基于深度學習的柴油機氣門健康狀態(tài)評估

白雲(yún)杰，賈希勝，梁慶海，白永生

(1.陸軍工程大學石家莊校區(qū)裝備指揮與管理系，石家莊 050003；2.中國人民解放軍66029部隊，錫林郭勒 011200；3.河北省機械裝備狀態(tài)監(jiān)測與評估重點實驗室，石家莊 050003)

柴油機作為大型機械裝備的主要動力核心，廣泛應用于交通運輸、工業(yè)生產(chǎn)、農(nóng)業(yè)機械、化工和國防軍用裝備等領(lǐng)域。因此柴油機能否正常健康的工作，往往將直接影響整個裝備系統(tǒng)的正常運行，可能導致整個系統(tǒng)故障、停工停產(chǎn)，甚至造成重大事故和經(jīng)濟損失。因此，有效地對柴油機進行狀態(tài)監(jiān)測和健康狀態(tài)評估以實時制定相應的維修維護策略，對保障裝備系統(tǒng)的正常使用具有重要意義[1]。

柴油機在運行過程中，由于氣缸的往復式做功過程，使其氣門受到反復沖擊作用。在工程實際中，隨著時間的推移和使用時間的延長，氣門彈簧可能會逐漸惡化變形，氣門產(chǎn)生磨損、積碳現(xiàn)象，導致氣門間隙異常增大，降低氣缸流量控制效率，影響柴油發(fā)動機的正常能量轉(zhuǎn)換過程，引起柴油機功率下降。同時，氣門間隙的持續(xù)異常增大還有可能出現(xiàn)氣缸撞擊或氣門斷裂等惡性故障，造成巨大的經(jīng)濟損失，甚至威脅人身安全[2]。在實際狀態(tài)監(jiān)測過程中要直接測量柴油機氣門間隙十分困難，且時效性低，而柴油機的缸蓋振動信號包含工作循環(huán)中的慣性沖擊以及各種隨機激勵等帶來的豐富狀態(tài)信息[3],因此現(xiàn)對柴油機缸蓋振動信號進行采集并監(jiān)測其健康狀態(tài)。

當前關(guān)于裝備健康狀態(tài)評估的研究在軍事、工程和交通運輸?shù)阮I(lǐng)域已得到廣泛應用[4]。文獻[5]構(gòu)建了車輛健康狀態(tài)評價指標體系，并建立了基于層次分析法的車輛健康狀態(tài)評價模型，為城市軌道交通車輛設(shè)備單元的實際維修工作提供科學的幫助和指導。姚云峰等[6]在評估裝備參數(shù)健康狀態(tài)的基礎(chǔ)上，建立了基于改進證據(jù)理論的裝備健康狀態(tài)評估模型，并驗證了其有效性。曾強等[7]基于模糊理論和貝葉斯網(wǎng)絡(luò)相結(jié)合的方式，對小樣本條件下燃氣輪機的健康狀態(tài)進行了有效評估。傳統(tǒng)的健康狀態(tài)評估方法往往存在健康狀態(tài)指標確定困難、權(quán)重確定主觀性強，評估結(jié)果受專家經(jīng)驗影響較大的問題。

隨著人工智能技術(shù)的發(fā)展，傳統(tǒng)的主觀經(jīng)驗依賴性較強的健康狀態(tài)評估方法逐步向以數(shù)據(jù)挖掘和模式識別技術(shù)為核心的智能化健康狀態(tài)評估發(fā)展[8]。余永華等[9]通過監(jiān)測不同工況下的瞬時轉(zhuǎn)速信號，采用t-分布鄰域嵌入和隨機森林算法建立了發(fā)動機健康狀態(tài)評估模型，有效評估了發(fā)動機健康狀態(tài)。朱永超[10]通過粒子群算法對支持向量機參數(shù)進行優(yōu)化后實現(xiàn)了齒輪箱健康狀態(tài)評估。在健康狀態(tài)指標建立過程中，大多數(shù)情況下還需要對健康狀態(tài)指標進行篩選、以及融合，其篩選過程往往沒有統(tǒng)一量化的標準，僅依賴一定的人工經(jīng)驗或數(shù)理統(tǒng)計方法，存在丟失部分健康狀態(tài)信息而導致評估結(jié)果不好的情況。同時傳統(tǒng)機器學習僅僅是通過算法更新模型的權(quán)重參數(shù)，對多維特征的學習能力較弱，不具備對表征健康狀態(tài)的深層特征信息的挖掘能力。

