基于經(jīng)驗(yàn)?zāi)B(tài)分解的發(fā)動(dòng)機(jī)故障診斷技術(shù)研究

高秀才 李潔英

摘要：為及早發(fā)現(xiàn)發(fā)動(dòng)機(jī)存在的不正常狀態(tài)，有效判斷故障類型，防止發(fā)生突發(fā)事故，提出了一種對(duì)運(yùn)轉(zhuǎn)條件下的發(fā)動(dòng)機(jī)振動(dòng)信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解的發(fā)動(dòng)機(jī)故障診斷方法，利用不同故障造成的分解子信號(hào)能量差異構(gòu)造故障特征向量，對(duì)子信號(hào)能量占比按頻段進(jìn)行歸類，增加了相同故障類型的相似度和不同故障類型的區(qū)分度。

關(guān)鍵詞：發(fā)動(dòng)機(jī);故障;診斷;經(jīng)驗(yàn)?zāi)B(tài)分解;能量;特征向量;歸類

0? 引言

發(fā)動(dòng)機(jī)是各類機(jī)械裝置產(chǎn)生動(dòng)力的源泉，類似于人類的心臟，及早的診斷出發(fā)動(dòng)機(jī)存在的不正?，F(xiàn)象并采取有效措施對(duì)提高發(fā)動(dòng)機(jī)的安全性、可靠性，降低維修費(fèi)用和防止突發(fā)事故具有重大的現(xiàn)實(shí)意義[1]。例如在參加國(guó)際裝備競(jìng)賽或閱兵活動(dòng)等重大場(chǎng)合前，通過(guò)綜合對(duì)多輛裝備進(jìn)行發(fā)動(dòng)機(jī)故障診斷，篩選出更接近于無(wú)故障發(fā)動(dòng)機(jī)運(yùn)轉(zhuǎn)特征的車輛來(lái)參加競(jìng)賽或展覽，可靠性會(huì)明顯增強(qiáng)，有效降低出現(xiàn)突發(fā)情況的幾率，而且還可以避免失修和過(guò)剩維修。然而，發(fā)動(dòng)機(jī)是一種典型的往復(fù)式動(dòng)力機(jī)械，激勵(lì)和響應(yīng)都具有非平穩(wěn)性，產(chǎn)生故障的原因也是多方面的[2]，各子系統(tǒng)間相互影響，對(duì)其進(jìn)行故障診斷具有一定的困難性。近年來(lái)針對(duì)發(fā)動(dòng)機(jī)故障診斷的理論和方法已經(jīng)成為熱門課題，如各種去噪技術(shù)、頻譜分析技術(shù)、小波分析技術(shù)、專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)等等，使發(fā)動(dòng)機(jī)診斷技術(shù)發(fā)展產(chǎn)生了飛躍。文獻(xiàn)[3]和文獻(xiàn)[4]采用了光譜分析和油液鐵譜診斷故障，文獻(xiàn)[5]采用了基于噪聲的故障診斷技術(shù)，文獻(xiàn)[6]采用了瞬時(shí)轉(zhuǎn)速法進(jìn)行發(fā)動(dòng)機(jī)故障診斷，文獻(xiàn)[7][8]采用了基于振動(dòng)的診斷技術(shù)。相比之下，利用振動(dòng)信號(hào)、噪聲進(jìn)行發(fā)動(dòng)機(jī)故障診斷具有信號(hào)測(cè)取方便，適于在線診斷等優(yōu)點(diǎn)，但噪聲信號(hào)受環(huán)境和位置遠(yuǎn)近影響較大，在實(shí)際應(yīng)用上受到一定限制，使基于振動(dòng)的故障診斷得到了廣泛的研究。故障診斷一般包括兩個(gè)階段，一是故障特征向量的提取，目前對(duì)采用小波分解進(jìn)行特征向量提取研究的比較多;二是根據(jù)提取的特征向量進(jìn)行故障識(shí)別，目前多采用神經(jīng)網(wǎng)絡(luò)算法。本文提出了基于經(jīng)驗(yàn)?zāi)B(tài)分解（EMD，Empirical Mode Decomposition）的發(fā)動(dòng)機(jī)故障特征向量提取技術(shù)。利用EMD算法將發(fā)動(dòng)機(jī)振動(dòng)信號(hào)進(jìn)行分解，獲得固有模態(tài)函數(shù)（IMF，Instrinic Mode Function）信號(hào)及殘差信號(hào)，再分別計(jì)算其能量值，進(jìn)而提取故障特征向量。與小波分解相比，EMD不存在固定的基函數(shù)，具有更好的自適應(yīng)性，更能真實(shí)的反應(yīng)信號(hào)的特征。為進(jìn)一步增加故障診斷效果，采用頻帶劃分的方法對(duì)子信號(hào)能量占比進(jìn)行歸類，提高了相同故障類型的相似度和不同故障類型的區(qū)分度。利用MATLAB對(duì)發(fā)動(dòng)機(jī)不同故障類型的振動(dòng)信號(hào)進(jìn)行計(jì)算驗(yàn)證，證明按照上述方法進(jìn)行故障診斷是可行的。

