CN108844725A - 一种汽车发动机轴瓦磨损故障诊断方法 - Google Patents

Abstract

一种汽车发动机轴瓦磨损故障诊断方法。其包括采集汽车发动机正常和轴瓦磨损工况下的振动信号并进行时域统计量特征提取；利用小波包变换的信号处理方法对上述振动信号进行频域特征提取；将峭度指标与小波包能量熵进行融合，得到特征向量；建立基于K最邻近算法的分类模型，并利用特征向量对分类模型进行训练和测试，由此实现对汽车发动机单轴瓦磨损故障的诊断等步骤。本发明提供的汽车发动机轴瓦磨损故障诊断方法具有如下有益效果：能够对汽车发动机常见故障中的轴瓦磨损故障进行重点分析，可对汽车发动机典型故障实现充足的、有效的特征量提取和准确率较高的故障类型识别。

Description

一种汽车发动机轴瓦磨损故障诊断方法

技术领域

本发明属于基于振动信号的汽车发动机轴瓦磨损故障诊断技术领域，具体是涉及一种基于时域峭度融合小波包能量熵的信号处理方法来提取发动机轴瓦磨损故障特征并通过建立基于K最邻近算法的分类模型实现了故障模式识别的汽车发动机轴瓦磨损故障诊断方法。

背景技术

在整车中，发动机作为汽车的核心部件，是为汽车提供动力的源头。同时，汽车发动机的综合性能与车辆的整体性能密切相关。由于发动机的工作环境通常相对恶劣，而且机械部分和电控系统具有极其复杂的构成，据相关机构调查数据，它发生故障的概率在车辆整体中大概占据了40％，单位里程中对于发动机零部件的消耗在车辆整体中大概占据了75.6％，保养和维修所耗费的时间在车辆整体中大概占据了24％。发动机故障是指发动机部分或完全丧失工作能力，通常会出现声音异常、机身过热、车体抖动、油耗过大等现象。这些故障一方面会造成机器损坏，影响设备的正常运转并带来安全隐患，另一方面会产生大量有害的废气，造成环境污染。因此，基于汽车发动机轴瓦磨损的故障诊断研究具有重要的经济意义和社会意义。

汽车发动机故障诊断主要分为两大步骤:对采集到的信号进行特征提取和模式识别。发动机故障诊断技术起步于20世纪六七十年代，常用方法有传统经验诊断方法、状态参数分析法、磨损特征分析法、振声故障诊断法等。传统经验诊断方法自动化程度较低，耗时而且操作复杂，对诊断操作人员素质要求较高；状态参数分析法是利用计算机对发动机的性能进行分析，实际应用耗时又费力；磨损特征分析法需要将机器拆解，对于零部件产生一定的消耗。而振声故障诊断法是目前高效、快速、自动化程度较高的一种方法，通过采集并用信号处理技术对振声信号进行分析可以识别出汽车故障类型，是目前最常用、最有效的方法，因此成为国内外的研究重点。

基于对国内外研究现状的考察，发现目前对基于振动信号的发动机故障诊断技术的研究存在如下突出的问题。一方面，实验采集的故障样本不充足，故障识别正确率不够高或分类网络的训练时间过长。另一方面是特征量提取不充足，可识别故障种类比较少，研究大多数只针对某一特定型号的发动机进行。

发明内容

为了解决以上问题，本发明的目的在于提供一种汽车发动机轴瓦磨损故障诊断方法。

为了达到上述目的，本发明提供的汽车发动机轴瓦磨损故障诊断方法包括按顺序进行的下列步骤：

1)采集汽车发动机正常和轴瓦磨损工况下的振动信号并进行时域统计量特征提取：

分别采集现场实验中汽车发动机正常和轴瓦磨损工况下T组振动信号，每组振动信号作为一个样本，并对各组振动信号进行时域特征量的提取，对于给定振动信号x，常用的振动信号时域统计量包括绝对均值均方根X_rms、方根幅值x_r、偏度α和峭度β等有量纲参数，其中有量纲参数可以作为机械状态的直观反映，然后根据公式计算出两种不同工况下反映各样本所包含冲击情况和波形尖峭程度的峭度指标K_u，并将其作为故障诊断的初步依据来判定上述所采集到的振动信号中冲击成分的变化。

