基于振動信號熵譜的柴油發(fā)動機(jī)失火故障診斷

0 引言

發(fā)動機(jī)是車輛的核心，發(fā)動機(jī)的狀態(tài)直接影響車輛性能，其中失火導(dǎo)致的動力下降是發(fā)動機(jī)故障中最為常見的一種。為更好的對失火故障進(jìn)行準(zhǔn)確診斷，提出了很多方法，其中基于振動信號的故障診斷具有更好的準(zhǔn)確性和便攜性，在如今的故障診斷中發(fā)揮著重要作用，許多學(xué)者針對此做了大量的研究：Vong等提出了小波包提取特征，結(jié)合多分類支持向量機(jī)(SVM)的發(fā)動機(jī)故障分類評估方法

。Liu等基于神經(jīng)網(wǎng)絡(luò)模型，采集發(fā)動機(jī)多種狀態(tài)參數(shù)對失火故障進(jìn)行診斷

。Sharma等提取振動信號時域統(tǒng)計(jì)特征，通過多類決策樹算法的對比實(shí)驗(yàn)給出了系統(tǒng)最優(yōu)決策模型

。沈志熙等利用經(jīng)驗(yàn)?zāi)B(tài)分解和支持向量機(jī)的加權(quán)融合算法進(jìn)行故障診斷

。李國賓等利用多重分形譜參數(shù)來表征發(fā)動機(jī)振動信號特征

。張玲玲等利用集合經(jīng)驗(yàn)?zāi)B(tài)分解和模糊c均值聚類算法對發(fā)動機(jī)曲軸的故障程度進(jìn)行識別

。李衛(wèi)星等提出了同步壓縮小波和極限梯度提升樹的失火評估方法

。張康等對發(fā)動機(jī)振動信號運(yùn)用隨機(jī)丟棄和批標(biāo)準(zhǔn)化的深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行失火診斷

。

但同時暴露了很多問題，首先利用時域信號提取特征進(jìn)行分類不能很好的反映內(nèi)在特征，利用頻域分形理論獲取的分型數(shù)據(jù)太過單一，影響分類的準(zhǔn)確性，而復(fù)雜的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法則極易出現(xiàn)過擬合的問題，普適性較低，為此提出一種基于發(fā)動機(jī)振動信號的失火診斷新方法，利用轉(zhuǎn)速信號對原始缸蓋振動信號進(jìn)行了等角度采樣，然后進(jìn)行最大熵譜分析，選取熵譜線特征點(diǎn)作為特征向量，利用模糊c均值聚類分析得到不同故障類型分類區(qū)間，最后臺架試驗(yàn)表明，該方法能夠較好地識別不同故障類型，滿足故障診斷準(zhǔn)確度要求，該方法使用單一振動信號進(jìn)行診斷，適用于發(fā)動機(jī)快速不解體故障檢測。

1 數(shù)據(jù)采集系統(tǒng)搭建

為了獲取準(zhǔn)確的基礎(chǔ)數(shù)據(jù)，搭建發(fā)動機(jī)振動信號采集系統(tǒng)，發(fā)動機(jī)采用濰柴WD615型柴油發(fā)動機(jī)，霍爾傳感器安裝在發(fā)動機(jī)輸出軸端，用來測量六缸壓縮上止點(diǎn)，在第六缸缸蓋上方安裝IMI-603C01型振動加速度傳感器。上位機(jī)采用NI PXIe-1078計(jì)算機(jī)，配有PXIe-4499聲音振動采集卡，實(shí)現(xiàn)振動信號的動態(tài)采集。發(fā)動機(jī)運(yùn)行在800rpm左右的無外荷載條件下，采樣率設(shè)置為65540Hz，通過對第六缸人為設(shè)置油路故障來表示柴油機(jī)的不同失火工況，詳見表1。

2 故障診斷關(guān)鍵技術(shù)

2.1 角度重采樣

由于最大熵譜處理是一種對平穩(wěn)信號的頻域處理方法，而實(shí)際發(fā)動機(jī)的振動采集信號是非平穩(wěn)的，為了進(jìn)行熵譜處理，就必須對等時間間隔(Δ

