基于缸盖振动信号能量特征的柴油机配气机构故障诊断

【摘要】通过运用基于缸盖振动信号能量特征的信息识别模型，专门针对柴油机配气机构易发故障的特点，探讨了基于SVM的信息识别技术在柴油机故障诊断中的具体运用。通过对实车数据比较试验表明，此方法在识别柴油机配气机构的故障类型上相比于传统诊断方法更加有效。

【关键词】故障诊断;配气机构;振动信号;能量特征

配气机构是柴油机的主要运动部件之一，其中气门起着控制气缸换气，密封燃烧室的作用。气门间隙正常与否，直接影响着柴油机的动力性、经济性和可靠性。间隙过小时，会因气门受热膨胀而使气门关闭不严引起漏气，使得气门和气门座口过热而烧蚀，导致气缸压力不足，严重时甚至会造成启动困难;间隙过大时，气门开闭不正时，柴油机噪音增大，进气不足和排气不尽，柴油机功率下降，油耗增加。因此，必须通过检查使气门间隙处于正常范围内，通常分为故障前检查和故障后检查。前者带有一定的盲目性，且在拆装过程中对各运动副的配合间隙产生影响;而后者是在发生故障后进行检测，柴油机本身已经受到不可逆转的损害[1]。这些过程中都包含着大量的振动信号。柴油机振动信号源于燃烧激励、活塞敲击激励、惯性力激励、气门落座冲击和气门开启节流冲击等多种激励源的综合作用[2]，其中包含了丰富的故障信息，并且具有信号便于分辨、快速响应、识别精度高、检测区域广泛等优点，适宜于柴油机主要运动部件的诊断。因此，如何在特征层融合中利用振动信号来识别气门间隙的状态，为决策层融合提供可靠的依据，确保故障得到及时、有效地检修，具有很强的现实意义。

1.柴油机振动信号的处理与诊断

振动信号故障特征提取：

在检测信号时，各零部件运行时产生的振动和随机噪声都会影响到气门故障特征信号，因此需要对其进行故障特征的提取。下面以排气门附近的螺栓处传感器测得的信号为例进行说明。

图1-1 状态A进排气门间隙均正常时信号的

时域波形及其三维时频图

1.1 各工况信号的时频域分析

实验设置五种工况：状态A进排气门间隙均正常、状态B排气门间隙过小、状态C排气门间隙过大、状态E进排气门间隙均过小、状态F进排气门间隙均过大。对排气门附近的螺栓处传感器测得的信号进行时频域分析，如图1-1至1-5所示。

图1-2 状态B排气门间隙过小时信号的

时域波形及其三维时频图

图1-3 状态C排气门间隙过大时信号的

时域波形及其三维时频图

图1-4 状态E进排气门间隙均过小时信号的

时域波形及其三维时频图

图1-5 状态F进排气门间隙均过小时信号的

时域波形及其三维时频图

振动信号的幅值峰值的分布的时间、频率段出现明显受到气门间隙的影响，且间隙增大，幅值的峰值也增大。而信号的幅值与信号的能量紧密相连，气门间隙异常时，其振动信号中某些频段的能量与信号的复杂性也发生变化，因此，可提取信号的能量和复杂性特征作为故障特征。

1.2 IMF分量的选取

EMD可根据信号的局部时变特性进行自适应的时频分解，将信号分解成若干个固有模式分量（IMF），减少了信号间特征信息的干涉或耦合，利于深层次的信息挖掘[3]。

将重点段信号进行EMD分解发现不同类别的信号得到的IMF分量Ci的个数略有不同，有10个、11个不等，这显然不利于计算。为方便计算和去除冗余分量和虚假分量，要采用一定准则对IMF分量进行选取。本文经对比分析后采用方差贡献率准则。依据公式1-5计算各IMF的贡献率Mi，再对多个信号计算取平均值后结果见表1-1所示。

（1-1）

（1-2）

式中：Di为第i个IMF分量的方差;N为信号EMD分解所得IMF个数;t为采样周期;n为采样点数;k为采样点。

综合前文分析，信号的幅值与信号的能量紧密相连，因此可用IMF能量作为故障特征[4]，如IMF能量熵[5]、能量比[6]、能量矩[7]等，本文采用计算复杂度较小的能量比，其具体步骤如下：

第一步：对去噪后的信号进行EMD分解，依据IMF方差贡献率准则选取了前六个IMF分量Ci（t）进行计算，i=1，2，…，n（n=5）。

第二步：按式1-7计算IMF的能量，其中n为采样点数;k为采样点。

（1-3）

第三步：构造特征向量并归一化处理为T

（1-4）

按照上述步骤提取IMF能量比，共提取每种状态各提取20组故障特征向量。

2.配气机构故障的SVM识别

敏感故障特征集的建立：

以上故障特征都可以从不同的角度来表征柴油机配气机构中的气门间隙异常故障，但对于待识别的故障具有不同的灵敏程度。因此需建立一定的特征敏感性评判准则对各特征进行对比分析，对各特征进行有效选择，以最终构成用于分类的敏感故障特征集。

本文采用基于距离的特征敏感性评判准则，认为平均类内距离小和均类间距离大的平的特征才具有好的可分性[8][9]。

设一个具有T个类的特征集：

{Xm，t，j，m=1，2，…，Mt};t=1，2，…，T;j=1，2，…，J （2-1）

式中：Xm，t，j为第t类的第m个样本的第j个特征;Mt为第t类的样本数;J为每一类的特征个数，本文中Mt=20，T=5，J=5。基于距离的特征敏感性评价准则的算法描述如下：