2)利用小波包变换的信号处理方法对上述振动信号进行频域特征提取：

由于汽车发动机结构和运行情况的复杂性，单一峭度指标作为故障特征量的敏感度较高，但稳定性不高，而且峭度指标给出的是振动信号整体的时域特征，不能区分出新冲击所带来的振动信号频率成分的变化。因此，需要进一步对振动信号的频域特征进行提取。

2.1)确定小波包分解层数

选择小波包变换的信号处理方法来实现非平稳故障信号的时频分析，在小波包变换过程中，采样频率设置为100kHz，小波包分解层数由待处理的振动信号的主要频率范围和采样频率确定。在100kHz的采样频率下，将小波包分解层数确定为四层，可以得到2⁴个小波包，最终经过四层小波包分解后，S_4，i表示振动信号经过四层小波包分解后所得到的子频带信号，i的取值范围从1-16，各子频带的宽度相等，从而将各子频带频率范围细化，达到在感兴趣的频率点提高频率分辨率的目的，进而得到能够更准确地反映振动信号特点的特征量。

2.2)确定小波基函数

对于机械故障信号，dbN系列小波具有良好的正则性，能够得到平滑性较好的重构信号，可以更准确地反映故障特征。dbN小波中N表示阶数，其中二阶和五阶较为常用。分别以“db2”和“db5”作为小波基函数对汽车发动机两种不同工况下的振动信号进行四层小波包分解，并选取db2作为最终的小波基函数。

2.3)基于上述小波包分解层数和小波基函数获得小波包能量熵

对上述采集的汽车发动机两种不同工况下的各组振动信号以“db2”作为小波基函数进行四层小波包变换。在100kHz的采样频率下，根据奈奎斯特定律，可以得到0-50kHz范围内16个等宽的正交子频带和16个小波包分解系数，并根据小波包分解系数重构出每个子频带对应的时域信号，得到每个子频带内重构信号的能量值E_i，其中i表示每组振动信号经过小波包分解后得到的各子频带编号。当汽车发动机出现某种故障时，会导致不同频带的能量分布发生变化。其中每个子频带的能量值E_i由公式计算得到，式中a_j表示振动信号经过小波包分解后得到的每个子频带内的重构信号S_4,i中每个离散点的幅值。

设每个子频带的能量值分别为E₁，E₂，...E_n，总能量值为则根据公式

可以计算得到每组振动信号经过小波包分解后各子频带内重构信号的小波包能量熵H_en。其中，p_i＝E_i/E表示每个子频带的能量值在总能量值中所占的百分比。选择小波包能量熵H_en作为反映汽车发动机故障特征的量值。

3)将上述步骤1)获得的峭度指标与步骤2获得小波包能量熵进行融合，得到特征向量:

峭度指标和小波包能量熵在时域和频域上互补，能够为区分不同的汽车发动机工况提供更准确的依据。因此，将上述采集的T组振动数据的峭度指标和小波包能量熵融合，建立起表征各工况信号特征的特征向量M_T×2，其表达式如下:

M_T×2＝[K_u1,H_en1；...；K_um,H_enm；...K_uT,H_enT；]

其中T表示采集的振动信号组数；

4)建立基于K最邻近算法的分类模型，并利用上述获得的特征向量对分类模型进行训练和测试，由此实现对汽车发动机单轴瓦磨损故障的诊断:

为了建立基于KNN的分类模型,选取上述所建立的每种工况下的特征向量M_T×2的60％作为训练样本集的特征向量A_60％T×2,并对特征向量A_60％T×2进行初始化操作。KNN的分类模型的参数设置完毕后，将训练样本集中的各组特征向量分别输入KNN的分类模型中进行训练。