)序列

(

)進(jìn)行重采樣，使其變成等角度間隔(Δ

)序列

(

)，而這必須依靠鍵相脈沖時標(biāo)與脈沖之間轉(zhuǎn)角的對應(yīng)關(guān)系，才能得到信號的等轉(zhuǎn)角序列。假設(shè)機(jī)器做勻變速運(yùn)動，轉(zhuǎn)角與時間滿足二次多項(xiàng)式如下：

(

)=

+

+

(1)

式中：

(

)為軸的轉(zhuǎn)角；

，

，

為多項(xiàng)式系數(shù)；

為時間?？紤]到求多項(xiàng)式系數(shù)的解，式(1)可以寫成矩陣形式：

(2)

式中：

，

，

為三個連續(xù)的轉(zhuǎn)速信號脈沖到達(dá)的時間；

，

，

為轉(zhuǎn)速脈沖信號的角度間隔，因?yàn)檗D(zhuǎn)速脈沖的角度間隔是固定的(Δ

)。通過對方程(2)求解可以得到對應(yīng)轉(zhuǎn)角變化的時間：

(3)

(3)最后，重復(fù)操作(2)(1)直至再也找不到最大閾值點(diǎn)為止，然后將所有最大閾值點(diǎn)按順序連接起來便可以得到一條更簡化的，更平滑的，與原曲線十分近似的曲線。

由于該項(xiàng)目為滁河兩側(cè)堤頂路周邊的景觀設(shè)計(jì)，因此其防浪墻成為該項(xiàng)目出現(xiàn)頻率最多的一個元素，作為左岸項(xiàng)目的一大亮點(diǎn)，為了對與六合老城區(qū)以及河對岸的景觀帶形成對比，此次防浪墻采用異型混凝土塑形，每一段的造型都經(jīng)過二次深化設(shè)計(jì)，各不相同。

(1)首先，將起始點(diǎn)與結(jié)束點(diǎn)用直線連接，再找出到該直線的距離最大，同時又大于閾值的點(diǎn)并記錄下該點(diǎn)的位置(稱其為最大閾值點(diǎn))。

為了實(shí)現(xiàn)基于單一振動信號的故障診斷，增強(qiáng)方法的實(shí)用性，利用文獻(xiàn)[9]中的希爾伯特包絡(luò)和三次自相關(guān)方法對振動信號提取轉(zhuǎn)速，經(jīng)振動信號測量的轉(zhuǎn)速信號及誤差如圖1、2，可以看出振動信號恢復(fù)的轉(zhuǎn)速信號滿足精確性要求，利用恢復(fù)的轉(zhuǎn)速信號得到的等角度重采樣信號見圖3。

2.2 熵譜分析

熵在信息論中是反映信息度量的一個量。某隨機(jī)事件的隨機(jī)性越大，即不確定性越高，則熵值也越大，所攜帶的信息量亦越大。最大熵譜是根據(jù)熵量最大的準(zhǔn)則，由已知自相關(guān)函數(shù)，外推未知自相關(guān)函數(shù)后獲得信號譜估計(jì)，亦即可保證已知信息量不變化，而獲得估計(jì)已知信息量最大的一種譜估計(jì)方法。利用最大熵可以提高譜估計(jì)的分辨率。其理論與算法如下：

假設(shè)發(fā)動機(jī)缸體振動信號經(jīng)等角度重采樣之后為高斯隨機(jī)過程，則有：

隨著科學(xué)技術(shù)的創(chuàng)新發(fā)展和社會生產(chǎn)力的極大提高，傳統(tǒng)的市場營銷模式已經(jīng)無法適應(yīng)市場經(jīng)濟(jì)的迅速發(fā)展和快速變化，生產(chǎn)的規(guī)模化和生產(chǎn)流程的標(biāo)準(zhǔn)化，極大提高了勞動生產(chǎn)率，因此各行各業(yè)的內(nèi)部競爭日益激烈，市場上的產(chǎn)品都處于“供大于求”的局面。在這種狀況下，“賣方市場”為主的傳統(tǒng)市場營銷模式逐漸向“買家市場”為主的現(xiàn)代市場營銷模式變化。

