基于時域能量劃分和PSO-SVM的發動機故障診斷*

胡志勇，牛家驊，郭麗娜，馬繼昌

(內蒙古工業大學，呼和浩特 010051)

2016014

基于時域能量劃分和PSO-SVM的發動機故障診斷*

胡志勇，牛家驊，郭麗娜，馬繼昌

(內蒙古工業大學，呼和浩特 010051)

針對發動機缸蓋振動信號激勵源的時序性，提出了一種基于時域能量劃分和粒子群優化-支持向量機算法(PSO-SVM)的發動機故障診斷方法。將振動信號按曲軸轉角進行時域能量劃分并將各段時域信號能量組成的向量作為故障分類的特征向量，應用不同優化技術的支持向量機(SVM)算法對發動機配氣機構故障進行識別。診斷結果表明：時域能量劃分結合PSO-SVM在小樣本的情況下，能夠對既定機型的配氣機構和點火系常見故障進行識別。

發動機；故障診斷；振動信號；時域特征向量；支持向量機

前言

發動機是汽車的動力源，其工作條件惡劣、故障率高。而在使用中，氣門間隙異常和個別氣缸丟火是發動機最常見的故障。發動機氣門間隙異常將對發動機的進排氣效果、運行平穩性和排放性能等指標產生直接影響；而發動機點火異常將直接使發動機喪失工作能力。因此，在發動機不解體條件下監測發動機工作狀況，在故障出現時確定氣門間隙和點火系故障的位置，具有一定的應用價值[1-2]。

故障診斷的實質是對故障模式的識別過程，包括特征提取和狀態識別兩個關鍵環節。發動機缸蓋表面振動信號測量時發動機無須解體，方便快捷，所含振動、沖擊和噪聲等信號信息豐富，可以實時地反映發動機的工作狀態[3-4]。

本文中通過分析發動機缸蓋振動信號激勵源的時序性和發動機工作異常時缸蓋表面振動信號的變化，在發動機不解體的情況下，對采集的振動信號按曲軸轉角進行時域劃分并計算各段能量，將各段能量作為測試集和訓練集的特征向量，運用故障分類器對故障進行分類識別。

1 發動機缸蓋振動特性

發動機振動信號是由一系列頻率和幅值差別較大的瞬態響應所組成，情況比較復雜，而最具影響的是燃燒引起的直接激振力和氣門開啟、落座產生的間接激振力。由于發動機各部件按一定周期工作，振動信號先后有序，若發動機出現某種故障，發動機一個工作周期內的激振力的響應信號在時域上的幅值和相位等都將發生改變，據此可以獲取特征參數并進行故障診斷[5-6]。

圖1為實驗測得的DA462型汽油發動機缸蓋表面第1缸振動信號波形圖，其實驗條件是發動機轉速為1 750r/min，正常氣門間隙(0.15mm)，圖中A點為第1缸排氣門落座沖擊；B點為第2缸燃燒激勵壓力響應；C點為第1缸進氣門落座沖擊；D點為第1缸燃燒激勵壓力響應；E點為第1缸排氣門開啟沖擊；F點為第3缸燃燒激勵壓力響應；G點為第1缸進氣門開啟沖擊；H點為第4缸燃燒激勵壓力響應。當發動機出現某種故障時，圖中相應的波形在時間軸上的位置和振幅就會發生改變，這為故障的分析和識別提供了依據。

圖1 發動機缸蓋表面振動信號波形

2 時域特征向量的提取

設采集的振動信號為x(t)，則其在t1到t2時間段的能量為

(1)

這是最理想的狀態，而由加速度傳感器采集得到的發動機時域振動信號為離散值，設其最小采樣間隔Δt=1/f，其時域能量為

(2)

式中：n=(t2-t1)/Δt；x(t1+kΔt)為采集的信號在各個離散點的幅值。在發動機一個工作周期內，按照曲軸轉角把振動信號劃分為n段，設各段有m個能量幅值，各段能量幅值離散的集合為{x1,x2,…,xj,…,xm}，則第i段能量幅值和為

(3)

式中：i=1,2,…,n；f為采樣頻率；xj為振動信號離散點的幅值。

再對Ei進行歸一化，設Es=E1+E2+…+En，則特征向量為

E=[E1/Es,E2/Es,…,En/Es]

(4)

3 支持向量機

支持向量機(SVM)是一種針對小樣本、以統計學習理論為基礎的學習算法，可用于模式分類和非線性回歸。其主要思想是建立一個分類超平面作為決策曲面，使得正、反例的邊緣間隔最大化[7]。

