基于聲信號特征譜提取的發動機故障診斷系統設計

王劍楠

(西安航空職業技術學院 汽車工程學院, 西安 710089)

0 引言

汽車發動機內部由多種復雜的零部件構成，具備構成要素多、結構精度、復雜性較強等多項特征。尤其是汽車發動機內部的各個功能組件，在汽車運行過程中起到關鍵性作用。只有汽車發動機內部功能組件之間以相互配合、相互協調的形式進行配合工作，才能確保汽車運行過程中的安全性。目前，在高溫燃氣工作條件下，汽車發動車在運行過程中的故障頻發，此現象給汽車行駛安全造成極大的威脅。關于汽車發動機故障的研診斷與檢測，最常用的檢測方法為人工經驗檢測法。這種檢測方法對人工經驗有著較強的依賴性，最終檢測結果缺乏精確性與可靠性。對此，人們開始嘗試采用現代信息技術對發動機機械異響進行提取，如通過小波變換，或小波能量包提取的方法，然后在借助智能算法對提取的聲信號特征進行分類，從而判斷機械的故障。本文則在以往研究的基礎上，以摩托車發動機異響作為研究對象，提出一種小波閾值去燥與神經網絡的故障診斷方法。

1 小波閾值去燥

1.1 去燥原理

小波閾值去噪是一種于上世紀90年代Donoho等人提出的去噪方法。小波閾值去噪法的提出原理為：原本小波系數小數目大的信號在經過小波變化之后，將變為數目小但系數大的小波系數信號，從而使噪聲所對應的小波系數幅值也相對較低，以此達到去噪目的。小波閾值去噪主要分為兩種去噪方法，分別為硬閾值小波去噪以及軟閾值小波去噪。這兩種方法在去噪過程中都是在不同尺度上對合適閾值進行選擇，并且將部分小于該閾值的小波系數進行置零處理，對大于該閾值的小波系數進行保留，以此抑制噪聲信號中噪聲的目的。其中，硬閾值小波去噪的表達為式(1)。

(1)

在式(1)中，w(j,k)代表包含噪聲信號小波變換之后的小波系數；λ代表所選的閾值；wh(j,k)代表在硬閾值函數處理之后的小波系數。

軟閾值小波去噪表達式為式(2)。

(2)

通過對比式(1)與式(2)后可以得出，硬閾值小波去噪函數主要作用于對幅值較小的小波系數進行抑制；而軟閾值小波去噪函數則可以實現所有小波系數的抑制。硬閾值小波去噪法的優勢在于簡單，軟閾值小波去噪則勝在去噪效果好。兩種去噪法優勢，可通過圖1和圖2的結果看出。

圖1 硬閾值處理函數

圖2 軟閾值函數

1.2 閾值函數的選取

小波閾值去噪在實際使用過程中，雖然硬閾值小波去噪與軟閾值小波去噪自身具備不同的優勢，但這些優勢卻難以彌補其在應用過程中存在的缺陷。因此，還需通過對閾值函數的改進來改善小波閾值去噪存在的自身缺陷。本文則通過對圖3和圖4的聲信號處理結果對比，采用加權平均值函數對閾值進行選取，如式(3)。

(3)

其中，μ代表函數的調節值。

圖3 信噪比為2時的聲信號特征

2 發動機異響故障診斷模型構建

通過采集系統采集到的發動機聲信號除了具備主要的發動機聲信號以外，還包含了采集過程中周圍空間所產生的不同聲波，從而使發動機聲信號具備較強的復雜性。神經網絡是一種參照人腦微觀結構的運算模型，具有非線性、非局限性、非常定性以及非凸性四大特征，主要用于處理難以模糊化的模式類信息，能夠對建立復雜發動機聲信號識別模型起到極大的幫助。目前，隨著神經網絡的不斷完善與智能時代的推進，越來越多領域開始對神經網絡進行廣泛應用，具體包括智能控制領域、模式識別領域以及計算機視覺領域等。

圖4 信噪比為6時的聲信號特征

2.1 PNN分類機理

PNN是一種于上世紀90年代由Specht所提出的網絡模型，這種網絡模式主要由徑向基神經元以及競爭神經元構成。從本質上來看，PNN其實還是一個分類器。通過對PNN的使用能夠實現對模式的分類，確定X維向量所屬的類別Ci。假設已知各類別概率函數密度fi(X)，參考碑也是分類準則可將X劃分為Ci類別中。具體表達式為式(4)。

PiLifi(X)>PjLjfj(X)

(4)

在式(4)中，Pi代表X屬于Ci類的先驗概率；Li代表將X判定為Ci類的錯誤分類代價。

2.2 PNN網絡結構

PNN主要由四層網絡結構構成，分別為輸入層、模式層、求和層以及輸出層，以下將對這四層網絡結構進行詳細分析：

第一層：輸入層。在PNN網絡結構中，輸入層主要作用于將樣本完全不變的傳至下一層中，輸入樣本記為X=(x1,x2,…,xq)T。

第二層：模式層。模式層主要由徑向基神經元構成。在PNN網絡結構的模式層中，其神經元個數等同于訓練樣本矢量個數，各模式單元輸出向量Mij(X)代表訓練樣本屬于各類的概率，具體計算式為式(5)。

i∈{1,2,…,n},j∈{1,2,…,m}

(5)

