基于VMD和拉普拉斯分值的柴油機(jī)故障診斷

吉 哲，傅忠謙

(1.中國(guó)科學(xué)技術(shù)大學(xué) 信息科學(xué)技術(shù)學(xué)院，合肥 230026；2.海軍蚌埠士官學(xué)校 二系，安徽 蚌埠 233012)

1001-2265(2017)10-0129-05

10.13462/j.cnki.mmtamt.2017.10.031

2016-12-27；

2017-01-13

吉哲(1983—)，男，江蘇靖江人，中國(guó)科學(xué)技術(shù)大學(xué)碩士研究生，研究方向?yàn)闄C(jī)械故障診斷，(E-mail)jizhe@mail.ustc.edu.cn。

基于VMD和拉普拉斯分值的柴油機(jī)故障診斷

吉 哲1,2，傅忠謙1

(1.中國(guó)科學(xué)技術(shù)大學(xué) 信息科學(xué)技術(shù)學(xué)院，合肥 230026；2.海軍蚌埠士官學(xué)校 二系，安徽 蚌埠 233012)

針對(duì)柴油機(jī)聲信號(hào)非平穩(wěn)非線性的特性，提出了一種基于變分模態(tài)分解(VMD)和拉普拉斯分值(LS)的柴油機(jī)故障診斷方法。首先對(duì)柴油機(jī)聲信號(hào)進(jìn)行變分模態(tài)分解，從分解得到的各模態(tài)函數(shù)中進(jìn)行統(tǒng)計(jì)特征提取，組成初始特征集；然后利用改進(jìn)的拉普拉斯分值算法進(jìn)行特征排序，以支持向量機(jī)(SVM)為故障分類器，實(shí)現(xiàn)柴油機(jī)的故障診斷；最后通過設(shè)計(jì)接受者操作特性(ROC)指示器，確定故障診斷的最優(yōu)維。將該方法應(yīng)用到6135D型柴油機(jī)四種常見故障的診斷中，實(shí)驗(yàn)結(jié)果表明該方法能有效提取柴油機(jī)聲信號(hào)特征并具有較高的診斷精度。

變分模態(tài)分解; 拉普拉斯分值；特征提??；支持向量機(jī)

0 引言

柴油機(jī)是一種大型往復(fù)式動(dòng)力機(jī)械，廣泛應(yīng)用于工業(yè)、農(nóng)業(yè)、軍事等各個(gè)領(lǐng)域。根據(jù)不同的性能需求，柴油機(jī)要求在各種條件下運(yùn)行。惡劣的環(huán)境和長(zhǎng)時(shí)間的運(yùn)行容易誘發(fā)各種故障，將直接影響工作效率。柴油機(jī)的故障診斷主要是識(shí)別機(jī)械運(yùn)行中動(dòng)態(tài)性能的變化規(guī)律，為準(zhǔn)確判定故障部位提供依據(jù)?，F(xiàn)代機(jī)械故障診斷方法主要有：振動(dòng)噪聲診斷法，油液分析法，紅外測(cè)溫法等。機(jī)械的的振動(dòng)噪聲信號(hào)通常包含大量的機(jī)械系統(tǒng)狀態(tài)信息,利用振聲信號(hào)進(jìn)行故障診斷是一種常用且有效的方法。柴油機(jī)振聲信號(hào)是一種典型的周期性循環(huán)的非平穩(wěn)信號(hào)[1]。當(dāng)柴油機(jī)發(fā)生故障時(shí)，會(huì)發(fā)出異常振動(dòng)和噪聲，通過對(duì)振聲信號(hào)的分析，可以進(jìn)行故障診斷。文獻(xiàn)[2-3]研究了小波包分析在柴油機(jī)故障診斷中的應(yīng)用。文獻(xiàn)[4]將集合經(jīng)驗(yàn)?zāi)B(tài)分解引入到柴油機(jī)故障診斷中，利用振動(dòng)信號(hào)的能量譜進(jìn)行診斷。文獻(xiàn)[5]通過局部均值分解提取電機(jī)振動(dòng)信號(hào)的特征向量，應(yīng)用SVM進(jìn)行故障識(shí)別。文獻(xiàn)[6]研究了旋轉(zhuǎn)機(jī)械的復(fù)合故障診斷方法，通過遺傳編程選擇特征參數(shù)，并利用加權(quán)證據(jù)理論進(jìn)行信息融合，對(duì)復(fù)合故障進(jìn)行了準(zhǔn)確的診斷。但是，小波包分析需要事先選擇合適的基函數(shù)，集合經(jīng)驗(yàn)?zāi)B(tài)分解和局部均值分解均存在端點(diǎn)效應(yīng)且對(duì)頻率相近的分量無法正確分離，這就影響了信號(hào)的特征提取效果。同時(shí)，文獻(xiàn)[2-6]只是選取了較少的特征參數(shù)類型，如能量特征，不能全面地表征機(jī)械狀態(tài)信息。

