基于油液降噪信息的發(fā)動(dòng)機(jī)磨損多特征分析研究

徐啟圣 許澤銀 徐厚昌

合肥學(xué)院,合肥,230022

0 引言

發(fā)動(dòng)機(jī)在多種裝備上的應(yīng)用日益廣泛,必須對(duì)其(尤其是關(guān)鍵零部件的磨損狀態(tài))進(jìn)行有效的監(jiān)測維護(hù),以確保設(shè)備的穩(wěn)定運(yùn)行,但高溫差、高壓及高載的工作環(huán)境給監(jiān)測工作增加了難度。

作為不解體檢測手段,油液分析的核心技術(shù)——光譜分析用于檢測油液中磨粒的金屬元素、外界灰塵元素,甚至添加劑及冷卻劑的濃度,直讀鐵譜用于測定大小鐵磁性磨粒的數(shù)量,二者結(jié)合可對(duì)零部件的磨損狀態(tài)和油品狀態(tài)起到早期監(jiān)測預(yù)報(bào)的作用,包括磨損部位、磨損程度、磨損原因及添加劑消耗等[1]。然而,從磨合開始直至完全失效的全程油液分析往往難以做到,而經(jīng)常是在某一階段進(jìn)行狀態(tài)監(jiān)測甚至若干次進(jìn)行狀態(tài)監(jiān)測,得到的數(shù)據(jù)量往往不足;同時(shí),受加換油的影響,僅用基本統(tǒng)計(jì)方法往往難以建立指導(dǎo)意義強(qiáng)的診斷標(biāo)準(zhǔn)。另外,由于主客觀原因,油液監(jiān)測信號(hào)不可避免地含有噪聲,于是常采用小波包變換(WPT)對(duì)光譜和直讀鐵譜檢測信號(hào)進(jìn)行降噪,得到反映穩(wěn)態(tài)和奇異狀態(tài)的近似系數(shù)、細(xì)節(jié)系數(shù),為挖掘有效診斷特征做準(zhǔn)備(關(guān)于油液磨損信號(hào)的降噪詳見文獻(xiàn)[2])。因此,采取合適的數(shù)據(jù)處理方法充分挖掘檢測數(shù)據(jù)的特征,提高油液監(jiān)測標(biāo)準(zhǔn)的準(zhǔn)確性和可靠性具有重要意義。

1 多特征提取及分析

對(duì)于本文所研究的柴油機(jī),其主要摩擦副的金屬組成元素見表1。

表1 主要摩擦副及其主要金屬元素

高溫、高載、高速的工作條件給發(fā)動(dòng)機(jī)高工效帶來很大的壓力。這是因?yàn)楦邷貢?huì)嚴(yán)重降低材料的強(qiáng)度,較大的缸徑會(huì)造成較大的溫度梯度;質(zhì)量較大的活塞在高速運(yùn)動(dòng)時(shí)產(chǎn)生的慣性力在高壓下使活塞產(chǎn)生的側(cè)向力大為增加,這會(huì)加劇活塞、活塞環(huán)的磨損,從而影響其工效。因此,發(fā)動(dòng)機(jī)需要進(jìn)行視情維護(hù),以確保穩(wěn)定運(yùn)行。對(duì)該柴油機(jī)進(jìn)行了為期一年的定期檢測和數(shù)次常規(guī)檢查,獲取的光譜和直讀鐵譜的檢測數(shù)據(jù)如表2所示。

表2 某型柴油機(jī)的油液檢測數(shù)據(jù)

1.1 邊界特征

在提取邊界特征時(shí),常用的基于統(tǒng)計(jì)學(xué)的傳統(tǒng)三線值法[3]對(duì)數(shù)據(jù)量要求高,至少要達(dá)到10個(gè)以上[4]。而且經(jīng)過應(yīng)用可知,由傳統(tǒng)三線值法得到的特征邊界跨度過大,忽略了中間過程的信息,導(dǎo)致對(duì)過渡過程的磨損判斷不足,難以實(shí)現(xiàn)視情維護(hù)。為此,考慮小波基函數(shù)的緊支特性和好的能量集中性質(zhì)且對(duì)數(shù)據(jù)要求不高的優(yōu)點(diǎn)[5],充分利用筆者在文獻(xiàn)[2]已獲得的降噪信號(hào),通過小波變換獲取反映原信號(hào)穩(wěn)定特征的近似系數(shù)和反映奇異特征的細(xì)節(jié)系數(shù)以挖掘更多的信息,在改進(jìn)三線值法[6]基礎(chǔ)上重建了新三線值法：

