基于HHT和神經網絡的汽車發(fā)動機故障診斷

韓 博

(1.蘭州大學 信息科學與工程學院電路與系統研究所，蘭州 730000； 2.69019部隊，烏魯木齊 830017)

?

● 車輛工程 Vehicle Engineering

基于HHT和神經網絡的汽車發(fā)動機故障診斷

韓 博1,2

(1.蘭州大學 信息科學與工程學院電路與系統研究所，蘭州 730000； 2.69019部隊，烏魯木齊 830017)

針對基于汽車發(fā)動機振動信號處理的故障診斷問題，首先，利用截斷矩陣奇異值分解方法對采集信號進行降噪預處理，以獲取較為純凈的振動信號；然后，通過希爾伯特-黃變換(HHT)信號處理理論對采集信號進行分解與時頻分析，提取出分量信號能量特征與邊際譜區(qū)域變化特征兩種參數作為汽車發(fā)動機故障診斷與識別的依據，并對比分析不同故障狀態(tài)下的特征融和結果；最后，使用徑向基(RBF)神經網絡對故障樣本特征進行訓練，并進行多種實測故障數據的訓練與識別。實際故障數據處理結果表明，上述特征參數可有效表征故障信號的時頻域變化特點，可以作為汽車發(fā)動機故障的診斷依據。

故障診斷；汽車發(fā)動機；希爾伯特-黃變換；RBF神經網絡

汽車發(fā)動機在運行時產生的振動信號包含重要的故障信息特征，可以反映出發(fā)動機內在各部件的健康狀態(tài)。通過采集與處理汽車發(fā)動機振動信號來進行故障診斷或預測是一種常用的方法。傳統的發(fā)動機振動信號分析方法是基于傅里葉變換的頻域分析方法。由于發(fā)動機振動信號是一種非平穩(wěn)帶噪信號，傅里葉變換僅適用平穩(wěn)信號的分析與處理；因此，基于傅里葉變換的算法僅能對振動信號作近似處理，限制了故障特征分析的精度與準確性。

希爾伯特-黃變換(hilbert-huang transform, HHT)信號處理理論是由美籍華人Norden E.Huang于1998年創(chuàng)立。該理論通過經驗模態(tài)分解(empirical mode decomposition，EMD)實現信號的自適應分解處理，可以精確地分析信號在時頻域的變化特征，在非平穩(wěn)信號處理方面取得了良好的應用效果。王醇濤等[1]利用HHT邊際譜實現了柴油機故障診斷，但沒有考慮邊際譜變化的區(qū)域性特征，僅利用了譜峰值作為特征參數；宋越等[2]利用HHT對發(fā)動機振動信號進行處理，成功實現了發(fā)動機氣門間隙故障的診斷，但沒有考慮振動信號采集中的噪聲對HHT算法處理的影響。

本文依據汽車發(fā)動機振動信號的加性噪聲模型，使用奇異值分解方法實現了振動采集信號的降噪預處理，有效提高了振動信號的信噪比。之后通過HHT處理方法對汽車發(fā)動機振動信號進行處理分析，依據故障信號的實際變化特性，提取出了分量信號能量特征與邊際譜區(qū)域變化特征兩種參數，并分析不同故障狀態(tài)下的特征融和結果。最后使用徑向基(radial basis function, RBF)神經網絡對故障樣本特征進行訓練，并進行了多種實測故障數據識別，驗證了本文提出算法的有效性。

1 振動信號降噪預處理

汽車發(fā)動機工作環(huán)境復雜，且由于發(fā)動機內部產生的各種激勵信號經過傳遞或耦合都導致發(fā)動機表面的振動產生，因此在振動測量與采集過程中將產生大量的噪聲信號，降低了故障特征分析與參數提取的準確性。汽車發(fā)動機振動采集信號x(k)可表示為

x(k)=s(k)+e(k)

(1)

將采集到的汽車發(fā)動機振動信號序列X=(x(1),x(2)，…，x(N)),利用每n點振動信號組成矩陣數據行，可構成m行n列截斷矩陣形式的振動信號矩陣(N≥mn)A：

(2)

利用奇異值分解算法(SVD)可得

(3)

式中：U為m×m階酉矩陣，U=[u1，u2，…，um]；S=[diag(σ1，σ2，…，σr):O]，σ1≥σ2≥…≥σr≥0為振動信號矩陣A的奇異值序列，其中r=min(m,n)，O為全零矩陣；V為n×n階酉矩陣，V=[v1，v2，…,vn]。

由奇異值分解理論可知，U與V為正交矩陣，即ui與vi各自兩兩正交。因此通過奇異值分解，原振動信號序列X被分解為r個相互正交的分量信號Xi:

(4)

