基于支持向量機(jī)的電控發(fā)動(dòng)機(jī)故障診斷分析

貴州工業(yè)職業(yè)技術(shù)學(xué)院 陳顯靈

對(duì)于電控發(fā)動(dòng)機(jī)而言，有效的故障診斷方式以及日常維護(hù)對(duì)保證其安全健康的運(yùn)行發(fā)揮著極其重要的作用，受到了各界人士的高度關(guān)注。因此，故障診斷方式的研究也就成了汽車(chē)行業(yè)研究的重點(diǎn)話(huà)題。

如近年來(lái)提出的電控發(fā)動(dòng)機(jī)故障診斷方式較多，如基于聲強(qiáng)分析、不完全小波包分析、人工神經(jīng)網(wǎng)絡(luò)技術(shù)、基于噪聲的發(fā)動(dòng)機(jī)故障診斷MPA-ANM模型、基于集合經(jīng)驗(yàn)?zāi)B(tài)分解處理轉(zhuǎn)速信號(hào)提取故障信息等，每一種方式都有著自己的優(yōu)勢(shì)，尤其是對(duì)于一些非平穩(wěn)信號(hào)故障的處理，采用基于集合經(jīng)驗(yàn)?zāi)B(tài)分解處理轉(zhuǎn)速信號(hào)提取故障信息診斷方式比較適用，其中診斷方式還能夠有效解決模態(tài)混疊引發(fā)的問(wèn)題，干擾能力比較強(qiáng)[1]。

除此之外，LM 算法和bp 神經(jīng)網(wǎng)絡(luò)也是有效的利用了Bp 神經(jīng)網(wǎng)絡(luò)對(duì)發(fā)動(dòng)機(jī)電控系統(tǒng)故障進(jìn)行識(shí)別。在經(jīng)過(guò)大量的研究后發(fā)現(xiàn)，電控發(fā)動(dòng)機(jī)系統(tǒng)故障診斷的方式主要有兩種：一種為從理論上進(jìn)行分析，通過(guò)對(duì)各性能參數(shù)之間的關(guān)系進(jìn)行分析，推斷出故障方程[2]；另一種為從統(tǒng)計(jì)學(xué)和機(jī)器學(xué)習(xí)角度著手，對(duì)大量的數(shù)據(jù)進(jìn)行分析，屬于一種故障排除法，采用計(jì)算機(jī)通過(guò)多種算法學(xué)習(xí)正常數(shù)據(jù)或者故障數(shù)據(jù)，進(jìn)一步明確各性能參數(shù)之間的內(nèi)在聯(lián)系，建立預(yù)測(cè)模型，通過(guò)此模型對(duì)故障問(wèn)題進(jìn)行診斷。

為了能夠在最短的時(shí)間內(nèi)對(duì)電控發(fā)動(dòng)機(jī)故障做出準(zhǔn)確的診斷，首先就要具備較強(qiáng)的故障識(shí)別能力，基于支持向量機(jī)（Support Vector Machine，SVM）和振動(dòng)信號(hào)分析相結(jié)合的發(fā)動(dòng)機(jī)故障診斷方式，首先將振動(dòng)信號(hào)的三維特征向量作為實(shí)驗(yàn)樣本，然后將所提取到的故障的三維特征向量作為訓(xùn)練樣本和測(cè)試樣本，將其共同輸入到SVM 模型中進(jìn)行訓(xùn)練和診斷，從而實(shí)現(xiàn)對(duì)電控發(fā)動(dòng)機(jī)故障的診斷。與BP 神經(jīng)網(wǎng)絡(luò)故障診斷方式相比較而言，基于SVM 的電控發(fā)動(dòng)機(jī)故障診斷方式精確度更高。本次研究中所要分析的基于SVM 故障診斷方式屬于第2種類(lèi)型，本次研究深入的分析了基于SVM 的電控發(fā)動(dòng)機(jī)故障診斷方式。

