重點實驗室2) 武漢 430063)

0 引 言

空壓機作為重要的通用機械，廣泛應(yīng)用于船舶、家用電器、石油化工等各生產(chǎn)領(lǐng)域.氣門為空壓機的核心部件，惡劣的工作環(huán)境使其極易發(fā)生故障，因此開展空壓機氣門故障監(jiān)測診斷技術(shù)的研究對于滿足工程的急迫需求具有重要的意義和價值.

沖擊力受氣門影響，氣門失效時其作用時間、強度發(fā)生改變，缸蓋表面振動信號的特性隨之變化.因而利用缸蓋表面振動信號進(jìn)行氣門故障識別具有可行性[1].往復(fù)式空壓機因其結(jié)構(gòu)復(fù)雜、且激勵源多，造成其振動信號存在較強的非平穩(wěn)性，其統(tǒng)計量亦是時變函數(shù)，常規(guī)的時域、頻域法難以有效提取出故障特征信息.Wigner-Ville分布是Cohen類時頻分布中的一種典型的分析方法，頻聚集性好，但對信號進(jìn)行時頻分析時會產(chǎn)生嚴(yán)重的交叉項，難以揭示信號的本質(zhì)特征.若把Wigner-Ville分布的時頻矩陣視為圖像，進(jìn)而利用Hough變換將待分析信號變?yōu)榍蠼饩植繕O大值，可以有效抑制Wigner-Ville分布帶來的噪聲與交叉項[2].基于振動信號的氣門故障診斷的第二步是故障判據(jù)的準(zhǔn)確提取.由于操作人員觀察和分析振動譜時頻圖像時的主觀性，現(xiàn)有的各種時頻分析方法有時很難準(zhǔn)確識別出潛在的、早期的微弱故障特征.為避免這種主觀性，獲得準(zhǔn)確唯一的診斷結(jié)果，可采用圖像特征提取和模式識別方法[3].KNN算法[4]作為一種統(tǒng)計學(xué)習(xí)方法，用其進(jìn)行故障樣本分類，易于實現(xiàn)，在空壓機氣門故障診斷中具有重要的研究意義.

為此，本文針對機械振動譜圖像，采用圖像識別技術(shù)，提出了一種以Wigner-Hough振動譜圖像一階時間矩、頻率矩為特征參數(shù)的KNN識別空壓機氣門故障診斷方法.此方法以振動譜時頻圖像為二維輸入信號，進(jìn)一步分析和挖掘，通過提取二維振動譜圖像的特征參數(shù)，自動識別出空壓機氣門故障特征，并進(jìn)行了試驗驗證.

1 基于Wigner-Hough振動譜圖特征提取理論

較多的激勵源使采集到的空壓缸機蓋表面振動信號表現(xiàn)為非平穩(wěn)性，其統(tǒng)計量亦是時變函數(shù).基本的時域或頻域分析難以掌握信號內(nèi)在的本質(zhì)，還希望得到信號頻譜隨時間的變化情況.本文利用Wigner-Hough算法[5]對其進(jìn)行時頻分析，揭示信號的時頻特征.

設(shè)連續(xù)時間信號x(t)，t∈R，則信號的Wigner-Vill分布定義為

(1)

Hough變換的直線極坐標(biāo)參數(shù)方程為

ρ=tcosθ+fsinθ(ρ≥0,0≤θ≤π)

(2)

式中：ρ為直線與平面空間中原點的距離，即極半徑；θ為ρ與t軸之間的夾角.

將Wigner-Vill分布的時頻矩陣看作圖像，并作為變換對像進(jìn)行Hough變換得到Wigner-Hough變換，即W-H變換.設(shè)信號

x(t)=ej2π(v0t+β/2t2+n(t)

(3)

式中：n(t)為白噪聲.

其W-H變換為

(4)

式中：(v0，β)為參數(shù)空間中峰值點的坐標(biāo).

Wigner-Hough變換將信號檢測轉(zhuǎn)變?yōu)閷ふ揖植繕O大值的問題，很好地抑制噪聲與交叉項.

Wigner-Hough時頻譜圖的特征提取在根本上是一個圖像識別問題.譜圖特征提取方法主要有比對法、時頻譜圖分塊,以及提取譜圖本身的圖形特征作為特征參數(shù).然而Wigner-Hough譜圖分辨率高，對診斷結(jié)果的影響很大.為此，對時頻矩陣進(jìn)行256級的灰度量化，處理方法為[6-7]

(5)

式中：G(i，j)為量化后像素點灰度值；H(i，j)為時頻矩陣中點(i，j)的幅值；max為取最大值；round為就近取整.

