高秀才 李潔英

摘要：為及早發(fā)現(xiàn)發(fā)動機(jī)存在的不正常狀態(tài)，有效判斷故障類型，防止發(fā)生突發(fā)事故，提出了一種對運(yùn)轉(zhuǎn)條件下的發(fā)動機(jī)振動信號進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解的發(fā)動機(jī)故障診斷方法，利用不同故障造成的分解子信號能量差異構(gòu)造故障特征向量，對子信號能量占比按頻段進(jìn)行歸類，增加了相同故障類型的相似度和不同故障類型的區(qū)分度。

關(guān)鍵詞：發(fā)動機(jī);故障;診斷;經(jīng)驗(yàn)?zāi)B(tài)分解;能量;特征向量;歸類

0? 引言

發(fā)動機(jī)是各類機(jī)械裝置產(chǎn)生動力的源泉，類似于人類的心臟，及早的診斷出發(fā)動機(jī)存在的不正?，F(xiàn)象并采取有效措施對提高發(fā)動機(jī)的安全性、可靠性，降低維修費(fèi)用和防止突發(fā)事故具有重大的現(xiàn)實(shí)意義[1]。例如在參加國際裝備競賽或閱兵活動等重大場合前，通過綜合對多輛裝備進(jìn)行發(fā)動機(jī)故障診斷，篩選出更接近于無故障發(fā)動機(jī)運(yùn)轉(zhuǎn)特征的車輛來參加競賽或展覽，可靠性會明顯增強(qiáng)，有效降低出現(xiàn)突發(fā)情況的幾率，而且還可以避免失修和過剩維修。然而，發(fā)動機(jī)是一種典型的往復(fù)式動力機(jī)械，激勵(lì)和響應(yīng)都具有非平穩(wěn)性，產(chǎn)生故障的原因也是多方面的[2]，各子系統(tǒng)間相互影響，對其進(jìn)行故障診斷具有一定的困難性。近年來針對發(fā)動機(jī)故障診斷的理論和方法已經(jīng)成為熱門課題，如各種去噪技術(shù)、頻譜分析技術(shù)、小波分析技術(shù)、專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)等等，使發(fā)動機(jī)診斷技術(shù)發(fā)展產(chǎn)生了飛躍。文獻(xiàn)[3]和文獻(xiàn)[4]采用了光譜分析和油液鐵譜診斷故障，文獻(xiàn)[5]采用了基于噪聲的故障診斷技術(shù)，文獻(xiàn)[6]采用了瞬時(shí)轉(zhuǎn)速法進(jìn)行發(fā)動機(jī)故障診斷，文獻(xiàn)[7][8]采用了基于振動的診斷技術(shù)。相比之下，利用振動信號、噪聲進(jìn)行發(fā)動機(jī)故障診斷具有信號測取方便，適于在線診斷等優(yōu)點(diǎn)，但噪聲信號受環(huán)境和位置遠(yuǎn)近影響較大，在實(shí)際應(yīng)用上受到一定限制，使基于振動的故障診斷得到了廣泛的研究。故障診斷一般包括兩個(gè)階段，一是故障特征向量的提取，目前對采用小波分解進(jìn)行特征向量提取研究的比較多;二是根據(jù)提取的特征向量進(jìn)行故障識別，目前多采用神經(jīng)網(wǎng)絡(luò)算法。本文提出了基于經(jīng)驗(yàn)?zāi)B(tài)分解（EMD，Empirical Mode Decomposition）的發(fā)動機(jī)故障特征向量提取技術(shù)。利用EMD算法將發(fā)動機(jī)振動信號進(jìn)行分解，獲得固有模態(tài)函數(shù)（IMF，Instrinic Mode Function）信號及殘差信號，再分別計(jì)算其能量值，進(jìn)而提取故障特征向量。與小波分解相比，EMD不存在固定的基函數(shù)，具有更好的自適應(yīng)性，更能真實(shí)的反應(yīng)信號的特征。為進(jìn)一步增加故障診斷效果，采用頻帶劃分的方法對子信號能量占比進(jìn)行歸類，提高了相同故障類型的相似度和不同故障類型的區(qū)分度。利用MATLAB對發(fā)動機(jī)不同故障類型的振動信號進(jìn)行計(jì)算驗(yàn)證，證明按照上述方法進(jìn)行故障診斷是可行的。