式中,sde為降噪信號(hào)的均值;σ為降噪信號(hào)的標(biāo)準(zhǔn)差;σa、σd為近似系數(shù)和細(xì)節(jié)系數(shù)的標(biāo)準(zhǔn)差;σe為噪聲信號(hào)的標(biāo)準(zhǔn)差,由于要用原信號(hào)判斷磨損狀態(tài),故需還原。

為確定不同方法的優(yōu)劣,根據(jù)這三個(gè)邊界,建立了評(píng)價(jià)指標(biāo)即反常狀態(tài)與正常狀態(tài)范圍之比：

對(duì)表2的檢測數(shù)據(jù),應(yīng)用新三線值法和傳統(tǒng)三線值法提取的邊界分別見表3、表4。可以看出,新三線值法得到的評(píng)價(jià)指標(biāo)小于傳統(tǒng)三線值法得到的評(píng)價(jià)指標(biāo),由文獻(xiàn)[6]可知,由新三線值法得到的邊界能減少虛警。而且由前者得到的危險(xiǎn)線值小于后者,表示新三線值法比傳統(tǒng)三線值法得到的邊界具有更好的預(yù)警能力。這從側(cè)面證明了對(duì)油液檢測信號(hào)降噪的必要性。因此,應(yīng)用新三線值法對(duì)降噪信號(hào)建立的邊界更佳,而且更小的警戒值有助于引起早期警覺,盡早發(fā)現(xiàn)故障,實(shí)現(xiàn)對(duì)發(fā)動(dòng)機(jī)的視情維護(hù)。

表3 用新三線值法得到的邊界及指標(biāo)

表4 用傳統(tǒng)三線值法得到的邊界及指標(biāo)

1.2 聚類特征

常用的聚類方法有傳統(tǒng)層次聚類、K-means聚類、模糊c-means聚類等[7]。層次聚類利用表示聯(lián)系的、不一致的系數(shù)閾值發(fā)現(xiàn)聚類的數(shù)目及其成員,K-means聚類和模糊c-means聚類需要先確定數(shù)據(jù)需要聚類的數(shù)目。對(duì)于本研究,由于最大的分類數(shù)目已經(jīng)通過新三線值法確定,K-means聚類足以達(dá)到聚類目的。而且K-means聚類不必建立樹結(jié)構(gòu)來描述數(shù)據(jù)的分類,而是利用數(shù)據(jù)中的對(duì)象或個(gè)體的實(shí)際觀察而不是其近似來建立聚類的單層結(jié)構(gòu),更為直觀。為判斷得到的聚類質(zhì)量如何,利用K-means聚類輸出的聚類指標(biāo)建立了輪廓圖,見圖1。該圖用輪廓值(silhouette value,SV)衡量一個(gè)聚類的各點(diǎn)和相鄰聚類的點(diǎn)的接近程度,測度范圍為[-1,1],其中1表示和相鄰聚類很遠(yuǎn)即分類明確的點(diǎn),0表示屬于一個(gè)聚類或另一個(gè)聚類即分類模糊的點(diǎn),而-1表示很可能劃分到錯(cuò)誤聚類的點(diǎn)。

圖1 對(duì)Pb信號(hào)的聚類輪廓圖

對(duì)油液數(shù)據(jù)聚類結(jié)果見表5。可看出,除了Al信號(hào)外,其他降噪信號(hào)的輪廓值都比降噪前大,說明聚類質(zhì)量好。而且,由圖1可知,對(duì)于Pb的原信號(hào)而言,聚類1的輪廓值有負(fù)數(shù)情況,表明聚類1有誤分類,而根據(jù)降噪后的Pb信號(hào)進(jìn)行聚類,輪廓值皆為正,表明聚類準(zhǔn)確度高于用Pb原信號(hào)進(jìn)行聚類的準(zhǔn)確度。其他信號(hào)也有類似結(jié)果(從略)。這再次證明了降噪的必要性。