1 振動(dòng)信號(hào)三維特征向量的分析與提取

當(dāng)電控發(fā)動(dòng)機(jī)出現(xiàn)故障時(shí)，最明顯的特征之一就是機(jī)器會(huì)伴有異常噪聲和振動(dòng)，振動(dòng)信號(hào)表現(xiàn)為非線(xiàn)性、非平穩(wěn)性等特征，與其相對(duì)應(yīng)的一些敏感點(diǎn)的振動(dòng)參數(shù)也會(huì)表現(xiàn)出比較明顯的變化，這些振動(dòng)信號(hào)中則包括發(fā)動(dòng)機(jī)狀態(tài)方面的信息，診斷人員可以通過(guò)對(duì)這些震動(dòng)信號(hào)的特征進(jìn)行分析，進(jìn)一步獲取到更多的能夠證實(shí)發(fā)動(dòng)機(jī)故障方面的信息。

首先可以對(duì)振動(dòng)信號(hào)的時(shí)域進(jìn)行分析，也就是對(duì)振動(dòng)信號(hào)在某一個(gè)時(shí)域內(nèi)的變化情況、分布情況進(jìn)行分析；還可以進(jìn)行小波包變換分析，一般情況下，如果發(fā)動(dòng)機(jī)出現(xiàn)故障時(shí)振動(dòng)信號(hào)表現(xiàn)得非平穩(wěn)，此時(shí)采用傅里葉方式分析，并不能明確準(zhǔn)確的時(shí)間節(jié)點(diǎn)以及故障變化情況[3]。

小波包變換分析方式也能夠分析出不同頻段時(shí)的信號(hào)特征，并且一般會(huì)按照不同的信號(hào)特征對(duì)不同頻段上的信號(hào)進(jìn)行分離，然后對(duì)分離后的信號(hào)特征進(jìn)行分量處理，針對(duì)不同頻段的信號(hào)特點(diǎn)提取出其特征量，并用所提取出的特征量表達(dá)此頻段上的信號(hào)特征。此種計(jì)算方式首先需要對(duì)信號(hào)進(jìn)行第1次分解，通過(guò)分解將信號(hào)分成高頻部分和低頻部分兩種，分別對(duì)其實(shí)施2抽1運(yùn)算，保留偶數(shù)或者奇數(shù)，然后依次對(duì)每層信號(hào)進(jìn)行分解，最終將信號(hào)分解到不同的頻段上[4]。

還有一種算法為特征提取方法，就是當(dāng)自控發(fā)動(dòng)機(jī)出現(xiàn)故障時(shí)發(fā)動(dòng)機(jī)的平穩(wěn)性降低，通過(guò)非平穩(wěn)性會(huì)表現(xiàn)出振動(dòng)故障，通過(guò)對(duì)故障特征進(jìn)行提取，進(jìn)而為準(zhǔn)確判斷故障的類(lèi)型提供可靠的指導(dǎo)依據(jù)。本次研究中采用了兩種故障特征的提取方式，即食欲性特征與小波能譜熵，通過(guò)將兩種方式進(jìn)行結(jié)合，為準(zhǔn)確判斷故障類(lèi)型提供了參考依據(jù)。

2 基于SVM 的電控發(fā)動(dòng)機(jī)故障診斷原理及診斷

SVM 也可以認(rèn)為是一種二分類(lèi)模型，其主要目的就是通過(guò)尋找1個(gè)超平面對(duì)原樣本進(jìn)行分割，促使樣本之間的間隔實(shí)現(xiàn)最大化，然后將其轉(zhuǎn)化為二次規(guī)劃問(wèn)題進(jìn)行求解[5]。這里提到的間隔其實(shí)指的是給定法向量W 后兩條直尺直線(xiàn)之間的距離。但是在計(jì)算的過(guò)程中，如果發(fā)現(xiàn)利用原始空間中的簡(jiǎn)單分類(lèi)無(wú)法得到比較滿(mǎn)意的結(jié)果時(shí)，一定要將非線(xiàn)性問(wèn)題轉(zhuǎn)化為線(xiàn)性問(wèn)題，比如可以通過(guò)函數(shù)運(yùn)算將矢量映射到高維空間，然后在高維空間進(jìn)行線(xiàn)性分類(lèi)。

