白雲(yún)杰， 賈希勝， 梁慶海

(1. 陸軍工程大學(xué)， 石家莊 050003； 2. 河北省機(jī)械裝備狀態(tài)監(jiān)測(cè)與評(píng)估重點(diǎn)實(shí)驗(yàn)室， 石家莊 050003)

隨著現(xiàn)代工業(yè)的發(fā)展，柴油機(jī)目前已廣泛應(yīng)用于工業(yè)生產(chǎn)、交通運(yùn)輸和國(guó)防軍用裝備等領(lǐng)域，因此柴油機(jī)的狀態(tài)監(jiān)測(cè)對(duì)于保障設(shè)備工作的穩(wěn)定性和可靠性具有重要意義[1]。由于柴油機(jī)復(fù)雜的結(jié)構(gòu)和惡劣的工作環(huán)境，其有效故障診斷成為一個(gè)具有挑戰(zhàn)性的問(wèn)題，長(zhǎng)期以來(lái)受到研究人員的廣泛關(guān)注[2-4]。

基于振動(dòng)信號(hào)的診斷方法目前被廣泛應(yīng)用于機(jī)械設(shè)備故障診斷中，柴油機(jī)缸蓋振動(dòng)信號(hào)因其蘊(yùn)含豐富的運(yùn)行狀態(tài)信息且信號(hào)采集方便、診斷速度快，對(duì)其進(jìn)行分析成為柴油機(jī)故障診斷的主要方式之一[5]。由于柴油機(jī)缸蓋振動(dòng)信號(hào)混合了多種激勵(lì)源信號(hào)和強(qiáng)背景噪聲，在各種信號(hào)成分和干擾的綜合作用下，使其呈現(xiàn)非線性、非平穩(wěn)的特點(diǎn)[6]。因此如何采用合適的信號(hào)處理手段對(duì)缸蓋振動(dòng)信號(hào)進(jìn)行處理以提取故障特征，是當(dāng)前柴油機(jī)故障診斷的關(guān)鍵。

蔣佳煒等[7]提出了基于小波包能量譜特征提取和模糊熵特征選擇的柴油機(jī)故障診斷方法，但需要選擇合適的小波包分解層數(shù)和小波基函數(shù)。陳俊柏等[8]針對(duì)機(jī)載燃油泵提出了一種基于經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition, EMD)和支持向量機(jī)(support vector machine, SVM)相結(jié)合的故障診斷方法。張俊紅等[9]采用局部均值分解(local mean decomposition, LMD)方法提取氣門的故障特征。EMD和LMD方法雖然可以自適應(yīng)分解非平穩(wěn)信號(hào)，但都存在模態(tài)混疊現(xiàn)象和端點(diǎn)效應(yīng)。Dragomiretskiy等[10]提出了變分模態(tài)分解(variational mode decomposition, VMD)，通過(guò)基于變分問(wèn)題取代遞歸分解模式，改善了模態(tài)混疊問(wèn)題，提高了對(duì)于噪聲的魯棒性。為了解決變分模態(tài)分解層數(shù)K需要人為設(shè)定的問(wèn)題，本文基于散布熵提出一種改進(jìn)的VMD(dispersion entropy variational mode decomposition，DVMD)方法確定分解層數(shù)K，避免主觀選取產(chǎn)生的缺陷和誤差。

