基于边际谱和神经网络的柴油机故障诊断

基于边际谱和神经网络的柴油机故障诊断
李敏通;宋蒙;朱兆龙;赵继政;周福阳
【摘要】柴油机缸盖振动信号中包含着丰富的柴油机工作状态信息,利用缸盖振动信号诊断柴油机工作状态是一种有效方法.针对缸盖振动信号的特点,提出用经验模式分解方法对获取的缸盖振动信号进行分解,选取前3阶模式分量的边际谱、重心频率、重心幅值、偏度以及峭度等构成柴油机工作状态特征向量,基于BP网络对柴油机故障进行分类诊断.经对实测柴油机故障进行诊断表明,正确率达到85％以上,验证了诊断方法的可行性.
【期刊名称】《农机化研究》
【年(卷),期】2013(035)006
【总页数】5页(P193-197)
【关键词】柴油机;边际谱;故障诊断;BP网络
【作者】李敏通;宋蒙;朱兆龙;赵继政;周福阳
【作者单位】西北农林科技大学机械与电子工程学院,陕西杨凌712100;西北农林科技大学机械与电子工程学院,陕西杨凌712100;西北农林科技大学机械与电子工程学院,陕西杨凌712100;西北农林科技大学机械与电子工程学院,陕西杨凌712100;西北农林科技大学机械与电子工程学院,陕西杨凌712100
【正文语种】中文
【中图分类】TK427
0 引言
柴油机作为一种高效的动力机械，其性能检测和故障诊断研究得到了普遍重视。

故障诊断一般包括特征信号的选择、故障特征的提取和故障类型的识别3个环节，每一环节都直接影响诊断结果的可靠性。

振动信号因其获取的方便性，在故障诊断中得到广泛应用。

柴油机缸盖振动信号中包含丰富的柴油机工作状态信息，如缸内燃烧、气门开启以及关闭等信息，因此利用柴油机缸盖振动信号诊断柴油机故障是最常用的方法[1-2]。

从缸盖振动信号中恰当提取反映柴油机故障的特征参数是柴油机故障诊断的关键。

目前，基于BP网络对机械故障诊断分类得到成功应用[2-5]，本文结合缸盖振动信号非平稳性的特点，将经验模式分解和边际谱相结合，构建了柴油机故障振动信号特征向量，用BP神经网络识别了不同的故障类型。

1 柴油机缸盖振动信号采集
选S195型柴油机为试验对象。

信号采集系统如图1 所示。

采用LC0104压电式加速度传感器获取柴油机在不同状态下的缸盖振动加速度信号；采用ES18-D03NK 光电式传感器检测上止点位置作为触发信号，控制采集开始时间；采用
QY8051622转速传感器测量柴油机工作转速；采用DH-5920型动态信号测试仪进行信号采集。

图1 缸盖振动信号采集系统Fig.1 The cylinder head vibration signal acquisition system
依据柴油机工作时缸盖振动信号的频率范围，选择采样频率为25.6kHz。

在柴油机转速为1 500r/s时，分别采集正常情况、进气门间隙异常、排气门间隙异常、喷油压力异常和供油提前角异常等5种工况下的缸盖振动加速度信号。

某工况下采集得到的缸盖振动信号的时域波形如图2所示。

图2 缸盖振动信号时域波形Fig.2 The cylinder head vibration signa ls’ time-
domain waveform
2 信号的EMD分解和特征量构建
2.1 振动信号的EMD分解和边际谱
经验模式分解[6-8] EMD(Empirical Mode Decomposition)是一种自适应信号分析方法。

它基于信号的局部特征时间尺度，把信号分解成有限阶内禀模态函数IMF(Intrinsic mode function)之和，适合非线性非平稳信号的处理，且得到的每阶IMF都可以当作不同频段内的平稳信号进行处理。

信号x(t)经EMD分解后可表示为
(1)
式中 ci—分解后的各阶模态分量(i=1,2,…n)；
rn—剩余分量。

对图2所示的采集信号进行EMD分解后的波形如图3所示。

从图3可以看出，缸盖振动信号的特征主要集中在前3阶IMF分量上，这为后续特征参数的选取以及特征向量的建立提供了依据。

图3 缸盖振动信号的EMD分解结果Fig.3 The results of cylinder head vibration signal decomposed by EMD
EMD方法基于信号的局部特征时间尺度，将信号自适应地分解为若干个IMF分量之和，这使得瞬时频率具有了实际的物理意义，从而可以计算每个IMF分量的瞬时频率和瞬时幅值，进而得到Hilbert谱H(ω,t)和边际谱h(ω)。

其表示式为
(2)
h(ω)=H(ω,t)dt
(3)
式中 T—信号的总长度；
H(ω,t)—精确地描述了信号的幅值在整个频率段上随时间和频率的变化规律；
h(ω)—反映了信号的幅值在整个频率段上随频率的变化情况。