由于通過(guò)上述分析后發(fā)現(xiàn)，SVM 適合于對(duì)二分類(lèi)問(wèn)題進(jìn)行分析，針對(duì)電控發(fā)動(dòng)機(jī)日常運(yùn)行狀態(tài)中的無(wú)故障、其他故障以及氣缸故障等建立二分類(lèi)器并級(jí)聯(lián)，共包括5種運(yùn)行狀態(tài)，即正常運(yùn)行、一缸故障、二缸故障、三缸故障、四缸故障。

當(dāng)電控發(fā)動(dòng)機(jī)出現(xiàn)故障時(shí)，其內(nèi)部會(huì)表現(xiàn)出異常振動(dòng)，這種異常會(huì)逐漸傳遞到發(fā)動(dòng)機(jī)的外部結(jié)構(gòu)，導(dǎo)致發(fā)動(dòng)機(jī)外部結(jié)構(gòu)出現(xiàn)異常振動(dòng)，部分還會(huì)伴有異常噪音，最為常見(jiàn)的為發(fā)動(dòng)機(jī)缸蓋，所以也可以認(rèn)為發(fā)動(dòng)機(jī)內(nèi)部結(jié)構(gòu)表現(xiàn)出的異常直接作用在缸蓋上，導(dǎo)致發(fā)動(dòng)機(jī)缸蓋出現(xiàn)明顯的異常振動(dòng)。

壓電式加速器將采集到的振動(dòng)信號(hào)轉(zhuǎn)變成電壓信號(hào)，然后再通過(guò)與其配套的電源適配器逐漸放大，通過(guò)數(shù)據(jù)采集卡將相關(guān)的數(shù)據(jù)信息進(jìn)行采集，再通過(guò)系統(tǒng)軟件將采集到的數(shù)據(jù)信息轉(zhuǎn)變成數(shù)字信號(hào)，在利用系統(tǒng)中的存儲(chǔ)功能進(jìn)行數(shù)據(jù)存儲(chǔ)[6]。對(duì)所提取到的數(shù)字信號(hào)進(jìn)行時(shí)域分析和小波包分解，通過(guò)分解能夠進(jìn)一步得出電控發(fā)電機(jī)的故障特征向量信息，將這些故障特征向量信息依次傳輸至SVM 模型中，通過(guò)模型分析進(jìn)一步對(duì)故障的類(lèi)型進(jìn)行判斷，并故障點(diǎn)進(jìn)行定位。

比如選擇診斷對(duì)象為某型號(hào)的自控發(fā)電機(jī)出現(xiàn)故障后，發(fā)動(dòng)機(jī)的主要技術(shù)參數(shù)如下：最大功率72kW、最大轉(zhuǎn)速6000r/min、最大扭矩132N/min、排量72L；本次實(shí)驗(yàn)中所用到的診斷設(shè)備各參數(shù)及型號(hào)如下：電源適配器為澄科5201恒流電源適配器，振動(dòng)加速度傳感器CT1005L ICP/IEPE，數(shù)據(jù)采集系統(tǒng)MCC Tracer DAQ、數(shù)據(jù)采集卡NI MCC USB-201。

通過(guò)采用診斷設(shè)備對(duì)電控發(fā)動(dòng)機(jī)在五種不同工況時(shí)振動(dòng)信號(hào)進(jìn)行采集，并將采集到的信息進(jìn)行保存作為信號(hào)數(shù)據(jù)源。有研究學(xué)者經(jīng)過(guò)研究后發(fā)現(xiàn)[7]，汽油機(jī)缸蓋的振動(dòng)頻率≤8kHz，在信號(hào)采集的過(guò)程中為了能夠避免信息遺漏，診斷人員將診斷設(shè)備的頻率設(shè)置在了19kHz，本次故障檢測(cè)中采樣、采樣通道以及信號(hào)分析頻率分別為19kHz、19kHz 和18kHz。

