CN110500217B

CN110500217B - 基于可测数据特征的柴油机共轨系统油泵故障检测方法

Info

Publication number: CN110500217B
Application number: CN201910666146.2A
Authority: CN
Inventors: 许佳; 陆宁云; 姜斌
Original assignee: Nanjing University of Aeronautics and Astronautics
Current assignee: Nanjing University of Aeronautics and Astronautics
Priority date: 2019-07-23
Filing date: 2019-07-23
Publication date: 2021-07-27
Anticipated expiration: 2039-07-23
Also published as: CN110500217A

Abstract

本发明公开了一种基于可测数据特征的柴油机共轨系统油泵故障检测方法，该方法首先提取高压油泵蓄压腔压力信号峰峰值为特征值，建立第一个支持向量机(SVM)分类器，将油泵工作状态分为两类，一类为卡滞故障，另一类为磨损故障或正常状态。然后分别对两类工作状态的油泵蓄压腔压力信号进行变分模态分解(VMD)，对得到的模态分量提取特征，运用Relieff算法对特征进行筛选，运用主成分分析(PCA)对特征进行降维，减少特征间的相关性，得到更有效的低维正交特征，最后应用支持向量机进行故障诊断研究，明确故障类型，定位故障部件，实现快速、准确诊断高压油泵常见故障。

Description

基于可测数据特征的柴油机共轨系统油泵故障检测方法

技术领域

本发明属于船用大功率高压共轨柴油机的故障诊断技术，涉及一种基于可测数据特征的柴油机共轨系统油泵故障检测方法，具体涉及船用大功率高压共轨柴油机高压油泵卡滞、磨损泄漏的微小故障的诊断方法。

背景技术

电控高压共轨技术相比传统的高压喷射技术、增压喷射技术，具有功率大、效率高、轻排放等优点，在当前化石能源日益枯竭和环境日益恶劣的情形下，电控高压共轨技术已经成为了船用柴油机的重要发展方向。高压油泵是高压共轨系统中最复杂、最重要的部件之一，作为一种能量转换装置，高压油泵在工作期间持续为共轨管提供符合系统压力要求的高压燃油，以及快速启动过程和共轨中压力迅速提高时所需的燃油储备。

目前常用的故障诊断方法主要分为三类：基于模型的故障诊断方法、基于知识的故障诊断方法、以及基于数据驱动的故障诊断方法。前两种方法依赖于机械装备的物理模型与专家知识，针对具体的研究对象，具有主观性，而在实际中，很难对研究对象建立精准的数学模型，同时专家知识和经验难以进行定量计算，而基于数据驱动的方法不需要对象系统的先验知识，根据采集到的数据进行分析，挖掘数据中隐藏的故障信息，实现故障诊断，具有较强的实用性。

现有的船用柴油机高压油泵的故障检测主要依靠工作人员的经验与现场仪器仪表来进行检测，检测的原理是参数越限报警，无法对故障类型进行诊断。目前研究人员也使用了一些信号处理和机器学习的方法，如小波变换、经验模态分解、神经网络、贝叶斯网络等。但是传统的时频域分析方法很难从振动信号、压力信号中识别出高压油泵的早期故障信息；而随着故障类型的增加，贝叶斯网络所需的专家知识也随之增加，建模相对困难；同时高压油泵结构复杂，样本较难获取，样本数量难以满足神经网络的训练要求，故障诊断效果不理想。

发明内容

发明目的：针对上述现有技术的不足，本发明的目的提供一种基于可测数据特征的柴油机共轨系统油泵故障检测方法，解决高压共轨柴油机高压油泵磨损泄漏、卡滞微小故障的特征提取和故障诊断问题。

技术方案：一种基于可测数据特征的柴油机共轨系统油泵故障检测方法，包括如下步骤：

(1)数据采集：采集柴油机高压共轨系统中柴油机高压油泵在运行过程中的故障数据与正常工作数据；

(2)建立第一个分类器模型：包括提取压力信号峰峰值特征，以所述压力信号峰峰值为输入建立第一个SVM模型，对高压油泵状态进行初步诊断，所述状态包括卡滞故障、磨损故障或正常状态；