文獻[3]研究表明，截斷矩陣奇異值分解具有一定的奇異值能量聚集特性。因此通過比較相鄰奇異值之間變化幅度大小，即可準確估計出振動信號子空間維數值。定義Q(i)為振動信號矩陣的相鄰奇異值變化量，即

Q(i)=σi/σi+1i=1,2,…,r-1

(5)

(6)

若得到振動信號子空間維數I的估計值，即可得抑制噪聲后的發(fā)動機振動信號分量S與噪聲分量E分別為

(7)

2 基于HHT的特征參數提取

HHT由一個獨特的角度對信號成分的構成進行解釋，從基礎理論上突破了傅里葉變換處理的限制。其核心算法是利用EMD獲取構成信號的本征模態(tài)函數(intrinsic mode function, IMF)，從而實現對非平穩(wěn)信號較為精確的時頻分析。

2.1 故障信號EMD算法原理

實現發(fā)動機振動信號HHT，須先將振動信號進行EMD，以獲取一系列瞬時頻率有物理意義的單分量子信號即IMF，以令該分量信號保持瞬時頻率隨時間變化的單值性，從而進行Hilbert變換實現信號瞬時性質分析[4]。其中，IMF必須滿足以下兩個條件：一是IMF的所有極值點與過零點數量須相同或最多相差一點；二是IMF的上下包絡關于時間軸對稱。EMD過程簡述如下：

(1)計算原信號序列的極值點，利用三次樣條插值函數將所有極大值與極小值點進行包絡，分別形成x(k)上下包絡線；

(2)得到上下包絡線的平均值m1，計算得到h1=x(k)-m1；

(3)驗證h1是否滿足IMF兩個條件，若滿足，則h1即為第一個IMF；否則將h1作為新的信號序列重復(1)(2)計算步驟，直到抽取的結果滿足IMF兩個條件為止，最終得到IMF信號c1；

(4)計算抽取IMF后的剩余信號：r1=x(k)-c1，然后以r1作為新的原始信號重復步驟(1)—(3)，獲取下一個IMF信號c2，重復n次，直到rn滿足給定的終止條件(通常使rn為一單調函數)時，循環(huán)結束。此時原始信號x(k)可表示為

(8)

由此可知，EMD即是以時間特征尺度逐步將信號的局部模態(tài)分離，將復雜的非平穩(wěn)信號分解為一系列單分量信號的和。而每個IMF信號都反映出不同的信號成分，表示信號的內在模態(tài)特征，同時可能顯示出頻率成分來源，方便對故障原因進行分析。相比于傅里葉變換，EMD無固定基函數，因此具有自適應分解特性[5]。以汽車發(fā)動機內環(huán)故障振動信號為例進行EMD得到12個IMF信號分量，結果如圖1所示。

圖1 汽車發(fā)動機內環(huán)故障振動信號EMD結果

2.2 故障信號的HHT時頻分析

通過EMD分解得到一系列IMF信號分量，若對每個IMF分量進行Hilbert變換可得到具有實際意義的瞬時頻率和瞬時幅值。將所有IMF分量的Hilbert變換結果進行組合可得到信號的HHT時頻譜 ，包含了信號的瞬時頻率、時間與能量的變化情況。圖2所示為汽車發(fā)動機內環(huán)故障振動信號的HHT時頻譜。由時頻譜可以清晰地看出故障信號的頻率變化軌跡，以及信號能量在不同頻率范圍內的變化形態(tài)。故障信號的瞬時頻率源于故障因素造成的頻率發(fā)生源，因此由HHT時頻譜即可得到準確的瞬時頻率變化形態(tài)，并可據此分析故障源。

圖2 汽車發(fā)動機內環(huán)故障振動信號HHT時頻譜

2.3 故障信號特征提取

由EMD分解原理可知，IMF分量信號是按從高頻到低頻的順序依次排列，且其信號能量亦依次衰減。IMF分量信號表征了故障信號在不同尺度下分解的能量特征，是信號固有的內在模態(tài)性質，因此可以作為故障源的特征參數。令Ei表示第i個IMF分量信號ci的歸一化能量(以原信號能量作為歸一化標準)，可得到d維IMF分量信號能量特征參數[E1，E2，…，Ed],d

(9)

此外，若對故障信號的HHT時頻譜數據在信號時間T內進行積分求和，可得到信號邊際譜h(w)：

(10)

圖3所示為汽車內環(huán)故障信號的邊際譜，表征了故障源生成信號的能量在不同瞬時頻率上的累積量大小，可以作為表征故障性質的特征參數。由邊際譜圖可知，其能量分布的主要頻率范圍為0～500 Hz，剩余頻率處能量較小，無明顯變化，可等同為噪聲信號處理。