自從Hinton等[11]提出深度學習(deep learning, DL)的概念以來，深度學習廣泛應用于圖像處理、語音識別、目標檢測、信息檢索、自然語音處理等領(lǐng)域[12]。卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)作為深度學習網(wǎng)絡(luò)的代表，以其強大的非線性特征提取和模式識別能力，減少了中間步驟帶來的累積誤差和人工經(jīng)驗造成的信息損失，在故障診斷領(lǐng)域正處于前沿研究方向[13-14]。但當前在裝備的健康狀態(tài)評估研究中，利用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建評估模型的研究較少[15]。在研究柴油機氣門健康狀態(tài)評估的基礎(chǔ)上，現(xiàn)利用小波包分解對柴油機缸蓋振動信號進行分解，并從分解后的節(jié)點信號中提取多維健康狀態(tài)向量，通過一維卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建評估模型，以解決在柴油機氣門健康狀態(tài)評估中評估指標確定困難、各指標權(quán)重確定受人為經(jīng)驗影響大的問題，實現(xiàn)柴油機氣門間隙健康狀態(tài)的智能評估，并結(jié)合柴油發(fā)動機狀態(tài)監(jiān)測實驗臺開展氣門間隙模擬退化實驗，以驗證方法的有效性。

1 基本原理

1.1 配氣機構(gòu)基本結(jié)構(gòu)

配氣機構(gòu)是裝備柴油發(fā)動機的關(guān)鍵組成部分之一，其可在柴油機的工作循環(huán)過程中，控制進、排氣門的開啟和關(guān)閉，實現(xiàn)柴油發(fā)動機的換氣過程。只有配氣機構(gòu)工作正常，才能保證氣缸良好的密閉性和較小的進、排氣阻力，使柴油機具有穩(wěn)定的輸出功率。配氣機構(gòu)結(jié)構(gòu)基本示意圖如圖1所示。

1為氣缸蓋；2為氣門導管；3為氣門；4為氣門主彈簧；5為氣門副彈簧；6為氣門彈簧座；7為鎖片；8為氣門室罩；9為搖臂軸；10為搖臂；11為鎖緊螺母；12為調(diào)整螺釘；13為推桿；14為挺柱；15為凸輪軸

由圖1可知，氣門頂部位于燃燒室，在柴油發(fā)動機的運行過程中，受到高溫高壓的沖擊，氣門會受熱膨脹變形而伸長，導致氣門關(guān)閉不嚴。因此為了避免這一問題，在設(shè)計上對氣門組和氣門傳動組之間留有一定間隙以保證氣門受熱膨脹變形后的余量空間，這就是所謂的氣門間隙。在工程實際中，隨著工作時間的增加，由于氣門彈簧老化和氣門的磨損，其氣門間隙會產(chǎn)生異常增大情況，通過監(jiān)測其氣門間隙變化情況，可以對氣門健康狀態(tài)進行有效評估，進而開展預防性維修策略，保持柴油機良好的工作性能。因此，通過實驗開展發(fā)動機氣門間隙退化模擬實驗以研究其健康狀態(tài)評估方法。