(3)构建故障特征集：对故障状态与正常状态的压力信号进行VMD分解，对分解得到的k个模态分量分别提取能量信息、信息熵、频谱图峰值特征，构成故障特征集；

(4)特征选择及特征降维：通过ReliefF算法对故障特征集进行筛选，对经过ReliefF筛选出来的特征进行主成分分析(PCA)变换，得到不含冗余信息的低维正交特征；

(5)模型训练：将低维特征集划分成训练集与测试集，通过网格搜索方法和交叉检验法对支持向量机参数进行优化，构建支持向量机，建立故障诊断模型；

(6)故障诊断：将运行数据输入故障诊断模型进行故障检测，获取高压油泵工作状态信息。

进一步的，步骤(1)所述的数据采集包括柴油机高压共轨系统中高压油泵两种故障数据及正常运行数据，测点选择高压油泵蓄压腔压力，所述的故障数据包括以下两种情况：

(a)f1-卡滞故障；

(b)f2-磨损故障。

步骤(2)对步骤(1)中所采集的压力信号提取峰峰值特征，构成故障特征集S1，将正常样本与磨损故障样本标记为“0”，卡滞故障样本标记为“1”，以S1中特征量压力峰峰值作为支持向量机输入，以高压油泵工作状态即样本标号作为支持向量机输出进行训练，建立第一个高压油泵分类器Pump_SVM_1。

步骤(3)对步骤(2)中经过Pump_SVM_1分类器得到的两类样本分别进行VMD分解，对卡滞样本的k个模态分别提取频谱图峰值特征，构成故障特征集S2，对磨损样本及正常样本的k个模态分别提取能量信息、信息熵、频谱图峰值特征，构成故障特征集S3。

步骤(4)所述包括分别对故障特征集S2、S3进行归一化处理，采用ReliefF算法对归一化后的S3特征集筛选故障敏感特征集S3'，对新的特征集S3'数据采用主成分分析(PCA)进行变换，消除特征间的冗余性，得到线性无关的主成分分量，构成对应的低维正交特征集T1。

步骤(5)分别对步骤(2)中经过Pump_SVM_1分类器得到的两类样本进行训练，由于柴油机高压共轨系统共有两台高压油泵同时工作，其中一台发生故障会对另一台油泵产生影响，压力信号随之发生变化，故需要对故障泵与正常泵进行区分。

对于卡滞样本，将故障泵样本标记为“1”，正常泵样本标记为“0”；以S2中特征量频谱图峰值作为支持向量机输入，以高压油泵工作状态即样本标号作为支持向量机输出进行训练，建立第二个高压油泵分类器Pump_SVM_2。

对磨损样本与正常样本，将磨损故障泵样本标记为“1”，磨损正常泵标记为“2”，正常状态的两正常泵样本标记为“3”，以低维故障特征集T1中特征量作为支持向量机输入，以高压油泵工作状态即样本标号作为支持向量机输出进行训练，建立第三个高压油泵分类器Pump_SVM_3。训练Pump_SVM_3的过程中，将特征集均分成五组，将每个子集数据分别做一次验证集，其余的四个子集数据作为训练集，通过使用网格搜索方法对支持向量机核函数参数C、g进行优化，对每一个参数组合，分别训练其中4组数据，预测第5组数据，以4个分类准确率的平均值作为评价标准确定最优参数，并建立对应的分类器模型。

步骤(6)具体包括将运行数据送入最终的故障诊断模型中，根据诊断结果得到高压油泵的工作状态信息。

有益效果：与现有技术相比，本发明所述方法基于高压油泵蓄压腔压力信号峰峰值为特征建立支持向量机分类器，并且包括在两类不同的工作状态下进一步的分类训练，能够很好地对高压油泵的卡滞、磨损故障进行诊断并同时定位故障泵位置，从时频域分析角度对监测信号进行特征提取与处理，挖掘隐藏故障信息，实现故障诊断。另一方面，本发明以数据为支撑，不需要建立高压油泵的数学模型，实用性较强。