1.3 相關(guān)度

機(jī)械設(shè)備的磨損過程有漸變性也有突變性,有其自身的規(guī)律。在某些情況下磨損狀態(tài)難以直接識(shí)別,這時(shí),基于揭示磨損狀態(tài)的特征之間或影響因素之間相關(guān)性的方法是合適的替代方法。如對(duì)于主要摩擦副這類的磨損數(shù)據(jù),如光譜分析,不同元素之間的濃度(質(zhì)量分?jǐn)?shù))及其變化的信息具有較強(qiáng)的相關(guān)性。對(duì)于表2任意兩元素信號(hào)間的相關(guān)度,其計(jì)算方法見文獻(xiàn)[8],結(jié)果見表6。

表5 用K-means的聚類結(jié)果

表6 各信號(hào)之間的相關(guān)度

由表6可知,在與Fe的相關(guān)系數(shù)中,Cu的正相關(guān)度最強(qiáng),Al的正相關(guān)度次之;在與Cu的相關(guān)系數(shù)中,Al的正相關(guān)度最強(qiáng),達(dá)0.83;同樣,與 Pb正相關(guān)性最強(qiáng)的也是Al,達(dá)0.69,說明軸瓦-曲軸和活塞-氣缸套這兩個(gè)摩擦副的磨損相關(guān)性最強(qiáng)。與Pb正相關(guān)度次之的是Cu,支持了軸瓦中包含有這兩種有色金屬的事實(shí)。

同時(shí),Fe和Cr為負(fù)相關(guān),相關(guān)度在所有負(fù)相關(guān)中最大,為-0.48,Cr和Cu、Al也呈負(fù)相關(guān)關(guān)系,且Fe和Al正相關(guān)度為0.7,這在很大程度上說明,與氣缸套的接觸磨損中,活塞比活塞環(huán)的磨損程度大,而本來應(yīng)該相反,說明活塞環(huán)潤滑系統(tǒng)反常,如不對(duì)中或活塞環(huán)磨損過度甚至失效等,需查明原因?？梢姽庾V分析及其元素相關(guān)性分析對(duì)發(fā)動(dòng)機(jī)潤滑系統(tǒng)檢測的重要性和針對(duì)性。

Fe與 Dl、Ds及Dls的相關(guān)度都不到 0.2,其中,Fe和Ds的相關(guān)度是Dl的3倍,這支持了光譜分析檢測小磨粒(粒徑≤8μm)比檢測大磨粒更有效的事實(shí)。同時(shí),Dl和Ds的相關(guān)性極強(qiáng),結(jié)合表2可知,產(chǎn)生鐵磨粒時(shí),大磨粒大大多于小磨粒,說明在進(jìn)行油液檢測時(shí),用光譜分析前最好先進(jìn)行直讀鐵譜分析。

2 質(zhì)心-邊界多特征分析

通過三線值法可得到各信號(hào)的三個(gè)邊界特征。但是實(shí)踐發(fā)現(xiàn),兩種方法的正常線s1都偏高,以致應(yīng)該重視的過渡信息很可能被忽略而失去早期發(fā)現(xiàn)磨損問題的良機(jī)[9]。研究中發(fā)現(xiàn),具有最大輪廓值或更好的輪廓圖的聚類特征質(zhì)心,可看作為另一個(gè)邊界特征。根據(jù)質(zhì)心(centroid)的定義[10]可知,無論對(duì)于單變量還是多變量,其值都小于正常線s1,于是由傳統(tǒng)三線值法確定的正常線實(shí)際上很可能不正常。故把較大的質(zhì)心特征作為正常線,該問題得到了解決。

聯(lián)合三個(gè)邊界和兩個(gè)質(zhì)心,從光譜和直讀鐵譜數(shù)據(jù)共提取了5個(gè)特征,如表7所示。值得注意的是,Dl和Ds的邊界之和與Dls邊界非常接近,正支持了Dls是Dl與Ds之和的事實(shí)。結(jié)合表1可知,Cu、Pb的邊界主要用來診斷軸瓦-曲軸摩擦副的磨損狀態(tài),Cr、Mo的邊界主要用來診斷活塞環(huán)-氣缸套的磨損狀態(tài),而 Al的邊界主要用來診斷活塞-氣缸套的磨損狀態(tài),Dl、Fe及Ds主要用來診斷凸輪軸-凸輪軸承的磨損狀態(tài)。如果用這些元素進(jìn)行單診斷的結(jié)果不同,則以較為嚴(yán)重的結(jié)論為主,以有利于防患于未然。