1.2 小波包分解

在傳統(tǒng)的柴油機狀態(tài)監(jiān)測中，大多使用時域分析和頻域分析方法對柴油機進行特征提取，但柴油機激勵多且缸蓋振動信號復雜，具有非平穩(wěn)特性，傳統(tǒng)特征提取方法在柴油機振動信號處理存在局限性[16]。小波變換是在傅里葉變化后發(fā)展起來的非平穩(wěn)信號的處理方法，通過小波基的變換可以實現(xiàn)多分辨率下的小波變換，因此可以處理非平穩(wěn)信號，被廣泛應用于時頻分析上[17]。小波包分解則是對經(jīng)過小波分解后的信號高頻部分進行進一步分解，可以解決小波分解中存在的高頻頻率分辨率差，低頻時間分辨率差的問題，因此適合對柴油機缸蓋振動信號進行分析。對缸蓋振動信號進行3層小波包分解，選用db5小波基，其分解結(jié)構(gòu)如圖2所示。

圖2 3層小波包分解結(jié)構(gòu)圖

1.3 一維卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)(CNN)是包含卷積計算且具有深度結(jié)構(gòu)的一類典型前饋神經(jīng)網(wǎng)絡(luò)。其經(jīng)典網(wǎng)絡(luò)結(jié)構(gòu)模型包括LetNet-5模型、AlexNet網(wǎng)絡(luò)、GoogleNet網(wǎng)絡(luò)以及VGG(visual geometry group network)網(wǎng)絡(luò)等。一維卷積神經(jīng)網(wǎng)絡(luò)可以接收一維或二維數(shù)據(jù)作為輸入，通常用于處理序列數(shù)據(jù)，其采用的一維卷積核和池化層可以適用于一維振動時序信號。目前一維卷積神經(jīng)網(wǎng)絡(luò)被研究學者應用于振動信號的研究中，取得了較好的效果[18-19]。因此采用一維卷積神經(jīng)網(wǎng)絡(luò)來處理柴油發(fā)動機振動信號,構(gòu)造一個一維卷積神經(jīng)網(wǎng)絡(luò)(one-dimensional convolutional neural network, 1DCNN)模型，其網(wǎng)絡(luò)架構(gòu)如圖3所示。

X1為第1個輸入值；Xi為第i個輸入值；Xn為第n個輸入值；Relu為線性整流函數(shù)；Softmax為激活函數(shù)；Dropout是深度學習中常用的一種防止過擬合的技術(shù)手段，可提高所構(gòu)建網(wǎng)絡(luò)的穩(wěn)定性和魯棒性

該網(wǎng)絡(luò)模型結(jié)構(gòu)由一維卷積層(2個)、一維最大池化層(2個)、全連接層(3個)和Flatten層(1個)構(gòu)成。非線性激活函數(shù)選用ReLU，最后一層全連接層使用Softmax作為激活函數(shù)以實現(xiàn)對不同健康狀態(tài)的評估，其中Flatten層連接卷積層和全連接層，在全連接層加入Dropout防止過擬合。

2 基于深度學習的健康狀態(tài)評估流程

為了解決以往健康狀態(tài)指標確定、篩選困難，選取的健康狀態(tài)指標可能表征信息不全，以及評估過程人為經(jīng)驗影響嚴重的問題，提出了基于深度學習的健康狀態(tài)評估方法，其流程如圖4所示，具體步驟如下。

圖4 基于深度學習的健康狀態(tài)評估流程

(1)通過柴油機狀態(tài)監(jiān)測實驗臺采集不同氣門間隙下的柴油機缸蓋振動信號。

(2)對采集得到的缸蓋振動信號進行小波包分解，對小波包分解后的系數(shù)信號分別提取14個常見時域特征和小波包分解能量占比作為健康狀態(tài)指標，共同構(gòu)建綜合健康指標向量。

(3)明確氣門不同間隙下每種健康狀態(tài)等級與健康指標向量的對應關(guān)系，使用一維卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建健康狀態(tài)評估模型。

(4)劃分訓練集和測試集，設(shè)置訓練集標簽和測試集標簽。將訓練集輸入健康狀態(tài)評估模型中進行有監(jiān)督的訓練，得到最優(yōu)模型下的指標權(quán)重。

