CN104949840A - 一种基于振动分析的柴油机故障诊断方法 - Google Patents

Abstract

一种基于振动分析的柴油机故障诊断方法：利用振动加速度传感器采集柴油机正常条件和故障条件下的振动信号；利用改进固有时间尺度分解对采集到的振动信号进行分解，生成若干个固有时间尺度分量和残差信号；计算各固有时间尺度分量的能量，按能量大小对各分量进行排序，选取累积能量大于原信号能量95％的前N个分量作为主要分量；计算各主要分量的峭度和波形因子作为故障特征；利用基于概率性输出的纠错编码方法构造多分类相关向量机模型进行故障诊断。本发明确定了峭度和波形因子两个敏感故障特征，提出了基于概率性输出的纠错编码相关向量机多分类模型，本发明可以准确的判别柴油机的工作状态，适用于柴油机故障诊断。

Description

一种基于振动分析的柴油机故障诊断方法

技术领域

本发明涉及一种柴油机故障诊断方法。特别是涉及一种基于振动分析的柴油机故障诊断方法。

背景技术

柴油机是一种重要的往复式动力机械，被广泛应用于工业、农业、军事、建筑、交通运输等领域，在国民经济和人们日常生活中起着举足轻重的作用。一方面它能大大提高劳动生产率，降低生产成本和能耗；另一方面如果某一部件出现故障，往往会引起整台设备的瘫痪，使整条生产线停产，造成巨大的经济损失甚至危及人身安全，因此开展柴油机故障诊断研究对于提高柴油机的安全性和可靠性具有重要意义，同时蕴含着巨大的经济效益和社会效益。

振动分析法由于其适应范围广、信号易获取和便于不解体在线监测等特点，在动力机械故障诊断中得到了广泛的应用。但是柴油机振运动件多而复杂，边界条件有不确定性，工作条件恶劣，激励众多且频率范围很广，各种激励经相应的传递及耦合均被反映在机器的振动中，再加之噪声的融入，使得振动信号具有典型的非线性、非平稳特点。这些特点限制了传统振动分析方法如：短时傅里叶变换、小波变换和魏格纳分布等方法在柴油机故障诊断中的应用。近些年，以经验模态分解为代表的非平稳信号分析方法在柴油机故障诊断中取得了不错的效果，得到了广泛的关注。但是该方法存的过包络、模态混淆、端点效应以及由Hilbert变换带来的无法解释的负频率等问题一直未得到妥善解决。固有时间尺度分解是一种新的非平稳信号分析方法，它解决了经验模态分解的过包络、模态混淆等缺陷，已经在非平稳脑电波信号的分析中得到了成功应用。但是由于柴油机振动信号更为复杂，想要将固有时间尺度分解用于柴油机振动信号分析还需要对其平滑方法和端点效应等问题的优化方法进行研究。

利用振动分析方法提取故障特征之后还需要模式识别方法对故障进行判别，应用较广泛的模式识别方法包括神经网络、支持向量机等，但这些方法都不能给出概率性的输出。基于贝叶斯理论的相关向量机方法很好的解决了这一问题，它可以给出概率性的输出同时模型较为稀疏、计算速度快，非常适于在线诊断。相关向量机是针对二分类问题提出的，而柴油机故障诊断是一个多分类问题。因此，需要对其多分类策略进行研究，从而将相关向量机从二分类拓展到多分类。常用的多分类策略包括：一对一，一对多和纠错编码等，其中一对一和一对多都可以看作纠错编码的特例。如何将相关向量机概率性输出与纠错编码相结合是一个非常有意义的问题。

发明内容

本发明所要解决的技术问题是，提供一种能够准确分析非平稳振动信号，提取具有代表性的故障特征，建立精确的相关向量机多分类模型的基于振动分析的柴油机故障诊断方法。

本发明所采用的技术方案是：一种基于振动分析的柴油机故障诊断方法，包括如下步骤：

(1)利用振动加速度传感器采集柴油机正常条件和故障条件下的振动信号；

(2)利用改进固有时间尺度分解对采集到的振动信号x(t)进行分解，生成若干个固有时间尺度分量PR_m(t)和残差信号u_n(t)，

$x\left(t\right)=\underset{m=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{PR}}_m\left(t\right)=u_n\left(t\right);$