當(dāng)前深度學(xué)習(xí)發(fā)展迅速，廣泛應(yīng)用于圖像處理、語(yǔ)音識(shí)別、目標(biāo)檢測(cè)、信息檢索、自然語(yǔ)音處理等領(lǐng)域[11]。在深度學(xué)習(xí)模型中，稀疏自編碼器作為一種重要結(jié)構(gòu)，能通過(guò)堆棧的方式實(shí)現(xiàn)深層次特征提取，被廣泛應(yīng)用于各個(gè)領(lǐng)域[12-14]，但其在柴油機(jī)故障診斷方面研究很少。本文提出了一種基于散布熵改進(jìn)的變分模態(tài)分解和反向微調(diào)的堆疊稀疏自編碼器(stacked sparse auto-encoder, SSAE)相結(jié)合的方法對(duì)柴油機(jī)混合故障狀態(tài)進(jìn)行識(shí)別。首先對(duì)缸蓋振動(dòng)信號(hào)進(jìn)行變分模態(tài)分解，通過(guò)計(jì)算各分量散布熵確定分解層數(shù)K和有用分量，然后對(duì)各分量分別提取時(shí)域特征和小波能量特征，構(gòu)建混合特征向量，輸入到堆疊稀疏自編碼器中預(yù)訓(xùn)練Softmax分類器，接著使用原始混合特征對(duì)整個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行微調(diào),最終實(shí)現(xiàn)柴油機(jī)混合故障診斷。

1 DVMD基本原理

1.1 變分模態(tài)分解

變分模態(tài)分解(variational mode decomposition, VMD)算法是構(gòu)造和求解變分問(wèn)題，將原信號(hào)f分解成K個(gè)本征模態(tài)函數(shù)(intrinsic mode function, IMF)分量uk(t)，滿足各分量之和等于輸入信號(hào)的條件下，通過(guò)迭代過(guò)程不斷更新中心頻率和帶寬，最終得到IMF帶寬之和最小的IMF分量，具體步驟如下：

(1) 通過(guò)Hilbert變換，獲得每個(gè)本征模態(tài)分量uk(t)的解析信號(hào)的單邊頻譜，即：

[δ(t)+(j/πt)]*uk(t)

(1)

調(diào)整各本征模態(tài)的中心頻率到基頻帶上：

{[δ(t)+(j/πt)]*uk(t)}e-jωkt

(2)

式中：δ(t)為沖激函數(shù)；*為卷積計(jì)算

(2) 計(jì)算以上解調(diào)信號(hào)梯度的平方L2范數(shù)，估計(jì)出各本征模態(tài)分量的帶寬。建立約束變分模型表達(dá)式

(3)

(3) 其次是變分問(wèn)題的求解，該求解過(guò)程需要引入二次項(xiàng)懲罰因子α和Lagrange乘法算子λ，將約束變分問(wèn)題轉(zhuǎn)變成非約束變分問(wèn)題，其中增廣Lagrange函數(shù)如下

(4)

式中：α為足夠大的正數(shù)，保證信號(hào)的重構(gòu)精度；λ(t)能使約束條件保持嚴(yán)格性。采用交替乘子方向算法(alternate direction method of multipliers, ADMM)[15]不斷更新各分量的中心頻率和帶寬，并尋求Lagrange函數(shù)的鞍點(diǎn)。最終實(shí)現(xiàn)信號(hào)的自適應(yīng)分解。

1.2 DVMD方法

散布熵(dispersion entropy, DE)是2016年由Rostaghi等[16]提出的一種新的衡量時(shí)間序列復(fù)雜程度的算法，其克服了排列熵沒(méi)有考慮幅值大小的缺點(diǎn)，具有穩(wěn)定性好，計(jì)算速度快的特點(diǎn)[17]。計(jì)算過(guò)程如下：

(1) 利用正態(tài)分布函數(shù)作為非線性歸一化函數(shù)，將序列x= {x1,x2,…xN}歸一化映射到y(tǒng)= {y1,y2,…yN}，其中N表示序列長(zhǎng)度，y為以序列x的均值和標(biāo)準(zhǔn)差值為相應(yīng)參數(shù)的正態(tài)分布在x中的值處所計(jì)算的累積分布值，y∈(0,1)。

(2) 通過(guò)線性算法將y映射到[1,c]范圍內(nèi)的整數(shù)，得到序列

zjc= int(cyj+0.5)

(5)

式中：c為類別數(shù)；int為取整。

(3) 計(jì)算嵌入向量和散布模式wv0…vm-1(v=1,2,…，c),并計(jì)算所有散布模式的概率P

(6)

(4) 使用信息熵的定義，計(jì)算原序列散布熵

(7)