(5)將測試集輸入訓練好的一維卷積神經(jīng)網(wǎng)絡(luò)評估模型中，得到氣門健康狀態(tài)評估結(jié)果。

3 基于深度學習的氣門健康狀態(tài)評估

3.1 柴油發(fā)動機氣門間隙模擬退化實驗

依托陸軍工程大學石家莊校區(qū)RCM實驗室柴油機狀態(tài)監(jiān)測實驗臺開展氣門間隙模擬退化實驗，以對本文方法進行有效性驗證。研究對象為一汽解放汽車有限公司無錫柴油機廠生產(chǎn)的六缸高壓共軌柴油發(fā)動機，型號為錫柴CA6DF3-20E3。該實驗臺系統(tǒng)及傳感器配置如圖5所示，基本參數(shù)如表1所示。

圖5 柴油機狀態(tài)監(jiān)測實驗臺

表1 柴油發(fā)動機技術(shù)參數(shù)

在振動信號的采集過程中，采樣頻率為20 kHz，單次采樣時間10 s，采樣間隔15 s。在實驗過程中，共安裝了6個傳感器，分別沿軸向安裝在柴油發(fā)動機缸蓋上。在本次實驗中，通過預置柴油機第3缸進氣門氣門間隙大小，以模擬在柴油機運行過程中氣門間隙退化過程。在實驗過程中需要對缸蓋進行拆卸，具體氣門間隙調(diào)整如圖6所示。

圖6 氣門間隙調(diào)整過程

本次實驗模擬氣門間隙退化過程共預置4種健康狀態(tài)，即正常(健康)、氣門間隙略微增大(一般)、氣門間隙增大(注意)、氣門間隙嚴重增大(惡化)，具體實驗設(shè)置如表2所示。經(jīng)過實驗采樣，每種故障模式有10組數(shù)據(jù)，每組數(shù)據(jù)有6個通道數(shù)據(jù)，單次采樣數(shù)據(jù)量為200 000。

表2 氣門間隙設(shè)置

3.2 數(shù)據(jù)分析與健康狀態(tài)向量構(gòu)建

為了更好地針對退化模擬過程進行分析，對實驗采集得到的氣門間隙不同健康狀態(tài)下的第3通道缸蓋振動信號進行分析，得到其時域波形和頻譜圖如圖7和圖8所示。從圖7中可以看到，其時域波形成分復雜，且隨著氣門間隙的增大，并無明顯幅值變化。在頻譜圖中可以發(fā)現(xiàn)不同氣門間隙下的頻譜圖幅值略有差異，無明顯故障頻率出現(xiàn)，難以區(qū)分不同狀態(tài)。

圖7 不同氣門間隙的時域波形

圖8 不同氣門間隙頻譜圖

通過對缸蓋振動信號進行小波包分解后對其提取多維特征以構(gòu)建健康狀態(tài)綜合向量。以正常工況下采集得到的信號為例，觀察小波包分解后各節(jié)點頻帶信號頻譜，如圖9所示。從圖9可知，經(jīng)過小波包分解后，得到的節(jié)點(3,0)到(3,7)分別出現(xiàn)不同頻帶信號，說明在經(jīng)過小波包分解后，將原始信號可分解成不同高頻段和低頻段信號，在此基礎(chǔ)上對分解得到的各節(jié)點信號進行特征提取可以得到更好地反映健康狀態(tài)的強化性健康狀態(tài)指標。同時，觀察不同氣門間隙狀態(tài)下經(jīng)過小波包分解后各節(jié)點信號的能量分布如圖10所示。

圖9 小波包分解節(jié)點信號頻譜

圖10 不同健康狀態(tài)小波包能量特征分布圖

從圖10可以看出，在氣門間隙的不同狀態(tài)下，其信號能量的分布主要集中在第2個節(jié)點信號中，且四種健康狀態(tài)下的能量分布存在差異，因此考慮使用小波包分解后的能量比作為氣門健康狀態(tài)的評估指標。