1? EMD基本理論

本EMD是由美國國家宇航局的華裔科學(xué)家Norden e. Huang博士于1998年提出的一種新的處理非平穩(wěn)信號的方法?；贓MD的時(shí)頻分析方法既適合于非線性、非平穩(wěn)信號的分析，也適合于線性、平穩(wěn)信號的分析，并且對于線性、平穩(wěn)信號的分析也比其他的時(shí)頻分析方法更好地反映了信號的物理意義[9]。EMD是一種可以將任何復(fù)雜信號分解為有限個(gè)IMF的自適應(yīng)、高效率的分解方法。

EMD對信號分解的原理是：把信號x（t）分解成一組固有模態(tài)函數(shù)imfi（t）和一個(gè)最后的剩余值res（t）的和。

一個(gè)IMF函數(shù)需要滿足兩個(gè)條件：

①函數(shù)在整個(gè)時(shí)間范圍內(nèi)，局部極值點(diǎn)和過零點(diǎn)的數(shù)目必須相等，或最多相差一個(gè);

②在任意時(shí)刻點(diǎn)，局部最大值的包絡(luò)（上包絡(luò)線）和局部最小值的包絡(luò)（下包絡(luò)線） 平均必須為零。

圖1給出了某型發(fā)動機(jī)在800r/min條件下所采集振動信號的EMD處理結(jié)果，其中左上角x（t）為原始信號，之后10個(gè)分量分別是imf1（t）～imf10（t），右下角的為殘差res（t）信號。從圖中可以看出EMD過程是信號頻率逐漸降低的過程，在這里廣義的認(rèn)為這11個(gè)信號代表著11種不同頻率的信號?？梢钥闯鯡MD與傅里葉變換和小波變換不同，它的基函數(shù)不是事先預(yù)定或強(qiáng)制給定的，而是依賴信號本身，只和信號本質(zhì)特征有關(guān)，能根據(jù)分解過程中信號的特征而自適應(yīng)發(fā)生改變。

2? 基于EMD的故障特征提取方法

對發(fā)動機(jī)故障的診斷需要確定異常工況與正常工況下存在的不同，而單純從原始波形上往往很難區(qū)分出這些不同，尤其在故障初期，故障特征還不是很明顯時(shí)。因此需要對信號進(jìn)行處理，才能形成適宜區(qū)分不同故障的特征向量。這里假設(shè)發(fā)動機(jī)正常工作時(shí)，會對EMD產(chǎn)生的不同頻率子信號產(chǎn)生抑制或增強(qiáng)作用。當(dāng)發(fā)生故障時(shí)，這種抑制或增強(qiáng)作用會發(fā)生改變，即與正常工作時(shí)相比，子信號能量會有明顯差別，某些子信號的能量會減弱，而某些子信號的能量增強(qiáng)，甚至分解級數(shù)都會發(fā)生改變。這樣在各頻率成分imfi（t）和res（t）信號的能量和分解級數(shù)N中，就會包含豐富的故障信息。這里通過imfi（t）、res（t）信號能量和分解級數(shù)N構(gòu)造特征向量，對比故障工況下特征向量與正常工況下特征向量的變化即可分析出發(fā)動機(jī)的故障情況。下面介紹提取發(fā)動機(jī)振動信號特征向量的方法步驟：

③對子信號能量進(jìn)行歸一化處理，實(shí)際上是求出各子信號能量占總能量的百分比，加上分解級數(shù)N，得到特征向量。

這樣，通過計(jì)算可得到發(fā)動機(jī)在不同工況下的特征向量，依據(jù)特征向量來對發(fā)動機(jī)故障進(jìn)行診斷。

3? EMD故障診斷有效性驗(yàn)證

這里通過傳感器采集了正常工況A、進(jìn)氣門故障B和排氣門故障C下的各三組振動信號，如圖2所示。從圖2可以發(fā)現(xiàn)，單純從波形上很難發(fā)現(xiàn)明顯的故障特征。

這里應(yīng)用MATLAB對上述波形進(jìn)行EMD處理，按照第3節(jié)的方法提取特征向量，具體數(shù)值如表1所示。從表1中可以看出三種不同情況下特征向量存在一定的差別，尤其eres部分特征區(qū)別比較明顯，因此可以作為進(jìn)行不同故障類型判斷的特征參數(shù)使用，如目前常用的神經(jīng)網(wǎng)絡(luò)故障診斷[10][11]，這里不再介紹。