根據(jù)散布熵的計(jì)算方法可以發(fā)現(xiàn)，當(dāng)全部散布模式概率相等時(shí)，散布熵具有最大值。散布熵值越大，時(shí)間序列復(fù)雜程度越大，因此本文采用散布熵來(lái)確定VMD分解層數(shù)。通過(guò)VMD分解得到的各IMF分量的散布熵變化轉(zhuǎn)折點(diǎn)確定分解層數(shù)K和包含有用信息的IMF分量。

2 深度神經(jīng)網(wǎng)絡(luò)構(gòu)建

稀疏自編碼器(sparse auto-encoder, SAE)作為一種神經(jīng)網(wǎng)絡(luò)模型，基于自編碼器增加了稀疏性限制以提高網(wǎng)絡(luò)性能，可通過(guò)無(wú)監(jiān)督學(xué)習(xí)數(shù)據(jù)特征，由輸入層、隱藏層、輸出層構(gòu)成[18]。其包括編碼和解碼兩個(gè)過(guò)程，輸入數(shù)據(jù)通過(guò)編碼得到隱藏層，隱藏層通過(guò)解碼重新獲得輸入數(shù)據(jù)，通過(guò)最優(yōu)化求解最小輸出輸入誤差。本文通過(guò)兩層稀疏自編碼器和Softmax分類層構(gòu)建深度神經(jīng)網(wǎng)絡(luò)(deep neural network, DNN)，網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。將兩層SAE堆疊構(gòu)成SSAE網(wǎng)絡(luò)，將第1層SAE隱藏層輸出特征作為第2層SAE輸入，使用梯度下降法訓(xùn)練網(wǎng)絡(luò)并迭代更新網(wǎng)絡(luò)各層權(quán)重和偏置，使用第2層SAE輸出特征來(lái)有監(jiān)督地訓(xùn)練Softmax層以初始化參數(shù)，然后使用原始訓(xùn)練數(shù)據(jù)和標(biāo)簽有對(duì)整個(gè)深度神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào)優(yōu)化，最終利用訓(xùn)練后的模型進(jìn)行故障診斷。

圖1 深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 The structure of deep neural network

3 DVMD-SSAE算法流程

針對(duì)柴油機(jī)自身結(jié)構(gòu)復(fù)雜，缸蓋振動(dòng)信號(hào)包含不同程度的噪聲，直接計(jì)算原信號(hào)時(shí)域特征值容易因噪聲信號(hào)干擾產(chǎn)生誤差，而經(jīng)過(guò)VMD分解能起到良好的降噪效果，并將復(fù)雜混疊信號(hào)中的關(guān)鍵分量進(jìn)行提取。同時(shí)單一特征不能完全表征柴油機(jī)的故障模式，稀疏自編碼器能解決多特征篩選和融合的問(wèn)題，因此本文使用改進(jìn)的DVMD算法與堆疊稀疏自編碼器相結(jié)合的方法對(duì)柴油機(jī)混合故障進(jìn)行診斷，具體步驟如下(流程如圖2)。

圖2 DVMD-SSAE故障診斷流程Fig.2 Fault diagnosis process of DVMD-SSAE

(1) 計(jì)算VMD分解后各IMF分量的散布熵值，觀察散布熵變化轉(zhuǎn)折點(diǎn)確定分解層數(shù)K,選取散布熵轉(zhuǎn)折點(diǎn)較小的IMF分量作為代表關(guān)鍵故障信息的信號(hào)進(jìn)行分析。

(2) 分別計(jì)算每個(gè)IMF分量的14個(gè)常見(jiàn)時(shí)域特征和小波包分解能量特征構(gòu)建特征向量。

(3) 將2層稀疏自編碼器堆疊后與Softmax分類層構(gòu)建深度神經(jīng)網(wǎng)絡(luò)。

(4) 劃分訓(xùn)練集和測(cè)試集，設(shè)置訓(xùn)練集標(biāo)簽和測(cè)試集標(biāo)簽。將訓(xùn)練集輸入堆疊后的稀疏自編碼器中進(jìn)行特征優(yōu)化，將得到的優(yōu)化后特征和訓(xùn)練標(biāo)簽輸入Softmax進(jìn)行參數(shù)預(yù)訓(xùn)練，然后將訓(xùn)練集和標(biāo)簽輸入構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)中對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行微調(diào)。