1? EMD基本理論

本EMD是由美國(guó)國(guó)家宇航局的華裔科學(xué)家Norden e. Huang博士于1998年提出的一種新的處理非平穩(wěn)信號(hào)的方法。基于EMD的時(shí)頻分析方法既適合于非線性、非平穩(wěn)信號(hào)的分析，也適合于線性、平穩(wěn)信號(hào)的分析，并且對(duì)于線性、平穩(wěn)信號(hào)的分析也比其他的時(shí)頻分析方法更好地反映了信號(hào)的物理意義[9]。EMD是一種可以將任何復(fù)雜信號(hào)分解為有限個(gè)IMF的自適應(yīng)、高效率的分解方法。

EMD對(duì)信號(hào)分解的原理是：把信號(hào)x（t）分解成一組固有模態(tài)函數(shù)imfi（t）和一個(gè)最后的剩余值res（t）的和。

一個(gè)IMF函數(shù)需要滿足兩個(gè)條件：

①函數(shù)在整個(gè)時(shí)間范圍內(nèi)，局部極值點(diǎn)和過(guò)零點(diǎn)的數(shù)目必須相等，或最多相差一個(gè);

②在任意時(shí)刻點(diǎn)，局部最大值的包絡(luò)（上包絡(luò)線）和局部最小值的包絡(luò)（下包絡(luò)線） 平均必須為零。

圖1給出了某型發(fā)動(dòng)機(jī)在800r/min條件下所采集振動(dòng)信號(hào)的EMD處理結(jié)果，其中左上角x（t）為原始信號(hào)，之后10個(gè)分量分別是imf1（t）～imf10（t），右下角的為殘差res（t）信號(hào)。從圖中可以看出EMD過(guò)程是信號(hào)頻率逐漸降低的過(guò)程，在這里廣義的認(rèn)為這11個(gè)信號(hào)代表著11種不同頻率的信號(hào)。可以看出EMD與傅里葉變換和小波變換不同，它的基函數(shù)不是事先預(yù)定或強(qiáng)制給定的，而是依賴信號(hào)本身，只和信號(hào)本質(zhì)特征有關(guān)，能根據(jù)分解過(guò)程中信號(hào)的特征而自適應(yīng)發(fā)生改變。