根據(jù)上述特征可建立磨損狀態(tài)決策表(表8)。

表7 各信號(hào)的磨損邊界

表8 磨損狀態(tài)決策

對(duì)表2的磨損狀態(tài)判斷結(jié)果見表9。可以看出,用多特征法識(shí)別出來的結(jié)果為6種磨損等級(jí)(A～F),而用傳統(tǒng)三線值法識(shí)別出來的結(jié)果僅有4種磨損等級(jí)(Ⅰ～Ⅲ),可見前者比后者的識(shí)別效率提高了一倍。更為重要的是,第3次根據(jù)Mo信號(hào)進(jìn)行診斷的結(jié)果為磨損等級(jí)F,說明活塞環(huán)-氣缸套的磨損處于緊急狀態(tài),很可能有部件已經(jīng)失效,拆機(jī)檢查發(fā)現(xiàn),活塞環(huán)磨損非常嚴(yán)重,已經(jīng)影響到使用性能,這和相關(guān)分析的結(jié)果一致。而用傳統(tǒng)三線值法的識(shí)別結(jié)果僅為磨損等級(jí)Ⅱ(“注意”狀態(tài)),不能引起警覺,明顯達(dá)不到監(jiān)測目的。活塞環(huán)更換后,監(jiān)測結(jié)果為磨損等級(jí)A,說明磨損狀態(tài)良好。

表9 基于質(zhì)心-邊界多特征法和傳統(tǒng)三線值法的識(shí)別結(jié)果

對(duì)于第7次診斷,根據(jù)Al元素信號(hào),用傳統(tǒng)三線值法判斷的磨損等級(jí)為Ⅱ(“注意”狀態(tài)),而用多特征法判斷的磨損等級(jí)為E(“嚴(yán)重”狀態(tài)),結(jié)合圖2中Al元素的質(zhì)量分?jǐn)?shù)趨勢可知,活塞-氣缸套磨損異常且具有突發(fā)性。采取鐵譜分析法進(jìn)一步分析,發(fā)現(xiàn)了Al異常磨粒(圖3),表明活塞發(fā)生了異常磨損。而采用傳統(tǒng)三線值法根據(jù)Mo元素信號(hào)診斷活塞環(huán)的磨損等級(jí)為Ⅱ,比活塞磨損程度輕,不符合正常磨損情況。檢查發(fā)現(xiàn),由于安裝不當(dāng),活塞局部和氣缸套直接接觸。調(diào)整后,采用多特征法根據(jù)Al信號(hào)進(jìn)行診斷,磨損等級(jí)降為C(“注意”狀態(tài)),而采用多特征法和傳統(tǒng)三值線法根據(jù)Ds判斷的結(jié)果分別為E(“嚴(yán)重”狀態(tài))、Ⅲ(“警戒”狀態(tài)),基本一致。因此多特征法與傳統(tǒng)三值線法相比,判斷磨損狀態(tài)更準(zhǔn)確。

在第7次診斷中,根據(jù)Al信號(hào)用傳統(tǒng)三值線法和多特征法判斷的磨損等級(jí)分別為Ⅱ(注意)和E(嚴(yán)重);根據(jù)Cu、Pb元素信號(hào),不論用傳統(tǒng)三值線法還是多特征法,磨損狀態(tài)皆為“注意”,而用其他元素信號(hào)判斷的狀態(tài)則為“良好”或“注意”,這也支持了相關(guān)性分析中得出的軸瓦-曲軸和活塞-氣缸套摩擦副的磨損相關(guān)性最強(qiáng)的結(jié)論,可見相關(guān)性分析確實(shí)是發(fā)動(dòng)機(jī)磨損分析的一項(xiàng)重要內(nèi)容。