為了更好地進(jìn)行柴油機(jī)常見故障診斷，本文采用一種新的信號(hào)分析方法—變分模態(tài)分解(Variational Mode Decomposition,VMD)，選擇多種特征參數(shù)，并利用改進(jìn)的拉普拉斯分值進(jìn)行特征排序，同時(shí)設(shè)計(jì)了ROC指示器確定特征參數(shù)的維數(shù)，有效提高了柴油機(jī)的故障診斷精度。

1 變分模態(tài)分解(VMD)

故障診斷的振聲分析方法可以概括為三個(gè)步驟：信號(hào)獲取、故障特征提取和故障模式識(shí)別。其中利用合適的信號(hào)處理方法選擇特征參數(shù)是故障診斷中關(guān)鍵的一步。經(jīng)驗(yàn)?zāi)B(tài)分解[7](Empirical Mode Decomposition,EMD)和局部均值分解[8](Local Mean Decomposition,LMD)是近些年提出的信號(hào)自適應(yīng)分解方法，都屬于遞歸模式分解，非常適合非平穩(wěn)非線性信號(hào)的處理。但是都存在一些問題：EMD存在頻率混疊和端點(diǎn)效應(yīng)，缺乏嚴(yán)格的數(shù)學(xué)理論；LMD雖然有所改進(jìn)，但仍存在端點(diǎn)效應(yīng)，需要進(jìn)行端點(diǎn)延拓。變分模態(tài)分解是Dragomiretskiy[9]等于2014年提出的一種新的信號(hào)自適應(yīng)分解方法，它是基于維納濾波、希爾伯特變換和頻率混合的基礎(chǔ)上發(fā)展起來的。VMD通過變分問題的構(gòu)造和求解，將原信號(hào)分解為一系列離散的子信號(hào)，從而實(shí)現(xiàn)各分量頻率分離，具有更好的噪聲魯棒性。文獻(xiàn)[10]將VMD成功地用于水電機(jī)組振動(dòng)趨勢(shì)的預(yù)測(cè)。

VMD算法的核心是變分問題的構(gòu)造和求解。VMD是將原信號(hào)分解為各個(gè)離散的模態(tài)函數(shù)uk(t)之和，每個(gè)模態(tài)函數(shù)uk(t)是具有中心頻率ωk的有限帶寬，目的是使每個(gè)模態(tài)函數(shù)uk(t)的估計(jì)帶寬之和最小。

VMD算法中引入二次懲罰因子α和Lagrangian乘子λ以解決約束變分優(yōu)化問題，并通過乘法算子交替方向法(Alternate Direction Method of Multipliers，ADMM)進(jìn)行交替迭代尋優(yōu)。具體算法流程見文獻(xiàn)[9]。

2 柴油機(jī)特征參數(shù)提取

2.1 特征參數(shù)的選擇

當(dāng)柴油機(jī)的狀態(tài)發(fā)生變化時(shí)，信號(hào)的幅域信息、時(shí)域信息、頻域信息及能量都會(huì)發(fā)生相應(yīng)的變化。直觀上，一般很難判斷哪些特征參數(shù)是敏感的且可以用來描述柴油機(jī)聲信號(hào)的特征。為了獲取更多的柴油機(jī)狀態(tài)信息，這里綜合選取了13種特征指標(biāo)，具體見表1所示。前12種統(tǒng)計(jì)特征分別從原信號(hào)分解出的各個(gè)模態(tài)分量中提取出來，而香農(nóng)熵是從所有模態(tài)分量中計(jì)算出來的。

由于各個(gè)特征參數(shù)的數(shù)值不屬于同一個(gè)數(shù)量級(jí)，差異較大，因此在故障診斷之前首先對(duì)特征矩陣進(jìn)行歸一化處理，使它們位于相似范圍，采用的歸一化公式如下：

