CN104359685A

CN104359685A - 一种柴油机故障识别方法

Info

Publication number: CN104359685A
Application number: CN201410678160.1A
Authority: CN
Inventors: 刘欢; 高淑芝; 王健; 赵立杰; 郭烁; 张琳琳
Original assignee: Shenyang University of Chemical Technology
Current assignee: Shenyang University of Chemical Technology
Priority date: 2014-11-24
Filing date: 2014-11-24
Publication date: 2015-02-18

Abstract

一种柴油机故障识别方法，涉及一种机械故障识别方法，所述方法为在信号源个数未知的情况下，采用自然梯度算法分离环境噪声信号的同时提取柴油机早期多故障的方法；通过分析信号的非平稳特性，应用具有自适应时变特征的非线性激活函数，根据归一化峭度判断信号统计特性，从而高效真实地反映设备运行状态；为了有效提取信号特征，探讨了不同传感器数量对信号分离精度和故障识别的影响；该方法可有效消除振动信号采集过程中混入的噪声，同时分离未知个数的故障源，为柴油机多故障识别诊断提供理论依据。

Description

一种柴油机故障识别方法

技术领域

本发明涉及机械故障识别方法，特别是涉及一种柴油机故障识别方法。

背景技术

柴油机是广泛应用于农业、制药和冶金等领域的机械设备。柴油机的一个工作循环包括进气、压缩、燃烧、排气，压力的波动不断引发自激冲击响应，同时轴承和发动机系统呈现出非平稳性和非线性特征，并以某种混合路径传递到柴油机表面形成振动现象。尽管传感器可以接收包含丰富故障信息的振动信号，但问题是多个振源和背景噪声的混合信号，致使柴油机的故障难以准确迅速识别。以往人们对复杂的非线性问题只做线性简化处理，容易丢失系统的本质，如FFT仅适用于平稳信号，传统的滤波方法在降噪同时也滤除有用信号，小波分析方法虽然可以从信号中识别出故障特征，但却需要具备先验知识，因此应找到一种既对微弱信号敏感、能识别多故障特征又可滤掉背景噪声的方法，从而准确有效及时地反映机组的健康状态。

发明内容

本发明的目的在于提供一种柴油机故障识别方法，本发明在信号源个数未知的情况下，采用自然梯度算法分离背景噪声并识别多故障特征的方法，通过分析信号的结构约束和振动信号的非平稳性，应用具有自适应时变特征的非线性激活函数，从而高效真实地分析设备运行的多故障状态。

本发明的目的是通过以下技术方案实现的：

一种柴油机故障识别方法，所述方法为在信号源个数未知的情况下，采用自然梯度算法分离环境噪声信号的同时提取柴油机早期多故障的方法；通过分析信号的非平稳特性，应用具有自适应时变特征的非线性激活函数，根据归一化峭度判断信号统计特性，从而高效真实地反映设备运行状态；为了有效提取信号特征，探讨了不同传感器数量对信号分离精度和故障识别的影响；当多个源信号在未知混合路径的情况下混叠后，采集的信号很难确定故障类型，依据最小互信息目标函数，利用不同源之间的非平稳特性提取故障特征；假设源信号相互统计独立为前提，因为各个信号来自不同的信号源，信号混合特点有非线性和时滞性；非平稳信号白化过程，引入了与时延有关的对角阵D，通过峭度来选择激活函数是非线性且时变。

所述的一种柴油机故障识别方法，该方法提取微弱信号时，假设了混合过程是固定不变的，对于机械早期故障监测而言，由于零部件基本运转正常，外界干扰因素少。

本发明的优点与效果是：

本发明在信号源个数未知的情况下，采用自然梯度算法分离背景噪声并识别多故障特征的方法，通过分析信号的结构约束和振动信号的非平稳性，应用具有自适应时变特征的非线性激活函数，从而高效真实地分析设备运行的多故障状态。由于柴油发动机的故障数量未知，研究了不同传感器数量对分离精度和故障识别的影响。实验结果表明，与维纳滤波结果相比，这种多故障诊断方法可识别多故障类型，避免柴油发动机早期故障恶化和过度维修等不良后果。