2? 基于EMD的故障特征提取方法

對(duì)發(fā)動(dòng)機(jī)故障的診斷需要確定異常工況與正常工況下存在的不同，而單純從原始波形上往往很難區(qū)分出這些不同，尤其在故障初期，故障特征還不是很明顯時(shí)。因此需要對(duì)信號(hào)進(jìn)行處理，才能形成適宜區(qū)分不同故障的特征向量。這里假設(shè)發(fā)動(dòng)機(jī)正常工作時(shí)，會(huì)對(duì)EMD產(chǎn)生的不同頻率子信號(hào)產(chǎn)生抑制或增強(qiáng)作用。當(dāng)發(fā)生故障時(shí)，這種抑制或增強(qiáng)作用會(huì)發(fā)生改變，即與正常工作時(shí)相比，子信號(hào)能量會(huì)有明顯差別，某些子信號(hào)的能量會(huì)減弱，而某些子信號(hào)的能量增強(qiáng)，甚至分解級(jí)數(shù)都會(huì)發(fā)生改變。這樣在各頻率成分imfi（t）和res（t）信號(hào)的能量和分解級(jí)數(shù)N中，就會(huì)包含豐富的故障信息。這里通過(guò)imfi（t）、res（t）信號(hào)能量和分解級(jí)數(shù)N構(gòu)造特征向量，對(duì)比故障工況下特征向量與正常工況下特征向量的變化即可分析出發(fā)動(dòng)機(jī)的故障情況。下面介紹提取發(fā)動(dòng)機(jī)振動(dòng)信號(hào)特征向量的方法步驟：

③對(duì)子信號(hào)能量進(jìn)行歸一化處理，實(shí)際上是求出各子信號(hào)能量占總能量的百分比，加上分解級(jí)數(shù)N，得到特征向量。

這樣，通過(guò)計(jì)算可得到發(fā)動(dòng)機(jī)在不同工況下的特征向量，依據(jù)特征向量來(lái)對(duì)發(fā)動(dòng)機(jī)故障進(jìn)行診斷。

3? EMD故障診斷有效性驗(yàn)證

這里通過(guò)傳感器采集了正常工況A、進(jìn)氣門故障B和排氣門故障C下的各三組振動(dòng)信號(hào)，如圖2所示。從圖2可以發(fā)現(xiàn)，單純從波形上很難發(fā)現(xiàn)明顯的故障特征。

這里應(yīng)用MATLAB對(duì)上述波形進(jìn)行EMD處理，按照第3節(jié)的方法提取特征向量，具體數(shù)值如表1所示。從表1中可以看出三種不同情況下特征向量存在一定的差別，尤其eres部分特征區(qū)別比較明顯，因此可以作為進(jìn)行不同故障類型判斷的特征參數(shù)使用，如目前常用的神經(jīng)網(wǎng)絡(luò)故障診斷[10][11]，這里不再介紹。

同時(shí)也發(fā)現(xiàn)，除正常工況下各子信號(hào)能量占比eimf-i、eres比較穩(wěn)定外，故障情況下即使相同的故障特征向量也可能存在較大的差異，當(dāng)前的特征向量只易于識(shí)別出發(fā)動(dòng)機(jī)是否存在故障卻不易于區(qū)分出故障的類型。為了有效解決上述問(wèn)題，這里對(duì)子信號(hào)能量占比eimf-i進(jìn)行歸類，將imfi（t）子信號(hào)按照頻率分為低頻類、中頻類和高頻類，殘差信號(hào)res（t）單獨(dú)列為一類。將相同類的能量占比進(jìn)行求和，高頻類和低頻類求和。得到歸類后的特征向量{殘差占比eres，高頻占比eimf-1+eimf-2+eimf-3+低頻占比eimf-7+eimf-8+eimf-9+eimf-10，中頻占比eimf-4+eimf-5+eimf-6，N}，如表2所示。

從表2的結(jié)果可以看出，對(duì)發(fā)動(dòng)機(jī)振動(dòng)信號(hào)EMD子信號(hào)能量占比eimf-i按頻段進(jìn)行合理歸類后，特征向量包含的元素個(gè)數(shù)大大降低，同時(shí)A、B、C三種工況區(qū)分更加明顯，相同工況下對(duì)比未歸類前提高了相似度，有益于識(shí)別故障并診斷出故障的類型。