(1)

本文將特征參數(shù)控制在[-1,1]之間，公式變?yōu)椋?/p>

(2)

2.2 拉普拉斯分值算法

在故障診斷中，特征參數(shù)應(yīng)選取能夠代表柴油機(jī)狀態(tài)信息的參數(shù)，同時(shí)又應(yīng)該避免特征數(shù)目過多、維數(shù)較高等現(xiàn)象。表1所列的特征參數(shù)雖然可以從不同角度來反映柴油機(jī)的狀態(tài)信息，但是它們對(duì)于不同故障具有不同的敏感程度，一部分特征參數(shù)與故障相關(guān)，另一部分特征參數(shù)則是無關(guān)或者冗余的。因此，在故障診斷之前，需要根據(jù)與故障相關(guān)的敏感性對(duì)特征參數(shù)的重要度進(jìn)行排序，選擇敏感性強(qiáng)的若干特征，以提高分類性能，避免維數(shù)災(zāi)難。

拉普拉斯分值(Laplacian Score,LS)是由He等[11]于2005年提出的一種特征選擇算法，該算法可以實(shí)現(xiàn)高維特征空間向低維特征空間的轉(zhuǎn)變，提高分類效率。文獻(xiàn)[12]利用拉普拉斯分值算法對(duì)滾動(dòng)軸承振動(dòng)信號(hào)的特征向量進(jìn)行排序，依據(jù)重要度選取了前5個(gè)特征，取得了較好的診斷效果。

原拉普拉斯分值算法采用的是非監(jiān)督學(xué)習(xí)，柴油機(jī)故障診斷屬于監(jiān)督學(xué)習(xí)，每種工況的特征樣本為一類數(shù)據(jù)，結(jié)合文獻(xiàn)[11]并將樣本標(biāo)號(hào)信息和局部保持能力相結(jié)合，提出了用于柴油機(jī)故障診斷的改進(jìn)拉普拉斯分值算法，描述如下：

(1) 令Lr表示第r個(gè)特征的拉普拉斯分值，fri表示第r個(gè)特征的第i個(gè)樣本(i=1,2,…,m)。給定一個(gè)柴油機(jī)特征樣本集合X，用m個(gè)節(jié)點(diǎn)構(gòu)建一個(gè)最近鄰圖G表示特征樣本的局部結(jié)構(gòu)，第i個(gè)節(jié)點(diǎn)對(duì)應(yīng)xi。如果xi和xj屬于同一類，且是對(duì)方的k近鄰節(jié)點(diǎn)，則有邊連接。

(2) 圖G中邊的距離權(quán)重定義為：

(3)

t是一個(gè)合適的常數(shù)。若xi和xj沒有邊相連，則Sij為0。圖G的權(quán)重矩陣S描述了數(shù)據(jù)空間的局部結(jié)構(gòu)特征。

(3) 對(duì)于第r個(gè)特征，定義：

fr=(fr1,fr2,…,frm)T

(4)

D=diag(SI)

(5)

I=(1,1,…,1)T

(6)

L=D-S

(7)

矩陣L通常稱為圖G的拉普拉斯矩陣。去均值化fr，得到：

(8)

(4) 計(jì)算第r個(gè)特征的拉普拉斯分值：

(9)

Lr值越小表示該特征的局部保持能力和區(qū)分能力越強(qiáng)，即越重要。按照Lr值從小到大的順序重新排列各個(gè)特征，選擇前若干個(gè)特征作為特征選擇的結(jié)果。

2.3 最優(yōu)維的設(shè)計(jì)

特征參數(shù)經(jīng)過拉普拉斯算法排序后，具體選擇多少個(gè)特征并沒有既定的方法，文獻(xiàn)[12-13]采用經(jīng)驗(yàn)選取的方法。為了實(shí)現(xiàn)較小特征向量維數(shù)下獲得較高的故障診斷率，提出了最優(yōu)維的概念。通過選取最優(yōu)維可以減少特征維數(shù)并保持較高的診斷精度，同時(shí)可以確定經(jīng)拉普拉斯算法排序后特征參數(shù)的選擇個(gè)數(shù)。