该方法可有效消除振动信号采集过程中混入的噪声，同时分离未知个数的故障源，为柴油机多故障识别诊断提供理论依据。

附图说明

图1 非线性盲提取示意图；

图2 振动信号频谱；

图3 原始混合信号；

图4 提取的活塞磨损故障特征；

图5 提取的气缸撞击故障特征。

具体实施方式

下面结合附图所示实施例，对本发明作进一步详述。

本发明的具体实施方案包括以下：

1非线性盲提取算法：

1.1 目标函数：

盲提取可直接利用接收到的未知混合信号，在无先验知识情况下从观测数据中恢复源信号，常作为一种降噪方法^[9]。如图1所示， X (k)是含噪的传感器观测信号矢量， S (k)是源信号矢量， v (k)是噪声矢量， H 是未知混合矩阵。一般情况，仅 X (k)已知，源信号个数n未知，设计一个迭代算法能够得到 S (k)的估计，即 Ｙ=WＸ ，其中Ｗ是待求的分离矩阵，由图1所示。信号混合和提取模型定义为：

(1)

(2)

根据信息论，源信号之间的依赖性最小表明输出的任意两个信号都相互独立^[10]。盲提取问题描述为：假设混合过程固定不变，当观测变量经过分离矩阵W后，输出的信号应相互独立，其核心思想就是最小化互信息量。在多维情况下，输出向量 Y 的各分量之间的互信息可以衡量随机变量之间独立性，即用输出向量的熵和边缘熵表示：

(3)

由概率论中心极限定理可知，多个独立随机变量的混合信号趋近高斯分布。也就是说，可使用输出信号的非高斯性作为分离信号之间独立性的量度。为了便于编程，输入和输出矢量的概率密度函数P _X( X , W )和P _y( Y , W )可用如下关系简化：

　　　　　　(4)

　　　　(5)

盲提取的目标函数确定为：

(6)

根据上述公式，如果统计输入矢量概率密度函数，无需源信号的先验知识，只要在最小化ρ（ Y ， W ）的条件约束下，可得到输出矢量的分布函数，即源信号的近似分布函数。

1.2 非平稳信号的白化：

一般来说，观测信号 X (k)的均值不为0，因此需找到一个适合的白化矩阵 V (k)，使输入矢量的协方差矩阵为单位矩阵，这样处理后的向量之间形成不相关条件，且具有单位方差。虽然独立的条件比不相关的意味强，但是数据白化过程可以起到降低维数、压缩冗余数据和加快分离速度的作用。实际上，大多数振动信号都具有时滞特性，因此通过特征值分解得到的输入矢量协方差矩阵表示为：

(7)

式中， E：C _x特征向量组成的正交矩阵；

D：C _x特征向量组成的对角阵。

定义白化矩阵为：

　　　　(8)

根据公式(7)和(8)，本文采用的迭代公式如下：

(9)

　　通过公式(9)，m个传感器信号进行白化过程后混合矩阵H成为正交矩阵，参数估计由n ²减少到n(n-1)/2，多个信号源的分离速度提高。

1.3 自然梯度算法：

若与输出量Y的概率密度函数Py(Y,W)相近的概率密度函数为qy(Y)，两个概率密度分布的差异测度称为KL发散度，表示为:

　　(10)

　　由公式(10)可知，当两个概率密度相同时， KL 为0，此时输出矢量 Y 为充分独立的概率分布，源信号的近似概率密度函数可写成乘积的形式：

(11)

由式(11)可知，目标函数也可写为：

　(12)

由上可知，输出信号的个数n待定，当提取的源个数与故障源个数相等时，分离矩阵应为正交矩阵，即潜在的约束条件为WW ^T=I，且WH=I，由于只有波形反映故障特征，故忽略了幅值比例的变化。为了满足正交条件，采用自然梯度算法^[13]得到迭代公式：

(13)

由上可知，自然梯度算法可避免矩阵的求逆，提高了算法的稳定性和收敛速度，将信息最大化约束条件基于最小化观测信号概率密度和实际信号概率密度的 KL 散度。但是，常选用的非线性激活函数tan(y)只能分离超高斯信号，不能分离次高斯信号，因此算法的稳定性难以保证。若定义激活函数为：

(14)

根据公式(13)和(14)得到非线性自适应盲提取的迭代式：

(15)

可验证，在k=0时式(15)满足约束条件。如果根据归一化峭度的正负情况，即偏离高斯性的测度来监测每个输出信号的统计特性，然后自动选择适合的激活函数来分离所有的非高斯源信号，此时的激活函数成为自适应的时变非线性。

