高功率密度柴油機氣門間隙故障信號提取

暢志明，續(xù)彥芳，楊海濤，傅湘雨，楊貴春

(1.中北大學(xué) 能源動力工程學(xué)院，太原 030051；2.中國北方發(fā)動機研究所,天津 300400)

0 引言

高功率密度柴油機包含很多的運動機構(gòu)的同時其結(jié)構(gòu)緊湊復(fù)雜。工作過程中振動激勵源多、頻率分布廣, 平時長時間，高負(fù)載，如果采用直接測量法得到的振動信號是一個典型的非平穩(wěn)信號[1-2]。目前大多數(shù)對內(nèi)燃機的振動信號特征提取方法適用于一些單缸，激勵源少的內(nèi)燃機的簡易故障診斷。但是對高功率密度柴油機振動信號處理和提取效果不是很理想[3]。而且一般的信號處理方法, 對提取出的故障特征表征具有模糊性, 不能直觀地分辨出故障的類型, 本文應(yīng)用以模糊數(shù)學(xué)為理論基礎(chǔ)的聚類分析方法結(jié)合信息熵進(jìn)行特征提取為解決此類模糊性問題提供了一種新的途徑。

1 實驗方案設(shè)計

本實驗以某高功率密度柴油機為研究對象，對其缸蓋上端面布置測試點進(jìn)行信號采集，測試與處理系統(tǒng)如圖1所示。該測試點選取是根據(jù)內(nèi)部主要構(gòu)件活塞高速運動沖擊，進(jìn)氣門開啟及關(guān)閉撞擊的基本運動形態(tài)，結(jié)合內(nèi)燃機固有振動特性和傳遞關(guān)系，進(jìn)行測點優(yōu)化布置，最終在內(nèi)燃機第6缸蓋上端面上布置測點。采用經(jīng)過機械濾波器處理的耐高溫加速度傳感器，避開阻尼部件，對內(nèi)燃機的燃燒過程產(chǎn)生的沖擊振動進(jìn)行測試。同時，在噴油泵齒輪軸上安裝脈沖傳感器采用頻率20kHz的等時間采樣方法來標(biāo)定1 缸壓縮上止點。在測試過程中將第6缸排氣門間隙設(shè)置為0.4，0.5，0.6，0.7mm，通過對氣門間隙微調(diào)影響其工作狀況。其中0.4mm為正常狀態(tài)。

在實驗中選用了計算機便攜式DASP (Data Acquisition & Signal Processing-數(shù)據(jù)采集和信號處理) 系統(tǒng)采集記錄測點的沖擊加速度響應(yīng)信號。

本實驗進(jìn)行空負(fù)載下不同的氣門間隙造成的不同的信號振動。按照正常氣門間隙、故障氣門間隙一、故障氣門間隙二、故障氣門間隙三，4種工況依次進(jìn)行工作，采集內(nèi)燃機振動信號。

2 內(nèi)燃機信號預(yù)處理

4種工況下內(nèi)燃機振動信號采樣點數(shù)如圖2所示。

(a)正常 (b) 故障一

(c) 故障二 (d) 故障三圖1 內(nèi)燃機振動信號Y方向時域圖

從圖1可以看出，高功率密度柴油機的振動信號具有很強短時、瞬態(tài)、沖擊特性，能量在燃燒后出現(xiàn)峰值，然后開始衰減。如果采用傳統(tǒng)的經(jīng)驗?zāi)B(tài)分解(EMD)，會導(dǎo)致固有模態(tài)分量(IMF)存在著比較嚴(yán)重的模態(tài)混疊現(xiàn)象。本文所用的EEMD 是經(jīng)驗?zāi)B(tài)分解的改進(jìn)算法，利用了高斯白噪聲具有頻率均勻分布的統(tǒng)計特性。在原始振動信號中加入高斯白噪聲，信號將表現(xiàn)在不同尺度上的連續(xù)性，促進(jìn)了信號的抗混分解[4-6]，有效解決了EMD方法中由于IMF的不連續(xù)性而造成的模式混淆現(xiàn)象。使用聚合經(jīng)驗?zāi)B(tài)分解的方法來進(jìn)行降噪預(yù)處理使后續(xù)的信號表達(dá)出更為有用的信息。

2.1 EEMD分解步驟

(1)首先對總體的平均次數(shù)M進(jìn)行初始化，后加入白噪聲幅值，m=1；

(2)對原始振動信號應(yīng)用EMD處理，進(jìn)行第m次分解。

①對已知的幅值白噪聲nm(t)疊加在信號x(t)上：

xm(t)=x(t)+nm(t)

(1)

xm(t)的意義為第m次加噪后的信號；nm(t)代表第m次加入的白噪聲。

②用經(jīng)驗?zāi)B(tài)分解加噪信號xm(t)，可以得到一組IMF分量cm,n(n=1,2,3…N)。其中cm,n為第m次分解得到的第n個IMF分量。

③如果m

(2)