在提取故障信號(hào)特征特征時(shí)，先采用壓電式加速度傳感器對(duì)電控發(fā)動(dòng)機(jī)不同工況下的振動(dòng)信號(hào)進(jìn)行采集，得到振動(dòng)信號(hào)時(shí)域圖。然后再進(jìn)行小波包分解，采用小波包函數(shù)將分解層數(shù)設(shè)定為三層，先對(duì)電控發(fā)電機(jī)正常運(yùn)行狀態(tài)下的狀態(tài)進(jìn)行小波包分解，比如電控發(fā)動(dòng)機(jī)在正常工況運(yùn)行狀態(tài)下，先進(jìn)行小波包分解，其中會(huì)利用到MATLAB 分解軟件，經(jīng)過(guò)分解可以得到每一層每個(gè)節(jié)點(diǎn)的能量值[8]。最后還要進(jìn)行特征向量計(jì)算，進(jìn)行此步驟時(shí)需要從原始的數(shù)據(jù)中選出每種工況狀態(tài)下的一組數(shù)據(jù)，然后根據(jù)所選取的數(shù)據(jù)建立此狀態(tài)下的三維特征向量，將其作為故障類(lèi)型以及原因診斷的依據(jù)。

3 基于SVM 故障診斷模型應(yīng)用結(jié)果分析及比較

3.1 基于SVM 故障診斷結(jié)果分析

基于SVM 進(jìn)行電控發(fā)動(dòng)機(jī)故障診斷時(shí)，上述各種數(shù)據(jù)分處理和分析后，得到了每一種電控發(fā)動(dòng)機(jī)運(yùn)行狀態(tài)下的特征向量，共5種特征向量，每一種狀態(tài)下的特征向量為20組，一共有特征向量100組，從100組特征向量中隨機(jī)選取出80組作為本次SVM模型訓(xùn)練的樣本對(duì)象，將其余的20組特征向量作為測(cè)試模型的訓(xùn)練對(duì)象。

比如縱軸中的0、1、2、3、4分別代表正常運(yùn)行、一缸故障、二缸故障、三缸故障和四缸故障，通過(guò)分析后我們發(fā)現(xiàn)，測(cè)試模型中的20組特征向量中預(yù)測(cè)出錯(cuò)的模型只有2組，一組本來(lái)為二缸故障、錯(cuò)將其預(yù)測(cè)成了四缸故障，一組本來(lái)為一缸故障、錯(cuò)將其預(yù)測(cè)成了三缸故障，其余18組特征向量SVM預(yù)測(cè)結(jié)果與實(shí)際結(jié)果一致。通過(guò)計(jì)算后得出，基于SVM 模型對(duì)故障的預(yù)測(cè)準(zhǔn)確率為90.00%（18/20）。

3.2 基于BP 神經(jīng)網(wǎng)絡(luò)發(fā)動(dòng)機(jī)故障診斷

基于BP 神經(jīng)網(wǎng)絡(luò)也是近年來(lái)被廣泛應(yīng)用于電控發(fā)動(dòng)機(jī)故障診斷中的常用方式，幾種方式能夠?qū)收线M(jìn)行分類(lèi)識(shí)別，目前在對(duì)自控發(fā)動(dòng)機(jī)故障診斷的應(yīng)用中也取得了較好的效果，其效果受到了專(zhuān)業(yè)人士的高度認(rèn)可。

在基于BP 神經(jīng)網(wǎng)絡(luò)方式對(duì)電控發(fā)動(dòng)機(jī)進(jìn)行故障診斷時(shí)，需建立故障診斷bp 神經(jīng)網(wǎng)絡(luò)模型，通過(guò)此網(wǎng)絡(luò)模型實(shí)現(xiàn)故障診斷，且此種診斷方式在進(jìn)行故障樣本特征量選擇、故障特征量的提取、特征向量的分析等方式同基于SVM 故障診斷方式基本相同。不但如此，其中對(duì)電控發(fā)動(dòng)機(jī)工況的選擇、各種工況對(duì)應(yīng)的特征向量數(shù)量、采用模型進(jìn)行訓(xùn)練的樣本的數(shù)量、測(cè)試對(duì)象的樣本數(shù)量等都與基于SVM電控發(fā)動(dòng)機(jī)故障診斷方式比較類(lèi)似。

在誤差方面，訓(xùn)練集最小均方誤差在第5代時(shí)滿(mǎn)足本次測(cè)量目標(biāo)的需求，但是相比較而言bp 神經(jīng)網(wǎng)絡(luò)有所收斂，當(dāng)?shù)?代時(shí)出現(xiàn)訓(xùn)練集最小均方誤差后之后也呈現(xiàn)出了明顯的下降趨勢(shì)，并且下降趨勢(shì)變化比較大，坡度較陡。