附图说明

图1是本发明所述方法的流程图；

图2是在100％工况下故障及正常状态蓄压腔压力信号波形；

图3是在100％工况下卡滞类故障蓄压腔压力信号波形；

图4是在75％工况下卡滞类故障蓄压腔压力信号波形；

图5是在50％工况下卡滞类故障蓄压腔压力信号波形；

图6是在25％工况下卡滞类故障蓄压腔压力信号波形；

图7是100％工况下磨损类故障蓄压腔压力信号波形。

具体实施方式

为了详细的说明本发明公开的技术方案，下面结合实例与附图对本发明作进一步的阐述。

对于船用高压共轨柴油机高压油泵磨损泄漏、卡滞微小故障的特征提取和故障诊断问题，本发明所提供的一种基于可测数据特征的柴油机共轨系统油泵故障诊断方法。所述方法首先利用油泵蓄压腔压力信号峰峰值建立Pump_SVM_1对卡滞故障与磨损故障、正常状态进行区分，而后分别对两种状态的压力信号进行变分模态分解，对得到的模态分量进行特征提取，构成故障特征集，而后运用ReliefF算法对特征进行筛选，运用主成分分析(PCA)对特征进行降维，得到低维正交特征集，最后应用支持向量机进行故障诊断研究。本发明的整体流程如图1所示，具体实施步骤如下：

步骤1、原始数据采集

针对实际需求，本发明主要研究柴油机共轨系统高压油泵中常出现的两种故障：f1-卡滞故障；f2-磨损故障。其中，卡滞故障包括了出油阀卡滞、进油阀卡滞、柱塞卡滞，由于三种卡滞故障表现相同，故归为一类；磨损故障具体为单泵单柱塞磨损泄漏。柴油机高压共轨系统由两台完全相同的高压油泵构成，两台油泵同时工作，根据实际工作情况，本实例模拟其中一台油泵发生故障，另一台正常工作，同时采集两台油泵蓄压腔压力信号。由于发生一台油泵发生故障后，会影响到另一台油泵的工作，压力信号随之变化，所以故障诊断工作除需明确故障类型外，还需定位故障泵位置。

在某型船用高压共轨柴油机油泵实验台上对两种故障及正常工作情况进行原始数据采集，实验选取柴油机的四种典型工况；100％、75％、50％、25％工况，每次实验以0.2秒为一个时间窗口采集油泵蓄压腔压力数据，表1列出了每种工况下故障样本与正常样本数量。图2以100％工况为例绘制故障及正常状态蓄压腔压力信号波形。

表1 每种工况下故障样本与正常样本数量

步骤2、建立第一个分类器模型

由图2可以看出，卡滞类故障较泄漏故障与正常状态相比，波形振幅明显较大，故可以提取压力信号峰峰值为特征，构成故障特征集S1，将正常样本与磨损故障样本标记为“0”，卡滞故障样本标记为“1”，以S1中特征量压力峰峰值作为支持向量机输入，以高压油泵工作状态即样本标号作为支持向量机输出进行训练，建立第一个高压油泵分类器Pump_SVM_1，其中，每种工作状态选70个样本作为训练集，50个样本作为测试集。经测试集测试，以压力信号峰峰值为特征建立的模型Pump_SVM_1可以以100％准确率对卡滞类故障、磨损类故障及正常状态进行准确区分。

步骤3、故障特征集构建

分别绘制四种典型工况下(100％，75％，50％，25％)故障泵与正常泵的压力信号波形图，如图3-图6所示，从图中可以看出，在不同工况下故障特性并不完全相同，单独使用峰峰值特征在50％工况下不能对故障泵进行准确定位，故对两泵压力信号进行时频域特征提取。