對(duì)磨損狀態(tài)情況的頻次統(tǒng)計(jì)如表10所示,兩種方法判斷結(jié)果相同的達(dá)40次,占55.6%,表明兩種方法在大多情況下的一致性;而不一致的次數(shù)32次,占44.4%。由以上分析可知,其中多特征法的3次警戒、2次嚴(yán)重和1次失效共6次結(jié)果更符合實(shí)際情況,尤其根據(jù)第 7次診斷的結(jié)果——“嚴(yán)重”狀態(tài)采取措施后避免了緊急故障的發(fā)生。因此,多特征法具有更高的準(zhǔn)確率和異常識(shí)別率。

圖2 Al元素的濃度(質(zhì)量分?jǐn)?shù))趨勢

圖3 Al元素異常磨粒

表10 磨損狀態(tài)次數(shù)統(tǒng)計(jì)

但在有些情況下,對(duì)于同一零部件,根據(jù)不同元素信號(hào)確定的磨損狀態(tài),結(jié)果可能不一致,如表9中的第4次診斷,根據(jù)Cr元素信號(hào)判斷的磨損等級(jí)為D(“警戒”狀態(tài)),而根據(jù)相關(guān)性最強(qiáng)的Fe、Mo及Al信號(hào)判斷的結(jié)果則分別為A(“良好”狀態(tài))、B(“正?！睜顟B(tài)),到底哪種結(jié)果正確,僅憑光譜信息難以確定,需要結(jié)合其他手段如鐵譜分析法進(jìn)一步分析。這種情況對(duì)于磨損級(jí)別相差較大時(shí),則顯得更有意義。

3 結(jié)論

(1)發(fā)動(dòng)機(jī)光譜、直讀鐵譜降噪信號(hào)的邊界特征、聚類的輪廓特征研究表明了降噪的必要性;

(2)發(fā)動(dòng)機(jī)光譜、直讀鐵譜降噪信號(hào)的相關(guān)性研究表明,各摩擦副相關(guān)度強(qiáng)弱及其正負(fù)情況對(duì)其磨損狀態(tài)的確定有重要的補(bǔ)充作用;

(3)與傳統(tǒng)三線值法相比,多特征分析法對(duì)磨損狀態(tài)的劃分更詳細(xì)、識(shí)別率更高、預(yù)警能力更強(qiáng),更能體現(xiàn)根據(jù)相關(guān)元素信號(hào)確定磨損狀態(tài)的一致性及互補(bǔ)性;

(4)多特征分析法在較大程度上解決了油液分析數(shù)據(jù)量少、確定發(fā)動(dòng)機(jī)磨損邊界有效性和針對(duì)性不高的問題,這對(duì)其他設(shè)備磨損邊界的確定具有借鑒意義。

[1] 李柱國.機(jī)械潤滑與診斷[M].北京：化學(xué)工業(yè)出版社,2005.

[2] 徐啟圣,許澤銀,徐厚昌.基于小波包變換的油液磨損信號(hào)降噪研究[J].潤滑與密封,2009,34(10)：45-47.

[3] 徐明新,沙明元,齊夢學(xué).TBM油液鐵譜與光譜的數(shù)據(jù)處理[J].同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版),2001,29(12)：1429-1433.

[4] Huo Hua,Li Zhuguo,Xia Yanchun.Application of Maximum Entropy Probability Density Estimation Approach to Constituting Oil Monitoring Diagnostic Criterions[J].Tribology International,2006,39：528-532.

[5] 李建平,唐元炎.小波分析的應(yīng)用[M].重慶：重慶大學(xué)出版社,1999.

[6] Xu Qisheng,Li Zhuguo.Recognition of Wear Mode Using Multivariable Synthesis Approach Based on Wavelet Packet and Improved Three-line Method[J].Mechanical Systems and Signal Processing,2007,21(8)：3146-3166.

[7] Guldemir H,Sengur A.Comparison of Clustering Algorithms for Analog Modulation Classification[J].Expert Systems with Applications,2006,30：642-649.

[8] 薛定宇,陳陽泉.高等應(yīng)用數(shù)學(xué)問題的Matlab求解[M].北京：清華大學(xué)出版社,2004.

[9] 徐啟圣.智能化多規(guī)則油液綜合故障診斷理論及方法的研究[D].上海：上海交通大學(xué),2007.

[10] Llet′y R,Ortiz M C,Sarabia L A,et al.Selecting Variables for K-means Cluster Analysis by Using a Genetic Algorithm that Optimises the Silhouettes[J].Analytica Chimica Acta,2004,515：87-100.