對于時頻表示，矩和邊緣特性提供了重要的信息.時頻能量分布Cx(t，f)的一階時間、頻率矩描述了信號在時間和頻率上的平均位置和散布情況，分別為定義為[8]：

一階時間矩

(6)

一階頻率矩

(7)

2 空壓機氣門故障特征分析

本文以某往復(fù)式空壓機氣門為研究對象.人為地將氣門內(nèi)側(cè)沿徑向打磨凹槽，外側(cè)則切割兩個凹口，以此進(jìn)行氣門早期的漏氣故障模擬試驗，見圖1.

圖1 漏氣故障模擬試驗

試驗測試系統(tǒng)所使用的儀器有：丹麥某公司生產(chǎn)的加速度傳感器，靈敏度為100 mV/g，光洋TRD-2E旋轉(zhuǎn)編碼器，最高響應(yīng)速度為200 kHz，某公司LMS-SCADAS Ⅲ測試系統(tǒng).試驗時在氣缸蓋上布置加速度傳感器，以測試出氣缸蓋表面振動信號.設(shè)定采樣頻率與單次采樣時間，分別為16 kHz及2 s.首先測取正常氣門的缸蓋振動信號.選取的背壓為0.2～1.2 MPa，控制儲氣罐的泄壓閥以保持背壓穩(wěn)定，氣壓增量每次為0.1 MPa；然后將氣門換為前述的故障氣門，重復(fù)測試流程.

圖2 0.4 MPa背壓下正常和故障時域圖

基于以上試驗，采集到氣門正常與故障狀態(tài)下振動信號的時域波形見圖2.鑒于篇幅關(guān)系，本文僅給示了部分分析結(jié)果.由圖2可知，與故障情況相比，正常情況下的振動峰值較大.分析認(rèn)為：正常情況下，氣門的密封性較好，氣門壓力大于故障情況，從而導(dǎo)致振幅較大.

取0.4 MPa背壓下的實測信號中任意一個周期的功率譜分析結(jié)果，頻域分辨率0.5 Hz，頻帶0～8 000 Hz，考察氣門故障是否具有頻譜特征，見圖3.

圖3 0.4 MPa背壓下正常和故障頻域圖

從頻譜分析結(jié)果來看：正常氣門情況下，振動信號的總能量較高且幅值較大，頻譜無特征頻率.同時，振動信號頻帶較寬，說明振動信號中沖擊成分較高.兩種氣門頻譜的主要區(qū)別在振動能量上，分布規(guī)律無明顯差別.體現(xiàn)為功率譜幅值的差異，和時域分析的結(jié)果相同.

由此可見，利用功率譜不能得到信號頻率隨時間的變化分布.因此，采用Wigner-Hough方法對實測信號進(jìn)行分析，研究故障信號的時頻特征.

據(jù)此，根據(jù)Wigner-Hough算法的理論分析，采用Matlab編程得到空壓機氣門正常及故障狀態(tài)下的Wigner-Hough變換時頻譜圖，部分分析結(jié)果見圖4.

圖4 0.4 MPa背壓下正常和故障時頻譜圖

比較同一工況氣門正常與故障狀態(tài)下的譜圖可以發(fā)現(xiàn)：正常狀態(tài)下譜圖的幅值較故障狀態(tài)下譜圖幅值更大一些.從理論上分析，出現(xiàn)此現(xiàn)象的原因主要是由于氣門發(fā)生故障后繼而發(fā)生漏氣，導(dǎo)致了氣門閥片在未達(dá)到啟閥壓力的情況下氣體開始外泄，并引起閥片振動.此外，氣體泄露使氣門啟閥受到的沖擊變小，從而信號的振幅變小.對比時域波形和功率譜，Winger-Hough譜圖正確表示了信號能量的時間-頻率聯(lián)合分布特點.對于Wigner-Vill分布，信號之間存在嚴(yán)重的交叉項，而W-H變換后峰值點被分離，有效抑制了交叉項的存在.

3 基于振動譜圖像識別的氣門故障診斷及試驗驗證

根據(jù)上述理論對氣門各狀態(tài)下的特征參數(shù)按時間段和頻率帶的分布情況進(jìn)行計算，以確定故障診斷的依據(jù).其結(jié)果見表1～2.