(3)计算各固有时间尺度分量的能量，按能量大小对各分量进行排序，选取累积能量大于原信号能量95％的前N个分量作为主要分量；

(4)计算各主要分量的峭度和波形因子作为故障特征；

(5)利用基于概率性输出的纠错编码方法构造多分类相关向量机模型进行故障诊断。

步骤(2)中所述的改进固有时间尺度分解，是采用支持向量回归机解决算法的端点效应问题。

步骤(2)中所述的改进固有时间尺度分解，是采用三次分段埃尔米特插值代替原固有时间尺度分解算法中的线性插值对基线信号进行拟合。

步骤(5)中所述的利用基于概率性输出的纠错编码方法构造多分类相关向量机模型进行故障诊断，包括以下步骤：

1)对于给定的k分类问题，利用一对一方法建立纠错编码矩阵M_k×m，其中m＝k×(k-1)/2代表二分类器个数，矩阵的每一行为一个类别的编码；

2)根据纠错编码矩阵M_k×m的每一列建立二分类相关向量机模型，并利用相应的故障特征对其进行训练；

3)将未知样本输入各二分类相关向量机模型，得到概率性输出向量P(x)＝(p₁(x),p₂(x),…,p_m(x))；

4)计算概率性输出向量P(x)与纠错编码矩阵每一个行向量M_i的海明距离，其中i＝1,2,…,k，选择海明距离值最大的行向量所对应的类别作为未知样本的类别。

利用支持向量回归机对原数据进行延拓保证信号两端各多出一个极值点，利用极值点拟合基线信号并抛弃信号两端延拓出的新数据。

本发明的一种基于振动分析的柴油机故障诊断方法，对固有时间尺度分解的端点效应和差值方法进行了改进，为特征提取奠定了良好的基础，确定了峭度和波形因子两个敏感故障特征，提出了基于概率性输出的纠错编码相关向量机多分类模型，本发明可以准确的判别柴油机的工作状态，适用于柴油机故障诊断。

附图说明

图1是本发明提出的故障诊断方法基本流程图；

图2是故障试验系统图；

图中：

1：测功机；2：连接轴；3：柴油机；4：加速度传感器；5：脉冲传感器；

6：数据采集卡；7：计算机；8：试验台基座；9：万向节；10：飞轮盘； 

图3a是柴油机正常状态振动信号；

图3b是柴油机进气门间隙大故障振动信号；

图3c是柴油机排门间隙大故障振动信号；

图3d是柴油机滤清器堵塞故障振动信号；

图3e是柴油机第六缸失火故障振动信号；

图4是柴油机进气门间隙大故障振动信号经过改进固有时间尺度分解后得到的固有时间尺度分量和残差信号；

具体实施方式

下面结合实施例和附图对本发明的一种基于振动分析的柴油机故障诊断方法做出详细说明。

本发明的一种基于振动分析的柴油机故障诊断方法，包括如下步骤：

(1)利用振动加速度传感器采集柴油机正常条件和故障条件下的振动信号；

(2)固有时间尺度分解是一种新的非平稳信号分析方法，它可以将复杂信号自适应的分解成若干个固有时间尺度分量和残差信号之和，在脑电波信号的分析中得到了成功应用。但是用于处理复杂振动信号时，算法的端点处的极值点处理问题以及线性插值精度较低的问题，往往会使分解得到的的固有时间尺度分量与真实成分误差较大。因此，首先要利用改进固有时间尺度分解对采集到的振动信号x(t)进行分解，生成若干个固有时间尺度分量PR_m(t)和残差信号u_n(t)，

$x\left(t\right)=\underset{m=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{PR}}_m\left(t\right)=u_n\left(t\right);$

所述的改进固有时间尺度分解，是采用支持向量回归机解决算法的端点效应问题，具体是利用支持向量回归机对原数据进行延拓保证信号两端各多出一个极值点，利用极值点拟合基线信号并抛弃信号两端延拓出的新数据。