但是在對(duì)測(cè)試結(jié)果進(jìn)行分析后發(fā)現(xiàn)，如果縱軸上的0、1、2、3、4分別代表正常運(yùn)行、一缸故障、二缸故障、三缸故障和四缸故障，在對(duì)其故障檢測(cè)結(jié)果進(jìn)行分析后發(fā)現(xiàn)，測(cè)試模型中的20組特征向量中預(yù)測(cè)出錯(cuò)的模型有4組，一組本來(lái)為一缸故障、錯(cuò)將其預(yù)測(cè)成了三缸故障，一組本來(lái)為二缸故障、錯(cuò)將其預(yù)測(cè)成了正常工況，一組本來(lái)為一缸故障、將其預(yù)測(cè)成了二缸故障，一組本來(lái)為正常工況將其預(yù)測(cè)成了四缸故障，其余16組特征向量SVM 預(yù)測(cè)結(jié)果與實(shí)際結(jié)果一致。對(duì)于預(yù)測(cè)錯(cuò)誤的4組特征向量樣本中，未能實(shí)現(xiàn)正確分類(lèi)的樣本有4個(gè)，通過(guò)計(jì)算后得出，基于BP 模型對(duì)故障的預(yù)測(cè)準(zhǔn)確率為80.00%（16/20）。

3.3 結(jié)果比較

基于SVM 模型對(duì)故障的預(yù)測(cè)準(zhǔn)確率為90.00%，基于BP 模型對(duì)故障的預(yù)測(cè)準(zhǔn)確率為80.00%，通過(guò)比較我們發(fā)現(xiàn)，雖然在進(jìn)行電控發(fā)動(dòng)機(jī)故障診斷方面，基于SVM 模型和基于BP 模型均取得了較好的效果，但是相比較而言，基于SVM 模型對(duì)電控發(fā)動(dòng)機(jī)故障診斷準(zhǔn)確率更高，并且此種診斷方式對(duì)樣本特征向量的容錯(cuò)率也更強(qiáng)。

正是由于基于SVM 模型診斷結(jié)果的誤差比較小，所以模型相對(duì)而言比較穩(wěn)定，故障預(yù)測(cè)中所采用的方式更加簡(jiǎn)潔，操作起來(lái)比較容易，基于SVM 模型能夠有效解決一些有限的數(shù)量樣本中，高維數(shù)模型方面存在的問(wèn)題，但是如果所分析的數(shù)據(jù)為大樣本數(shù)據(jù)時(shí)，基于SVM 模型訓(xùn)練的速度則相對(duì)而言有些慢，所以對(duì)于一些數(shù)據(jù)樣本量比較大、或者數(shù)據(jù)的分類(lèi)需求比較多，對(duì)于此種數(shù)據(jù)分析方式可以選擇BP 神經(jīng)網(wǎng)絡(luò)模型分析，優(yōu)勢(shì)更加明顯。

綜上，對(duì)電控發(fā)動(dòng)機(jī)故障進(jìn)行診斷時(shí)，在基于SVM 模型進(jìn)行分析，對(duì)振動(dòng)信號(hào)進(jìn)行采集，將采集到的信息數(shù)據(jù)進(jìn)行小波包分解處理，將其處理結(jié)果與時(shí)域特征中的相關(guān)數(shù)據(jù)特征綜合性的分析后得出振動(dòng)信號(hào)的三維特征向量，將此向量輸入至基于SVM 模型中，采用此模型進(jìn)行三位特征向量的學(xué)習(xí)和預(yù)測(cè)，預(yù)測(cè)準(zhǔn)確率較高。通過(guò)與基于Bp 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果進(jìn)行比較，基于SVM 模型進(jìn)行電控發(fā)動(dòng)機(jī)故障診斷的優(yōu)勢(shì)比較明顯，不但準(zhǔn)確率較高，并且實(shí)用性更強(qiáng)，應(yīng)用價(jià)值更高。