基于角域信号特征统计量的发动机故障分类方法

基于角域信号特征统计量的发动机故障分类方法

0振动信号与故障诊断发动机是一种典型的双向发动机，具有结构复杂、激励源多、运营不稳定等特点。当时，该区域的振动信号也具有强噪声和不稳定的特点。因此,发动机故障诊断一直是故障诊断领域研究的难点。2003年,Geng等提出了发动机振动信号模型,并利用小波包分解方法提取了发动气门间隙的故障特征;Carlucci等利用传统的傅里叶变换方法和短时傅里叶变换方法分析了发动机气缸压力与缸体表面振动信号的关系;Wu等利用连续小波变换和离散小波变换对发动机多种故障进行了诊断;Jiang等提出了双负荷法,以噪声信号为研究对象,对发动机排气系统故障进行了诊断;夏勇等采用多重分形方法诊断了柴油机气门漏气故障;孔凡让等模拟了EQ6100发动机的连杆轴承故障,并通过时域和频域分析方法对该故障进行了诊断;针对柴油机活塞销振动信号的高阶循环平稳特性,夏天等提出了高阶循环平稳理论,并利用循环双谱对活塞销磨损故障进行了诊断。近年来,针对发动机故障的智能诊断与分类方法也取得了较大的进展。Vong等建立了以小波变换与K-均值聚类算法为基础的专家故障诊断系统对发动机点火系统故障进行了诊断;Feng等运用双谱法和遗传神经算法对发动机多种故障进行了分类;Wang等利用WVD(Wigner-Villedistributions)与神经网络对发动机气门间隙故障进行了诊断;Liu等采用粗糙集理论和BP(backpropagation)神经网络对柴油机单缸失火故障进行了诊断;Lin等采用支持向量机法对连杆轴承故障进行了分类。为提高发动机故障分类的准确率和故障诊断的成功率,本文提出了基于角域信号特征统计量的发动机故障分类方法。1发动机振动信号的处理时域信号是以时间t作为参量的,而发动机在运行过程中,曲轴转速通常会产生波动,故发动机振动信号在时域范围内通常为非平稳信号,时间域的信号处理方法会导致“频率涂抹”现象。为解决这个问题,通常采用等角度采样方法,如图1所示。2角域信号特征统计量的新参数2.1子阶次编码合成角域信号的特征阶次通过角域信号的小波包分解获得。设角域信号为sn,n=1,2,…,N,采用小波包分解成x层,则共有2x个子阶次段,且每个子阶次段包含2J-x个数据点,其中J=lbN,x=1,2,…,J,如图2所示。通过角域信号的小波包分解,每一个子阶次段都对应着父阶次段的某个阶次成分。而子阶次段信号与父阶次段信号的相关系数反映了两者的相关程度,可作为衡量在角域信号小波包分解过程中,子阶次段信号获取父阶次段信号信息量的标准。由此,定义子阶次段信号与父阶次段信号的相关系数为由式(1)可知,相关系数ρx,z反映了子阶次段信号与父阶次段信号的相关程度,且0≤ρx,z≤1。ρx,z越小,子父阶次段信号相关程度越小;ρx,z越大,子父阶次段信号相关程度越大,即子阶次段信号继承父阶次段信号的信息量越大。根据以上分析,定义max(ρx,z)对应的子阶次段为发动机等角度采样信号的特征阶次,即该阶次段获取发动机角域信号的信息量最大。2.2特征阶次信号定义发动机角域信号小波包分解后,低阶次信号与高阶次信号均获取到原始信号的有用信息。因此,本文定义特征阶次信号分别包含一组低阶次信号和一组高阶次信号。设特征阶次中低阶次信号为sl(θ)=(x1,x2,…,xn),高阶次信号为sh(θ)=(y1,y2,…,yn)。2.2.1信号能量的比值特征阶次的能量比是指角域信号小波包分解后,特征阶次信号的能量与原始信号能量的比值。特征阶次中低阶次信号能量El与高阶次信号能量Eh分别为特征阶次中低阶次信号能量比与高阶次信号能量比分别为式中,Em为原始信号的能量。则特征阶次的能量比向量可定义为2.2.2准差dh与高阶次信号标准差比的比对特征阶次中低阶次信号标准差Dl与高阶次信号标准差Dh分别为特征阶次中低阶次信号标准差比与高阶次信号标准差比分别为式中,Dm为原始信号的标准差。则特征阶次的标准差比向量可定义为2.2.3特征阶次信号类化合成词在ue200s-oh的关系设特征阶次信号的傅里叶变换对分别为sl(θ)ue300S(Ol)与sh(θ)ue300S(Oh),Ol、Oh分别为特征阶次信号的低阶次成分与高阶次成分。特征阶次信号的阶比谱能量为式中,Fm为原始信号的阶比谱能量;Mm为原始信号的阶比谱均值。则特征阶次信号的阶比谱能量比向量与阶比谱均值比向量可分别定义为3多故障分类器的构建根据以上分析,本文提出了基于角域信号特征统计量的发动机故障分类新算法,流程图见图3。(1)信号采集。信号采集方式选为等角度采样,由编码器控制实现。编码器安装在发动机曲轴前端轴上,随曲轴一起转动。编码器每转一周可以触发一定数量电脉冲,以电脉冲作为采样触发信号,每触发一个脉冲,作一次采样,以此实现等角度采样。(2)特征参数提取。对等角度采样信号进行小波包分解,通过计算子父阶次段信号的相关系数ρi(i=1,2,…,N),确定发动机振动信号的特征阶次信号(此时,max{ρi}≥ρi)。分别计算特征统计量:能量比、标准差、谱能量比及谱均值比,并以此形成故障分类样本集。