图7为100％工况下单柱塞磨损泄漏的故障泵与正常泵的压力信号波形图，从图中可以看出，时域特征对于故障泵的定位并不敏感，故对两泵压力信号进行时频域特征提取。

因此，对步骤2中经过Pump_SVM_1分类器得到的两种工作状态的压力样本分别进行VMD分解，具体分解步骤如下：

(1)将压力信号f(t)分解为k个模态分量(IMF)，每个模态分量均可以表示为一个函数u_k(t)，并要求k个函数u_k(t)的带宽之和最小，同时k个函数之和为原始输入信号f(t)，u_k(t)的表达式如下：

其中，A_k(t)为瞬时幅值，

为瞬时相位。

(2)对模态函数u_k(t)进行Hilbert变换得到模态函数的单边频谱：

(δ(t)+j/πt)*u_k(t) (2)

其中，δ(t)为单位脉冲函数，j为虚数。

(3)每一个模态函数u_k(t)对应一个中心频率ω_k(t)，将每一个模态函数的单边频谱变换到相应的基频带上：

(4)通过计算解调信号的高斯平滑度集梯度的平方范数来估计带宽，由此产生如下约束问题：

其中，u_k:＝{u₁,…,u_k}和ω_k:＝{ω₁,…,ω_k}分别代表第k个IMF分量及其对应的中心频率，

为对函数求时间偏导数，f(t)为原始压力信号。

(5)为了求解(4)，引入二次惩罚因子α和拉格朗日乘子λ，将(4)变换为一下无约束问题：

(6)利用乘法算子交替方向法(alternate direction method of multipliers，ADMM)求解(5)式，更新

λⁿ⁺¹，其中，

可以表示为：

其中，n为迭代次数；

(7)使用Parseval/Plancherel等距变换，将(6)式变换到频域中：

通过ω＝ω-ω_k进行迭代，然后再变换为频域区间的积分形式，得到

(8)同理，对

进行更新：

(9)对拉格朗日乘子λⁿ⁺¹更新：

(10)重复以上步骤，直至满足如下条件：

则停止迭代，得到k个模态分量和其对应的中心频率。

对Label＝1的的卡滞故障样本选取k＝3,α＝100000的参数组合进行VMD分解，并分别提取三个模态分量的频谱图峰值作为特征，构成故障特征集S2。对Label＝0的磨损故障和正常样本选取k＝4,α＝20000的参数组合进行VMD分解，分别提取每个模态的信息熵、能量熵、能量、能量百分比、频谱图峰值及压力信号总能量21个参量作为特征，构成故障特征集S3。

步骤4、特征选择及特征降维：

41)特征归一化：

首先对S2、S3特征集进行归一化处理，将样本归一化到指定区间(通常为[0,1]、[-1,1]等范围)，不仅可以加快参数寻优速度，也可以避免模型权重过小使得计算不稳定。试验表明，使用SVM分类时，数据范围不统一对分类准确率影响很大。本发明选用z-score方法进行归一化：

其中，x为原始数据，μ为样本均值，σ为样本方差，z为归一化后数据。标准化归一化后的特征均值为0，方差为1。

42)特征选择：

由于S3故障特征集由21个特征构成，每个特征对于故障分类的效果是不同的，需要通过特征选择手段筛选出对分类有益的特征构成新的特征集。由于本文需要使用S3特征集将磨损状态与正常状态分为：磨损故障泵、磨损正常泵及正常状态三类，故选用可以进行多分类特征选择的ReliefF算法。ReliefF算法具体实现步骤如下：

Step1：初始化权值矩阵向量W＝0；

Step2：R_i是从样本集中任意选取的一个样本，找出与R_i最近的k个同类样本H_i和k个不同类样本M_i(k为预先设定值，i＝1,2,…,k)；

Step3：按照式(13)～式(15)对样本R_i的所有21个特征F_j(j＝1,2,…,21)进行计算：

diff(F_j,R_i,H_i)＝|Valve(F_j,R_i)-Valve(F_j,H_i)|/(max(F_j)-min(F_j)) (14)

diff(F_j,R_i,M_i)＝|Valve(F_j,R_i)-Valve(F_j,M_i)|/(max(F_j)-min(F_j)) (15)