表1 時間分布 s

表2 頻率分布 Hz

相較于正常狀態(tài)，當(dāng)空壓機發(fā)生氣門故障時，氣缸蓋表面振動信號在第2、3時間段內(nèi)以及第3頻率帶內(nèi)，能量分布差異較大，因此選取第2、3時間段內(nèi)以及第3頻率帶內(nèi)的能量.

根據(jù)譜圖的特征參數(shù)來區(qū)分氣門的工作狀態(tài)是一個模式識別問題.KNN算法是統(tǒng)計學(xué)習(xí)方法中的一種通用學(xué)習(xí)算法，其核心思想是：特征空間中，如果某一待分類樣本k個最相鄰樣本中的大多數(shù)屬于某一類，則該待分類樣本也屬于此類，并具有此類別上樣本的特性[9-12].

設(shè)輸入樣本集.

T={(x1,y1),(x2,y2),…，(xN,yN)}

(8)

式中：xi∈X?T為樣本集的特征向量；yi∈Y={c1,c2,…,cN}為樣本的類別；i=1,2,…，N；x為待檢測樣本的特征向量.

設(shè)輸出待檢測樣本所屬類別為y，在k個點的鄰域Nk(x)中判斷x的類別為

i,j=1,2,…,N

(9)

式中：I為指示函數(shù)；k為近鄰個數(shù).

選取歐式距離函數(shù)計算訓(xùn)練樣本和待檢測樣本之間的距離，以刻畫不同樣本間的相似度.

(10)

式中：di與dj為文本的特征向量；p為特征向量維數(shù)；wik為樣本di的第k維坐標(biāo).

將上述計算得到的一階時間、頻率矩作為樣本數(shù)據(jù)，另外以正常與故障氣門作為樣本狀態(tài)標(biāo)簽，將計算數(shù)據(jù)隨機分為訓(xùn)練樣本及預(yù)測樣本.基于Matlab平臺，根據(jù)上述分析采用模式識別KNN算法對其進(jìn)行故障識別，當(dāng)K=4時，其正確識別率可達(dá)94.75%.

為了驗證文章所提方法的有效性，綜合上述研究成果，基于Matlab、Labview混合編程語言開發(fā)了空壓機氣門監(jiān)測診斷平臺.整個平臺集信號采集、時域分析、頻域分析和時頻分析于一體，其主要程序都由MATLAB實現(xiàn)，包括信號時域、頻域、時頻分析計算，特征參數(shù)提取,以及KNN故障識別.然后在LabVIEW中通過MATLAB Script來實現(xiàn)混合編程，實現(xiàn)了空壓機氣門的監(jiān)測與診斷，其總體正確診斷率為94.38%，校驗了Wigner-Hough算法在揭示空壓機非平穩(wěn)振動信號中的正確性、時頻圖像特征提取方法以及故障識別算法的有效性.這可為實現(xiàn)空壓機氣門早期故障預(yù)警提供重要的理論依據(jù).

4 結(jié) 論

1) 往復(fù)式空壓機振動信號存在較大的非平穩(wěn)性，氣門閥片出現(xiàn)磨損故障后，缸蓋表面振動信號的總能量降低，表現(xiàn)為峰值的減小.氣門振動信號的頻譜能量分布較寬，體現(xiàn)出振動信號的強沖擊性.正常信號和故障信號頻譜分布相似，沒有明顯的特征頻率和頻帶差別.利用基本的信號時域及頻域分析手段難以準(zhǔn)確揭示空壓機氣門的故障特征.

2) 基于Winger-Hough算法的振動信號時頻分析，干擾項小，其時頻譜圖表達(dá)明確，直觀準(zhǔn)確地表征了氣門正常狀態(tài)下振動信號幅值較大且能量分布較為集中，氣門故障狀態(tài)下振動信號幅值較小且能量分布較為分散，并且有效地抑制了交叉項的存在，是一種有效的時頻分析手段.

3) 一階時間、頻率矩較為穩(wěn)定，可以描述圖像的疏密分布和邊緣特征，本文采用兩個圖形分布特征相結(jié)合的特征提取方式，利用KNN算法實現(xiàn)了故障識別，試驗表明了診斷正確率為94.38%，可以認(rèn)為將KNN和Wigner-Hough振動譜圖像識別方法用于空壓機氣門故障診斷是行之有效的.