在構(gòu)建綜合健康狀態(tài)向量的過程中，以第3通道振動信號來進行分析，選取每種健康狀態(tài)下包含柴油機一個運轉(zhuǎn)周期采樣點數(shù)5 000為一個樣本，得到每種狀態(tài)有400個樣本。按照第2節(jié)中流程，分別對每種健康狀態(tài)樣本使用db5小波基進行3層小波包分解，對分解后得到的8個節(jié)點信號分別提取最大值、最小值、峰峰值、平均值、絕對平均值、方差、標準差、峭度、偏度、均方根、波形因子、峰值因子、脈沖因子和裕度因子共14個特征，則共得到112維的特征向量，與小波包分解得到的8維節(jié)點信號能量比特征向量共同構(gòu)成120維的綜合健康指標向量，最終得到每種狀態(tài)數(shù)據(jù)樣本維度為400×120。將數(shù)據(jù)樣本按照0.8∶0.2隨機劃分訓練集和測試集，得到1 280個訓練樣本，320個測試樣本。

3.3 基于1DCNN的健康狀態(tài)評估模型

基于1DCNN網(wǎng)絡(luò)建立健康狀態(tài)評估模型，在1DCNN網(wǎng)絡(luò)模型的參數(shù)設(shè)置中，以one-hot編碼方式進行編碼，損失函數(shù)選擇多分類交叉熵損失以滿足多分類需求；為了提高模型訓練效率和穩(wěn)定性，確定學習率為0.001；模型迭代次數(shù)為200次，批尺寸設(shè)置為16，以減少模型訓練時間。

通過調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)和神經(jīng)元個數(shù)，最終確定網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如表3所示。其中，Conv1D(一維卷積層)，MaxPooling1D(一維最大池化層)，Dense(全連接層)。1DCNN網(wǎng)絡(luò)訓練過程如圖11所示，實驗結(jié)果顯示本文方法對氣門不同健康狀態(tài)的評估準確率達到96.9%。

圖11 模型訓練過程

表3 1DCNN網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)

從模型訓練過程的準確率曲線和損失函數(shù)曲線可以驗證本文所選參數(shù)的合理性。結(jié)果顯示模型在迭代到第25次時開始收斂，到迭代100次后趨于穩(wěn)定，訓練和測試損失曲線近似重合，說明模型表現(xiàn)較好；同時觀察準確率曲線也可看到最終模型經(jīng)過訓練后的效果較好。

3.4 實驗對比與分析

為了研究本文所提出的健康狀態(tài)評估方法中，不同參數(shù)對模型評估效果的影響，對卷積核個數(shù)、卷積核尺寸以及各層神經(jīng)元個數(shù)進行對比測試，其結(jié)果如表4所示。

表4 1DCNN參數(shù)對比

通過對比發(fā)現(xiàn)，在本文所構(gòu)建的深度學習健康狀態(tài)評估模型中，卷積核個數(shù)對模型評估結(jié)果影響較小，卷積核的大小和神經(jīng)元個數(shù)對評估結(jié)果的影響較大，但參數(shù)變化影響呈隨機性?？傮w來說，本文建立的評估模型在氣門間隙健康狀態(tài)的評估上具有一定的穩(wěn)定性。

為了驗證本文方法的優(yōu)越性，對比使用原始信號輸入1DCNN網(wǎng)絡(luò)的評估結(jié)果及計算效率如表5所示，將每個樣本原始信號截取5 000個樣本點作為輸入。所用計算機配置：Intel Core i7-9850H 2.60 GHz,2.59 GHz；評估模型構(gòu)建環(huán)境為Pycharm(Version: 2020.2.2)，Python 3.8。

表5 效率對比

由表5可以看出，當使用原始信號輸入1DCNN網(wǎng)絡(luò)時，評估準確率較低。原因是數(shù)據(jù)量過大，需要對網(wǎng)絡(luò)結(jié)構(gòu)進行調(diào)整，構(gòu)建更復雜的深層網(wǎng)絡(luò)結(jié)構(gòu)，將導致計算資源的嚴重占用；同時，從模型訓練時間來看，采用本文所用方法訓練神經(jīng)網(wǎng)絡(luò)時間要遠小于原始信號輸入，這將大大提高評估效率。