同時(shí)也發(fā)現(xiàn)，除正常工況下各子信號能量占比eimf-i、eres比較穩(wěn)定外，故障情況下即使相同的故障特征向量也可能存在較大的差異，當(dāng)前的特征向量只易于識別出發(fā)動機(jī)是否存在故障卻不易于區(qū)分出故障的類型。為了有效解決上述問題，這里對子信號能量占比eimf-i進(jìn)行歸類，將imfi（t）子信號按照頻率分為低頻類、中頻類和高頻類，殘差信號res（t）單獨(dú)列為一類。將相同類的能量占比進(jìn)行求和，高頻類和低頻類求和。得到歸類后的特征向量{殘差占比eres，高頻占比eimf-1+eimf-2+eimf-3+低頻占比eimf-7+eimf-8+eimf-9+eimf-10，中頻占比eimf-4+eimf-5+eimf-6，N}，如表2所示。

從表2的結(jié)果可以看出，對發(fā)動機(jī)振動信號EMD子信號能量占比eimf-i按頻段進(jìn)行合理歸類后，特征向量包含的元素個(gè)數(shù)大大降低，同時(shí)A、B、C三種工況區(qū)分更加明顯，相同工況下對比未歸類前提高了相似度，有益于識別故障并診斷出故障的類型。

經(jīng)過MATLAB計(jì)算驗(yàn)證，可以表明故障的產(chǎn)生會對某些頻率EMD子信號能量造成影響的假設(shè)是正確的，同時(shí)也驗(yàn)證了基于EMD的發(fā)動機(jī)故障診斷是可行的。

4? 結(jié)束語

本文通過對發(fā)動機(jī)振動信號進(jìn)行EMD處理并提取其特征向量，能夠有效的識別發(fā)動機(jī)故障，但相同故障的特征向量可能差異較大，相似度不夠好，可以采取按照頻帶劃分的方式對子信號能量占比進(jìn)行適當(dāng)歸類，來增加不同故障的區(qū)分度和同類故障的相似度，使故障類別更加易于區(qū)分。

參考文獻(xiàn)：

[1]仰德標(biāo)，明廷鋒.柴油機(jī)故障診斷研究綜述[J].武漢造船，2000（2）：27-29.

[2]金萍，陳怡然，白燁.內(nèi)燃機(jī)表面振動信號的性質(zhì)[J].天津大學(xué)學(xué)報(bào)，2000，33（1）：64-67.

[3]吳剛，劉勇，曹祥誠.光譜分析技術(shù)在柴油機(jī)故障診斷中的應(yīng)用[J].內(nèi)燃機(jī)車，2005（4）：47-48.

[4]劉冰，路彥珍.鐵譜分析技術(shù)在工程機(jī)械故障診斷中的應(yīng)用[J].工程機(jī)械與維修，2004（2）：107-108.

[5]Weidong Li， Robert M.Rarkin.Acoustic based condition monitoring of a diesel engine using self-organizing map network[J].applied Acoustics，2002，63（7）：699-711.

[6]Brain J.Murphy，Thomas Galie，Carl Byington.Diagnostic Fault Detection for Internal Combustion Engines via Norm Based Map Projections[C].2004 IEEE Aerospace Conference， Big Sky， Montana， USA，2004：3535-3542.

[7]Atsushi Fukasawa，Yumi Takizawa eta.Vibration Signal Analysis of Automobiles Based on Nonstationary Spectrum[C].Proceedings of the IECON’93， 1993（3） ：2272-2275.

[8]耿遵敏，程德林，宋孔杰.190柴油機(jī)故障振動診斷的研究與應(yīng)用[J].振動工程學(xué)報(bào)，1995（3）：37-45.

[9]林玉池.測量控制與儀器儀表前沿技術(shù)及發(fā)展趨勢[M].天津大學(xué)出版社，2008：167.

[10]李鳳鳴.基于小波神經(jīng)網(wǎng)絡(luò)的柴油機(jī)燃油系統(tǒng)故障診斷的設(shè)計(jì)與實(shí)現(xiàn)[D].濟(jì)南：山東大學(xué)，2010.

[11]舒苗淼.基于振動信號的柴油機(jī)小波神經(jīng)網(wǎng)絡(luò)故障診斷研究[D].太原：中北大學(xué)，2009.

[12]劉彬，馬少華，閆廣宇.生物醫(yī)學(xué)信號相似性分析方法的研究[J].醫(yī)療裝備，2017，30（14）：50-51.

[13]周東翔，張小明，陳明，王衍濤.小波分析在發(fā)動機(jī)故障診斷中的應(yīng)用[J].內(nèi)燃機(jī)與配件，2019（21）：240-241.

[14]李錦冰.基于卡爾曼濾波器及重構(gòu)方法的故障預(yù)測研究[D].大連：大連理工大學(xué)，2019.

[15]王劍楠.基于聲信號特征譜提取的發(fā)動機(jī)故障診斷系統(tǒng)設(shè)計(jì)[J].微型電腦應(yīng)用，2019，35（8）：119-123.