圖3 汽車內環(huán)故障信號邊際譜

為準確提取故障信號的邊際譜區(qū)域變化特征，首先對能量變化的主要區(qū)間即0～500 Hz區(qū)域進行頻率區(qū)間量化。即令每20 Hz為一個完整的能量分析區(qū)域，將能量變化區(qū)間量化分隔為等頻率間距的區(qū)域，因此可以獲取25個能量分析區(qū)域，并按頻率由低至高順序依次排列。然后，對第i個分析區(qū)域內的邊際譜能量求和得到該區(qū)域能量參數hi，并以0～500 Hz區(qū)域的邊際譜能量總和h0作為標準進行特征尺度歸一化，得到該區(qū)域的特征參數Hi即

Hi=hi/h0

(11)

3 基于RBF神經網絡的故障診斷

RBF神經網絡能夠逼近任意的非線性函數，而且克服了BP神經網絡訓練速度慢、存在局部極小值的缺點，具有良好的泛化能力，并有很快的學習收斂速度，已成功應用于非線性函數逼近、時間序列分析、數據分類、模式識別、系統建模和故障診斷等領域[6-7]。故本文采用RBF神經網絡來驗證上述故障信號特征的有效性。

圖4所示，RBF網絡是一個三層的網絡，除了輸入輸出層之外僅有一個隱含層。輸入層節(jié)點負責傳遞信號參量至隱含層；隱層中的轉換函數一般是局部響應的高斯函數；而輸出層節(jié)點通常是簡單的線性函數，負責判斷結果的輸出。其中，RBF神經網絡的輸入層到隱含層實現輸入參量的非線性映射，第i個隱含層節(jié)點的高斯響應函數一般?。?/p>

(12)

式中：ui為第i個隱含層節(jié)點的輸出；X=[x1,x2，…，xM]為輸入層信號參數；σi為第i個隱含層節(jié)點的標準化常數。

圖4 RBF神經網絡結構

在驗證所提取的故障特征參數時，首先，將各種故障樣本信號經上述算法處理得到一系列故障特征參數，并構成多組各種故障狀態(tài)下的特征向量作為RBF神經網絡的訓練輸入；然后，利用這些特征向量訓練得到RBF神經網絡參數；最后，即可對測試樣本進行故障特征提取并輸入該網絡進行故障診斷。

4 仿真分析

首先，利用上述奇異值分解降噪算法對采集的汽車發(fā)動機故障振動信號進行降噪處理，并驗證分析處理結果。其中，振動采集信號的采樣頻率為4 000 Hz，采集時間長度為0.25 s。圖5所示為帶噪振動信號的降噪后效果。由仿真結果可以看出，原始振動信號在采集過程中受到了一定的噪聲污染，若將此原始帶噪信號直接進行故障特征提取，勢必影響特征參數的提取精度。經過本文降噪算法的處理，去除了大部分的噪聲信號，振動信號的時域波形更加清晰，提升了采集信號的信噪比，為進一步準確診斷故障提供了良好條件。

(a)原始信號

(b)降噪信號圖5 振動信號降噪效果

利用某型汽車發(fā)動機的兩種故障樣本信號進行特征提取分析。故障樣本分別為該型汽車發(fā)動機軸承內環(huán)故障和外圈故障信號。圖6(a)為內環(huán)故障信號邊際譜，容易看出在0～500 Hz頻率范圍內，故障頻率特征明顯存在，生成了較多的頻率峰值，包含了較豐富的故障特征信息。圖7(a)為外圈故障信號邊際譜，其在0～500 Hz頻率范圍內的頻率變化較為平緩，且無明顯頻率峰值，故障能量積累不明顯，與內環(huán)故障信號邊際譜有著明顯的區(qū)別性特征。圖6(b)與圖7(b)分別為內環(huán)故障信號與外圈故障信號特征參數提取結果，其中1至25維特征參數即為邊際譜區(qū)域變化特征，26至30維特征為IMF分量信號能量特征參數。對比可以看出，兩種特征參數形成的向量在幅值上有著較大的區(qū)別，即兩種故障信號在頻率域的特征有著本質區(qū)別，且IMF分量信號能量亦不相同。因此，本文所提取的邊際譜區(qū)域變化特征與IMF分量信號能量特征兩種參數可以有效區(qū)分該兩種故障信號。