統(tǒng)計(jì)模型中的接受者操作特性(Receiver Operating Characteristic,ROC)曲線通常用來評(píng)價(jià)一個(gè)二分類分類器的性能，對(duì)于多分類問題可以設(shè)計(jì)ROC指示器來評(píng)估分類效果[14]。

當(dāng)利用ROC曲線評(píng)價(jià)不同的模型時(shí)，一般認(rèn)為平衡敏感性和特異性的最佳分界點(diǎn)是距離(0,1)最近的點(diǎn)[15]，代表了此模型具有100%的真正率和0%的假正率。結(jié)合文獻(xiàn)[16]定義多分類ROC指示器為點(diǎn)(1-Sp,Se)到點(diǎn)(0,1)的距離平均值，代表了分類器在各個(gè)特征維度上正確區(qū)分各種故障類型的能力。ROC指示器的值越小，說明模型正確區(qū)分各種故障類型的能力越強(qiáng)。由于ROC曲線是基于二分類提出的，多分類時(shí)可以將n個(gè)類型進(jìn)行兩兩組合形成N個(gè)二分類。

(10)

同時(shí)，當(dāng)評(píng)價(jià)在各個(gè)維度分類器的分類性能時(shí)，應(yīng)考慮維度因素，設(shè)計(jì)的ROC指示器如式(11)所示。

(11)

其中，F(xiàn)num代表維數(shù)，P代表最大維數(shù)，k是比例因子，可根據(jù)需要進(jìn)行調(diào)整，最優(yōu)維定義為ROC指示器值D最小時(shí)對(duì)應(yīng)的維數(shù)。

3 故障診斷流程

基于VMD和LS的柴油機(jī)故障診斷步驟如下：

(1) 首先對(duì)采集到的柴油機(jī)聲信號(hào)進(jìn)行變分模態(tài)分解，得到L個(gè)模態(tài)函數(shù)，模態(tài)函數(shù)中包含了大量的柴油機(jī)狀態(tài)信息。

(2) 從各個(gè)模態(tài)函數(shù)中提取設(shè)計(jì)的13個(gè)統(tǒng)計(jì)特征，形成了L×12+1個(gè)特征參數(shù)，組成初始特征集。

(3) 對(duì)特征集進(jìn)行歸一化處理，數(shù)值控制在[-1,1]之間。

(4) 應(yīng)用改進(jìn)的LS算法對(duì)各個(gè)特征參數(shù)按照重要程度進(jìn)行排序。

(5) 按照特征排序順序，依次選取1至L×12+1個(gè)特征參數(shù)，應(yīng)用支持向量機(jī)進(jìn)行故障診斷，得到各個(gè)特征維數(shù)下的診斷率。

(6) 利用公式(13)計(jì)算各維的ROC指示器數(shù)值，將數(shù)值最小對(duì)應(yīng)的維數(shù)定為最優(yōu)維。

其流程圖如圖1所示。

圖1 故障診斷流程圖

4 實(shí)驗(yàn)分析

4.1 實(shí)驗(yàn)平臺(tái)的構(gòu)建

利用聲信號(hào)進(jìn)行智能診斷可以實(shí)現(xiàn)柴油機(jī)的非接觸、不解體診斷，非常適合柴油機(jī)惡劣的工作環(huán)境。實(shí)驗(yàn)選取的柴油機(jī)為6135D型船用柴油機(jī)。柴油機(jī)噪聲主要由機(jī)械噪聲、燃燒噪聲、空氣動(dòng)力性噪聲組成，而缸蓋處是噪聲最為豐富和集中的地方。因此，在缸蓋上方50cm處作為聲信號(hào)的采集位置并放置傳聲器(頻率響應(yīng)20Hz～20kHz)。

圖2 6135D型船用柴油機(jī)

通過人工設(shè)置，模擬了四種常見故障，分別為：斷一缸(2號(hào)缸)故障、斷兩缸(2號(hào)缸和6號(hào)缸)故障、供油提前角偏小故障(25°)和供油提前角偏大故障(34°)。利用傳聲器采集正常狀態(tài)和四種故障狀態(tài)的聲信號(hào)。測(cè)試工況為1000r/min空載，采樣頻率設(shè)為44.1kHz，每種狀態(tài)信號(hào)選擇100組，信號(hào)點(diǎn)數(shù)為4000個(gè)。對(duì)應(yīng)于柴油機(jī)的五種狀態(tài)，這是一個(gè)五類別的分類任務(wù)，500組聲信號(hào)樣本中70%的樣本作為訓(xùn)練集，30%的樣本作為測(cè)試集。

