基于粒子群算法的柴油機(jī)故障診斷研究

張林

（商洛學(xué)院電子信息與電氣工程學(xué)院，陜西商洛 726000）

隨著工業(yè)化的高速發(fā)展，工業(yè)對機(jī)械設(shè)備的自動化和智能化要求進(jìn)一步提升，且機(jī)械設(shè)備向著集成化、大規(guī)模和大型化的趨勢發(fā)展[1-2]。為了滿足現(xiàn)代工業(yè)技術(shù)的發(fā)展要求，柴油機(jī)的復(fù)雜程度變得越來越高，其工作環(huán)境也更加復(fù)雜，由此造成機(jī)械設(shè)備出現(xiàn)故障后定位故障點(diǎn)的難度也變得更大[3]。

進(jìn)入二十世紀(jì)中葉以來，伴隨著模式識別與人工智能技術(shù)的興起以及快速發(fā)展，采用智能預(yù)測算法對機(jī)械設(shè)備故障診斷變成了可能，柴油機(jī)故障診斷技術(shù)作為機(jī)械設(shè)備故障診斷的一部分，也逐步得到了發(fā)展。最早對柴油機(jī)故障診斷的研究可以追溯到20世紀(jì)60年代，美國機(jī)械故障預(yù)防研究所對發(fā)動機(jī)類機(jī)械設(shè)備故障診斷相關(guān)技術(shù)的研究[4-5]。柴油機(jī)在我國工業(yè)生產(chǎn)中扮演著重要的角色，我國也是世界上使用柴油機(jī)數(shù)量最多的國家，我國對柴油機(jī)故障診斷的研究始于上世紀(jì)八十年代，我國研究人員將振動技術(shù)作為系統(tǒng)辨識的方法開始研究柴油機(jī)故障診斷技術(shù)[6]。2001年之后，隨著現(xiàn)代數(shù)字信號處理技術(shù)和模式識別算法的發(fā)展，各種智能優(yōu)化分析算法應(yīng)用于柴油機(jī)設(shè)備的故障診斷研究中，使柴油機(jī)故障診斷技術(shù)更加趨于成熟。沈紹輝等采用改進(jìn)人工蜂群算法優(yōu)化支持向量機(jī)對柴油機(jī)故障進(jìn)行診斷，并取得了良好的研究效果[7]。徐忠蘭采用SOM神經(jīng)網(wǎng)絡(luò)的方法對煤礦用防爆柴油機(jī)進(jìn)行故障診斷研究[8]，畢鳳榮將VMD與KFCM算法相結(jié)合對柴油機(jī)故障診斷算法進(jìn)行改進(jìn)，實(shí)現(xiàn)對柴油機(jī)故障的定位與判別[9]。

柴油機(jī)故障診斷技術(shù)主要是通過獲取柴油機(jī)運(yùn)行過程中信息間接對其運(yùn)行狀態(tài)進(jìn)行動態(tài)檢測[10]、識別和預(yù)測的功能[11]，盡可能在故障發(fā)現(xiàn)前期就做出預(yù)警，確保柴油機(jī)設(shè)備的正常連續(xù)運(yùn)行[12]，最終達(dá)到降低柴油機(jī)故障發(fā)生率的目的。

目前，柴油機(jī)故障診斷技術(shù)已發(fā)展成為集機(jī)械、聲學(xué)、自動控制、模式識別、人工智能和概率統(tǒng)計(jì)等多學(xué)科融合的技術(shù)，而其主要完成故障的識別與預(yù)測。本研究主要通過采集柴油機(jī)系統(tǒng)的振動信號，建立基于粒子群算法的柴油機(jī)故障診斷分析模型，并對其進(jìn)行驗(yàn)證。

1 算法描述

假設(shè)樣本集X={Xi,i=1,2,…,N}，共有N個樣本，其中Xi為n維的特征向量，聚類的過程就是找到一個向量集 ω={ω1,ω2,…,ωM}，使其總的類內(nèi)離散度J的和最小[13]。

當(dāng)聚類中心被確定，聚類的劃分可以用鄰近法則來確定，即樣品Xi，若其第j類的聚類中心滿足式(2)，那么Xi判定為屬于第j類。

在采用粒子群算法進(jìn)行問題求解的過程中，將每個粒子作為整個粒子群的一個解，根據(jù)其解的含義不同又可以將其分為聚類結(jié)果解和聚類中心集合解兩大類[15]。其具體實(shí)現(xiàn)方法如圖1所示。

圖1 粒子群算法判別流程

2 實(shí)驗(yàn)方案

本實(shí)驗(yàn)是基于振動信號檢測的柴油機(jī)故障診斷研究，由于柴油機(jī)工作狀態(tài)下的振動是多種激勵源共同作用的結(jié)果，柴油機(jī)工作狀態(tài)的特征信息隱含在這種振動信號之中，如何在不影響柴油機(jī)正常工作的情況下，通過對柴油機(jī)的振動信號進(jìn)行特征提取判別柴油機(jī)的故障信息是本研究的目的，本實(shí)驗(yàn)主要以V12型缸柴油機(jī)作為研究對象，對其各部分的故障進(jìn)行模擬與分析研究。

本實(shí)驗(yàn)搭建的V12型柴油機(jī)故障診斷平臺主要包括柴油機(jī)、振動信號傳感器、信號放大器和故障分類模型等四部分。柴油機(jī)工作過程中會產(chǎn)生振動信號，振動信號傳感器將這種振動信號轉(zhuǎn)換成電信號，經(jīng)放大與濾波后通過粒子群判別算法對柴油機(jī)的工作狀態(tài)進(jìn)行判別分析。實(shí)驗(yàn)平臺主要裝置如圖2所示。

圖2 柴油機(jī)故障診斷裝置結(jié)構(gòu)