經(jīng)過(guò)MATLAB計(jì)算驗(yàn)證，可以表明故障的產(chǎn)生會(huì)對(duì)某些頻率EMD子信號(hào)能量造成影響的假設(shè)是正確的，同時(shí)也驗(yàn)證了基于EMD的發(fā)動(dòng)機(jī)故障診斷是可行的。

4? 結(jié)束語(yǔ)

本文通過(guò)對(duì)發(fā)動(dòng)機(jī)振動(dòng)信號(hào)進(jìn)行EMD處理并提取其特征向量，能夠有效的識(shí)別發(fā)動(dòng)機(jī)故障，但相同故障的特征向量可能差異較大，相似度不夠好，可以采取按照頻帶劃分的方式對(duì)子信號(hào)能量占比進(jìn)行適當(dāng)歸類，來(lái)增加不同故障的區(qū)分度和同類故障的相似度，使故障類別更加易于區(qū)分。

參考文獻(xiàn)：

[1]仰德標(biāo)，明廷鋒.柴油機(jī)故障診斷研究綜述[J].武漢造船，2000（2）：27-29.

[2]金萍，陳怡然，白燁.內(nèi)燃機(jī)表面振動(dòng)信號(hào)的性質(zhì)[J].天津大學(xué)學(xué)報(bào)，2000，33（1）：64-67.

[3]吳剛，劉勇，曹祥誠(chéng).光譜分析技術(shù)在柴油機(jī)故障診斷中的應(yīng)用[J].內(nèi)燃機(jī)車，2005（4）：47-48.

[4]劉冰，路彥珍.鐵譜分析技術(shù)在工程機(jī)械故障診斷中的應(yīng)用[J].工程機(jī)械與維修，2004（2）：107-108.

[5]Weidong Li， Robert M.Rarkin.Acoustic based condition monitoring of a diesel engine using self-organizing map network[J].applied Acoustics，2002，63（7）：699-711.

[6]Brain J.Murphy，Thomas Galie，Carl Byington.Diagnostic Fault Detection for Internal Combustion Engines via Norm Based Map Projections[C].2004 IEEE Aerospace Conference， Big Sky， Montana， USA，2004：3535-3542.

[7]Atsushi Fukasawa，Yumi Takizawa eta.Vibration Signal Analysis of Automobiles Based on Nonstationary Spectrum[C].Proceedings of the IECON’93， 1993（3） ：2272-2275.

[8]耿遵敏，程德林，宋孔杰.190柴油機(jī)故障振動(dòng)診斷的研究與應(yīng)用[J].振動(dòng)工程學(xué)報(bào)，1995（3）：37-45.

[9]林玉池.測(cè)量控制與儀器儀表前沿技術(shù)及發(fā)展趨勢(shì)[M].天津大學(xué)出版社，2008：167.

[10]李鳳鳴.基于小波神經(jīng)網(wǎng)絡(luò)的柴油機(jī)燃油系統(tǒng)故障診斷的設(shè)計(jì)與實(shí)現(xiàn)[D].濟(jì)南：山東大學(xué)，2010.

[11]舒苗淼.基于振動(dòng)信號(hào)的柴油機(jī)小波神經(jīng)網(wǎng)絡(luò)故障診斷研究[D].太原：中北大學(xué)，2009.

[12]劉彬，馬少華，閆廣宇.生物醫(yī)學(xué)信號(hào)相似性分析方法的研究[J].醫(yī)療裝備，2017，30（14）：50-51.

[13]周東翔，張小明，陳明，王衍濤.小波分析在發(fā)動(dòng)機(jī)故障診斷中的應(yīng)用[J].內(nèi)燃機(jī)與配件，2019（21）：240-241.

[14]李錦冰.基于卡爾曼濾波器及重構(gòu)方法的故障預(yù)測(cè)研究[D].大連：大連理工大學(xué)，2019.

[15]王劍楠.基于聲信號(hào)特征譜提取的發(fā)動(dòng)機(jī)故障診斷系統(tǒng)設(shè)計(jì)[J].微型電腦應(yīng)用，2019，35（8）：119-123.