4.2 VMD參數(shù)選取

VMD算法中需要設(shè)置的參數(shù)有分解模態(tài)數(shù)K，帶寬限制α和噪聲容忍度τ。每個(gè)模態(tài)具有不同的中心頻率，不同的分解模態(tài)數(shù)K對(duì)應(yīng)的信號(hào)分解性能也是不同的。帶寬限制α選擇過大會(huì)不能準(zhǔn)確地捕捉到正確的中心頻率，而選擇過小則會(huì)導(dǎo)致被估計(jì)模態(tài)中含有更多噪聲。當(dāng)信號(hào)中存在噪聲時(shí)，為了保證分解模態(tài)中不含噪聲，可以降低拉格朗日乘子。通過改變?cè)肼暼萑潭圈?，可以?duì)拉格朗日乘子進(jìn)行調(diào)節(jié)，τ=0時(shí)，拉格朗日乘子的值為0，即停止使用拉格朗日乘子。

峭度常常用來描述信號(hào)的沖擊特性，沖擊成分的比重越大，信號(hào)的故障特征越明顯，故障診斷也將會(huì)越精確。文獻(xiàn)[12]利用峭度準(zhǔn)則來選取最優(yōu)PF分量，即峭度值最大的PF分量。本文將峭度原則引入到VMD參數(shù)K的選取中。選擇柴油機(jī)斷一缸故障時(shí)的聲信號(hào)，帶寬限制α設(shè)為默認(rèn)值2000，由于僅僅使用了VMD算法中的分解，精確重構(gòu)并不是目標(biāo)，故設(shè)置噪聲容忍度τ=0。計(jì)算不同分解模態(tài)數(shù)K下的各模態(tài)峭度值，如表2所示。

表2 不同K值對(duì)應(yīng)的各模態(tài)峭度值

其中，當(dāng)分解模態(tài)數(shù)K=7時(shí)，第3個(gè)模態(tài)分量具有最大的峭度值，說明此時(shí)信號(hào)可以分解出包含豐富特征信息的模態(tài)分量，是最佳的分解模態(tài)數(shù)。因此，K應(yīng)選為7，對(duì)應(yīng)的各中心頻率如表3所示。

表3 各模態(tài)中心頻率

4.3 SVM參數(shù)選取

支持向量機(jī)的核函數(shù)選為徑向基核函數(shù)，懲罰因子C和核參數(shù)g通過網(wǎng)格搜索和交叉驗(yàn)證的方法獲得。網(wǎng)格區(qū)間設(shè)為[2-10,210]，C和g步長(zhǎng)為0.2。使用5折交叉驗(yàn)證法進(jìn)行訓(xùn)練，計(jì)算交叉驗(yàn)證準(zhǔn)確度，通過最高交叉驗(yàn)證準(zhǔn)確度和最小懲罰系數(shù)的原則確定最優(yōu)參數(shù)對(duì)(C,g)。

4.4 實(shí)驗(yàn)結(jié)果

依照VMD方法對(duì)被研究的聲信號(hào)進(jìn)行分解模態(tài)數(shù)K=7的變分模態(tài)分解，利用表1中的13種統(tǒng)計(jì)特征進(jìn)行特征提取，得到每個(gè)樣本85維的特征向量，組成初始特征集。然后對(duì)特征數(shù)據(jù)集進(jìn)行歸一化處理，并采用改進(jìn)的拉普拉斯分值算法對(duì)數(shù)據(jù)進(jìn)行排序。取k=5構(gòu)造近鄰圖G，取t=0.4計(jì)算圖G的權(quán)重矩陣S，得到各個(gè)特征的拉普拉斯分值，按照分值從小到大的順序進(jìn)行重要度排序。根據(jù)排序結(jié)果，依次選取1～85維特征向量用SVM進(jìn)行診斷，得到各個(gè)維度的診斷率如圖3所示。

圖3 VMD特征數(shù)與診斷率的關(guān)系

可以看出，當(dāng)特征參數(shù)為12維時(shí)，獲得最高的故障診斷率98.67%，每種樣本類型的識(shí)別結(jié)果如表4所示。除正常狀態(tài)和斷一缸故障狀態(tài)各有一個(gè)錯(cuò)分樣本外，其余均分類正確，具有較高的診斷精度。