其中，Valve(F_j,A)是样本R_i的第i个特征F_j的值，A可以取为R_i、H_i或M_i。

Step4：循环步骤ii、iiim次，即随机选择m个样本进行权值向量的计算，从而获得权值向量W，其中，m为预先设定的重复次数。

Step5：经过ReliefF算法筛选后得到的特征集记为S3'。

43)特征降维：

对新的特征集S3'数据采用主成分分析(PCA)进行变换，消除特征间的冗余性，得到线性无关的主成分分量，构成对应的低维正交特征集T1。具体降维步骤如下：

给定归一化后的特征集X∈R^n×m，其中n为样本数，m为特征数。

a)计算矩阵X的相关系数矩阵Z∈R^m×m；

b)求矩阵Z的特征值λ_j(j＝1,2,…,m)和特征向量；

c)将特征值λ_j从大到小排列，计算累积贡献率

取满足累积贡献率大于95％的前p(p≤m)个主成分构成新特征集T1。

表2列出了对磨损类故障的特征标号，表3详述磨损类故障的特征选择，特征降维结果。

表2 磨损类故障特征标号

表3 磨损类故障特征选择、特征降维结果

步骤5、模型训练

对步骤2中经过Pump_SVM_1分类器得到的两种工作状态的压力样本分别进行支持向量机分类器训练。每种状态的样本集共120个样本，随机选取其中70个样本作为训练集，剩余50个样本作为测试集。

51)卡滞故障：

将故障泵样本标记为“1”，正常泵样本标记为“0”，以S2中特征量频谱图峰值作为支持向量机输入，以高压油泵工作状态即样本标号作为支持向量机输出进行训练，建立第二个高压油泵分类器Pump_SVM_2。

52)磨损类故障：

对磨损样本与正常样本，将磨损故障泵样本标记为“1”，磨损正常泵标记为“2”，正常状态的两正常泵样本标记为“3”，以低维故障特征集T1中特征量作为支持向量机输入，以高压油泵工作状态即样本标号作为支持向量机输出进行训练，建立第三个高压油泵分类器Pump_SVM_3。训练Pump_SVM_3的过程中，将特征集均分成五组，将每个子集数据分别做一次验证集，其余的四个子集数据作为训练集，通过使用网格搜索方法对支持向量机核函数参数C、g进行优化，对每一个参数组合，分别训练其中4组数据，预测第5组数据，以4个分类准确率的平均值作为评价标准确定最优参数，并建立对应的分类器模型。网格寻优具体过程如下：

选定RBF函数作为核函数，设定惩罚参数C和宽度系数g的初始值为1和0.1，搜索范围均为[2^-10，2¹⁰]；在设定范围内不断对C、g两参数进行网格式赋值，并计算在不同参数对下模型的准确率，由于在寻优过程中可能得到多组高准确率的参数对，故需选出其中最佳的参数对，默认选取惩罚参数C最小的那组参数，因为较大的C值会导致过学习情况的发生，较小的C值有利于提高SVM的泛化能力。

步骤6、故障诊断

使用测试集对Pump_SVM_1、Pump_SVM_2、Pump_SVM_3分类器性能进行评估。以压力信号峰峰值为特征建立的模型Pump_SVM_1可以在四种工况下以100％准确率对卡滞类故障、磨损类故障及正常状态进行准确区分，以频谱图峰值为特征建立的模型Pump_SVM_2可以在四种工况以100％准确率对卡滞类故障的故障泵进行准确定位，表4为四种工况下模型Pump_SVM_3分类准确率。

表4 Pump_SVM_3模型分类准确率

Claims

1.基于可测数据特征的柴油机共轨系统油泵故障检测方法，其特征在于：包括如下步骤：

(4)特征选择及特征降维：通过ReliefF算法对故障特征集进行筛选，对经过ReliefF筛选出来的特征进行主成分分析变换，得到不含冗余信息的低维正交特征；

2.根据权利要求1所述的基于可测数据特征的柴油机共轨系统油泵故障检测方法，其特征在于：步骤(1)所述的数据采集包括柴油机高压共轨系统中高压油泵两种故障数据及正常运行数据，测点选择高压油泵蓄压腔压力，所述的故障数据包括以下两种情况：