2.2 各模式分量的时域特征和频域参数
下面从时域特征和频域特征这两方面分析，找出最佳的能全面反映信号特征信息的故障特征参量，并以此构建用于故障诊断的特征向量。

在不同的工况下，信号不同频段内的能量存在着明显的变化：排气门出现故障时，第1阶IMF的能量有向高频方向移动的趋势；而供油提前角异常时，第3阶IMF 的能量有向2 000Hz以下频段移动的趋势。

这是因为当柴油机发生不同类型的故障时，会激起相应的固有频率，此时故障振动信号的能量会随频率的分布情况产生变化，即不同频段的能量熵发生改变。

因此，统计前3阶IMF分量在不同频段内的归一化能量分布作为信号的特征参量。

由于内禀模态函数恰恰包含了信号从高到低不同频率段的成分，是信号频带的一种自动划分，其随着信号本身的变化而变化，因此可以考虑采用边际谱分频段统计能量分布。

信号采集系统的采样频率为25.6kHz，因此最高分析频率为10kHz。

将0～10kHz每隔2kHz划分为5个频段，将频段内的归一化能量分布作为特征向量的一组重要特征量。

另外，能量集中的频率点以及该频率点所对应能量的大小可以作为表现频谱中能量分布趋势的参量，是反映柴油机工况的重要特征。

引入重心频率fc和重心幅值ac 两个参量来描述这一特征，定义为
(4)
(5)
信号的高阶矩对于信号中存在的变化十分敏感。

偏度(Skew)和峰度(Kurtosis)分别是信号的3阶矩和4阶矩，反映了信号的不对称程度和陡峭程度。

其计算公式为
(6)
(7)
偏度和峰度可以作为时域参量反映柴油机的不同工作状况。

2.3 特征向量构建
信号经EMD分解后，取出前3阶IMF分量，分5个频段统计不同频段内的能量，最高分析频率为10kHz，选取5个频段内的归一化能量统计参量作为特征参数，
并且加入重心频率和重心幅值以及时域的偏度和峰度。

算法流程如图4所示。

图4 特征向量构建流程Fig.4 The build process of eigenvectors
特征提取的算法步骤如下：
1)在1 500 r/s的转速下，采集正常状态下、进气门间隙异常、喷油压力异常、供油提前角异常和排气门间隙异常等5种情况下的数据各240组，共1 200组数据；
2)对采集的缸盖振动信号进行EMD分解；
3)计算前3阶IMF的偏度和峰度；
4)计算前3阶IMF的边际谱，并在0～10kHz的范围内分频段统计归一化能量；
5)计算前3阶IMF分量的重心频率和重心幅值；
6)将前3阶IMF的不同频段归一化能量、重心频率、重心幅值、偏度和峰度组合
在一起，构成一个特征向量。

表1给出了5类工况下，每类中个1个信号的不同
特征向量数据示例。

表1 各类工况下提取的特征向量示例Table 1 Examples of feature vectors extracted from all kinds of conditions特征标签
0^2/kHz2^4/kHz4^6/kHz6^8/kHz8^10/kHz重心频率 /Hz重心幅值偏度峰度第1阶IMF不同工况下的特征参量
10.005520.052330.650640.229620.0357156610.00043-
0.10432120.013880.157940.597220.203330.021*******.00040-
0.20282430.010060.026380.130690.568980.2030371980.000550.05853940. 003900.036930.129380.596070.2095870630.000540.09732050.006640.0934 60.507720.344220.0324256710.000430.025417第2阶IMF不同工况下的特征参量
10.191670.732730.067580.007770.0000227430.000210.33951620.191960.7 19670.087840.00037027860.00021-
0.10081930.129660.541210.291290.037350.0003134550.00026-
0.11491640.170940.635410.178460.012050.0007430890.000240.069422650 .161860.738530.097960.000840.0000528790.00022-0.057212第3阶IMF不同工况下的特征参量10.873400.126340.000130014880.00011-
0.22783320.886440.112970.000250012680.000100.086441130.642430.3541 30.003200.00020017190.00013-
0.48023040.800820.198480.000560.000070.0000114950.000110.233131550 .717880.280480.001190016770.00013-0.066310
3 基于BP网络的故障诊断
3.1 BP网络的分类原理
BP网络是一种多层前馈神经网络，其主要特点是信号前向传递，误差反向传播。

在前向传递中，输入信号从输入层经隐含层逐层处理，直至输出层。

每一层的神经元状态只影响下一层神经元状态。

如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使网络预测输出不断逼近期望输出。

BP
算法的目标函数是神经网络在所有训练样本上的预测输出与期望输出的均方误差，采用梯度下降法，通过调整各层的权值，使目标函数最小化。

算法的终止条件通常是在最近一轮训练中网络实际输出与期望输出之间的总误差(平均平方误差)小于某一阈值，或者是在最近一轮的训练中所有权值的变化都小于一定阈值，或者是算法达到了事先约定的总训练次数上限[9]。

