葛君超，王利鵬

(河南理工大學(xué)鶴壁工程技術(shù)學(xué)院，河南 鶴壁 458030)

0 引 言

柴油機(jī)作為船舶上的關(guān)鍵設(shè)備之一，燃油電磁閥在其控制系統(tǒng)中扮演著重要角色[1]。燃油電磁閥的故障會(huì)直接影響柴油機(jī)的正常運(yùn)行[2]，燃油電磁閥故障診斷方法逐漸向智能化方向發(fā)展[3]。在采集電磁閥的電流信號(hào)的基礎(chǔ)上[4]，通過(guò)提取信號(hào)的特征來(lái)實(shí)現(xiàn)故障診斷是常用的方法。小波包分解技術(shù)可以通過(guò)逐層分解高頻和低頻信號(hào)，提取更加細(xì)致和全面的信號(hào)特征[5]。

在現(xiàn)有的研究中，已有一些關(guān)于電磁閥故障診斷的方法。王欽惠等[6]通過(guò)對(duì)電磁閥信號(hào)進(jìn)行小波分解和功率譜分析，實(shí)現(xiàn)了電磁閥開(kāi)關(guān)故障狀態(tài)的在軌實(shí)時(shí)診斷。張文嘯等[7]構(gòu)建基于變分自編碼器的故障診斷模型，雖無(wú)需進(jìn)行數(shù)據(jù)特征的提取，但模型結(jié)構(gòu)對(duì)故障診斷效果的影響很大。

為解決上述問(wèn)題，本文提出基于小波包分解的船用柴油機(jī)燃油電磁閥故障診斷方法。引入小波包分解方法，對(duì)電流信號(hào)進(jìn)行分解，獲取其多頻帶特征，能夠更細(xì)致地提取信號(hào)的時(shí)頻信息，從而更準(zhǔn)確地描述電磁閥的工作狀態(tài)和故障情況。

1 船用柴油機(jī)燃油電磁閥故障診斷

1.1 電磁閥特征提取

船用柴油機(jī)燃油電磁閥故障信號(hào)具有非平穩(wěn)性特點(diǎn)，小波變換是可實(shí)現(xiàn)非平穩(wěn)信號(hào)時(shí)頻分析的方法[8]。設(shè)定fs為船用柴油機(jī)燃油電磁閥原始信號(hào)采樣頻率，則分解后的高、低頻信號(hào)分析帶寬均為0.5f s。小波包分解是以前次分解后的新信號(hào)為基礎(chǔ)，通過(guò)對(duì)其作多尺度頻段分解，以各頻帶的能量作為特征，完成多頻段信號(hào)特征的提取。小波包分解的信號(hào)處理性能優(yōu)于小波分析法，提取的原始信號(hào)特征更細(xì)致化，更完整。

小波包分解的變換函數(shù)描述為：

對(duì)各小波包分解系數(shù)作重構(gòu)處理，以完成每個(gè)頻帶區(qū)間信號(hào)的獲取，具體公式如下：

對(duì)每個(gè)頻帶能量作歸一化處理后，即可確定同一狀態(tài)下，分解后各頻帶所含能量比例ej,k(i)，歸一化處理可通過(guò)下式進(jìn)行描述：

通過(guò)小波變換對(duì)船用柴油機(jī)燃油電磁閥的原始電流信號(hào)進(jìn)行處理，提取出故障各頻帶的能量比例。

1.2 確定電磁閥電流信號(hào)敏感特征

核主成分分析法（KPCA）的基本思想是利用非線性變換函數(shù) ψ(·)實(shí)現(xiàn)樣本數(shù)據(jù)向高維數(shù)據(jù)空間F的映射后，再采用主成分分析法對(duì)樣本特征作降維。該方法在信號(hào)非線性特征提取上具有顯著優(yōu)勢(shì)，同時(shí)計(jì)算難度與主成分分析法基本一致。因此，在電磁閥電流信號(hào)特征提取的基礎(chǔ)上，采用KPCA 方法對(duì)其進(jìn)行降維處理，完成敏感特征選擇。

將提取到的特征作為特征選擇的輸入，用XN×M表示燃油電磁閥電流信號(hào)特征樣本矩陣，其在高維數(shù)據(jù)空間F上的協(xié)方差矩為：m=1,2,···M X

式中： ， 為矩陣中的任意行元素，其為自變量。

按由大到小順序?qū)?λ進(jìn)行排列，確定貢獻(xiàn)率高于設(shè)定值的主元成分，將其視為船用柴油機(jī)燃油電磁閥原始電流信號(hào)的敏感特征。

1.3 結(jié)合AACA 與LSSVM 的電磁閥故障診斷

最小支持向量機(jī)（LSSVM）是建立在支持向量機(jī)（SVM）基礎(chǔ)上的改進(jìn)算法，采用自適應(yīng)蟻群優(yōu)化算法對(duì)參數(shù)進(jìn)行尋優(yōu)，以提高船用柴油機(jī)燃油電磁閥故障診斷精度。