(a)f1-卡滞故障；

(b)f2-磨损故障。

3.根据权利要求1所述的基于可测数据特征的柴油机共轨系统油泵故障检测方法，其特征在于：步骤(2)建立的第一个分类器为高压油泵分类器Pump_SVM_1，包括如下过程：

首先对压力信号提取峰峰值特征，构成故障特征集S1，将正常样本与磨损故障样本标记为“0”，卡滞故障样本标记为“1”；然后以S1中特征量压力峰峰值作为支持向量机输入，以高压油泵工作状态及样本标号作为支持向量机输出进行训练，建立第一个高压油泵分类器Pump_SVM_1。

4.根据权利要求1所述的基于可测数据特征的柴油机共轨系统油泵故障检测方法，其特征在于：步骤(3)包括对经过Pump_SVM_1分类器得到的两类样本分别进行VMD分解；对卡滞样本的k个模态分别提取频谱图峰值特征，构成故障特征集S2；对磨损样本及正常样本的k个模态分别提取能量信息、信息熵、频谱图峰值特征，构成故障特征集S3。

5.根据权利要求1所述的基于可测数据特征的柴油机共轨系统油泵故障检测方法，其特征在于：步骤(4)包括分别对故障特征集S2、S3进行归一化处理，通过ReliefF算法对归一化后的S3特征集筛选故障敏感特征集S3'；对新的特征集S3'数据采用主成分分析进行变换，消除特征间的冗余性，得到线性无关的主成分分量，构成对应的低维正交特征集T1。

6.根据权利要求1或5所述的基于可测数据特征的柴油机共轨系统油泵故障检测方法，其特征在于：步骤(4)中ReliefF算法对故障特征集进行筛选后的特征权重越大，表示该特征对故障分类的贡献越大，反之，贡献小。

7.根据权利要求1所述的基于可测数据特征的柴油机共轨系统油泵故障检测方法，其特征在于：步骤(5)分别对步骤(2)中经过Pump_SVM_1分类器得到的两类样本进行训练，区分故障泵与正常泵工作时所产生的数据样本。

8.根据权利要求1或7所述的基于可测数据特征的柴油机共轨系统油泵故障检测方法，其特征在于：柴油机高压共轨系统共有两台高压油泵同时工作，其中一台发生故障会对另一台油泵产生影响，压力信号随之发生变化，需要对故障泵与正常泵进行区分训练，包括如下情形：

(a)对于卡滞样本，将故障泵样本标记为“1”，正常泵样本标记为“0”；以故障特征集S2中特征量频谱图峰值作为支持向量机输入，以高压油泵工作状态即样本标号作为支持向量机输出进行训练，建立第二个高压油泵分类器Pump_SVM_2；

(b)对磨损样本与正常样本，将磨损故障泵样本标记为“1”，磨损正常泵标记为“2”，正常状态的两正常泵样本标记为“3”，以低维正交故障特征集T1中特征量作为支持向量机输入，以高压油泵工作状态即样本标号作为支持向量机输出进行训练，建立第三个高压油泵分类器Pump_SVM_3；

所述的Pump_SVM_3的训练过程中，将特征集均分成五组，将每个子集数据分别做一次验证集，其余的四个子集数据作为训练集，通过使用网格搜索方法对支持向量机核函数参数C、g进行优化，对每一个参数组合，分别训练其中4组数据，预测第5组数据，以4个分类准确率的平均值作为评价标准确定最优参数，并建立对应的分类器模型。

9.根据权利要求1所述的基于可测数据特征的柴油机共轨系统油泵故障检测方法，其特征在于：步骤(6)具体包括将运行数据送入最终的故障诊断模型中，根据诊断结果得到高压油泵的工作状态信息。