基于角域信號特征統(tǒng)計量的發(fā)動機故障分類方法

基于角域信號特征統(tǒng)計量的發(fā)動機故障分類方法

0振動信號與故障診斷發(fā)動機是一種典型的雙向發(fā)動機，具有結(jié)構(gòu)復雜、激勵源多、運營不穩(wěn)定等特點。當時，該區(qū)域的振動信號也具有強噪聲和不穩(wěn)定的特點。因此,發(fā)動機故障診斷一直是故障診斷領(lǐng)域研究的難點。2003年,Geng等提出了發(fā)動機振動信號模型,并利用小波包分解方法提取了發(fā)動氣門間隙的故障特征;Carlucci等利用傳統(tǒng)的傅里葉變換方法和短時傅里葉變換方法分析了發(fā)動機氣缸壓力與缸體表面振動信號的關(guān)系;Wu等利用連續(xù)小波變換和離散小波變換對發(fā)動機多種故障進行了診斷;Jiang等提出了雙負荷法,以噪聲信號為研究對象,對發(fā)動機排氣系統(tǒng)故障進行了診斷;夏勇等采用多重分形方法診斷了柴油機氣門漏氣故障;孔凡讓等模擬了EQ6100發(fā)動機的連桿軸承故障,并通過時域和頻域分析方法對該故障進行了診斷;針對柴油機活塞銷振動信號的高階循環(huán)平穩(wěn)特性,夏天等提出了高階循環(huán)平穩(wěn)理論,并利用循環(huán)雙譜對活塞銷磨損故障進行了診斷。近年來,針對發(fā)動機故障的智能診斷與分類方法也取得了較大的進展。Vong等建立了以小波變換與K-均值聚類算法為基礎(chǔ)的專家故障診斷系統(tǒng)對發(fā)動機點火系統(tǒng)故障進行了診斷;Feng等運用雙譜法和遺傳神經(jīng)算法對發(fā)動機多種故障進行了分類;Wang等利用WVD(Wigner-Villedistributions)與神經(jīng)網(wǎng)絡(luò)對發(fā)動機氣門間隙故障進行了診斷;Liu等采用粗糙集理論和BP(backpropagation)神經(jīng)網(wǎng)絡(luò)對柴油機單缸失火故障進行了診斷;Lin等采用支持向量機法對連桿軸承故障進行了分類。為提高發(fā)動機故障分類的準確率和故障診斷的成功率,本文提出了基于角域信號特征統(tǒng)計量的發(fā)動機故障分類方法。1發(fā)動機振動信號的處理時域信號是以時間t作為參量的,而發(fā)動機在運行過程中,曲軸轉(zhuǎn)速通常會產(chǎn)生波動,故發(fā)動機振動信號在時域范圍內(nèi)通常為非平穩(wěn)信號,時間域的信號處理方法會導致“頻率涂抹”現(xiàn)象。為解決這個問題,通常采用等角度采樣方法,如圖1所示。2角域信號特征統(tǒng)計量的新參數(shù)2.1子階次編碼合成角域信號的特征階次通過角域信號的小波包分解獲得。設(shè)角域信號為sn,n=1,2,…,N,采用小波包分解成x層,則共有2x個子階次段,且每個子階次段包含2J-x個數(shù)據(jù)點,其中J=lbN,x=1,2,…,J,如圖2所示。通過角域信號的小波包分解,每一個子階次段都對應(yīng)著父階次段的某個階次成分。而子階次段信號與父階次段信號的相關(guān)系數(shù)反映了兩者的相關(guān)程度,可作為衡量在角域信號小波包分解過程中,子階次段信號獲取父階次段信號信息量的標準。由此,定義子階次段信號與父階次段信號的相關(guān)系數(shù)為由式(1)可知,相關(guān)系數(shù)ρx,z反映了子階次段信號與父階次段信號的相關(guān)程度,且0≤ρx,z≤1。ρx,z越小,子父階次段信號相關(guān)程度越小;ρx,z越大,子父階次段信號相關(guān)程度越大,即子階次段信號繼承父階次段信號的信息量越大。根據(jù)以上分析,定義max(ρx,z)對應(yīng)的子階次段為發(fā)動機等角度采樣信號的特征階次,即該階次段獲取發(fā)動機角域信號的信息量最大。2.2特征階次信號定義發(fā)動機角域信號小波包分解后,低階次信號與高階次信號均獲取到原始信號的有用信息。因此,本文定義特征階次信號分別包含一組低階次信號和一組高階次信號。