與其說這是一次經(jīng)典車與新車攜手的巡游活動，倒不如說這是一次有關(guān)沃爾沃品牌忠誠度的聚會。無論是身旁是陪伴自己多年的經(jīng)典車還是光鮮亮麗的新車，它們都能將車主和這個品牌緊緊地連接在一起，保持長情并對未來有更積極的期待。

(4)

其中，

為樣本信號的熵值；

(

)為經(jīng)過等角度重采樣的振動信號的功率譜密度；

為信號包含的頻率。

在滿足式(5)的約束條件下，使式(4)的值達(dá)到最大，并最終得到最大熵譜估計(jì)，如式(6)。

(5)

(6)

假定數(shù)據(jù)集為

，把數(shù)據(jù)分為

類，對應(yīng)的

個類中心為

，每個樣本

屬于第

類的隸屬度為

，那么FCM目標(biāo)函數(shù)及約束條件如下：

由于利用常規(guī)Yule-Walker方程求解系數(shù)

很困難，故提出Levinson-Durbin遞推算法和Burg算法等改進(jìn)算法，但Levinson-Durbin遞推算法在計(jì)算AR參數(shù)時引入很大誤差，導(dǎo)致譜線分裂與譜峰偏移等現(xiàn)象。所以采用Burg算法來進(jìn)行最大熵譜分析。

在最大熵譜分析中，階數(shù)的確定尤為重要，隨著階數(shù)的增加，計(jì)算量也隨之增加，階數(shù)估計(jì)過小，譜線過于平滑，不易區(qū)分；階數(shù)過大，所得的譜估計(jì)具有虛假的細(xì)節(jié)，且計(jì)算量會劇增。對不同工況的振動信號進(jìn)行1-6階最大熵譜分析，如圖4。

從圖4可以看出，隨著階數(shù)的增加，不同工況的最大熵譜線開始逐漸分離，當(dāng)階數(shù)達(dá)到3時，4種工況的最大熵譜線已經(jīng)有了明顯的差別，當(dāng)階數(shù)繼續(xù)增大時，譜線開始出現(xiàn)振蕩，故選定最大熵譜分析的最優(yōu)階數(shù)為3階。

2.3 道格拉斯-普克算法

最大熵譜曲線由眾多數(shù)據(jù)點(diǎn)構(gòu)成，其數(shù)據(jù)維度為采集頻率的一半，特征數(shù)據(jù)維度過高需要進(jìn)行降維處理。而道格拉斯-普克算法是將曲線近似表示為一系列點(diǎn)，并減少點(diǎn)的數(shù)量的一種算法。它的優(yōu)點(diǎn)是具有平移和旋轉(zhuǎn)不變性，給定曲線與閾值后，抽樣結(jié)果一定。算法思想：

不良的飲食習(xí)慣：偏食或挑食會導(dǎo)致人體的維生素和礦物質(zhì)缺乏，會導(dǎo)致口腔黏膜的破潰，形成慢性潰瘍，時間長了，就可能會發(fā)生癌變。而均衡的飲食有利于攝入足夠的維生素和礦物質(zhì)，降低口腔癌和口咽癌的風(fēng)險。

通過式(3)可以求得等角度重采樣的時間，重采樣后的信號可以應(yīng)用插值方法得到。

2.2.3推動村民自建土地整治試點(diǎn)項(xiàng)目，讓村民三個“獲得” 為確保貧困村村民真正受益，創(chuàng)新“村民自建”土地整治試點(diǎn)項(xiàng)目的新舉措，由鄉(xiāng)鎮(zhèn)作為業(yè)主，村支兩委組織實(shí)施，村民特別是貧困村民參與施工的模式，實(shí)施村民自建土地整治試點(diǎn)項(xiàng)目?！按迕褡越ā钡哪Ｊ胶凸ぷ魉悸吩诤照驴h得到了率先體現(xiàn)，產(chǎn)生了實(shí)實(shí)在在的經(jīng)濟(jì)和社會效益，為讓就地脫貧農(nóng)民有實(shí)際獲得感，每人1畝優(yōu)質(zhì)農(nóng)田整治讓項(xiàng)目區(qū)內(nèi)貧困農(nóng)民實(shí)現(xiàn)“三得”：一得優(yōu)質(zhì)耕地，二得勞務(wù)收入，三得農(nóng)田基礎(chǔ)設(shè)施資產(chǎn)。真正體現(xiàn)“真扶貧”和“扶真貧”的意義。