1.3.1 電磁閥故障診斷模型

將敏感特征計(jì)算結(jié)果輸入電磁閥故障診斷模型，基于LSSVM 的電磁閥故障診斷優(yōu)化問(wèn)題可描述為：

拉格朗日函數(shù)表達(dá)式為：

式中， σ為核寬度參數(shù)。

1.3.2 參數(shù)優(yōu)化

為提高船用柴油機(jī)燃油電磁閥故障診斷效果，采用自適應(yīng)蟻群算法對(duì)故障診斷模型參數(shù)c、 σ進(jìn)行尋優(yōu)處理，通過(guò)自適應(yīng)調(diào)整揮發(fā)因子、狀態(tài)轉(zhuǎn)移規(guī)則，增強(qiáng)優(yōu)化參數(shù)搜尋初期的隨機(jī)性，使得執(zhí)行電磁閥故障診斷模型參數(shù)優(yōu)化的螞蟻具有突出的全局搜索性能；同時(shí)，減弱參數(shù)優(yōu)化搜尋末期的隨機(jī)性，提高算法的收斂效率。

船用柴油機(jī)燃油電磁閥故障診斷模型參數(shù)優(yōu)化的狀態(tài)轉(zhuǎn)移規(guī)則通過(guò)下式進(jìn)行描述：

2 實(shí)驗(yàn)分析

以某船用柴油機(jī)燃油電磁閥作為實(shí)驗(yàn)對(duì)象，通過(guò)Python 采集電磁閥原始電流信號(hào)，并進(jìn)行處理。構(gòu)建實(shí)驗(yàn)樣本數(shù)據(jù)集，數(shù)據(jù)總量為5 000，其中正常信號(hào)樣本3 800 個(gè)，故障樣本為1 200 個(gè)，對(duì)應(yīng)彈簧斷裂、閥芯輕微卡頓、閥芯卡死、線圈斷路、二極管擊穿短路5 種不同運(yùn)行工況。通過(guò)Scikit-learn 訓(xùn)練電磁閥故障診斷模型，完成參數(shù)優(yōu)化。優(yōu)化后的參數(shù)：學(xué)習(xí)率為0.01；正則化參數(shù)為0.001；迭代次數(shù)為1 000；批處理大小為64；隱藏層節(jié)點(diǎn)數(shù)為128；模型的深度為2。將本文方法應(yīng)用到船用柴油機(jī)燃油電磁閥故障診斷中，分析其診斷性能。

以船用柴油機(jī)燃油電磁閥彈簧斷裂、閥芯卡死2 種故障工況為例，采集2 種工況下的船用柴油機(jī)燃油電磁閥電流信號(hào)，并與正常運(yùn)行工況下的電流信號(hào)進(jìn)行對(duì)比，分析不同運(yùn)行工況下的電磁閥電流信號(hào)差異，實(shí)驗(yàn)結(jié)果如圖1 所示。

圖1 不同運(yùn)行工況下電磁閥電流信號(hào)差異分析Fig.1 Analysis of current signal differences of electromagnetic valves under different operating conditions

分析可知，船用柴油機(jī)燃油電磁閥故障會(huì)對(duì)其電流信號(hào)特征產(chǎn)生影響，將電磁閥電流信號(hào)作為其故障診斷依據(jù)可行。

采用本文方法對(duì)不同工況下的電磁閥電流信號(hào)進(jìn)行分解，并與小波分析結(jié)果進(jìn)行對(duì)比，通過(guò)分析不同頻帶能量比值差異驗(yàn)證本文方法的電流信號(hào)分解性能，實(shí)驗(yàn)結(jié)果如圖2 和圖3 所示。

圖2 本文方法分解結(jié)果分析Fig.2 Analysis of the decomposition results of the method in this article

分析可知，本文方法具有突出的信號(hào)特征提取能力。

通過(guò)對(duì)比分析不同工況電磁閥故障識(shí)別效果，驗(yàn)證本文方法的有效性，實(shí)驗(yàn)結(jié)果如圖4 和圖5 所示。

圖4 本文方法故障識(shí)別結(jié)果分析Fig.4 Analysis of fault identification results of the method in this article

圖5 小波分析+KPCA 降維后的故障識(shí)別結(jié)果分析Fig.5 Analysis of Fault Identification Results after Wavelet Analysis and KPCA Dimension Reduction

分析可知，本文方法具有突出的故障辨識(shí)能力。

3 結(jié) 語(yǔ)

1）故障工況下的電流特性曲線與正常工況存在差異。

2）本文方法提取的電磁閥原始電流信號(hào)特征更精細(xì)，不同運(yùn)行工況信號(hào)特征差異高；特征降維有利于電磁閥故障效果的提升。

3）本文方法可實(shí)現(xiàn)電磁閥故障診斷，診斷效果突出。