(5) 將測(cè)試集輸入經(jīng)過(guò)微調(diào)的深度神經(jīng)網(wǎng)絡(luò)中，得到不同故障模式的診斷結(jié)果。

4 試驗(yàn)與分析

4.1 柴油機(jī)預(yù)置故障試驗(yàn)系統(tǒng)

為了驗(yàn)證本文所提出方法的有效性，依托陸軍工程大學(xué)石家莊校區(qū)實(shí)驗(yàn)室搭建的柴油機(jī)預(yù)置故障試驗(yàn)臺(tái)進(jìn)行試驗(yàn)。本試驗(yàn)研究對(duì)象是由一汽解放汽車有限公司無(wú)錫柴油機(jī)廠所制造的六缸高壓共軌柴油發(fā)動(dòng)機(jī)，其基本技術(shù)參數(shù)見(jiàn)表1。試驗(yàn)臺(tái)如圖3所示，試驗(yàn)共設(shè)置7種混合故障模式，如表2所示。

表1 柴油發(fā)動(dòng)機(jī)技術(shù)參數(shù)Tab.1 Technical specifications of the diesel engine

表2 故障模式設(shè)置Tab.2 Failure mode setting

圖3 柴油機(jī)預(yù)置故障試驗(yàn)臺(tái)Fig.3 Diesel engine preset failure test bench

其中，某缸失火故障通過(guò)斷開(kāi)該缸電源線來(lái)實(shí)現(xiàn)，空氣濾清器堵塞通過(guò)加裝進(jìn)氣罩來(lái)實(shí)現(xiàn)，噴油泵供油不足通過(guò)故障件替換來(lái)實(shí)現(xiàn)。具體故障設(shè)置見(jiàn)圖4。

(a) 斷開(kāi)噴油器電源線

(b) 加裝進(jìn)氣罩

(c) 更換故障件圖4 故障預(yù)置方式Fig.4 Fault setting method

試驗(yàn)過(guò)程中，使用北京中科泛華公司的數(shù)據(jù)采集機(jī)箱(PXI-9108)、數(shù)據(jù)采集卡(PXI-3342)和上海北智公司的壓電式振動(dòng)加速度傳感器(BW14100)。振動(dòng)加速度傳感器垂直于發(fā)動(dòng)機(jī)1～6缸缸蓋表面進(jìn)行安裝，如圖5所示。對(duì)發(fā)動(dòng)機(jī)運(yùn)行過(guò)程中缸蓋振動(dòng)信號(hào)進(jìn)行采集，采樣頻率為20 kHZ，采集單個(gè)樣本點(diǎn)數(shù)為5 000。

圖5 振動(dòng)傳感器安裝位置Fig.5 Arrangement position of vibration sensor

4.2 信號(hào)分析與特征提取

試驗(yàn)中選取第5通道信號(hào)進(jìn)行研究，7種混合故障模式下的振動(dòng)信號(hào)波形雜亂、無(wú)明顯特征，因此考慮對(duì)缸蓋振動(dòng)信號(hào)進(jìn)行處理和特征提取。以一缸失火模式為例，對(duì)其振動(dòng)信號(hào)進(jìn)行變分模態(tài)分解，并計(jì)算分解得到的各IMF分量的散布熵以確定分解層數(shù)K值，得到不同分解層數(shù)K下的各IMF分量散布熵見(jiàn)表3。本文在計(jì)算散布熵時(shí)選取嵌入維度m等于2，類別個(gè)數(shù)c為7，時(shí)間延遲d取1。

表3 不同分解層數(shù)下各分量散布熵Tab.3 Dispersion entropy of each component under different decomposition levels