同时，还要采用三次分段埃尔米特插值代替原固有时间尺度分解算法中的线性插值对基线信号进行拟合。

(3)由于故障信息往往包含在能量较大的几个固有时间尺度分量中，所以计算各固有时间尺度分量的能量，按能量大小对各分量进行排序，选取累积能量大于原信号能量95％的前N个分量作为主要分量；

(4)当柴油机出现故障时其振动信号不同频段的时域波形会发生明显变化，因此计算各个主要分量的峭度和波形因子两个典型时域参数作为故障特征，

峭度： $K=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left(\frac{x_i-\stackrel{\‾}{x}}{{\mathrm{\σ}}_i}\right)}^4$

波形因子： $W=\sqrt{\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x_i}^2}{N}}/\stackrel{\‾}{x}$

其中x_i为信号值，为信号均值度，N为采样长度，σ_i为标准差； 

(5)利用基于概率性输出的纠错编码方法构造多分类相关向量机模型进行故障诊断。

所述的利用基于概率性输出的纠错编码方法构造多分类相关向量机模型进行故障诊断， 包括以下步骤：

1)对于给定的k分类问题，利用一对一方法建立纠错编码矩阵M_k×m，其中m＝k×(k-1)/2代表二分类器个数，矩阵的每一行为一个类别的编码；

2)根据纠错编码矩阵M_k×m的每一列建立二分类相关向量机模型，并利用相应的故障特征对其进行训练；

3)将未知样本输入各二分类相关向量机模型，得到概率性输出向量P(x)＝(p₁(x),p₂(x),…,p_m(x))；

4)计算概率性输出向量P(x)与纠错编码矩阵每一个行向量M_i的海明距离，其中i＝1,2,…,k，选择海明距离值最大的行向量所对应的类别作为未知样本的类别。

下面用实例说明本发明的一种基于振动分析的柴油机故障诊断方法，但不用来限制本发明的范围。

本实例采用柴油机故障实验台数据进行验证，该实验台如图2所示，包括有柴油机3，所述柴油机3的飞轮盘10通过万向节9和连接轴2与电力测功机1轴相连，所述柴油机3的气门室罩上设置有用于采集柴油机3振动信号的加速度传感器4，所述加速度传感器4的信号输出端通过导线连接数据采集卡6，所述柴油机3的曲轴皮带轮处对应设置有用于测量柴油机3上止点位置信号的脉冲传感器5，所述脉冲传感器5的信号输出端通过导线连接数据采集卡6，所述数据采集卡6的信号输出端连接计算机7。所述的测功机1和柴油机3分别通过支撑装置固定设置在试验台基座8上。

步骤1，利用振动加速度传感器采集柴油机正常、进气门间隙大、排气门间隙大、滤清器堵塞、第六缸失火状态下各20组振动信号，共获得100组振动信号，利用脉冲传感器采集柴油机怠速时一缸上止点信号，通过换算得出柴油机为怠速950转/分，所用传感器采样频率均为25kHz，柴油机五种状态振动信号分别如图3a、图3b、图3c、图3d和图3e所示。其中气门间隙故障通过塞卡尺调节气门螺栓实现，失火故障通过拧松高压油管连接螺栓实现。

步骤2，对固有时间尺度分解的端点效应和插值方法问题改进，措施包括：(1)采用支持向量回归机对原数据进行延拓，通过设置合理的延拓点数保证信号两端各多出一个极值点，利用极值点拟合基线信号并抛弃信号两端延拓出的新数据，从而解决固有时间尺度分解的端点效应问题；(2)采用三次分段埃尔米特插值代替原固有时间尺度分解算法中的线性插值拟合基线信号。利用改进后的固有时间尺度分解算法对采集到的振动信号x(t)进行分解，生成若干个固有时间尺度分量PR_m(t)和残差信号u_n(t)。以进气门间隙大故障为例，利用改进固有时间尺度分解方法对其进行分解，结果如图4所示，从上到下1-9个信号分别对应固有时间尺度分量1-9，第10个信号为分解产生的残差信号。