其中，n=1,2,3,…,N，m=1,2,…,M。

(3)記錄N個IMF分量M次分解的平均值yn，最終作為的IMF分量[7-8]。

圖2 正常工況時內(nèi)燃機缸蓋振動信號EEMD分解結(jié)果

以正常氣門間隙柴油機機振動信號為例，經(jīng)過簡單的去趨勢項后采用EEMD對振動信號進(jìn)行分解得到各IMF分量，但各分量也包含一些噪聲等非有用信號，通過IMF分量與原始信的相關(guān)性來選取需要重構(gòu)的IMF分量，提高重構(gòu)信號的有效性。采用EEMD對振動信號進(jìn)行分解后如圖2所示。

2.2 計算相關(guān)系數(shù)：

其中各IMF分量和原始振動信號的相關(guān)系數(shù)Rx，RIMF1…RIMFK，其計算公式如下：

(3)

歸一化計算公式為：

(4)

其中，N—信號點數(shù)；j—第j個IMF量。

通過式中分析，分量與原始信的相關(guān)性來選取需要重構(gòu)的IMF分量，來達(dá)到提高重構(gòu)信號的有效性的效果。本文采用EEMD對振動信號進(jìn)行分解，計算各分量與原始信號的自相關(guān)系數(shù)。通過每種工況下隨機進(jìn)行 4 次測試,在12個實驗的樣本中提取的特征參數(shù)，如表1所示。表中 1～3 為排氣門間隙0.4mm時的數(shù)據(jù); 4～6為排氣門間隙0.5mm時的數(shù)據(jù); 7～9為排氣門間隙0.6 mm; 9～12為排氣門間隙0.7 mm時的數(shù)據(jù)。

表1 不同樣本特征參數(shù)對比

表1顯示出, 在同一工況下采集的不同樣本, 通過聚合經(jīng)驗?zāi)B(tài)分解以后, 能量的分布有一定的相似性。但是，經(jīng)不同工況下采集的振動信號通過聚合經(jīng)驗?zāi)B(tài)分解以后, 其中相應(yīng)層的能量分布表達(dá)出一定的差異性。對不同工況下的信號聚合經(jīng)驗?zāi)B(tài)分解后, 相應(yīng)層代表的物理意義表現(xiàn)為一定的差異性，與不經(jīng)任何處理的信號中提取氣門間隙的故障特征相比, 利用聚合經(jīng)驗?zāi)B(tài)的預(yù)處理方法能夠在樣本容量有限的情況下增加故障特征向量的維數(shù), 為提高故障識別的準(zhǔn)確率奠定基礎(chǔ)。

3 分形模糊熵特征值的提取方法

由于內(nèi)燃機工作時的振動信號是非線性的而且有一定的分形特征。同時分形維數(shù)可以在一定程度上刻畫信號填充空間的能力，假如其中信號發(fā)生某些干擾，導(dǎo)致了填充空間的能力就會發(fā)生變化，同時導(dǎo)致信號的分形維數(shù)就也會發(fā)生相應(yīng)的變化。所以在高功率密度內(nèi)燃機的故障診斷中引進(jìn)分型幾何來提取信號的結(jié)構(gòu)特征——分形維數(shù)，可作為一種有廣泛發(fā)展前景的故障診斷方法。目前研究理論來講，單重分形的分形維數(shù)一般包括：豪斯道夫(Hausdorff)維數(shù)、信息維數(shù)、自相似維數(shù)、盒維數(shù)、關(guān)聯(lián)維數(shù)、李雅普諾夫(Lyapunov)維數(shù)等。因為關(guān)聯(lián)維數(shù)可以很好地反映時間序列的動態(tài)過程，但噪聲對關(guān)聯(lián)維數(shù)的影響比較大。因此通過采用EEMD方法將內(nèi)燃機的振動信號分解為不同頻段的IMF分量來提取關(guān)聯(lián)維數(shù)。

模糊熵一般定義為[9]：

(1)其中對N點序列{u(i):1≤i≤N}構(gòu)造m維向量：

(5)

(6)

(3)表達(dá)函數(shù)：

(7)

(4)定義模糊熵為：

(8)

當(dāng)N為有限值時，式(8)表示為：

FuzzyEn(m,n,r,N)=lnφm(n,r)-lnφm+1(n,r)

(9)

通過上式可以發(fā)現(xiàn)，模式維數(shù)m和相似容限r(nóng)貫穿整個計算過程，因此，他們的選擇對于模糊熵的計算非常重要。通過大量實驗表明，m=1或2，r=0.1Std～0.25Std(Std是x(i),i=1,2,…,N的標(biāo)準(zhǔn)差)才能保證有效的統(tǒng)計特性和較小的誤差。

依據(jù)采樣定理，為保證信號采樣后不失真，采樣頻率須大于信號中最高頻率兩倍。實驗采樣頻率為20kHz，故N=200故取m=2,r=0.2Std，為獲取盡量多信息，計算式取較小的整數(shù)值，故取n=2。

4 應(yīng)用

圖3分別為正常，故障1，故障2和故障3四種工況原始振動信號的關(guān)聯(lián)維數(shù)。由圖3可知原始振動信號關(guān)聯(lián)維數(shù)存在比較嚴(yán)重地混疊現(xiàn)象，區(qū)分困難。