(3)故障分类。采用1-V-1法构建支持向量机多故障分类器,运用K-折交叉验证与网格法对分类器进行优化,分类器准确率vi(i=1,2,…,N,max{vi}≥vi)达到最大,对惩罚因子C和径向基宽度g进行优化,以确立最优的多故障分类器。将特征统计量作为分类器的输入样本集,建立基于角域信号特征统计量的最优分类模型。4诊断出发动机轴承安装期间的故障4.1自动民调格朗日机仪和ni信号采集卡试验装置与数据采集系统包括:RT160单缸四冲程发动机、ICP加速度传感器、360°光电编码器、Krister信号调理仪、NI信号采集卡与计算机,如图4所示。编码器安装在发动机曲轴前端轴,随曲轴一起转动。编码器每转一周可以触发360个电脉冲,以电脉冲作为采样触发信号,每触发一个脉冲,作一次采样,以此实现等角度采样。测点位于曲轴输出端轴承座正上方。故障设置为连杆轴瓦与连杆轴颈配合间隙故障,如图5所示。试验参数如表1所示。4.2特征统计量特征分析图6所示为RT160发动机在5种不同的连杆轴承配合间隙下的一个冲程内等角度采样信号。选用小波母函数dB3对5种工况的原始角域信号进行4层小波包分解,并分别计算分解后各子父节点的相关系数,计算结果如表2~表6所示。表2为正常工况发动机等角度采样信号4层小波包分解后,各子父节点相关系数计算结果。根据以上分析可知,发动机角域信号的特征阶次信号分别包含一组低阶次信号和一组高阶次信号,因此,分别选择1层小波包分解后的低阶次段(1,0)与高阶次段(1,1)进行搜索;2层小波包分解后,由于低阶次段(2,0)、高阶次段(2,2)与父阶次段的相关系数较大,选择阶次段(2,0)、阶次段(2,2)继续进行搜索;3层小波分解后,低阶次段(3,1)、高阶次段(3,4)与父阶次段的相关系数较大,选择阶次段(3,1)、(3,4)继续进行搜索;4层小波分解后,低阶次段(4,3)、高阶次段(4,8)与父阶次段的相关系数较大,因此,确定发动机角域信号特征阶次的低阶次信号为阶次段(4,3),高阶次信号为阶次段(4,8)。采用相同的搜索方法,可以确定其他4种工况的特征阶次均为阶次段(4,3)与阶次段(4,8),其搜索过程如表3~表6所示。分别计算发动机角域信号特征阶次(4,3)、(4,8)的能量比、标准差比、谱能量比及谱均值比。针对每种工况的8个特征统计量,分别计算80个样本点,5种工况下,每种参数共计400个样本点,形成8×400的输入样本集。各个特征统计量的样本集如图7~图10所示。图7所示为5种工况下发动机角域信号特征阶次的能量比样本集。图7a中,正常工况的能量比分布在2%~4%之间;故障1的能量比分布在6%~8%之间;故障2的能量比主要分布在10%~12%之间,小部分值较为离散;故障3的能量比分布在8%~10%之间;故障4的能量比分布在14%~18%之间。可以看出:随着故障程度的增大,特征阶次(4,3)的能量比有逐渐增大的趋势。图7b中,正常工况的能量比分布在25%~45%之间;故障1的能量比分布在10%~15%之间;故障2的能量比分布在15%~20%之间;故障3的能量比主要分布在10%~15%之间;故障4的能量比则主要集中在5%~10%之间。可以看出:随着故障程度的增大,特征阶次(4,8)的能量比有逐渐减小的趋势。通过图7可以看出:发动机角域信号的能量比能够较为明显地反映5种工况的差异,从而对5种工况进行区分。特征阶次的标准差比、谱能量比及谱均值比(图8~图10)也反映了相似的规律性。通过以上分析可以得出结论:通过发动机角域信号特征阶次的8组特征统计量,可以有效地提取发动机连杆轴承配合间隙故障特征,从而对该故障的5种工况进行区分。4.3分类结果分析为了建立最优的支持向量机分类器,本文采用K-折交叉验证与网格法对支持向量机的惩罚因子C和径向基宽度g进行优化。采用K-折十字交叉验证法,将参数C与参数g的范围设定在2-10~210之间,以步长为0.5进行迭代,同时计算分类的准确率,最后绘制参数C、g优化结果的等高线图。为凸显基于角域信号特征统计量新参数的分类算法的优越性,本文对基于有效值R、标准差D、峭度值Kv、峰值指标Cf、波形指标Sf及裕度指标Lf6组传统参数的分类器与基于新参数的分类器进行了比较,具体输入参数如表7所示,两种分类器参数的优化结果如图11所示。图11a中,在径向基宽度很小的情况下,基于传统参数的分类器才逐渐达到70%的分类准确率,最终在较小的参数范围内获得最高分类准确率为77%;图11b中,基于新参数的分类器对参数C和g均不敏感,在很大的参数选择范围内均能获得较高的分类准确率,最终分类准确率达到98%。综上所述,基于角域信号特征统计量新参数的样本点之间较容易区分,不需要硬性惩罚因子来进行控制,而传统参数需要较大的惩罚因子,样本点之间不容易区分;两种分类器参数达到最优时,基于新参数的分类准确率要明显优于传统参数的分类准确率。表8所示为基于传统参数与基于新参数的分类器分类结果对比。从表8可以看出:基于角域信号特征统计量的分类器无论是单工况分类准确率还是整体分类准确率要明显优于传统参数的分类准确率。5基于角域信号特征的故障分类模型(1)通过发动机角