选取每种工况下剩余的40％的特征向量M_T×2作为测试样本集的特征向量A'_40％T×2，对特征向量A'_40％T×2进行初始化操作，并将测试样本集中的各组特征向量分别输入到已经训练好的KNN的分类模型中进行测试，得到各种特征向量下的测试结果对比，由训练样本集建立的KNN的分类模型可以对汽车发动机两种不同的工况做出区分，从而实现对现场实验中所采集到的汽车发动机轴瓦磨损故障的诊断。

本发明提供的汽车发动机轴瓦磨损故障诊断方法具有如下有益效果：能够对汽车发动机常见故障中的轴瓦磨损故障进行重点分析，可对汽车发动机典型故障实现充足的、有效的特征量提取和准确率较高的故障类型识别。

附图说明

图1为本发明提供的汽车发动机轴瓦磨损故障诊断方法流程图。

图2为振动信号采集系统构成示意图。

图3为测试车发动机正常工况下的信号时域图。

图4为测试车发动机轴瓦磨损故障工况下的信号时域图。

图5为测试车发动机在正常和轴瓦磨损故障工况下的傅里叶变换频谱。

图6为小波包分解二叉树示意图。

图7(a)为测试车发动机正常工况下振动信号用“db2”和“db5”进行分解的结果示意图。

图7(b)为测试车发动机轴瓦磨损工况下振动信号用“db2”和“db5”进行分解的结果示意图。

图8(a)为测试车发动机正常工况下小波包分解子频带能量图。

图8(b)为测试车发动机轴瓦磨损工况下小波包分解子频带能量图。

图9为能量熵融合峭度+KNN示意图。

具体实施方式

下面结合附图和具体实施例对本发明提供的汽车发动机轴瓦磨损故障诊断方法进行详细说明。

如图1所示,本发明提供的汽车发动机故障诊断方法包括按顺序进行的下列步骤：

1)进行汽车发动机正常和轴瓦磨损工况下振动信号时域统计量特征提取:

首先建立振动信号采集系统:

如图2所示，本发明利用由传感器、信号放大模块、供电模块和数据采集卡构成的振动信号采集系统对汽车发动机两种不同工况下的振动信号进行采集，通过上位机的LabView软件编写程序实现采集参数的设置、采集过程的控制和采集信号的存储。该系统中所用的传感器选用奥林巴斯公司型号为V103-RM的接触式探头，传感器的中心频率为50KHz，作为接收用途时的增益为37db。信号放大模块为Physical Acoustics Corporation公司的声发射前置放大器，输入端单端/差分可选，具有小于2μV的极低噪声和20/40/60db的三档可调增益。数据采集卡为National Instrument公司的USB-6366型号数据采集卡，具有每通道下2MS/s的采样速度，8路同步模拟输入，2路模拟输出和16位分辨率，采用电源线与信号线分离的供电方式，供电模块为电压28V的直流电源。

利用振动信号采集系统采集汽车发动机正常和轴瓦磨损工况下的振动信号:

经过多次现场实验后，最终得到了汽车发动机两种不同工况下振动信号的数据，各种工况的说明如表1所示。

表1现场实验中汽车发动机工况的具体说明

综合考虑汽车发动机常见故障的频带范围和数据采集卡的最大采样频率限制，将实际采样频率设置为100KHz,待测试车发动机均保持怠速运行，转速稳定800r/min左右。每种工况下以100KHz的采样频率、100K的采样点数进行连续采集，采集时间为10s。在实际处理中，可以将连续采集到的每组振动信号按需求截取，以便得到包含整数个周期长度的振动信号作为后续分析处理的样本。经过截取处理后，最终得到T组振动信号作为后续信号处理的原始信号。并选择利用matlab软件对采集到的各组振动信号进行初步处理，可以得到两种不同工况下汽车发动机振动信号的时域图，分别如图3、图4所示。

进行汽车发动机正常和轴瓦磨损工况下振动信号时域统计量特征提取:

经过数据采集过程，共得到汽车发动机两种不同工况下共T组的振动信号，每组振动信号作为一个样本，并对各组振动信号进行时域特征量的提取，对于给定振动信号x，常用的振动信号时域统计量包括绝对均值均方根X_rms、方根幅值x_r、偏度α和峭度β等有量纲参数，其中有量纲参数可以作为机械状态的直观反映，然后根据公式计算出两种不同工况下反映各样本所包含冲击情况和波形尖峭程度的峭度指标K_u，并将其作为故障诊断的初步依据来判定上述所采集到的振动信号中冲击成分的变化。

鉴于样本总体数量较大，选择每种工况下各10组振动信号的峭度指标计算结果作为示例说明，各组示例样本具体的处理结果如表2所示。

表2两种工况下振动信号峭度指标的计算结果

利用小波包变换的信号处理方法对上述振动信号进行频域特征提取：

在小波包变换过程中，采样频率设置为100kHz,小波基和分解层数的确定依据如下:

对两种不同工况下的振动信号进行傅里叶变换，结果如图5所示，表明测试车发动机故障的主要频率成分在20kHz以下，且在3kHz附近有能量集中的部分。因此，在100kHz的采样频率下，将小波包分解层数确定为四层，可以得到2⁴个小波包，分解得到的二叉树和每一层分解后得到的频带宽度如图6所示，图中S₀表示所采集的每组振动信号，其所包含的频率范围为0-50kHz，S_1，1和S_1，2分别表示振动信号经过一层小波包分解后所得到的子频带信号，分别包含0-25kHz的低频部分和25kHz-50kHz的高频部分，最终经过四层小波包分解后，S_4，i表示振动信号经过四层小波包分解后所得到的子频带信号，i的取值范围从1-16，各子频带的宽度相等，从而将各子频带频率范围细化到3.125kHz，达到在感兴趣的频率点提高频率分辨率的目的，进而得到能够更准确地反映振动信号特点的特征量。

对于机械故障信号，dbN系列小波具有良好的正则性，能够得到平滑性较好的重构信号，因此可更准确地反映故障特征。dbN小波中N表示阶数，其中二阶和五阶较为常用。分别以“db2”和“db5”作为小波基函数对表1中所示的汽车发动机两种不同工况下的振动信号进行四层小波包分解，结果如图7(a),图7(b)所示，其中横坐标表示每组振动信号经过小波包分解后所得到的子频带编号，纵坐标表示每个子频带内重构信号的归一化能量值，如柱状图中的图例所示：所有无填充色柱形表示以“db2”作为小波基函数的处理结果，所有渐变色柱形图表示以“db5”作为小波基函数的处理结果。柱状图所显示的结果表明：本实验中db小波阶数的选择对于振动信号在各频带能量分布的影响可以忽略不计。由于阶数的增大会带来计算复杂度的增加，因此，在阶数对结果影响较小的前提下可以选择“db2”作为小波基函数。

基于上述小波包分解层数和小波基函数获得小波包能量熵:

基于上述分析过程，最终对得到的汽车发动机两种不同工况下共T组振动信号以“db2”作为小波基函数进行四层小波包变换。在100kHz的采样频率下，根据奈奎斯特定律，可以得到0-50kHz范围内16个等宽的正交子频带和16个小波包分解系数，并根据小波包分解系数重构出每个子频带对应的时域信号，得到每个子频带内重构信号的能量值E_i，i表示每组振动信号经过小波包分解后得到的各子频带编号。当汽车发动机出现某种故障时，会导致不同频带的能量分布发生变化。其中每个子频带的能量值E_i由下式计算得到，式中a_j表示振动信号经过小波包分解后得到的每个子频带内的重构信号S_4,i中每个离散点的幅值。

每个子频带宽度为3.125kHz，各子频带重构信号能量值的差异可以反映出振动信号的频率分布情况，如图8(a)、8(b)所示,图中横坐标表示每组振动信号经过小波包分解后所得到的各子频带编号，图中纵坐标表示各子频带内重构信号的归一化能量值。各种工况下振动信号的能量主要集中在前8个子频带。设每个子频带的能量值分别为E₁,E₂,...E_n，总能量值为则根据下式可以计算得到每组振动信号经过小波包分解后各子频带内重构信号的小波包能量熵。