在式(5)中，n代表總的模式數；m代表模式層神經元個數；Wij代表輸入層到模式層連接的權值；δ代表平滑因子，能夠起到分類的作用。

第三層：求和層。在PNN網絡結構求和層中，各神經元只會和相應類別樣本節點進行連接。因此，求和層僅需計算同類樣本輸出值之和。具體計算式為式(6)。

ωij∈[0,1],i∈{1,2,…,n}

(6)

在式(6)中，ωij代表混合權重，并且能夠滿足,如式(7)。

(7)

通過式(6)的計算可得出輸入樣本極有可能屬于Ci類。

第四層：輸出層。輸出層中的神經元屬于競爭神經元，主要起到接收求由和層中輸出各類概率密度函數的作用。具體PNN網絡結構如圖5所示。

圖5 PNN網絡結構

3 發動機聲信號采集

3.1 采集示意圖

具體發動機聲信號采集示意圖如圖6所示。

圖6 發動機聲音信號采集示意圖

本文主要采用傳聲器、數據采集前端、筆記本電腦以及聲信號采集軟件對發動機聲音信號進行采集。具體采集設備如圖7所示。

3.2 傳聲器

傳聲器是一種變換及輸出聲音信號的裝置。在傳聲器的選擇方面，需對傳聲器性能指標、傳聲器價格、測試便捷性以及傳聲器外形尺寸等進行考慮。只有在完全考慮到這種選擇因素的情況下，才能從眾多傳聲器型號中選擇出最適合本次發動機聲音信號采集的傳聲器。基于此，本文在考慮各項選擇因素之后，將選用北京聲望聲電技術有限公司生產的型號為MPA201的傳感器。MPA201是一款集1/2 英寸預極化駐極體測量傳聲器以及ICCP 前置放大器為一體的傳聲器，能夠對支持500 m以上的多通道與長距離測量提供支持，并且具有較高的性價比。

圖7 發動機聲音信號采集設備

本文所設定的發動機聲音信號采集環境為摩托車發動機生產線。在此環境之下，整個聲音信號采集過程將含有電流聲、氣閥聲等多種復雜噪聲。本次聲音信號采集主要采用近場測量法對發動機直達噪聲進行獲取。與此同時，將通過在遠端布置一個傳聲器的方式來對背景噪聲進行記錄，以此確保最終檢測結果的有效性。具體傳感器布設位置如圖8所示。

圖8 傳感器采集布設

3.3 信號測取過程

具體發動機聲信號的采集流程如下：

(1)鏈接硬件。鏈接硬件主要是指借助相應的數據線將傳聲器、信號采集前端等采集設備進行連接。其中，傳聲器與信號采集前端之間因保持對應且固定的連接狀態。對此，本文將采用第1通道對傳聲器進行鏈接，以第4通過對感應線圈進行鏈接；

(2)設置信號采集參數。在開展發動機聲音信號的采集工作之前，還需對主要技術參數進行設置，具體包括采樣頻率、采樣時間、傳感器類型等。結合實驗人員以往常規設置經驗，本文將發動機聲音信號采集頻率設置為20 480 Hz，采用時間設置為2 s；

(3)采集發動機聲音。在完成以上步驟之后，將正式開始對發動機聲音信號的采集工作。具體采集過程為：首先，將發動機檔位調成空擋；其次，啟動發動機，并且將發動機轉速控制在1 500-1 700 rpm之間；最后，通過有經驗師傅對發動機聲音進行監聽，判斷該發動機是否存在異響及異響類型，并且對該異響進行記錄；

(4)重復步驟(3)，知道整個發動機檢測工作全部結束，并且在結束之后將信號采集前端電源關閉。

3.4 采集界面

對采集界面的設計，則采用MATLAB仿真軟件進行編程開發。具體發動機聲信號采集界面如圖9所示。

4 結果

獲取各類摩托車發動機聲音類型，建立一個96×20矩陣。結合摩托車發農機聲信號類型，以及考慮到摩托車聲信號的4種類型易辨識性，本文將分別以數字1,2,3,4對正常發動機、箱體異響發動機、右蓋異響發動機以及左蓋異響發動機四種聲音信號進行表示。因此，可通過在96×20矩陣中增加新一列的方式，獲取一個96×21矩陣。具體經去燥處理后的分類效果圖以及未經處理后的分類效果如圖10、圖11所示。

圖9 發動機聲音信號采集界面

通過上述的結果可以看出，經過處理后的分類效果更佳準確。

5 總結

通過上述的分析可以看出，在對發動機聲信號進行分類的過程中，必須對聲信號的特征進行準確提取，這樣才能提高后續分類判斷的準確率。同時，PNN算法在處理聲信號分類方面具有其獨特的優勢，通過PNN的分類，其分類精確度通過上述結果看出要明顯高于未經處理的分類效果。