設(shè)特征階次中低階次信號為sl(θ)=(x1,x2,…,xn),高階次信號為sh(θ)=(y1,y2,…,yn)。2.2.1信號能量的比值特征階次的能量比是指角域信號小波包分解后,特征階次信號的能量與原始信號能量的比值。特征階次中低階次信號能量El與高階次信號能量Eh分別為特征階次中低階次信號能量比與高階次信號能量比分別為式中,Em為原始信號的能量。則特征階次的能量比向量可定義為2.2.2準差dh與高階次信號標準差比的比對特征階次中低階次信號標準差Dl與高階次信號標準差Dh分別為特征階次中低階次信號標準差比與高階次信號標準差比分別為式中,Dm為原始信號的標準差。則特征階次的標準差比向量可定義為2.2.3特征階次信號類化合成詞在ue200s-oh的關(guān)系設(shè)特征階次信號的傅里葉變換對分別為sl(θ)ue300S(Ol)與sh(θ)ue300S(Oh),Ol、Oh分別為特征階次信號的低階次成分與高階次成分。特征階次信號的階比譜能量為式中,Fm為原始信號的階比譜能量;Mm為原始信號的階比譜均值。則特征階次信號的階比譜能量比向量與階比譜均值比向量可分別定義為3多故障分類器的構(gòu)建根據(jù)以上分析,本文提出了基于角域信號特征統(tǒng)計量的發(fā)動機故障分類新算法,流程圖見圖3。(1)信號采集。信號采集方式選為等角度采樣,由編碼器控制實現(xiàn)。編碼器安裝在發(fā)動機曲軸前端軸上,隨曲軸一起轉(zhuǎn)動。編碼器每轉(zhuǎn)一周可以觸發(fā)一定數(shù)量電脈沖,以電脈沖作為采樣觸發(fā)信號,每觸發(fā)一個脈沖,作一次采樣,以此實現(xiàn)等角度采樣。(2)特征參數(shù)提取。對等角度采樣信號進行小波包分解,通過計算子父階次段信號的相關(guān)系數(shù)ρi(i=1,2,…,N),確定發(fā)動機振動信號的特征階次信號(此時,max{ρi}≥ρi)。分別計算特征統(tǒng)計量:能量比、標準差、譜能量比及譜均值比,并以此形成故障分類樣本集。(3)故障分類。采用1-V-1法構(gòu)建支持向量機多故障分類器,運用K-折交叉驗證與網(wǎng)格法對分類器進行優(yōu)化,分類器準確率vi(i=1,2,…,N,max{vi}≥vi)達到最大,對懲罰因子C和徑向基寬度g進行優(yōu)化,以確立最優(yōu)的多故障分類器。將特征統(tǒng)計量作為分類器的輸入樣本集,建立基于角域信號特征統(tǒng)計量的最優(yōu)分類模型。4診斷出發(fā)動機軸承安裝期間的故障4.1自動民調(diào)格朗日機儀和ni信號采集卡試驗裝置與數(shù)據(jù)采集系統(tǒng)包括:RT160單缸四沖程發(fā)動機、ICP加速度傳感器、360°光電編碼器、Krister信號調(diào)理儀、NI信號采集卡與計算機,如圖4所示。編碼器安裝在發(fā)動機曲軸前端軸,隨曲軸一起轉(zhuǎn)動。編碼器每轉(zhuǎn)一周可以觸發(fā)360個電脈沖,以電脈沖作為采樣觸發(fā)信號,每觸發(fā)一個脈沖,作一次采樣,以此實現(xiàn)等角度采樣。測點位于曲軸輸出端軸承座正上方。故障設(shè)置為連桿軸瓦與連桿軸頸配合間隙故障,如圖5所示。試驗參數(shù)如表1所示。4.2特征統(tǒng)計量特征分析圖6所示為RT160發(fā)動機在5種不同的連桿軸承配合間隙下的一個沖程內(nèi)等角度采樣信號。選用小波母函數(shù)dB3對5種工況的原始角域信號進行4層小波包分解,并分別計算分解后各子父節(jié)點的相關(guān)系數(shù),計算結(jié)果如表2~表6所示。表2為正常工況發(fā)動機等角度采樣信號4層小波包分解后,各子父節(jié)點相關(guān)系數(shù)計算結(jié)果。根據(jù)以上分析可知,發(fā)動機角域信號的特征階次信號分別包含一組低階次信號和一組高階次信號,因此,分別選擇1層小波包分解后的低階次段(1,0)與高階次段(1,1)進行搜索;2層小波包分解后,由于低階次段(2,0)、高階次段(2,2)與父階次段的相關(guān)系數(shù)較大,選擇階次段(2,0)、階次段(2,2)繼續(xù)進行搜索;3層小波分解后,低階次段(3,1)、高階次段(3,4)與父階次段的相關(guān)系數(shù)較大,選擇階次段(3,1)、(3,4)繼續(xù)進行搜索;4層小波分解后,低階次段(4,3)、高階次段(4,8)與父階次段的相關(guān)系數(shù)較大,因此,確定發(fā)動機角域信號特征階次的低階次信號為階次段(4,3),高階次信號為階次段(4,8)。