根據(jù)采集到的振動信號結(jié)合本文提出的粒子群算法，分別對柴油機(jī)的3個檢測點(diǎn)的故障信息進(jìn)行分類。柴油機(jī)的工作狀態(tài)可以分為正常、空氣濾清器堵塞（故障一）、右4缸噴油泵故障（故障二）和左4缸噴油泵故障（故障三）四種工作狀態(tài)，對應(yīng)每種工作狀態(tài)重復(fù)設(shè)定18種工作狀態(tài)進(jìn)行檢測分析，選取其中的3個測試樣本對模型進(jìn)行訓(xùn)練，其余15個樣本作為測試集對模型進(jìn)行驗(yàn)證。因此，訓(xùn)練集共有12個樣本，驗(yàn)證集共有60個測試樣本。采用粒子群算法對每種工作狀態(tài)的主成分進(jìn)行提取得到特征向量。為了提高故障識別的準(zhǔn)確率，分別設(shè)定四個不同的檢測點(diǎn)對振動信號進(jìn)行采集，分別記為測試點(diǎn)一、測試點(diǎn)二、測試點(diǎn)三和測試點(diǎn)四。

3 結(jié)果與分析

3.1 柴油機(jī)振動信號特征提取

柴油機(jī)的工作過程中其振動信號非常復(fù)雜，特別是其工作在不同環(huán)境和狀態(tài)模式下，其振動信號的頻域表現(xiàn)出的差別較大。鑒于此，實(shí)驗(yàn)過程中將柴油機(jī)轉(zhuǎn)速設(shè)定為2200 r·min-1，滿負(fù)荷狀態(tài)下進(jìn)行實(shí)驗(yàn)測試。采用小波能量譜將柴油機(jī)的振動信號進(jìn)行分解，并對振動信號的特征向量進(jìn)行提取。小波能量譜分解的原理是柴油機(jī)振動信號在不同頻段的差異通過能量和的形式表示出來，通過振動信號的能量分布情況對特征信息進(jìn)行提取。

將觀測點(diǎn)定在右側(cè) 6缸缸蓋處采集到的正常工作的柴油機(jī)與發(fā)生故障一的柴油機(jī)能量譜圖如圖3所示。

圖3 右側(cè)6缸缸蓋右側(cè)處測點(diǎn)小波包能量

由圖 3可以看出，柴油機(jī)在不同的工作狀態(tài)下，其振動信號的能量譜分布情況有著較大的差異，因此本實(shí)驗(yàn)過程中，采用小波能量譜分布情況對振動信號特征進(jìn)行提取，并且共提取出 16個有效的特征信號。

3.2 測試結(jié)果

將測試點(diǎn)一的 60個柴油機(jī)工作狀態(tài)樣本輸入到系統(tǒng)中，得到其四種狀態(tài)預(yù)測結(jié)果，如圖4所示。測試結(jié)果表明，系統(tǒng)對柴油機(jī)測試點(diǎn)一的故障識別準(zhǔn)確率達(dá) 91.6%，能夠準(zhǔn)確識別出 55個樣本的故障類型，說明采用粒子群算法能夠較有效地對測試點(diǎn)一的故障進(jìn)行辨別。

圖4 測試點(diǎn)一故障分類結(jié)果

將測試點(diǎn)二、測試點(diǎn)三和測試點(diǎn)四對應(yīng)的 60個測試樣本分別輸入系統(tǒng)，對其每個測試點(diǎn)的工作狀態(tài)預(yù)測結(jié)果分別如圖5、圖6和圖7所示。

圖5 測試點(diǎn)二故障分類結(jié)果

圖6 測試點(diǎn)三故障分類結(jié)果

圖7 測試點(diǎn)四故障分類結(jié)果

通過仿真結(jié)果發(fā)現(xiàn)，測試點(diǎn)二的 60個樣本中可以準(zhǔn)確判別出 56個樣本的故障類型，準(zhǔn)確識別率為 93.3%；測試點(diǎn)三能夠準(zhǔn)確識別出 58個樣本的故障類型，識別準(zhǔn)確率為96.6%；測試點(diǎn)四能夠準(zhǔn)確識別出 54個樣本的故障，識別準(zhǔn)確率為 90.0%。通過對比測試結(jié)果可以發(fā)現(xiàn)，四個測試點(diǎn)采集到的振動信號都能夠較準(zhǔn)確地對柴油機(jī)的故障進(jìn)行判別，判別準(zhǔn)確率均在90.0%以上，對比四個測試點(diǎn)的測試結(jié)果，測試點(diǎn)三的預(yù)測效果最佳，表明在對柴油機(jī)的故障進(jìn)行判別分析的過程中，選取的測試點(diǎn)位置對結(jié)果有著較明顯的影響。充分表明采用本文提出的粒子群算法能夠有效地完成對柴油機(jī)故障進(jìn)行診斷。

4 結(jié)論

粒子群算法是人工智能、機(jī)器學(xué)習(xí)領(lǐng)域的新興智能判別算法，在對器械設(shè)備故障診斷方面的應(yīng)用較少，本文構(gòu)建了基于粒子群算法的柴油機(jī)故障診斷模型，對柴油機(jī)的工作狀態(tài)進(jìn)行判別。本研究發(fā)現(xiàn)，表明采用粒子群算法能夠較準(zhǔn)確地對柴油機(jī)的故障進(jìn)行判別，判別準(zhǔn)確率均在90.0%以上，通過選取合適的觀測點(diǎn)的方法可以改善判別結(jié)果，因此在實(shí)際應(yīng)用過程中應(yīng)結(jié)合柴油機(jī)的工作實(shí)際選取恰當(dāng)?shù)挠^測點(diǎn)，提高預(yù)測準(zhǔn)確率的效果。