黃元銀，黃雪

（杭州市蕭山公共交通有限公司修理分公司，杭州 311201）

引言

汽車發(fā)動機是汽車的重要部件，其結(jié)構(gòu)非常復(fù)雜，并且產(chǎn)生故障的概率相較于其他部件出現(xiàn)故障的幾率高，故障的種類也更多。因此，挑選合適的診斷理論和特征參數(shù)是解決汽車發(fā)動機故障診斷問題的關(guān)鍵。

發(fā)動機的運行會使缸蓋表面出現(xiàn)沖擊、噪聲與振動等豐富的振動信息，其能實時反映發(fā)動機的工作情況，是獲取故障診斷信息的關(guān)鍵來源。憑借振動信號監(jiān)測發(fā)動機運行情況與故障診斷是行之有效的方法之一。但針對多激勵、多部件的發(fā)動機來說，其運行件較多且復(fù)雜，邊界條件的不確定性，工作條件惡劣、激勵多，響應(yīng)的頻率范圍大，各種激勵通過對應(yīng)的傳遞與耦合均被反映在發(fā)動機的振動信號內(nèi)，再加上噪聲的融入，使得振動信號所富含的成分非常復(fù)雜，因此，在發(fā)動機故障診斷時，需要找尋一種有效的方法提取發(fā)動機故障狀態(tài)的信息特征量。

當前，使用較為廣泛的車載自診斷系統(tǒng)，其主要的診斷性能偏向于汽車的電控系統(tǒng)故障診斷。該故障診斷方法只能監(jiān)測電控系統(tǒng)的部分故障，在監(jiān)測到故障之后，還需要使用其他相關(guān)工具確定故障坐標。汽車發(fā)動機即一種非線性對象，只依靠這種自診斷系統(tǒng)診斷，檢測到的故障問題存在極強的不確定性。因此，探尋人機一體化、高效化與智能化的汽車發(fā)動機故障診斷成為了目前較為熱點的研究話題之一。

針對上述問題，本文提出了一種基于人機一體化的汽車發(fā)動機故障診斷方法，依靠小波變化算法，分析發(fā)動機振動信號，得到信號的概貌與具體細節(jié)。隨后組建小波矩陣對振動信號進行計算，依靠曲軸轉(zhuǎn)角對信號時域能量分割得到信號的特征，使用支持向量機算法構(gòu)件初始的汽車發(fā)動機故障分類器，隨后憑借人工蜂群算法優(yōu)化故障分類器，通過該分類器實現(xiàn)對汽車發(fā)動機的故障診斷。

1 人機一體化下汽車發(fā)動機故障診斷

1.1 汽車發(fā)動機振動信號降噪

小波分析窗口形狀的變化，使其能夠?qū)π盘栠M行多分辨率分析，不僅能夠看到信號的概貌，還能看到信號的細節(jié)，尤其是對非平穩(wěn)振動信號的分析顯示出較大的優(yōu)越性。以往的實踐證明，小波分析存在較強的信號分解性能，在不同尺度下進行小波轉(zhuǎn)換，其實質(zhì)是不同的中心頻率，品質(zhì)因數(shù)相同的帶通濾波[1]對信號進行濾波。

平方可積函數(shù)f(t)擬定成f(t) ∈L2(R)的積分，小波轉(zhuǎn)換定義擬定成：

式中：

ψ—基礎(chǔ)小波函數(shù)；的復(fù)共軛函數(shù)；

a—尺度函數(shù)；

b—平移函數(shù)。

ψ(t)滿足函數(shù)f(t)可以變換為小波級數(shù)：

信號的小波分解依靠Mallat算法完成，適當處理存在噪聲信號的各層小波分解系數(shù)之后再重構(gòu)，獲得反映信號本質(zhì)特征的成分，本文針對汽車發(fā)動機所構(gòu)建的小波降噪[3]模型能夠描述成：

1）運算信號f(t)的小波系數(shù)矩陣wj,k。

3）對矩陣wj,k進行處理，將小于對應(yīng)閾值λ的元素重置為零，獲得新的矩陣w′j,k。

4）憑借信號的重構(gòu)方法重構(gòu)矩陣w′j,k得到降噪之后的信號。

1.2 基于曲軸轉(zhuǎn)角提取時域能量特征

把發(fā)動機的振動信號按照曲軸轉(zhuǎn)角進行時域能量分割運算。通過加速度傳感器收集獲得的發(fā)動機時域振動信號X(t)，其時域能量能夠描述成：

對式（3）得到的信號能量進行時間離散化處理，獲得一組離散的能量幅值。把按照曲軸轉(zhuǎn)角將能量幅值分割成N段，擬定所有段內(nèi)存在M種能量幅值，所有段的能量幅值離散的集合是則第i段能量幅值和為：