采用相同的搜索方法,可以確定其他4種工況的特征階次均為階次段(4,3)與階次段(4,8),其搜索過程如表3~表6所示。分別計算發(fā)動機角域信號特征階次(4,3)、(4,8)的能量比、標準差比、譜能量比及譜均值比。針對每種工況的8個特征統(tǒng)計量,分別計算80個樣本點,5種工況下,每種參數(shù)共計400個樣本點,形成8×400的輸入樣本集。各個特征統(tǒng)計量的樣本集如圖7~圖10所示。圖7所示為5種工況下發(fā)動機角域信號特征階次的能量比樣本集。圖7a中,正常工況的能量比分布在2%~4%之間;故障1的能量比分布在6%~8%之間;故障2的能量比主要分布在10%~12%之間,小部分值較為離散;故障3的能量比分布在8%~10%之間;故障4的能量比分布在14%~18%之間。可以看出:隨著故障程度的增大,特征階次(4,3)的能量比有逐漸增大的趨勢。圖7b中,正常工況的能量比分布在25%~45%之間;故障1的能量比分布在10%~15%之間;故障2的能量比分布在15%~20%之間;故障3的能量比主要分布在10%~15%之間;故障4的能量比則主要集中在5%~10%之間?？梢钥闯?隨著故障程度的增大,特征階次(4,8)的能量比有逐漸減小的趨勢。通過圖7可以看出:發(fā)動機角域信號的能量比能夠較為明顯地反映5種工況的差異,從而對5種工況進行區(qū)分。特征階次的標準差比、譜能量比及譜均值比(圖8~圖10)也反映了相似的規(guī)律性。通過以上分析可以得出結(jié)論:通過發(fā)動機角域信號特征階次的8組特征統(tǒng)計量,可以有效地提取發(fā)動機連桿軸承配合間隙故障特征,從而對該故障的5種工況進行區(qū)分。4.3分類結(jié)果分析為了建立最優(yōu)的支持向量機分類器,本文采用K-折交叉驗證與網(wǎng)格法對支持向量機的懲罰因子C和徑向基寬度g進行優(yōu)化。采用K-折十字交叉驗證法,將參數(shù)C與參數(shù)g的范圍設(shè)定在2-10~210之間,以步長為0.5進行迭代,同時計算分類的準確率,最后繪制參數(shù)C、g優(yōu)化結(jié)果的等高線圖。為凸顯基于角域信號特征統(tǒng)計量新參數(shù)的分類算法的優(yōu)越性,本文對基于有效值R、標準差D、峭度值Kv、峰值指標Cf、波形指標Sf及裕度指標Lf6組傳統(tǒng)參數(shù)的分類器與基于新參數(shù)的分類器進行了比較,具體輸入?yún)?shù)如表7所示,兩種分類器參數(shù)的優(yōu)化結(jié)果如圖11所示。圖11a中,在徑向基寬度很小的情況下,基于傳統(tǒng)參數(shù)的分類器才逐漸達到70%的分類準確率,最終在較小的參數(shù)范圍內(nèi)獲得最高分類準確率為77%;圖11b中,基于新參數(shù)的分類器對參數(shù)C和g均不敏感,在很大的參數(shù)選擇范圍內(nèi)均能獲得較高的分類準確率,最終分類準確率達到98%。綜上所述,基于角域信號特征統(tǒng)計量新參數(shù)的樣本點之間較容易區(qū)分,不需要硬性懲罰因子來進行控制,而傳統(tǒng)參數(shù)需要較大的懲罰因子,樣本點之間不容易區(qū)分;兩種分類器參數(shù)達到最優(yōu)時,基于新參數(shù)的分類準確率要明顯優(yōu)于傳統(tǒng)參數(shù)的分類準確率。表8所示為基于傳統(tǒng)參數(shù)與基于新參數(shù)的分類器分類結(jié)果對比。從表8可以看出:基于角域信號特征統(tǒng)計量的分類器無論是單工況分類準確率還是整體分類準確率要明顯優(yōu)于傳統(tǒng)參數(shù)的分類準確率。5基于角域信號特征的故障分類模型(1)通過發(fā)動機角