支持向量機包括二分類支持向量機和多分類支持向量機。SVM本質上是一種二值分類器，故二分類支持向量機為SVM的雛形。多分類支持向量機主要針對多分類問題，目前的主要方法有兩類：一類是直接法，直接在目標函數上進行修改，這種方法計算復雜度高，實現起來比較困難；另一類為間接法，主要是通過組合多個二分類器來實現，常見的方法有1對1算法、1對多算法和DAGSVM算法[8]。

3.1 二分類支持向量機

(1) 線性可分的二分類問題

線性可分的二分類問題是指原數據可以用一條直線或一個超平面劃分開，具體形式如下。

假設有n個d維樣本數據集為

{xi,yi},i=1,2,…,n,xi∈Rd,yi∈{+1,-1}

設分類超平面為(w·x)+b=0。其中x是d維向量，為使各數據點對分類超平面的幾何間隔最大，其優化問題表達為求解式(5)方程組：

(5)

據此求出最優解α*=(α1*,…,αn*)T，并選取α*的一個正分量αj*，計算超平面參數：

(6)

構造決策函數：

(7)

設測試集合為{tj,pj}，j=1,2,…,k，則用最優分類超平面預測出的測試集的標簽為

(8)

比較tjlabel與pj，若相符說明分類正確，若不一致則說明分類錯誤。

(2) 線性不可分的二分類問題

K(xi,xj)=φ(xi)·φ(xj)

(9)

經映射后，樣本集變為

選取適當的核函數K(x,x′)和適當的參數C，構造并求解最優化問題：

(10)

得到最優解α*=(α1*,…,αn*)T，并選取α*的一個正分量0<αj*

(11)

構造決策函數：

(12)

此時，若有d維輸入向量x0，則可以依據上述過程對x0進行分類。

3.2 支持向量機參數尋優算法

在支持向量機發展過程中，如何提高其分類精度和運算速度是支持向量機改進領域的熱點之一。近年來國內研究人員相繼提出了決策樹支持向量機(DT-SVM)、SVM-DL技術、基于遺傳算法的支持向量機(GA-SVM)和基于遺傳算法決策樹的支持向量機(GADT-SVM)[9-11]等，雖然對此做出了一定改進，但也存在著結構冗長和變相增加運算量等問題，導致達不到最佳分類效果。基于上述問題，本文中應用基于粒子群優化算法參數尋優的支持向量機對發動機6種狀態進行實際分類。

(1) 交叉尋優算法(CV)

影響SVM分類效果的參數主要有誤差懲罰參數c和核函數參數g。若在運行時不對這兩個參數進行調整，則默認誤差懲罰參數c=1，核函數參數g為屬性數目k的倒數(1/k)，這些參數并不是分類器達到性能最優時的參數，此時可以令c的變化范圍為(-m,m)，步長為a，g的變化范圍為(-n,n)，步長為b，這樣c和g可以分別取2m/a和2n/b個值，即有(2m/a)(2n/b)種組合，分別計算各組合正確率，將正確率最高的參數作為最優參數。

(2) 粒子群優化算法(PSO)

粒子群優化算法(PSO)源于鳥群和蜂群等捕食行為的研究。在PSO系統中，每個備選的解被稱作一個“粒子”，這些“粒子”在解空間內以某種規律移動，經過若干次迭代后找到最優解[12-13]。在每一次迭代中，粒子通過跟蹤本身最優解(pid)和整個微粒群目前的最優解(pgd)來更新自己，更新后公式為

vid=wvid+c1rand()(pid-xid)+c2rand()(pgd-xid)

(13)

xid=xid+vid

(14)

式中：c1和c2為常數；rand()為在某個區間范圍內的隨機數；w為慣性權值；vid為速度；xid為位置。

將訓練集的準確率作為PSO中的適應度函數值，最終得到最優準確率及其對應的c和g值。

粒子群優化算法具有不容易陷入局部最小、算法簡單和計算量小的優點，可提高分類器的效率。

4 發動機故障診斷應用實例

圖2 振動測試臺架示意圖

某車用DA462型發動機在中高速區域工作時(1 600～2 000r/min)沖擊噪聲明顯，且有間歇熄火現象，經初步診斷其故障位置是氣門組和點火系。因此，搭建了該發動機的振動測試臺架(如圖2所示)對其進行測試，人為設置了一些故障并進行基于振動信號分析的故障分類識別。

4.1 振動信號的獲取

試驗利用4507B-005型振動加速度傳感器采集振動信號，傳感器安裝在第1缸對應的氣缸蓋罩上的氣門螺釘處；曲軸位置傳感器采用桑塔納2000GSi型ABS系統的前輪輪速傳感器，獲得發動機的相位信號。信號采集模塊采用LAN-XI3050-A-060型4通道輸入模塊。為準確定位各缸工作周期，采用EA次級信號夾同步采集第1缸高壓點火信號。信號采樣頻率為16.384kHz。