再對N段的能量幅值進行求和計算，獲得總能量利用Esum單位化處理同時組建特征向量：

1.3 支持向量機分類器構(gòu)建

支持向量機分類算法即一種基于架構(gòu)風(fēng)險最小化的原理，以小樣本、以統(tǒng)計學(xué)習(xí)理論為基礎(chǔ)的一種學(xué)習(xí)方法。從線性可分模式的狀況可知，其主要理念即構(gòu)建一種超平面當做決策面[4]，該決策面不但可以把所有訓(xùn)練樣本正確分類，同時還能夠使訓(xùn)練樣本內(nèi)離分類面最近的點到分類面的距離達到最大。

訓(xùn)練樣本即非線性的樣本，經(jīng)過非線性函數(shù)φ(x)處理將樣本x映射至高維線性特征空間內(nèi)，在維數(shù)為無窮大的線性空間內(nèi)組建最優(yōu)分類超平面[5]，同時獲得分類器的判別函數(shù)。

當使用一種超平面不能將兩類點完全分割時，可以添加松弛變量使得超平面滿足：

式中：

c代表一種正常數(shù)，為目標函數(shù)的懲罰因子，此刻支持向量機能夠經(jīng)過對偶規(guī)劃實現(xiàn)：

通過式（8）計算獲得的最優(yōu)分類函數(shù)為：

擬定多分類問題共存在h種類別訓(xùn)練樣本集為樣本的總量式l，xi代表輸入的第i個訓(xùn)練樣本。如果滿足公式（9），即可以預(yù)測測試集。

其中，分類函數(shù)ti-label按照特征種類[6]擬定h類，所有類的標簽對應(yīng)一個特征種類，訓(xùn)練時將已知標簽與訓(xùn)練樣本一一對應(yīng)，同時組建一種訓(xùn)練集合，訓(xùn)練之后獲得一個基于最優(yōu)分類面的模型，然后憑借已知的l組訓(xùn)練集獲得的最優(yōu)分類面對k組測試集進行測試，經(jīng)過最優(yōu)測試集的標簽和訓(xùn)練集的標簽對比，評測支持向量機對分類問題的準確性，構(gòu)建的特征分類器的數(shù)學(xué)模型即：

1.4 基于改進人工蜂群算法的故障分類器實現(xiàn)

人工蜂群方法即模擬蜜蜂采蜜機制的算法。蜜蜂的采集行為就是函數(shù)優(yōu)化問題，食物源能夠理解成優(yōu)化問題的可行解，解的維數(shù)為預(yù)優(yōu)化的參數(shù)總量[7]，以食物源的密量評測對可行解的質(zhì)量進行處理。

方法開始，設(shè)定SN個D維可行解跟隨蜂總量(N0)與引領(lǐng)蜂總量(Ne)均是SN。引領(lǐng)蜂反復(fù)搜索食物源，同時記錄與評測食物源的適應(yīng)度，以此實現(xiàn)食物源報表的更新。在搜索之后，共享跟隨蜂與蜜源信息。跟隨蜂依靠該信息挑選蜜源，并在蜜源領(lǐng)域查找更優(yōu)質(zhì)蜜源。如果在循環(huán)limit次之后，解如果沒有改進剔除該食物源，相應(yīng)的引領(lǐng)蜂變換為偵察蜂。設(shè)定被放棄的可能解是ix，則偵察蜂通過式（12）產(chǎn)生新解：

跟隨蜂按照幾率iP挑選食物源，iP的取值為：

引領(lǐng)蜂與跟隨蜂搜索以下領(lǐng)域[8]：

考慮到進化初期需要提升全局搜索的性能，以得到更為優(yōu)質(zhì)的蜜源，所以需要增大搜索范圍，增大得到優(yōu)化解的概率。在所提方法內(nèi)添加迭代次數(shù)遞減的權(quán)重函數(shù)[9]，以此動態(tài)調(diào)節(jié)蜂群的搜索范圍，隨后在滿足方法精度的基礎(chǔ)上，適當提高算法的收斂效率，權(quán)衡兩者，搜索全局范圍中的最優(yōu)解，權(quán)重函數(shù)的計算能夠描述成：

式中：

gmax—最大慣性權(quán)重；

gmin—最小的慣性權(quán)重；

r—目前迭代次數(shù)；

rmax—最大迭代次數(shù)。

根據(jù)以往研究的經(jīng)驗可知，挑選不同的核函數(shù)，可以組建不同的分類器[10]?？紤]到徑向基函數(shù)具有運算量少與復(fù)雜度低的優(yōu)勢，本文的核函數(shù)擬定成徑向基核函數(shù)。函數(shù)的定義如下所示：