步骤3，计算各固有时间尺度分量的能量，按能量大小对各分量进行排序，选取累积能量大于原信号能量95％的前N个分量作为主要分量；

步骤4，计算各个主要分量的峭度和波形因子两个典型时域参数作为故障特征，共获得10组故障特征；

步骤5，利用基于概率性输出的纠错编码方法构造多分类相关向量机模型进行故障诊断，具体包括以下步骤：

步骤5.1，对于给定的5分类问题，利用“一对一”方法建立纠错编码矩阵M_5×10，其中10代表二分类器个数，矩阵的每一行为一个类别的编码，编码矩阵表1所示；

表1编码矩阵

步骤5.2，根据纠错编码矩阵M_5×10的每一列建立二分类相关向量机模型，并利用相应的故障特征对其进行训练(每种工况随机选择10组样本)；

步骤5.3，将未知样本(剩余每种工况各10组)分别输入各二分类相关向量机模型，得到概率性输出向量P(x)＝(p₁(x),p₂(x),…,p_m(x))；

步骤5.4，计算概率性输出向量P(x)与纠错编码矩阵每一个行向量M_i(i＝1,2,…,k)海明距离，其中i＝1,2,…,k，选择海明距离值最大的行向量所对应的类别作为未知样本的类别。

诊断结果显示：50试数据只出现了4组误判，总诊断正确率为92％，本发明的一种基于振动分析的柴油机故障诊断方法有较高的诊断精度，满足故障诊断的需求。

Claims (5)

1.一种基于振动分析的柴油机故障诊断方法，其特征在于，包括如下步骤：

(1)利用振动加速度传感器采集柴油机正常条件和故障条件下的振动信号；

(2)利用改进固有时间尺度分解对采集到的振动信号x(t)进行分解，生成若干个固有时间尺度分量PR_m(t)和残差信号u_n(t)，

$x\left(t\right)=\underset{m=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{PR}}_m\left(t\right)+u_n\left(t\right);$

(3)计算各固有时间尺度分量的能量，按能量大小对各分量进行排序，选取累积能量大于原信号能量95％的前N个分量作为主要分量；

(4)计算各主要分量的峭度和波形因子作为故障特征；

(5)利用基于概率性输出的纠错编码方法构造多分类相关向量机模型进行故障诊断。

2.根据权利要求1所述的一种基于振动分析的柴油机故障诊断方法，其特征在于，步骤(2)中所述的改进固有时间尺度分解，是采用支持向量回归机解决算法的端点效应问题。

3.根据权利要求1所述的一种基于振动分析的柴油机故障诊断方法，其特征在于，步骤(2)中所述的改进固有时间尺度分解，是采用三次分段埃尔米特插值代替原固有时间尺度分解算法中的线性插值对基线信号进行拟合。

4.根据权利要求1所述的一种基于振动分析的柴油机故障诊断方法，其特征在于，步骤(5)中所述的利用基于概率性输出的纠错编码方法构造多分类相关向量机模型进行故障诊断，包括以下步骤：

1)对于给定的k分类问题，利用一对一方法建立纠错编码矩阵M_k×m，其中m＝k×(k-1)/2代表二分类器个数，矩阵的每一行为一个类别的编码；

2)根据纠错编码矩阵M_k×m的每一列建立二分类相关向量机模型，并利用相应的故障特征对其进行训练；

3)将未知样本输入各二分类相关向量机模型，得到概率性输出向量P(x)＝(p₁(x),p₂(x),…,p_m(x))；

4)计算概率性输出向量P(x)与纠错编码矩阵每一个行向量M_i的海明距离，其中i＝1,2,…,k，选择海明距离值最大的行向量所对应的类别作为未知样本的类别。

5.根据权利要求2所述的一种基于振动分析的柴油机故障诊断方法，其特征在于，利用支持向量回归机对原数据进行延拓保证信号两端各多出一个极值点，利用极值点拟合基线信号并抛弃信号两端延拓出的新数据。