第一步：计算T个类的类内距离的平均值：

（2-2）

上式中：k，m=1，2，…，Mt，k≠m

第二步：计算不同类之间的类间距的平均值：

（2-3）

上式中：t，e=1，2，…，T，t≠e，Me=Mt=20。

第三步：定义并计算一个加权因子

（2-4）

上式中：

t，e=1，2，…，T，t≠e

第四步：得到特征敏感性评判指标值：

（2-5）

更大的值意味着相应的特征具有更强的敏感性，更容易区分T个不同的类。因此，可以从IMF能量比特征集、IMF复杂度特征集、IMF样本熵特征集中根据值的大小来分析比较特征的敏感性，进而选取若干个值较大的特征组成敏感特征集，以便输入SVM中进行气门间隙的状态识别。

特征集的值如表2-1所示，绘成柱状图如图2-1所示。从中选取E1、E4、R2、S3共四个敏感特征组成敏感特征集用于SVM识别。

图2-1 各故障特征的敏感性评判指标值的柱状图

3.基于敏感特征集和SVM的配气机构故障诊断

将上述敏感特征集分为训练和测试两部分。用训练样本集训练SVM，用测试样本集测试训练得到的SVM，训练过程中通过调整SVM的核函数和惩罚参数使其诊断正确率达到要求，将训练好的SVM保存，利用训练好的SVM即可对柴油机配气机构进行故障诊断。

依照上一小节的结论组合IMF1分量的能量比E1、IMF4的能量比E4、IMF2的复杂度R2、IMF3的样本熵S3成敏感故障特征，每种状态有20个故障样本，共100个样本，现随机取出其中60组训练，剩下40组为测试样本。限于篇幅，表4-6给出其中15组训练样本。

基于SVM的配气机构故障诊断效果除了与故障特征提取有关外，SVM核函数及其参数g、惩罚参数c的确定也有一定的影响。

目前，应用较多的核函数有：

d阶多项式（Polynomial）核函数：

K（xi，xj）=[（xi.xj）+1]d （3-1）

径向基（RBF）核函数：

（3-2）

双曲正切（Sigmoid）核函数：

K（xi，xj）=tanh[a（xi.xj）+b] （3-3）

本文选择径向基核函数，主要因为RBF核的计算难度较小，并且可以处理故障特征与类标签之间的非线性关系，通过适当的参数选择可以适用于任意分布的样本[10]。

利用SVM对40个测试样本进行诊断，其中4组识别错误，正确率90%。此外，本文还采用不同数量训练样本对SVM进行训练，训练样本、测试样本共100个。剩余样本为测试样本，其结果如表3-2所示。

表3-2 不同训练样本数下SVM的识别效果

训练样本数 20 40 60 80 90

识别率S（%） 75 81.67 90 95 90

耗时T（s） 2.387 2.736 3.168 3.392 3.898

由表3-2可以看出，当训练样本较少，例如为20个时，SVM识别率就达到75%，训练样本60以上时就达到了90%，识别率相对是较高的。但在训练样本为90个，测试样本为10时，SVM的识别准确率反而由原来的95%下降至90%，经分析数据后发现，在这10个测试样本中有一个奇异样本，影响了识别准确率。

4.小结

本文针对柴油机配气机构的气门间隙异常故障，在对振动信号进行时频分析的基础上，截取整周期信号中排气门至进气门落座冲击段的信号作重点分析，并分析各工况信号的三维时频图和时域波形，提出从能量和复杂度特征两方面结合EMD进行特征提取的方法。其次，建立了基于距离的故障特征敏感性评判指标，通过指标值的计算，进一步提取出IMF1分量的能量比E1、IMF4的能量比E4、IMF2的复杂度R2、IMF3的样本熵S3组成敏感故障特征集输入SVM进行气门间隙的状态识别。结果表明SVM识别耗时短，所需数据样本相对较少，适用于车辆实际故障诊断的需要。另外，如果将其运用在多传感器特征层融合局部诊断中，能够为下一步全局诊断提供有效可信的决策依据。

参考文献

[1]Fraser A M，Swinney H L.Independent coordinaltes for strange attractors from mutual information[J].Phys Rev A，1986，33：1134-1140.

[2]贺银芝，沈松，应怀樵，等.小波包分解及其能量谱在发动机连杆轴承故障诊断中的应用[J].振动工程学报，2001，14（1）：72-75.

[3]吴虎胜.EMD和SVM在武警车用柴油发动机故障诊断中的应用研究[D].西安：武警工程学院，2011.

[4]张小蓟，张歆，孙进才.基于IMF能量熵的目标特征提取与分类方法[J].计算机工程与应用，2008，44（4）：68-69.

[5]张德祥，吴小培，卢一相.EMD在汽车变速齿轮箱振动故障分析的应用[J].安徽大学学报（自然科学版），2009，33（2）：35-38.

[6]秦太龙，杨勇，程珩，等.基于IMF能量矩和神经网络的轴承故障诊断[J].振动、测试与诊断，2008，28（3）：229-232.

[7]Kolmogorov A N.Three approaches to the quantitative definition of information[J].Problems Information Transmissions，1965，1（1）：1-7.

[8]雷亚国，何正嘉，訾艳阳.基于混合智能新模型的故障诊断[J].机械工程学报，2008，44（7）：112-117.

[9]王柯.基于粗糙集和支持向量机的智能故障诊断方法研究[D].无锡：江南大学，2008.

[10]孙红辉，张清华，宋贤征.基于RBF神经网络的柴油机故障诊断[J].小型内燃机与摩托车，2009，38（1）：70-72.

作者简介：贾佳（1988―），男，浙江杭州人，硕士研究生，助教，主要研究方向：车辆装备故障诊断。