其中，P_i＝E_i/E表示每个子频带的能量值在总能量值中所占的百分比。

对于现场实验所得到的两种不同工况下的全部T个样本，根据上式计算出各组振动信号经过小波包变换后得到的小波包能量熵。鉴于样本总体数量较大，选择每种工况下各10组振动信号的小波包能量熵作为示例来说明，各组示例具体的处理结果如表3所示。

表3四种工况下信号小波包能量熵的计算结果

相较于所得到的时域统计量——峭度指标，小波包能量熵中不仅包含了信号频率信息，而且兼顾了信号整体特征，在同一类的工况下差距较小且表现更稳定，同时在不同类别之间又呈现出明显区别。峭度指标和小波包能量熵在时域和频域上互补，能够为区分不同的汽车发动机工况提供更准确的依据。因此，将现场实验所得到的两种不同工况下各T组振动信号的峭度指标和小波包能量熵进行融合，建立起表征各工况振动信号特征的特征向量M_T×2，其表达式如下式。鉴于样本数据量较大，选择其中6组特征向量作为示例说明，如表4所示。

M_T×2＝[K_u1,H_en1；...；K_um,H_enm；...K_uT,H_enT；]

表4峭度指标融合小波包能量熵特征值示例

建立基于K最邻近算法(KNN)的分类模型，并利用上述获得的特征向量对分类模型进行训练和测试，由此实现对汽车发动机轴瓦磨损故障的诊断:

为了建立基于KNN的分类模型，分别选取上述所建立的特征向量M_T×2中的60％作为训练样本集的特征向量A_60％T×2，并对特征向量A_60％T×2进行初始化操作。在训练以及后续测试时，对各工况下的期望输出均做出如下规定：用数值1表示测试车发动机正常的工况即工况1，用数值2表示测试车发动机轴瓦磨损故障的工况即工况2。将各训练样本分别输入KNN的分类模型中进行训练。

KNN分类器的参数设置如下：K值的上限一般不超过测试样本数的平方根，设置过大会影响分类的精度，通常按照经验选取，这里K值设置为3；所用距离设定为欧氏距离，用来衡量空间中各点之间的绝对距离,该距离在计算时需要保证各维度的指标具有一致的单位。

根据公式分别计算测试集中40％T组样本数据各自与训练集中每个对象的欧式距离。对于每一组测试样本信号，选择所有距离中数值最小的3个，则该测试样本信号的类别与最临近三个训练样本信号中出现频率最高的类型一致。得到各种特征向量下的测试结果对比如图9所示，图中横坐标表示全部40％T组测试样本的编号，纵坐标表示每组测试样本经过KNN分类器处理后所对应的分类结果，如上文所规定，数值1、2分别对应发动机的两种不同工作情况。图中的○形点表示每组测试样本的期望输出，*形点表示每组测试样本的实际输出。通过图9所示的测试样本集的分类结果可以看出，由训练样本集建立的SVM的分类模型可以实现对现场实验中所采集到的汽车发动机轴瓦磨损故障的诊断。

Claims (5)

1.一种汽车发动机轴瓦磨损故障诊断方法，其特征在于：所述的汽车发动机轴瓦磨损故障诊断方法包括按顺序进行的下列步骤：

1)采集汽车发动机正常和轴瓦磨损工况下的振动信号并进行时域统计量特征提取；

2)利用小波包变换的信号处理方法对上述振动信号进行频域特征提取；

3)将上述步骤1)获得的峭度指标与步骤2获得小波包能量熵进行融合，得到特征向量；

4)建立基于K最邻近算法的分类模型，并利用上述获得的特征向量对分类模型进行训练和测试，由此实现对汽车发动机单轴瓦磨损故障的诊断。

2.根据权利要求1所述的汽车发动机轴瓦磨损故障诊断方法，其特征在于：在步骤1)中，所述的采集汽车发动机正常和轴瓦磨损工况下的振动信号并进行时域统计量特征提取的方法是：分别采集现场实验中汽车发动机正常和轴瓦磨损工况下T组振动信号，每组振动信号作为一个样本，并对各组振动信号进行时域特征量的提取，对于给定振动信号x，常用的振动信号时域统计量包括绝对均值均方根X_rms、方根幅值x_r、偏度α和峭度β在内的有量纲参数，然后根据公式计算出两种不同工况下反映各样本所包含冲击情况和波形尖峭程度的峭度指标K_u，并将其作为故障诊断的初步依据来判定上述所采集到的振动信号中冲击成分的变化。