表4 SVM分類結(jié)果

拉普拉斯分值排序中前12個(gè)特征參數(shù)依次為L(zhǎng)44、L16、L37、L15、L30、L78、L20、L43、L48、L82、L6、L2，對(duì)應(yīng)的模態(tài)分量如圖4所示。

圖4 模態(tài)分量的特征分布

圖4中的特征分布顯示，被選擇特征主要集中在變分模態(tài)分解的第2模態(tài)分量，第1模態(tài)分量和第6模態(tài)分量，其中包含較多的有用信息。

ROC指示器中比例因子k取0.4，計(jì)算各維的ROC指示器數(shù)值，如圖5所示。當(dāng)維數(shù)為7時(shí)，ROC指示器數(shù)值為曲線中的最小值0.0058，說明故障診斷最優(yōu)維數(shù)是7，圖6中最優(yōu)維對(duì)應(yīng)的故障診斷率為96.67%。選取最優(yōu)維可以實(shí)現(xiàn)在較小特征維數(shù)下獲得較高的故障診斷率。

圖5 具有特征數(shù)的ROC指示器

圖6 最優(yōu)維

4.5 實(shí)驗(yàn)對(duì)比

為了說明VMD在柴油機(jī)聲信號(hào)處理上的優(yōu)越性，實(shí)驗(yàn)選取了EMD的改進(jìn)算法EEMD進(jìn)行對(duì)比。EEMD可以根據(jù)信號(hào)自適應(yīng)地確定分解層數(shù)，在此分解層數(shù)為10層，得到121維特征向量，各個(gè)維度的診斷率如圖7所示。最高的故障診斷率和最優(yōu)維的對(duì)比如表5所示。

圖7 EEMD特征數(shù)與診斷率的關(guān)系

表5 VMD與EEMD對(duì)比

從表中可以看出，VMD與EEMD方法相比具有較低的最高診斷率維數(shù)和最優(yōu)維，且診斷精度高，具有一定的優(yōu)勢(shì)。

在相同條件下，將隨機(jī)選擇的三個(gè)特征參數(shù)集和原LS算法排序與改進(jìn)的LS算法排序進(jìn)行了實(shí)驗(yàn)對(duì)比，特征維數(shù)選擇最優(yōu)維7維，結(jié)果如表6所示。從表中可以看出，當(dāng)選擇隨機(jī)特征集進(jìn)行故障診斷時(shí)，識(shí)別精度不高且浮動(dòng)較大，容易產(chǎn)生大的誤差。與原LS算法排序相比本文所提方法提高了6%的識(shí)別精度，說明該方法適用于柴油機(jī)故障診斷，是一種有效的智能診斷方法。

表6 不同特征集對(duì)比

5 結(jié)論

根據(jù)柴油機(jī)聲信號(hào)非平穩(wěn)、非線性、寬頻譜等特點(diǎn)，本文提出了一種基于變分模態(tài)分解和拉普拉斯分值的故障診斷模型，通過對(duì)6135D型船用柴油機(jī)的實(shí)驗(yàn)，得到的結(jié)論如下：

(1) 變分模態(tài)分解適合非平穩(wěn)非線性信號(hào)的分析，可以有效提取柴油機(jī)的故障特征，通過峭度原則能夠確定分解模態(tài)數(shù)K。

(2) 拉普拉斯分值算法可以對(duì)特征參數(shù)的重要度進(jìn)行排序，從高維特征集中選取與故障相關(guān)密切的特征，減少無關(guān)或冗余特征。將樣本標(biāo)號(hào)信息和局部保持能力相結(jié)合進(jìn)行算法改進(jìn)，具有更加集中的分類效果。

(3) 通過設(shè)計(jì)ROC指示器尋找最優(yōu)維的方法為降低特征維度同時(shí)保持較高分類精度提供了新的思路。

(4) 實(shí)驗(yàn)結(jié)果表明本文所提方法能夠?qū)崿F(xiàn)柴油機(jī)多個(gè)故障的準(zhǔn)確判斷，具有穩(wěn)定的分類性能。

[1] 溫廣瑞,張西寧. 柴油機(jī)故障的振動(dòng)特征提取及故障識(shí)別[J]. 振動(dòng)工程學(xué)報(bào),2004,17(s1):404-407.