在測試中，發動機轉速為1 750r/min，排氣門的正常間隙為0.15mm，設定排氣門異常間隙值為0.6mm。設置發動機氣缸6種狀態：①正常工作狀態；②正常氣門間隙狀態下第1缸丟火(故障1)；③第1缸排氣門間隙異常(故障2)；④第1缸排氣門間隙異常且第1缸丟火(故障3)；⑤第1，4缸排氣門間隙異常(故障4)；⑥第1，4缸排氣門間隙異常且第1缸丟火(故障5)。

以發動機一個工作周期為采樣周期，實驗同步采集了第1缸的上止點信號、高壓點火信號和缸蓋振動信號。每種工況采集15組信號，一共采集90組信號作為訓練集A。

把正常工況和故障1～故障5這6種工況編號為1-6，利用Matlab中的函數randperm，按照數字對應的狀態描述，設置氣門間隙和點火系故障，并在每次設置故障后采集其振動信號。上述過程共進行30次，將30組采樣信號組成測試集B。

4.2 振動信號特征向量的提取

發動機一個工作周期為720°CA，信號以活塞運行到第1缸排氣上止點為基準進行采集。為了準確區分發動機不同狀態下振動激勵的變化，將第1缸振動信號的720°CA等分為N=8份，每份90°CA。按式(3)計算不同曲軸轉角對應的能量幅值的和，得到特征向量[E1,E2,…,En]，按式(4)對得到的特征向量進行歸一化處理，得到歸一化的特征向量E=[E1/Es,E2/Es,…,En/Es]，訓練集每種工況可以得到15組歸一化的特征向量。從訓練集樣本數上來看，模擬實驗的訓練集屬于小樣本情況。測試集共得到30組歸一化的特征向量。圖3為訓練集A的分維可視化視圖，表1為發動機6種狀態下第一組特征向量的值。

圖3 訓練集分維可視化視圖

由表1可見，發動機不同工況下的能量特征值有明顯的差異，正常狀態、故障2和故障4中，E4的值較大，而在故障1、故障3和故障5中，隨著第1缸丟火，E4值變小。E4能量段所對應的曲軸轉角為活塞位于第1缸壓縮行程中點至活塞運行到上止點之間，此區間包含了活塞運行到上止點前某一角度(點火提前角)所對應的點火時刻，所以E4能量段包含了第1缸燃燒激勵壓力響應的成分。

表1 不同工況下特征向量值

這些在發動機一個工作周期內不同工況下的能量變化，為氣門間隙異常和點火系不同故障的狀態識別提供了依據。

4.3 分類器的訓練和預測結果

將90組訓練樣本得到的特征向量矩陣A190×8分別輸入使用默認參數的SVM、交叉尋優算法的SVM、基于粒子群優化算法的SVM中進行訓練，完成訓練后，將30組測試樣本得到的特征向量矩陣B130×8輸入到訓練好的神經網絡及支持向量機中，預測結果和準確率如圖4和表2所示。

圖4 分類結果圖

圖4中，圓圈和星號分別代表不同分類器給出的預測分類結果。

表2 不同分類器的分類指標

由圖4和表2可知：使用默認參數時，僅有正常工況和多故障結合的故障5所有預測標簽與實際標簽相符，對單一故障和兩故障結合的情況識別度較低，同時故障3和故障4被誤分類的次數較多，說明第1缸丟火和第4缸排氣門間隙異常對第1缸缸蓋振動信號的影響有相似之處；而在CV-SVM對比組中，分類準確率有所提高；應用PSO-SVM時，僅有1組故障被誤分類，其故障識別準確率達到了96.7%；在訓練與分類用時上，PSO-SVM雖不及默認參數SVM，但相比傳統的CV算法，用時縮短了27%。

綜上所述，在小樣本情況下，缸蓋振動信號時域特征向量結合優化后的SVM能夠提高故障識別準確率，而應用粒子群優化算法的SVM，針對傳統優化算法對分類模型參數達不到最佳優化效果的問題，有效提高了既定機型下發動機配氣機構和點火系常見故障識別的準確率。

5 結論

在發動機不解體的情況下，采集缸蓋表面振動信號，對其按曲軸轉角進行時域劃分并計算各段能量，將各段能量組成特征向量并形成訓練集和測試集，運用不同優化算法下的SVM對故障進行分類預測。實驗結果表明，結合時域特征向量提取和POS-SVM可以基本實現對發動機各缸氣門間隙故障和失火故障的準確識別。

本文中只針對選定發動機的振動信號進行了基于PSO-SVM方法的故障診斷，但該方法可普及應用于其他發動機的故障診斷。

[1] 周志培.發動機氣門間隙異常原因分析及對策[J].柴油機設計與制造,2012,18(1):52-56.