通過(guò)對(duì)信號(hào)進(jìn)行VMD分解后，分析不同分解層數(shù)下的IMF分量的散布熵可以知道，在分解的過(guò)程中，散布熵代表IMF分量序列的復(fù)雜程度，各IMF分量的散布熵具有一定變化趨勢(shì)，散布熵越大代表分量復(fù)雜程度越高，在實(shí)際情況中，往往代表高頻噪聲信號(hào)和復(fù)雜干擾信號(hào)。

從表3中可以看出，當(dāng)K=5時(shí)，各IMF分量散布熵出現(xiàn)變化轉(zhuǎn)折點(diǎn)，說(shuō)明此時(shí)已出現(xiàn)噪聲分量和有用分量，確定VMD分解層數(shù)K=5，分解得到的各分量如圖6所示，繪制各分量頻譜圖如圖7所示。

圖6 DVMD分解各IMF分量Fig.6 Each IMF component for DVMD decomposes

圖7 各IMF分量頻譜圖Fig.7 Spectrogram of each IMF component

經(jīng)過(guò)計(jì)算可知，IMF2分量的散布熵最大，說(shuō)明其信號(hào)復(fù)雜程度最大，同時(shí)觀察各分量頻譜圖可知，IMF1和IMF2均為高頻分量，帶寬較寬且頻譜相對(duì)復(fù)雜，考慮其為復(fù)雜噪聲和干擾信號(hào)，因此選取IMF3，IMF4，IMF5為包含故障特征信息的有用分量。對(duì)IMF3，IMF4，IMF5三個(gè)分量分別提取最大值、最小值、峰峰值、平均值、絕對(duì)平均值、方差、標(biāo)準(zhǔn)差、峭度、偏度、均方根、波形因子、峰值因子、脈沖因子、裕度因子共14×3個(gè)時(shí)域特征。同時(shí)對(duì)缸蓋振動(dòng)信號(hào)進(jìn)行3層小波包分解，選取db3小波基，得到8×3維能量特征。將3個(gè)IMF分量時(shí)域特征和小波包分解能量特征組合，最終得到的單個(gè)樣本數(shù)據(jù)由66維混合特征向量構(gòu)成。

4.3 柴油機(jī)混合故障診斷

為了驗(yàn)證在不同混合故障模式下，本文所提出方法的可行性，使用4.2節(jié)中的方法構(gòu)建數(shù)據(jù)集。試驗(yàn)數(shù)據(jù)集信息如表4所示，最終得到560個(gè)訓(xùn)練樣本，112個(gè)測(cè)試樣本。

表4 數(shù)據(jù)集信息Tab.4 Data set information

由于稀疏自編碼器網(wǎng)絡(luò)層數(shù)并非越多越好，層數(shù)太多會(huì)造成網(wǎng)絡(luò)不穩(wěn)定并增加計(jì)算時(shí)間，層數(shù)太少會(huì)產(chǎn)生高維特征提取不徹底的現(xiàn)象[19]。本文構(gòu)造一個(gè)2層的堆疊稀疏自編碼器網(wǎng)絡(luò)，隱藏層節(jié)點(diǎn)數(shù)分別為100和30，具體參數(shù)設(shè)置如表5所示，不同參數(shù)對(duì)診斷結(jié)果影響見(jiàn)表6。

表5 SSAE網(wǎng)絡(luò)參數(shù)設(shè)置Tab.5 Parameter settings for SSAE network

表6 SSAE不同參數(shù)影響Tab.6 The influence of different parameters of SSAE

將試驗(yàn)得到的訓(xùn)練樣本輸入本文所構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，然后將測(cè)試樣本輸入訓(xùn)練后的模型中，得到柴油機(jī)7類混合故障的診斷結(jié)果，其混淆矩陣如圖8所示。