同時，針對本文提出的綜合健康指標向量的有效性進行研究，將相同數(shù)據(jù)樣本分別構(gòu)建以下健康狀態(tài)指標向量：直接提取原始信號14個時域特征(D-HI)；對原信號進行小波包分解后提取能量比特征(E-HI)；原信號分別提取14個時域特征和小波包分解能量比特征后，構(gòu)建綜合健康指標(DE-HI);原信號進行小波包分解后，分別提取14個時域特征，構(gòu)建健康指標向量(WD-HI)，以及本文所構(gòu)建綜合健康指標向量(C-HI)，輸入1DCNN網(wǎng)絡(luò)中，觀察對氣門不同健康狀態(tài)的評估結(jié)果如表6所示。

由表6可以看出，在柴油機氣門健康狀態(tài)指標構(gòu)建中，對柴油機缸蓋振動信號直接提取時域特征的評估效果不佳，總體識別率僅71.9%。對信號進行小波包分解后的能量比指標評估準確率達到90.3%，且對信號進行小波包分解后分別提取時域特征評估準確率達到94.6%，本文方法的評估準確率達到96.9%。驗證了本文所提出的小波包分解后提取特征對柴油機氣門間隙異常具有敏感性，考慮可能是由于小波包分解后將信號分解到不同頻帶，對氣門間隙故障狀態(tài)信息進行了分離和加強。通過對比也驗證了本文所提出的綜合健康指標向量在柴油機氣門健康狀態(tài)評估上的有效性。

表6 不同健康指標評估效果

進一步研究基于1DCNN網(wǎng)絡(luò)構(gòu)建健康狀態(tài)評估模型與傳統(tǒng)機器學習算法對氣門間隙健康狀態(tài)的評估效果，結(jié)果如表7所示。從表7可以看出本文所提出深度學習模型相對于支持向量機、決策樹、樸素貝葉斯以及K近鄰算法來說，對氣門間隙不同健康狀態(tài)的評估效果最好，具體模型評估的混淆矩陣如圖12所示。

圖12 不同方法評估結(jié)果混淆矩陣

表7 不同方法對比

從評估結(jié)果混淆矩陣可以看出，傳統(tǒng)機器學習的方法中支持向量機、樸素貝葉斯模型和K近鄰模型僅對“惡化”狀態(tài)區(qū)分度較高，即其在健康狀態(tài)評估過程中僅能較好區(qū)分“正?！焙汀肮收稀睜顟B(tài)；決策樹模型則可以較好地區(qū)分“健康”和“惡化”兩種狀態(tài)，但對中間態(tài)的評估效果不好；結(jié)果表明，本文所提出的深度學習模型在氣門間隙健康狀態(tài)評估中的效果最好。

4 結(jié)論

針對柴油機在運行過程中，氣門間隙會隨其性能退化過程發(fā)生變化，提出了一種基于深度學習的柴油機氣門健康狀態(tài)評估方法，并經(jīng)過實驗驗證方法的有效性，得到以下結(jié)論。

(1)基于深度學習的氣門健康狀態(tài)評估方法能夠自適應地實現(xiàn)健康狀態(tài)信息的深度挖掘，有效解決傳統(tǒng)評估方法中健康評估指標的篩選、權(quán)重確定困難的問題，避免出現(xiàn)評估結(jié)果受主觀經(jīng)驗影響較大的情況。

(2)通過小波包分解的方法能夠有效處理柴油機缸蓋振動信號，分解后各頻帶信號可以更加全面地反映原始信號中隱藏在不同頻帶內(nèi)的狀態(tài)信息。同時，本文構(gòu)建的綜合健康狀態(tài)向量對柴油機氣門間隙狀態(tài)變化具有較高敏感性。

(3)基于深度學習的健康狀態(tài)評估方法能夠有效對柴油機氣門健康狀態(tài)進行評估，總體識別率達到96.6%，且與其他方法相比，評估效果更好。