式中：

為轉(zhuǎn)角位置相應(yīng)的時間；

為轉(zhuǎn)角位置。

獲取不同工況下的發(fā)動機(jī)振動信號熵譜曲線，利用算法得到不同精度條件下的最大特征點(diǎn)數(shù)量，如圖5所示，可見在特征點(diǎn)數(shù)量為42時，最大誤差為0.1dB，滿足精度要求，故選取相應(yīng)橫坐標(biāo)下的熵譜值作為最終特征值進(jìn)行聚類分析。

2.4 模糊c均值聚類分析

聚類分析是多元統(tǒng)計(jì)分析的一種，也是無監(jiān)督模式識別的一個重要分支，在模式分類和模糊規(guī)則處理領(lǐng)域中獲得廣泛應(yīng)用。它把一個沒有類別標(biāo)記的樣本按照某種準(zhǔn)則劃分為若干子集，使相似的樣本盡可能歸于一類，而把不相似的樣本劃分到不同的類中。聚類分析分為硬聚類和模糊聚類，硬聚類把每個待識別的對象嚴(yán)格的劃分某類中，具有非此即彼的性質(zhì)，而模糊聚類建立了樣本對類別的不確定描述，更能客觀的反應(yīng)客觀世界，從而成為聚類分析的主流。

模糊C均值(Fuzzy C-means)聚類算法是一種分類數(shù)給定的基于目標(biāo)函數(shù)的模糊聚類算法，它將樣本空間

={

,

,…,

}分為

類(2≤

≤

),任一樣本點(diǎn)不會嚴(yán)格劃分為某一類，而是利用樣本屬于不同類的隸屬度來表示相似于不同類的程度指標(biāo)。

(2)接著，以該點(diǎn)為分界點(diǎn)，將整條曲線分割成兩段(這里暫且稱之為左曲線和右曲線)，將這兩段曲線想象成獨(dú)立的曲線然后重復(fù)操作(1)，找出兩邊的最大閾值點(diǎn)。

式中，

=0,1,…,

；

為最大熵譜估計(jì)階數(shù)；

為譜估計(jì)的參數(shù)； 為功率預(yù)測誤差。

其次，教會學(xué)生將新近的新聞周刊、報紙、雜志中涉及傳統(tǒng)文化的熱門素材自編成作文題。比如，像這則新聞——“上海16歲女生武亦妹成為《中國詩詞大會》比賽第二季冠軍，很多粉絲驚呼這位‘00后’少女”，就可以指導(dǎo)學(xué)生自編題目寫作。

(7)

(8)

式(7)中

是模糊加權(quán)指數(shù)，

為第

類的聚類中心，并按照以下過程進(jìn)行聚類分析：

村長知道不能跟他一本正經(jīng)，反正就是嘻嘻哈哈，說對了就當(dāng)敲打他，說錯了也只當(dāng)開玩笑打哈哈。動不動找什么鎮(zhèn)長書記，我還不曉得你。如今人家還說你呢。你上次去縣里找趙書記，說是趙書記還跟你說了話。人家問你，趙書記說什么，你說趙書記叫你滾開些。

(1)隨機(jī)初始化隸屬度矩陣

；

(2)計(jì)算聚類中心

(9)

(3)更新隸屬度矩陣

肝臟 肝硬化，意味著肝臟的解毒功能以及消化功能下降，人體全身都會受到影響。酗酒、肝炎、脂肪肝都會導(dǎo)致肝硬化，目前酒精性肝硬化占新發(fā)肝硬化的六成左右。肝硬化早期無明顯癥狀，晚期則常出現(xiàn)上消化道出血、肝性腦病、繼發(fā)感染、脾功能亢進(jìn)、腹水、癌變等并發(fā)癥。

(10)

(4)計(jì)算目標(biāo)函數(shù)