圖8 診斷結(jié)果混淆矩陣Fig.8 Confusion matrix of diagnosis results

從診斷結(jié)果混淆矩陣可以看出，本文所提出的方法對(duì)柴油機(jī)7類混合故障的整體準(zhǔn)確率達(dá)到95.5%，其中正常狀態(tài)、一缸失火狀態(tài)、空濾堵塞二缸失火狀態(tài)3種故障模式診斷準(zhǔn)確率達(dá)到100%，二缸失火狀態(tài)、空濾堵塞狀態(tài)和供油不足狀態(tài)3種故障模式的診斷準(zhǔn)確率也達(dá)到93.8%，僅空濾堵塞一缸失火狀態(tài)的診斷準(zhǔn)確率為87.5%。

考慮由于不同SSAE網(wǎng)絡(luò)層數(shù)對(duì)診斷結(jié)果的影響，分別構(gòu)建M層SSAE網(wǎng)絡(luò)，其中M= 1，2，3，4，5。不同網(wǎng)絡(luò)層數(shù)下的混合故障識(shí)別結(jié)果如圖9所示。從圖中可以看出，在相同數(shù)據(jù)樣本輸入不同層數(shù)構(gòu)建的SSAE網(wǎng)絡(luò)中，診斷結(jié)果存在明顯差異，在SSAE為2層時(shí)，診斷準(zhǔn)確率達(dá)到最大值。隨著網(wǎng)絡(luò)深度的增加，準(zhǔn)確率發(fā)生波動(dòng)，當(dāng)SSAE層數(shù)增加為5層時(shí)，準(zhǔn)確率下降到74.1%。觀察不同網(wǎng)絡(luò)層數(shù)下模型訓(xùn)練時(shí)間的變化如圖10所示，結(jié)果說(shuō)明SSAE網(wǎng)絡(luò)層數(shù)增加，并不會(huì)帶來(lái)診斷準(zhǔn)確率的提高，同時(shí)隨著網(wǎng)絡(luò)層數(shù)增加，訓(xùn)練時(shí)間變長(zhǎng)，效率降低。

圖9 不同層數(shù)SSAE診斷結(jié)果Fig.9 SSAE diagnosis results of different layers

圖10 不同層數(shù)SSAE訓(xùn)練時(shí)間對(duì)比Fig.10 Comparison of SSAE training time with different layers

為了探究本文所提出方法所構(gòu)建混合特征在柴油機(jī)故障診斷方面的有效性，將相同的數(shù)據(jù)樣本直接提取原信號(hào)時(shí)域特征后輸入堆疊稀疏自編碼器(Tfeature-SSAE)，原信號(hào)小波包分解能量特征輸入堆疊稀疏自編碼器(Wfeature-SSAE)，原信號(hào)混合特征輸入堆疊稀疏自編碼器(Cfeature-SSAE),本文提出的DVMD分解后提取時(shí)域特征輸入堆疊稀疏自編碼器(DVMD-SSAE(T))，DVMD分解后提取小波包能量特征輸入堆疊稀疏自編碼器(DVMD-SSAE(W))，觀察診斷結(jié)果如表7所示。

表7 不同特征診斷結(jié)果Tab.7 Diagnosis results of different characteristics

由結(jié)果可以看出，針對(duì)7種混合故障模式情況下，對(duì)柴油機(jī)缸蓋振動(dòng)信號(hào)直接提取時(shí)域特征和小波包能量分解特征診斷效果不好，且小波包分解能量特征總識(shí)別率僅53.6%。使用本文所提出的DVMD分解算法對(duì)缸蓋振動(dòng)信號(hào)進(jìn)行處理后，直接提取時(shí)域特征，識(shí)別率達(dá)到87.5%，混合特征識(shí)別率達(dá)到95.5%，驗(yàn)證了本文所提出的DVMD分解算法對(duì)柴油機(jī)缸蓋信號(hào)處理的有效性，能有效分離出噪聲信息和有用信息；同時(shí)發(fā)現(xiàn)對(duì)信號(hào)直接提取小波包分解能量特征比經(jīng)過(guò)DVMD分解后提取小波包能量特征識(shí)別率略高，考慮可能是由于經(jīng)過(guò)DVMD分解后分離了噪聲信號(hào)，相比于原始信號(hào)在能量上衰減了所導(dǎo)致，但整體上影響不大；通過(guò)對(duì)比結(jié)果也驗(yàn)證了本文所構(gòu)建混合特征在柴油機(jī)混合故障識(shí)別上的有效性。