2 应用实例：

S195型柴油机，发动机转速达1200r/min。柴油机投入运行后，发动机经常发出刺耳异响，局部表面振动烈度超标，可以初步判定系统存在故障隐患。首先在发动机气缸顶部放置速度传感器，采样频率为10KHz，采用振动频谱仪采集的频谱信号如图2所示。图2中，除了在1000Hz、2000Hz和4000Hz附近有几个峰值和谐波之外别无其它有用信息，而且幅值并不高，因此很难从振动频谱中识别出发动机的故障类型。这是由于发动机在运行过程中，早期原始故障引发了后期的几个不同故障，多个故障振动信号和环境噪声相混叠，此时的频域波形不再反映转子的运行状态。

为此，设计了一套数据采集系统，把传感器采集的振动信号经过放大器采集到双通道模拟数字转换仪中，得到部分原始混合信号频域图。由于机组的故障个数未知，传感器的数量对分离结果有很大的影响，为此在气缸顶部放置不同数量的传感器，与同样情况下维纳滤波结果相比较，其中某一振动源的信噪分离结果如表1 所示。

表1 盲提取和小波分析的结果比较

由表1可知，传感器的数量达到3个后，信号的分离精度不再增加，经过盲提取后的信号含噪率都低于维纳滤波后的结果。由此可确定传感器的数量为3个。通过非线性盲提取后捕捉到如图4和图5所示的故障特征。

由图4提取的特征波形由100Hz主频峰值，具有间隔不等的亚频峰值信号，大约在180Hz和260Hz附近，频带较宽，持续时间很短，由此特征可分析出柴油机组活塞有磨损现象。图5中提取的故障信息与图4有很大的区别，仅在100 Hz有峰值，频带较窄，冲击特征明显，可见该机组有撞击的故障。气缸漏气、发动机未磨合好或机油压力过高，都将导致气缸的撞击。经详细调查，柴油机的电动机在安装后由于啮合不良振动剧烈使得沉降，引发活塞的磨损，长期运行后，磨损程度加剧，也增大了活塞和气缸间的撞击程度。由于活塞磨损的程度是判定拆卸维修的标准，因此可记录不同时期的频域波形，以帮助机修人员指导具体操作。图4和图5中振动信号的幅值有所变化，是由于盲提取的白化预处理和对角化造成的，一般地用信号波形即可表征故障特征，幅值比例并不影响诊断结果。

当多个源信号在未知混合路径的情况下混叠后，采集的信号很难确定故障类型。依据最小互信息目标函数，利用不同源之间的非平稳特性可提取故障特征；假设源信号相互统计独立为前提，因为各个信号来自不同的信号源，信号混合特点有非线性和时滞性。非平稳信号白化过程，引入了与时延有关的对角阵D，通过峭度来选择激活函数是非线性且时变的；提取微弱信号时，假设了混合过程是固定不变的，对于机械早期故障监测而言，由于零部件基本运转正常，外界干扰因素少，此假设成立。但若是发动机长期运行，引发其它故障造成故障源个数随时间改变的情况，这种情况有待讨论。

Claims

1.一种柴油机故障识别方法，其特征在于，所述方法为在信号源个数未知的情况下，采用自然梯度算法分离环境噪声信号的同时提取柴油机早期多故障的方法；通过分析信号的非平稳特性，应用具有自适应时变特征的非线性激活函数，根据归一化峭度判断信号统计特性，从而高效真实地反映设备运行状态；为了有效提取信号特征，探讨了不同传感器数量对信号分离精度和故障识别的影响；当多个源信号在未知混合路径的情况下混叠后，采集的信号很难确定故障类型，依据最小互信息目标函数，利用不同源之间的非平稳特性提取故障特征；假设源信号相互统计独立为前提，因为各个信号来自不同的信号源，信号混合特点有非线性和时滞性；非平稳信号白化过程，引入了与时延有关的对角阵D，通过峭度来选择激活函数是非线性且时变。

2.根据权利要求1所述的一种柴油机故障识别方法，其特征在于，该方法提取微弱信号时，假设了混合过程是固定不变的，对于机械早期故障监测而言，由于零部件基本运转正常，外界干扰因素少。