[2] Jian Da Wu,Chiu Hong Liu. An expert system for fault diagnosis in internal combustion engines using wavelet packet transform and neural network [J]. Expert Systems with Applications,2009,36 (3):4278-4286.

[3] 金劍，潘宏俠，劉述文. 基于小波包和PSO-SVM的柴油機(jī)故障診斷 [J]. 組合機(jī)床與自動(dòng)化加工技術(shù),2014(8):75-77,81.

[4] Pan Hongxia,Guo Gangxiang,Ren Haifeng. Engine fault diagnosis based on EEMD difference energy spectrum [C]//4th International Conference on Mechanics,Simulation and Control (ICMSC),2014: 210-214.

[5] 丁瑞成，黃友銳，陳珍萍，等. LMD和SVM相結(jié)合的電機(jī)軸承故障診斷研究 [J]. 組合機(jī)床與自動(dòng)化加工技術(shù),2016(8):81-84.

[6] Hu Qin,QIN Aisong,Zhang Qinghua. Application of an information fusion method to compound fault diagnosis of rotating machinery [C]. Control & Decision Conference, 2015:3859-3864.

[7] Huang N H,Shen Z,Long S R,et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and nonstationary time series analysis [J]. Proc.R.Soc. London A,1998,454:903-995.

[8] Smith J S. The local mean decomposition and its application to EEG perception data [J]. JR Soc Interface, 2005, 2(5):443-454.

[9] Dragomiretskiy K,Zosso D. Variational mode decomposition [J]. IEEE Transactions on Signal Processing,2014, 62(3): 531-544.

[10] 付文龍,周建中,張勇傳,等. 基于OVMD與SVR的水電機(jī)組振動(dòng)趨勢(shì)預(yù)測(cè) [J]. 振動(dòng)與沖擊, 2016,35(8)：36-40.

[11] He Xiaofei,Cai Deng,Niyogi P. Laplacian score for feature selection [C]//Advances in Neural Information Processing System.Cambridge,MA:MIT Press,2005: 149-256.

[12] Li Yongbo,Xu Minqiang,Wang Rixin,et al. A fault diagnosis scheme for rolling bearing based on local mean decomposition and improved multiscale fuzzy entropy [J]. Journal of Sound and Vibration,2016, 360:277-299.

[13] 歐璐,于德介. 基于拉普拉斯分值和模糊C均值聚類的滾動(dòng)軸承故障診斷 [J]. 中國(guó)機(jī)械工程,2014, 25(10)：1352-1357.

[14] Lu Lei,Yan Jihong,Silva C Wde. Dominant feature selection for the fault diagnosis of rotary machines using modified genetic algorithm and empirical mode decomposition [J]. Journal of Sound and Vibration, 2015, 344:464-483.

[15] Saidi L,Fnaiech F,Henao H,et al. Diagnosis of broken-bars fault in induction machines using higher order spectral analysis [J]. ISA Transactions,2013,52(1): 140-148.

[16] Akobeng A K. Understanding diagnostic tests 3: receiver operating characteristic curves [J]. Acta Paediatrica 2007,96 (5):644-647.

DieselEngineFaultDiagnosisBasedonVMDandLaplacianScore

JI Zhe1,2, FU Zhong-qian1

(1. School of Information Science and Technology, University of Science and Technology of China, Hefei 230026, China;2. Second Department,Bengbu Naval Petty Officer School, Bengbu Anhui 233012, China)

Aiming at the acoustic signal of diesel with features of nonstationary and nonlinear, a fault diagnosis method for diesel engine based on Variational Mode Decomposition(VMD) and Laplacian Score(LS) was proposed. Firstly VMD was employed to decompose acoustic signals of diesel, the statistical features were extracted from the decomposition of each modal function to form the initial feature set; then improved LS algorithm was used for feature ranking, using Support Vector Machine(SVM) as a fault classifier, the fault diagnosis of diesel engine was realized; finally through the design of Receiver Operating Characteristic(ROC) indicator, the optimal dimension of fault diagnosis was determined. The method is applied to the diagnosis of four common faults of type 6135D diesel engine, the experimental results show that this method can efficiently extract the features of acoustic signals of diesel and has high diagnostic accuracy.

variational mode decomposition; laplacian score; feature extraction; support vector machine

TH165+.3;TG506

A

(編輯李秀敏)