；

(5)重復(fù)第(2)～第(4)步，直至

小于規(guī)定的值或達(dá)到最大迭代次數(shù)。

中國船舶燃料消耗中的60%是重質(zhì)燃料油，含有大量硫氧化物、氮氧化物和顆粒物，是港口PM2.5的主要來源。其中，大約90%的硫成分在發(fā)動機(jī)內(nèi)通過燃燒會與氧氣發(fā)生反應(yīng)，并在尾氣中以二氧化硫的形式排放出來。來自深圳環(huán)境科學(xué)研究院的測算顯示，一艘燃油含硫量為3.5%的中大型集裝箱船，以最大功率的70%負(fù)荷24小時航行，其一天排放的PM2.5相當(dāng)于21萬輛國四重貨車的排放量。

選取

=2，對降維后的熵譜曲線特征值進(jìn)行聚類分析，迭代25次后達(dá)到最優(yōu)，其隸屬度矩陣

和聚類中心如下，其中每個聚類中心由42個特征點(diǎn)構(gòu)成，

為4×42的隸屬度矩陣，從圖6可以看出，4類工況聚類中心被較好的區(qū)分開來，為后續(xù)的故障分類提供了依據(jù)。

時間過得真快呀！林強(qiáng)信扳著指頭說，景花廠撐了七年，七年啊，居然在老子的圍追堵截下存活了七年。七年之癢，哈哈，想想阿花這小娘們也不容易。林強(qiáng)信像公鴨似的嘎嘎大笑。

3 試驗(yàn)分析

為了檢驗(yàn)此方法的實(shí)際效果，另采集四種不同失火狀態(tài)下的20組振動信號進(jìn)行驗(yàn)證，得到的結(jié)果見表2。

表2中加粗部分為該驗(yàn)證樣本隸屬度的最大值，得到每個驗(yàn)證樣本的故障分類與實(shí)際故障類型基本一致，驗(yàn)證了失火故障診斷方法的可行性。

4 結(jié)論

(1)實(shí)際發(fā)動機(jī)運(yùn)轉(zhuǎn)具有非平穩(wěn)性，此方法使用單一振動信號進(jìn)行故障診斷，對于實(shí)際的非平穩(wěn)振動信號有了更強(qiáng)的適應(yīng)性。

(2)利用最大熵譜和模糊c均值聚類分析能夠較好的判斷發(fā)動機(jī)故障狀態(tài)，為發(fā)動機(jī)的快速故障檢測提供技術(shù)手段，具有較強(qiáng)的抗干擾能力。

[1]VONG C M, WONG P K. Engine ignition signal diagnosis with wavelet packet transform and multi-class least squares support vector machines[J]. Expert Systems with Applications, 2011, 38(7): 8563-8570.

[2]LIU B, ZHAO C, ZHANG F, et al. Misfire detection of a turbocharged diesel engine by using artificial neural networks[J]. Applied Thermal Engineering, 2013,55(1-2):26-32.

[3]SHARMA A, SUGUMARAN V, BABU DEVASENAPATI S. Misfire detection in an IC engine using vibration signal and decision tree algorithms[J]. Measurement, 2014, 50:370-380.

[4]沈志熙, 黃席樾, 馬笑瀟. 基于EMD和支持向量機(jī)的柴油機(jī)故障診斷[J]. 振動、測試與診斷, 2010,30(1) :19-22.

[5]李國賓, 段樹林, 于洪亮, 等. 發(fā)動機(jī)振動信號特征參數(shù)的多重分形研究[J]. 內(nèi)燃機(jī)學(xué)報, 2008,26(1):87-91.

[6]張玲玲，廖紅云，曹亞娟，等. 基于EEMD和模糊C均值聚類算法診斷發(fā)動機(jī)曲軸軸承故障[J]. 內(nèi)燃機(jī)學(xué)報, 2011,29(4):332-336.

[7]李衛(wèi)星，陶建峰，覃程錦，等.同步壓縮小波與極限梯度提升樹融合的柴油機(jī)失火故障診斷[J].西安交通大學(xué)學(xué)報，2019,53(2):47-54.

[8]張康，陶建峰，覃程錦，等.隨機(jī)丟棄和批標(biāo)準(zhǔn)化的深度卷積神經(jīng)網(wǎng)絡(luò)柴油機(jī)失火故障診斷[J]. 西安交通大學(xué)學(xué)報,2019,53(8):1-9.

[9]張帥,曾銳利. 基于振動信號的柴油發(fā)動機(jī)轉(zhuǎn)速測量[J].振動與沖擊, 2017, 36(22): 252-256.