失火故障模式下的柴油機信號特征分析

白雲杰

（陸軍工程大學石家莊校區，河北 石家莊 050003）

引言

在機械工程領域,柴油發動機作為典型的往復式動力機械，廣泛應用于生產生活的各個領域。但柴油發動機由于其自身結構復雜，工作環境惡劣，導致零部件出現故障而影響整機正常使用的情況時有發生，嚴重時甚至可能造成重大事故和經濟損失。因此，有效地對柴油發動機運行過程進行健康狀態監測具有重要意義[1]。

當前在工程現場，對發動機的故障狀態識別往往通過專業的維修人員來進行人工診斷，在發動機的運行狀態監測上，主要有油液監測、熱力參數監測、瞬時轉速監測、噪聲監測法和振動監測法等[2]。由于采集振動信號方便，在狀態監測和識別上速度更快，且不需要對發動機進行解體，因此本文針對典型失火故障下的柴油機缸蓋振動信號分析，并研究使用小波包分解后的信號中具有高敏感性的故障特征。

1 小波包分解與敏感性分析原理

在傳統的柴油機狀態監測中，大多使用時域分析和頻域分析方法對柴油機進行特征提取，但時域分析和頻域分析在非平穩信號的處理上并不好。柴油機激勵多且缸蓋振動信號復雜，具有非平穩特性，傳統特征提取方法在柴油機振動信號處理中存在局限性[3]。

1.1 小波包分解方法

小波變換是在傅里葉變化后發展起來的非平穩信號的處理方法，由于小波基的伸縮和變換產生多分辨率的小波變換，可以處理非平穩信號的時域和頻域特征，因此被廣泛應用于時頻分析上[4]。小波包分解是對小波分解后得到的高頻部分進一步分解，其克服了小波分解高頻頻率分辨率差，低頻時間分辨率差的問題，因此適合對柴油機缸蓋振動信號進行分析。本文對缸蓋振動信號進行3層小波包分解，選用db3小波基，其分解結構如圖1所示。

圖1 3層小波包分解結構圖

1.2 敏感性分析

在實際的特征提取過程中，往往會提取多個時域特征參數，各類特征參數對故障狀態的表征程度和敏感程度具有一定差異，選擇合適的特征參數才能更好地區分不同的故障模式，因此需要全面考慮每個特征參數的特性，通過分析其敏感性，篩選出表征故障模式的有效特征參數。敏感度分析的計算公式為：其中，u為敏感度，Xi為待分析特征，X為基準特征。通常狀況下，取正常狀態時的特征參數作為基準特征，不同故障模式下的特征作為待分析特征。

2 實驗設置與信號處理

本實驗研究對象是由一汽解放汽車有限公司無錫柴油機廠所制造的六缸高壓共軌柴油發動機，發動機型號為錫柴CA6DF3-20E3，共設置4種故障狀態，即正常，一缸失火，二缸失火，一、二缸失火，實驗臺如圖2所示，發動機基本參數見下頁表1。

表1 柴油發動機技術參數

圖2 柴油機實驗臺

振動傳感器沿垂直方向配置于發動機缸蓋上，采集發動機運行過程中缸蓋振動信號，采樣頻率為20 kHz，采集單個樣本點數為5 000。4種故障模式缸蓋振動信號的時域圖如圖3所示。從圖中可以看出不同故障模式時域信號雜亂復雜，無明顯信號特征。對不同故障模式下的信號進行3層小波包分解，以一缸失火狀態為例，其進行小波包分解后的第3節點前4個小波包系數如圖4所示，可以看到分解后的小波包系數信號相對于原始信號進行了壓縮。

圖3 不同故障模式下的振動信號

圖4 小波包分解系數

對小波包分解后的系數進行重構后，恢復原始信號長度并得到不同頻帶的重構系數信號見圖5。經過3層小波包分解后，得到8個節點相對應的系數信號，分解后的小波包系數信號頻譜如下頁圖6所示。通過觀察發現，經過小波包分解后，節點（3,0）至節點（3,7）代表不同頻段的信號，說明小波包分解將原始信號分解成高頻和低頻段，可以進一步分析具有敏感性的特征。

圖5 小波包系數重構信號（前4個系數）

圖6 小波包分解系數信號頻譜

3 特征分析

由于原始信號在經過小波包分解前后總能量不變，因此考慮各故障模式下小波包分解各頻帶能量的分布情況，繪制不同故障模式小波包能量特征分布直方圖如下頁圖7所示。

圖7 4種故障模式小波包能量特征分布直方圖

從圖中可以看出不同故障模式下，其信號能量的分布主要集中在小波包分解后的第一和第二兩個節點信號中，且4種故障模式下的能量分布各不相同，因此可以使用小波包分解后的能量比作為特征向量對不同的故障模式進行識別。

在此基礎上進一步分析各節點能量對不同故障模式的敏感程度，根據前文所提敏感度分析公式對不同故障模式下小波包分解各節點能量的均值進行分析，結果如下頁圖8所示。從圖中可以看到，小波包分解后第7節點和第8節點能量在不同故障模式下具有明顯差異，可以在一定程度上作為區分失火故障模式的特征參數。

圖8 小波包分解節點能量特征敏感度分析

4 結語

通過本文的研究分析，發現在柴油機發生失火故障的情況下，通過小波包分解得到的各節點能量分布比以及經過3層小波包分解后第7和第8節點能量具有一定的敏感性，可以一定程度上作為區分不同失火狀態的特征。