设输入向量为n维，x=[x1,…,xn]T。

用上标l代表神经元节点所在的层，输入层记l=0，第1个隐层记l=1，以此类推，记总层数为L。

第l层第i个神经元的输出记作对输入层n)。

设输出层节点的个数为m，即网络有m维输出y=[y1,…,ym]T，
第l个隐含层的神经元个数为nl,第l层的权值都用表示。

其中，上标l表示所在的层，下标ij表示所连接的两个节点，就表示第l-1层的节点i连接到第l层的节点j 的权值。

用表示在第t步迭代时权值的取值。

图5是具有两个隐含层的网络结构图。

图5 BP网络结构图Fig.5 Chart of BP network
3.2 BP 算法的具体步骤
1)确定神经网络的结构，用小随机数进行权值初始化，设训练时间t=0。

2)从训练集中得到1个训练样本x=[x1,x2,…,xn]T∈Rn，记它的期望输出是
D=[d1,d2,…,dm]T∈Rm。

样本通常是按照随机或任意顺序从训练集中选取。

3)计算在x输入下当前神经网络的实际输出，即
(r=1,2,…,m)
(8)
式中f(·)—Sigmoid函数。

(9)
4)从输出层开始调整权值。

对第l层，修正权值公式为
(10)
式中权值修正项，即
(11)
η—学习步长。

对输出层(l=L-1)，当前输出与期望输出之误差对权值的导数为
(12)
而对中间层，输出误差反向传播到该层的误差对权值的导数为
(13)
5)在更新全部权值后，对所有训练样本重新计算输出，计算更新后的网络输出与期望输出的误差。

检查算法终止条件，如果条件已经达到则停止，否则置t=l+1，返回步骤2)。

3.3 基于BP网络的故障诊断
基于BP网络的故障诊断包括用训练样本对网络进行训练和用训练好的样本对待测试样本进行诊断。

在前面提取的1 200组样本特征量中，1～240组为正常情况，241～480组为进气门间隙异常，481～720组为喷油压力异常，721～960组为供油提前角异常，961～1 200为排气门间隙异常，分别用1～5作为以上对应工况的标签。

随机选取1 000组特征量用于BP网络的训练，200组特征量用于故障识别。

本文选BP网络的结构为只含1个隐含层，输入层节点数为27，隐含层节点个数为28，输出层节点数为5。

在进行网络训练时，设最大训练次数为1 500次。

表2给出了用BP网络进行3次诊断的结果。

表2 BP神经网络的诊断结果Table 2 Diagnosis by BP neural network测试工
况正常情况进气门间隙异常喷油压力异常供油提前角异常排气门间隙异常总识别率/%第1次监测样本37.043.038.041.041.0正确识别37.042.025.028.039.0识别
率/%100.097.765.868.395.185.5第2次监测样本48.041.040.036.035.0正确识别47.041.032.023.034.0识别率/%97.9100.080.063.997.1%88.5第3次监测样本50.034.038.044.034.0正确识别49.033.027.024.034.0识别率
/%98.097.171.154.6100.083.5平均识别率/%98.598.372.462.097.385.8
从表2可以看出：该方法对正常情况、进气门间隙异常和排气门间隙异常的识别
率非常高，分别达到了98.5%，98.3%和97.3%；对喷油压力和供油提前角异常
的识别率相对较低，特别是对供油提前角的识别仅为62.0%。

但是，该方法的总
体识别率达到了85.8%，可以用于柴油机的故障诊断。

4 总结
1)利用缸盖振动信号诊断柴油机故障是一种方便可行的方法。

本文结合缸盖振动信号的特点，提出用经验模式分解方法对采集的缸盖振动信号进行分解，用各主要模态分量的边际谱、重心频率、重心幅值、偏度和峭度等参数构建特征向量，并用BP网络对柴油机故障进行诊断分类。

2)以S195柴油机为试验对象，实测了柴油机在不同故障下的缸盖振动加速度信号，用本文提出的方法对柴油机故障做了诊断，平均正确率超过85%。

这表明，该方
法可用于柴油机的故障诊断。

【相关文献】
[1] 纪少波，程勇，唐娟，等．柴油机缸盖振动加速度信号影响因素分析[J]．振动与冲击，2011，30(2)：258-262．
[2] 王祝平，王为，李小昱，等．基于 EMD 与神经网络的内燃机气门间隙故障诊断[J]．农业机械
学报，2009，38(12)：133-136.
[3] 阳能军，王汉功，江四厚.基于神经网络的机械设备故障诊断技术[J].振动工程学报，2004，17(s):294-296.
[4] 李书明，黄燕晓，程关兵.应用BP神经网络方法的民航发动机故障诊断[J].中国民航大学学报，2007，25(s1):40-42.
[5] 王志,艾延廷,沙云东.基于BP神经网络的航空发动机整机振动故障诊断技术研究[J].仪器仪表学报,2007，28(s4):168-171.
[6] Huang N E, Shen Z, Long S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J].Proc. R. Soc. Lond. a, 1998, 454: 903-995.
[7] 于德介，程军圣，杨宇．机械故障诊断的Hilbert-Huang变换方法[M]．北京：科学出版社，2006．
[8] 黄建，胡晓光，巩玉楠．基于经验模态分解的高压断路器机械故障诊断方法[J]．中国电机工程学报，2011，31(12):108-113．
[9] 张学工．模式识别(3版)[M]．北京：清华大学出版社，2010．。