圖3 原始振動信號的關(guān)聯(lián)維數(shù)

圖4是原始振動信號經(jīng)過EEMD分解重構(gòu)后的關(guān)聯(lián)維數(shù)?？梢钥闯?，經(jīng)過EEMD分解后選取的分量對故障特征信息的干預(yù)的噪聲起到了抑制作用，在圖中可以明顯看出低嵌入維數(shù)和嵌入維數(shù)2～16之間可以實現(xiàn)有效的分離，四種工況的關(guān)聯(lián)維數(shù)可以實現(xiàn)良好的分類識別并且區(qū)分明顯。

圖4 EEMD分解重構(gòu)的關(guān)聯(lián)維數(shù)

同時，經(jīng)過分析四種工況的原始信號的模糊熵同樣存在很大的交叉和重疊，圖6列出聚合經(jīng)驗?zāi)B(tài)法分解后的第一個IMF分量的模糊熵。由圖5可知，經(jīng)過聚合經(jīng)驗?zāi)B(tài)法分解后，各種工況之間第一個IMF分量模糊熵可以明顯地表現(xiàn)信號的特征。正常工況的IMF分量模糊熵最大，這是因為在內(nèi)燃機正常工況下的振動信號隨機性大，無規(guī)律，模糊熵最大。

圖5 第一個IMF分量的模糊熵

最后，本文通過采用嵌入維數(shù)為10的關(guān)聯(lián)維數(shù)和分量的模糊熵組成組合特征向量來進(jìn)行高功率密度柴油機的氣門間隙故障診斷。通過組合特征參量(每種工況八組數(shù)據(jù)，共32組)取每種工況的前四組數(shù)據(jù)，共16組數(shù)據(jù)作為訓(xùn)練樣本對RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其余16組作為測試樣本，進(jìn)行測試，診斷正確率為87.5%。下表為分別采用模糊熵、分形維數(shù)和組合特征三種不同參數(shù)性能比較。由表可知，應(yīng)用EEMD分形維數(shù)模糊熵的氣門間隙故障診斷方法的精確率更高。

表2 采用不同特征參數(shù)的性能對比 %

5 結(jié)論

通過聚合經(jīng)驗?zāi)B(tài)分解得到的相關(guān)系數(shù)區(qū)分性較強，能十分有效區(qū)分真實IMF分量和包含噪聲的IMF分量，將真實分量重構(gòu)達(dá)到了降噪的目的。分析柴油機氣門間隙故障振動信號分析結(jié)果表明: EEMD 對解決非線性、非平穩(wěn)問題具有很好的效果, 經(jīng)過 EEMD 分解后得到的各 IMF 突出了原信號不同的局部特征信息, 通過對各 IMF 的分析, 提取出能夠描述故障信息的特征變量即各層所占能量比該能量比可以有效地描述不同振動故障特征, 結(jié)合分形模糊熵特征值, 能準(zhǔn)確地對高功率密度柴油機氣門間隙進(jìn)行狀態(tài)識別與故障診斷, 同時對內(nèi)燃機的其他復(fù)雜故障的特征提取和故障診斷提供了新的手段。

[參考文獻(xiàn)]

[1] 吳震宇,袁惠群,李沈. 基于EMD和模糊聚類的柴油機故障診斷[J]. 東北大學(xué)學(xué)報(自然科學(xué)版)，2009，30(12)：1784-1787.

[2] 張俊紅,王健,畢鳳榮,等. 基于EMD和時頻分析的低振動機體結(jié)構(gòu)優(yōu)化研究[J]. 振動與沖擊，2014，33(3)：117-144.

[3] S Deng，Seng-Yi Lin，We-Luan Chang． Application of Multiclass Support Vector Machines for Fault Diagnosis of Field Air Defense Gun [J]．Expert System with Application, 2011, 38:6007-6013.

[4] 陳仁祥，湯寶平，呂忠亮.基于相關(guān)系數(shù)的EEMD轉(zhuǎn)子振動信號降噪方法[J].振動、測試與診斷，2012,32(4):542-546.

[5] 李兆飛，柴毅，李華峰.多重分形的振動信號故障特征提取方法[J].數(shù)據(jù)采集與處理,2013，28(1):237-243.

[6] 李兵，張培林，任國全,等.形態(tài)學(xué)廣義分形維數(shù)在發(fā)動機故障診斷中的應(yīng)用[J].振動與沖擊，2011,30(10):208-211.

[7] Wu Z H，Huang N E. Ensemble empirical mode decomposition：a noise assisted data analysis method[J].Advances in Adaptive Data Analysis，2009，1(1):7-12.

[8] 楊明倫，邵華.基于EEMD和IMF能量分布的刀具破損識別[J].組合機床與自動化加工技術(shù)，2013(4):54-58.

[9] 鄧艾東，趙力，包永強．基于模糊熵的轉(zhuǎn)子碰摩聲發(fā)射信號的識別[J]．機械工程學(xué)報，2010，46(3):71-75．