3.根据权利要求1所述的汽车发动机轴瓦磨损故障诊断方法，其特征在于：在步骤2)中，所述的利用小波包变换的信号处理方法对上述振动信号进行频域特征提取的方法是：

2.1)确定小波包分解层数

采样频率设置为100kHz，小波包分解层数由待处理的振动信号的主要频率范围和采样频率确定；在100kHz的采样频率下，将小波包分解层数确定为四层，能够得到2⁴个小波包，最终经过四层小波包分解后，S_4，i表示振动信号经过四层小波包分解后所得到的子频带信号，i的取值范围从1-16，各子频带的宽度相等；

2.2)确定小波基函数

dbN小波中N表示阶数，其中二阶和五阶较为常用，分别以“db2”和“db5”作为小波基函数对汽车发动机两种不同工况下的振动信号进行四层小波包分解，并选取db2作为最终的小波基函数；

2.3)基于上述小波包分解层数和小波基函数获得小波包能量熵

对上述采集的汽车发动机两种不同工况下的各组振动信号以“db2”作为小波基函数进行四层小波包变换；在100kHz的采样频率下，根据奈奎斯特定律，能够得到0-50kHz范围内16个等宽的正交子频带和16个小波包分解系数，并根据小波包分解系数重构出每个子频带对应的时域信号，得到每个子频带内重构信号的能量值E_i，其中i表示每组振动信号经过小波包分解后得到的各子频带编号；当汽车发动机出现某种故障时，会导致不同频带的能量分布发生变化。其中每个子频带的能量值E_i由公式计算得到，式中a_j表示振动信号经过小波包分解后得到的每个子频带内的重构信号S_4,i中每个离散点的幅值；

设每个子频带的能量值分别为E₁，E₂，…E_n，总能量值为则根据公式

能够计算得到每组振动信号经过小波包分解后各子频带内重构信号的小波包能量熵H_en，其中，p_i＝E_i/E表示每个子频带的能量值在总能量值中所占的百分比。

4.根据权利要求1所述的汽车发动机轴瓦磨损故障诊断方法，其特征在于：在步骤3)中，所述的将上述步骤1)获得的峭度指标与步骤2获得小波包能量熵进行融合，得到特征向量的方法是：将上述采集的T组振动数据的峭度指标和小波包能量熵融合，建立起表征各工况信号特征的特征向量M_T×2，其表达式如下:

M_T×2＝[K_u1,H_en1；...；K_um,H_enm；...K_uT,H_enT；]

其中T表示采集的振动信号组数。

5.根据权利要求1所述的汽车发动机轴瓦磨损故障诊断方法，其特征在于：在步骤4)中，所述的建立基于K最邻近算法的分类模型，并利用上述获得的特征向量对分类模型进行训练和测试，由此实现对汽车发动机单轴瓦磨损故障的诊断的方法是:为了建立基于KNN的分类模型,选取上述所建立的每种工况下的特征向量M_T×2的60％作为训练样本集的特征向量A_60％T×2,并对特征向量A_60％T×2进行初始化操作；KNN的分类模型的参数设置完毕后，将训练样本集中的各组特征向量分别输入KNN的分类模型中进行训练；选取每种工况下剩余的40％的特征向量M_T×2作为测试样本集的特征向量A'_40％T×2，对特征向量A'_40％T×2进行初始化操作，并将测试样本集中的各组特征向量分别输入到已经训练好的KNN的分类模型中进行测试，得到各种特征向量下的测试结果对比，由训练样本集建立的KNN的分类模型可以对汽车发动机两种不同的工况做出区分，从而实现对现场实验中所采集到的汽车发动机轴瓦磨损故障的诊断。