[2] SARAVANAN N, SIDDAB-ATTUNI V N S Kumar, RAMACHANDRAN K I. A Comparative Study on Classification of Features by SVM and PSVM Extracted Using Morlet Wavelet for Fault Diagnosis of Spur Bevel Gear Box[J]. Expert Systems with Applications,2008,35(3):1351-1356.

[3] 沈志熙,黃席樾,馬笑瀟.基于EMD和支持向量機的柴油機故障診斷[J].振動、測試與診斷,2010,30(1):19-22.

[4] 徐玉秀,楊文平,呂軒,等.基于支持向量機的汽車發動機故障診斷研究[J].振動與沖擊,2013,32(8):143-146.

[5] 梅衛江,王春林,邊金英,等.柴油機氣門間隙異常故障振動診斷的試驗研究[J].機床與液壓,2010,38(17):130-132.

[6] 劉建敏,李曉磊,喬新勇,等.基于EMD和STFT柴油機缸蓋振動信號時頻分析[J].噪聲與振動控制,2013(2):133-137.

[9] 王金華,黃佐華,劉兵,等.不同點火時刻下天然氣摻氫缸內直噴發動機燃燒與排放特性[J].內燃機學報,2006,24(5):394-401.

[10] 高有山,李興虎.電噴柴油發動機汽車經濟性模擬計算[J].中國公路學報,2009,22(5):122-126.

[11] 高有山,王愛紅,高崇仁.天然氣蒸汽重整制氫WTT階段能量消耗及排放分析[J].機械工程學報,2013,49(8):158-164.

[12] 高有山,王愛紅,高崇仁.原油運輸能量消耗及氣體排放分析[J].機械工程學報,2012,48(20):147-152.

[13] 高有山,李興虎,蔡鳳田.車用燃油生命周期的能量消耗和溫室氣體排放分析[J].北京航空航天大學報,2009,35(11):1349-1352.

[14] GAO Youshan, WANG Aihong. Energy Consumption and Emissions Analysis of Natural Gas Exploitation[C].2011 International Conference on Materials and Products Manufacturing Technology, ICMPMT 2011, Chengdu, China:1525-1529.

[15] BARKER L, DAVE R, HALSNS K, et al. Climate Change 2007: Technical Summary[R].Contribution of Working Group III to the Fourth Assessment Report of the Intergovermental Panel on Climate Change,2007.

[16] 高有山,李興虎,黃敏.汽車滑行阻力分析[J].汽車技術,2008(4):30-33.

[17] NAM E K, GIANNELLI R. Fuel Consumption Modeling of Conventional and Advanced Technology Vehicles in the Physical Emission Rate Estimator (PERE)[R]. U.S.:EPA,2005.

[18] CHRISTOPHER F H, ROUPHAIL N M, ZHAI H, et al. Comparing Real-World Fuel Consumption for Diesel- and Hydrogen-Fueled Transit Buses and Implication for Emissions[J]. Transportation Research.Part D,Transport and Environment,2007,12(4):281-291.

[19] WANG M Q. GREET1.5-Transportantation Fuel-Cycle Model Volume 1: Methodology, Development, Use and Results[R]. Center for Transportation Research, Energy Systems Division, Argonne National Laboratory,1999.

Engine Fault Diagnosis Based on Time-domainEnergy Division and PSO-SVM Algorithm

Hu Zhiyong, Niu Jiahua, Guo Lina & Ma Jichang

InnerMongoliaUniversityofTechnology,Hohhot010051

In view of the time sequence of excitation source of engine cylinder head vibration signals, an engine fault diagnosis method based on time-domain energy division technique and particle swarm optimization-support vector machine (PSO-SVM) algorithm is proposed. The vibration signals are divided into time-domain energy according to crankshaft angle, the vectors composed of each time-domain signal energy are taken as the eigenvectors of fault classification, and the faults of engine valve train are identified by SVM algorithm with different optimization techniques. The diagnosis results show that the combination of time-domain energy division with PSO-SVM algorithm can identify the common faults of valve train and ignition system of the specific type of engine under the condition of small sample set.

engine; fault diagnosis; vibration signal; time-domain eigenvector; support vector machine

*內蒙古自然科學基金(2012MS0704)和內蒙古高校科研基金重點項目(NJZZ11070)資助。

原稿收到日期為2014年7月2日，修改稿收到日期為2014年8月24日。