(a)邊際譜

(b)特征參數圖6 內環(huán)故障信號邊際譜與特征參數

(a)邊際譜

(b)特征參數圖7 外圈故障信號邊際譜與特征參數

為驗證上述特征提取算法對于汽車發(fā)動機故障診斷的有效性，利用RBF神經網絡訓練故障樣本特征數據，并對故障信號進行識別率計算。樣本數據集包含4種工況下的汽車發(fā)動機振動信號，即內環(huán)故障信號、外圈故障信號、滾動體故障信號及正常發(fā)動機信號，且每種故障的樣本數據量為44組。實驗過程中，利用每種故障樣本的前32組數據共計128組作為RBF神經網絡的訓練樣本，每種故障樣本的剩余12組數據共計48組作為識別樣本進行有效性驗證。其中，RBF神經網絡的輸入為30維的特征參數，隱含層為1層，輸出為單輸出，分別用1、2、3、4代表滾動體故障、內環(huán)故障、外圈故障、正常4種判別結果。在訓練過程中設定目標誤差為0.001。

圖8所示為RBF神經網絡在訓練故障樣本特征數據時的誤差變化曲線，經過128次迭代訓練，該網絡成功收斂到設定的目標誤差，完成了訓練過程。表1為RBF神經網絡故障診斷測試結果。由表1可知，識別樣本數量為48，正確識別的樣本個數為46，故系統正確識別率為95.83%，亦驗證了上述算法所提取特征參數的有效性。

圖8 RBF神經網絡訓練誤差變化曲線

表1 RBF神經網絡故障診斷測試結果

5 結 語

為解決基于汽車發(fā)動機振動信號處理的故障診斷問題，首先，構造了所采集振動信號的截斷矩陣，利用奇異值分解實現了振動信號的降噪預處理，實際數據處理結果表明該方法可以有效降低采集中所受到的噪聲影響；然后，利用HHT方法提取了汽車發(fā)動機振動信號的IMF分量信號能量特征與邊際譜區(qū)域變化特征兩種參數作為RBF神經網絡的輸入，并利用故障樣本對該網絡實現訓練與識別。實驗結果表明，上述特征參數可以有效表征故障信號的時頻域變化特點，可以作為汽車發(fā)動機故障的診斷依據。

[1] 王醇濤,陸金銘.運用HHT邊際譜的柴油機故障診斷[J].振動、測試與診斷,2010(8):465-468.

[2] 宋越,孫濤,賈然,等.基于Hilbert-Huang變換的發(fā)動機氣門間隙故障診斷研究[J].組合機床與自動化加工技術,2016(1):74-77.

[3] 趙學智,葉邦彥,陳統堅.矩陣構造對奇異值分解信號處理結果的影響[J].華南理工大學學報(自然科學版),2008,36(9):86-91.

[4] SHILPA R, PRABHU S S, PUTTASWAMY P S. Power quality disturbances monitoring using Hilbert-Huang transform and SVM classifier[C]// International Conference on Emerging Research in Electronics, Computer Science and Technology, IEEE, 2015.

[5] HAMDAD N, HAMMOUCHE K. Hilbert Huang Transform and pattern recognition to detect defects in induction motor[C]// International Conference on Electrical Engineering，IEEE, 2015.

[6] KONDAIAH V V, RAO J S, RAO V V S. Estimation of loss factor and system parameters of active magnetic thrust bearing using RBF neural networks and differential evolution[C]// IEEE Workshop on Computational Intelligence: Theories, Applications and Future Directions. IEEE, 2015.

[7] VERMA R N, JAIN K, RIZVI M A. Efficient face recognition method using RBF kernel and genetic algorithm[C]// International Conference on Computer, Communication and Control，IEEE, 2015.

(編輯：張峰)

Automobile Engine Fault Diagnosis Based on HHT and Neural Network

HAN Bo1,2

(1.Information Science and Engineering Institute of Circuits and Systems, Lanzhou University, Lanzhou 730000, China; 2.Unit 69019, Urumqi 830017, China)

To solve the fault diagnosis problem of automobile engine based on vibration signal processing, the paper firstly pretreats noise reduction of collected signal with truncated singular value decomposition method to obtain purer vibration signal. Then, it conducts decomposition and time frequency analysis on collected signal with signal processing theory of HHT (Hilbert-Huang transform) and extracts component signals and marginal spectrum region characteristics as the basis of fault diagnosis and identification of automobile engine, and makes comparative analysis on feature fusion result in different fault conditions. Finally, it trains fault samples with RBF (radial basis function) neural network and carries out training and recognition of many kinds of fault data. The actual fault data processing result shows that the characteristic parameters can effectively represents the time-frequency domain variation characteristics of fault signal, which can be used as the basis for the fault diagnosis of automobile engine.

fault diagnosis; automobile engine; Hilbert-Huang transform; RBF neural network

2016-11-10；

2016-12-20．

韓 博(1978—)，男，碩士，工程師．

10．16807/j.cnki.12-1372/e.2017.03.012

U464

A

1674-2192(2017)03- 0047- 06