由結(jié)果可以看出，針對(duì)7種混合故障模式情況下，對(duì)柴油機(jī)缸蓋振動(dòng)信號(hào)直接提取時(shí)域特征和小波包能量分解特征診斷效果不好，且小波包分解能量特征總識(shí)別率僅53.6%。使用本文所提出的DVMD分解算法對(duì)缸蓋振動(dòng)信號(hào)進(jìn)行處理后，直接提取時(shí)域特征，識(shí)別率達(dá)到87.5%，混合特征識(shí)別率達(dá)到95.5%，驗(yàn)證了本文所提出的DVMD分解算法對(duì)柴油機(jī)缸蓋信號(hào)處理的有效性，能有效分離出噪聲信息和有用信息；同時(shí)發(fā)現(xiàn)對(duì)信號(hào)直接提取小波包分解能量特征比經(jīng)過(guò)DVMD分解后提取小波包能量特征識(shí)別率略高，考慮可能是由于經(jīng)過(guò)DVMD分解后分離了噪聲信號(hào)，相比于原始信號(hào)在能量上衰減了所導(dǎo)致，但整體上影響不大；通過(guò)對(duì)比結(jié)果也驗(yàn)證了本文所構(gòu)建混合特征在柴油機(jī)混合故障識(shí)別上的有效性。

同時(shí)，為了驗(yàn)證本文所提出方法的優(yōu)越性，對(duì)試驗(yàn)中的相同數(shù)據(jù)樣本使用經(jīng)驗(yàn)?zāi)B(tài)分解和堆疊稀疏自編碼器相結(jié)合的方法(EMD-SSAE),本文所提出DVMD與BP神經(jīng)網(wǎng)絡(luò)結(jié)合的方法(DVMD-BP),DVMD與支持向量機(jī)結(jié)合的方法(DVMD-SVM)，以及DVMD與當(dāng)前研究較多的兩類優(yōu)化支持向量機(jī)參數(shù)方法：粒子群優(yōu)化支持向量機(jī)方法(DVMD-PSO-SVM)、灰狼優(yōu)化支持向量機(jī)方法(DVMD-GWO-SVM)對(duì)柴油機(jī)混合故障進(jìn)行診斷，識(shí)別結(jié)果如表8所示。通過(guò)比較不同方法的診斷準(zhǔn)確率可以看出，本文所提出的DVMD-SSAE方法對(duì)于柴油機(jī)7種混合故障模式的診斷效果最好。

表8 不同方法故障診斷結(jié)果Tab.8 Different methods of fault diagnosis results

5 結(jié) 論

本文針對(duì)柴油機(jī)缸蓋振動(dòng)信號(hào)復(fù)雜，非平穩(wěn)、非線性的特征，提出了一種基于散布熵改進(jìn)的變分模態(tài)分解(DVMD)和堆疊稀疏自編碼器(SSAE)的柴油機(jī)混合故障診斷方法，得到以下結(jié)論。

(1) 本文提出的基于散布熵改進(jìn)的變分模態(tài)分解方法(DVMD)能夠?qū)⒉裼蜋C(jī)缸蓋振動(dòng)信號(hào)不同模態(tài)分量有效分離出來(lái)，可以有效分離噪聲干擾和有用信息分量，且本文所構(gòu)造的混合特征對(duì)柴油機(jī)混合故障狀態(tài)具有敏感性。

(2) 利用堆疊稀疏自編碼器和Softmax構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)能有效對(duì)故障特征進(jìn)行深層次提取，也解決了人工特征選擇的問(wèn)題。

(3) 基于DVMD和SSAE的方法能夠有效實(shí)現(xiàn)柴油機(jī)7種混合故障模式識(shí)別，診斷準(zhǔn)確率達(dá)到95.5%，且與其他方法相比，具有更好的識(shí)別效果。