式中：

σ—寬度參數(shù)。

此刻需要優(yōu)化參數(shù)式：擬定c代表懲罰因子，σ代表寬度參數(shù)。這兩個參數(shù)的選取會對故障分類器的分類精度造成較大的影響：如果懲罰因子c較小，錯分懲罰就會變小，使得訓(xùn)練誤差上升，如果c過大，分類泛華能力就會變?nèi)?，如果寬度參?shù)為σ，那么其和低維樣本在高維空間的映射[11]就會產(chǎn)生關(guān)聯(lián)，假如寬度參數(shù)較大，分類的決策面就會越復(fù)雜，經(jīng)驗風(fēng)險小而置信范圍變寬，反之經(jīng)驗風(fēng)險提升。為了得到較好性能的故障分類器，需要挑選最優(yōu)質(zhì)的c和σ，所以構(gòu)建參數(shù)優(yōu)化模型式本文對故障分類器進行參數(shù)優(yōu)化的目的是得到對汽車發(fā)動機故障的正確判斷，因此選擇的人工蜂群算法適應(yīng)函數(shù)[12]為：

式中：

iy—正確分類的樣本數(shù)；—樣本總量。

參數(shù)優(yōu)化過程如圖1所示。

2 實驗證明

本文對已知的某品牌汽車發(fā)動機的三種不同狀態(tài)，進行振動信號測試，其時域波形如圖2所示，橫坐標即信號采樣點數(shù)，縱坐標為壓電傳感器的電荷量變化相對值。其中，圖2（a）代表氣缸的狀態(tài)良好。圖2（b）代表氣缸存在輕度拉缸的狀況，圖2（c）代表氣缸的氣門松動。

圖1 基于人工蜂群優(yōu)化的故障分類器

圖2 所表示信號的最大指數(shù)計算結(jié)果如圖3所示，此過程中挑選重構(gòu)相空間的嵌入維數(shù)是7，時間間隔重構(gòu)相空間的跨為50行。

圖3 內(nèi)a、b、c分別代表圖2（a）、（b）、（c）信號的診斷最大指數(shù)。通過圖3能夠看出，汽車發(fā)動機的狀態(tài)不同，其最大診斷指數(shù)也不同。時間延遲與運算周期，但對算法的診斷指標干擾很小。但是在分析運算時選取信號的采樣點數(shù)需要超過2 048才可以明顯看出振動系統(tǒng)運動特性的最大診斷指數(shù)變化幅度，進而觀測發(fā)動機的狀態(tài)。

為了進一步證明所提方法的有效性，設(shè)定重構(gòu)振動信號小波所包含的頻率為2 808～2 965 Hz，測試發(fā)動機在這一頻率段的具體振動模式。汽車發(fā)動機在燃油燃燒出現(xiàn)激振力的作用下，振動的振幅會逐漸衰減，但是在發(fā)動機其他氣缸的振動影響下，使得該氣缸也產(chǎn)生了較為微小的振動。圖4即這一頻率段內(nèi)振動信號的變化情況，由此可以測評汽車發(fā)動機的運作情況。振動信號振幅越小，就表明有效激振力的能量越小。

通過圖4能夠看出，出現(xiàn)這一信號的原因是：①由于點火系統(tǒng)、供油系統(tǒng)初夏故障，導(dǎo)致燃油供應(yīng)缺少，或燃油不能正常燃燒；②發(fā)動機氣缸存在故障，包括：氣缸拉缸、鏈接構(gòu)件失效等，致使氣缸漏氣，使得激振源出現(xiàn)的能量不能有效的傳遞到發(fā)動機氣缸的活塞內(nèi)。分析振動的時域信號不難判斷氣缸狀態(tài)的好壞，而依靠支持向量機故障分類器很容易觀察到振動的沖擊成分頻率范圍，然后通過重構(gòu)對應(yīng)的頻率特性，從而診斷出發(fā)動機的狀態(tài)。

3 結(jié)束語

為了給汽車發(fā)動機維修人員提供理論依據(jù)，提出一種基于人機一體化的汽車發(fā)動機故障診斷的研究，依靠小波分析法與支持向量機，組建發(fā)動機故障分類器，以此實現(xiàn)對故障的診斷。但由于所提方法中，存在人工蜂群算法，這種算法能夠歸屬于一種迭代計算方法，而這就導(dǎo)致所提方法由于不斷對蜂群進行迭代計算，致使算法的整體計算量增加，診斷效率降低。因此，下一步研究的課題即：在所提方法的基礎(chǔ)上進行優(yōu)化，使算法在不影響診斷精確度的前提下，減少計算量，以達到提升算法整體診斷效率的目的。

圖2 汽車發(fā)動機診斷結(jié)果——振動信號的時域波形

圖3 初始信號的最大診斷指數(shù)

圖4 發(fā)動機振動信號的重構(gòu)信號