基于油液降噪信息的發動機磨損多特征分析研究

徐啟圣 許澤銀 徐厚昌

合肥學院,合肥,230022

0 引言

發動機在多種裝備上的應用日益廣泛,必須對其(尤其是關鍵零部件的磨損狀態)進行有效的監測維護,以確保設備的穩定運行,但高溫差、高壓及高載的工作環境給監測工作增加了難度。

作為不解體檢測手段,油液分析的核心技術——光譜分析用于檢測油液中磨粒的金屬元素、外界灰塵元素,甚至添加劑及冷卻劑的濃度,直讀鐵譜用于測定大小鐵磁性磨粒的數量,二者結合可對零部件的磨損狀態和油品狀態起到早期監測預報的作用,包括磨損部位、磨損程度、磨損原因及添加劑消耗等[1]。然而,從磨合開始直至完全失效的全程油液分析往往難以做到,而經常是在某一階段進行狀態監測甚至若干次進行狀態監測,得到的數據量往往不足;同時,受加換油的影響,僅用基本統計方法往往難以建立指導意義強的診斷標準。另外,由于主客觀原因,油液監測信號不可避免地含有噪聲,于是常采用小波包變換(WPT)對光譜和直讀鐵譜檢測信號進行降噪,得到反映穩態和奇異狀態的近似系數、細節系數,為挖掘有效診斷特征做準備(關于油液磨損信號的降噪詳見文獻[2])。因此,采取合適的數據處理方法充分挖掘檢測數據的特征,提高油液監測標準的準確性和可靠性具有重要意義。

1 多特征提取及分析

對于本文所研究的柴油機,其主要摩擦副的金屬組成元素見表1。

表1 主要摩擦副及其主要金屬元素

高溫、高載、高速的工作條件給發動機高工效帶來很大的壓力。這是因為高溫會嚴重降低材料的強度,較大的缸徑會造成較大的溫度梯度;質量較大的活塞在高速運動時產生的慣性力在高壓下使活塞產生的側向力大為增加,這會加劇活塞、活塞環的磨損,從而影響其工效。因此,發動機需要進行視情維護,以確保穩定運行。對該柴油機進行了為期一年的定期檢測和數次常規檢查,獲取的光譜和直讀鐵譜的檢測數據如表2所示。

表2 某型柴油機的油液檢測數據

1.1 邊界特征

在提取邊界特征時,常用的基于統計學的傳統三線值法[3]對數據量要求高,至少要達到10個以上[4]。而且經過應用可知,由傳統三線值法得到的特征邊界跨度過大,忽略了中間過程的信息,導致對過渡過程的磨損判斷不足,難以實現視情維護。為此,考慮小波基函數的緊支特性和好的能量集中性質且對數據要求不高的優點[5],充分利用筆者在文獻[2]已獲得的降噪信號,通過小波變換獲取反映原信號穩定特征的近似系數和反映奇異特征的細節系數以挖掘更多的信息,在改進三線值法[6]基礎上重建了新三線值法：

式中,sde為降噪信號的均值;σ為降噪信號的標準差;σa、σd為近似系數和細節系數的標準差;σe為噪聲信號的標準差,由于要用原信號判斷磨損狀態,故需還原。

為確定不同方法的優劣,根據這三個邊界,建立了評價指標即反常狀態與正常狀態范圍之比：

對表2的檢測數據,應用新三線值法和傳統三線值法提取的邊界分別見表3、表4。可以看出,新三線值法得到的評價指標小于傳統三線值法得到的評價指標,由文獻[6]可知,由新三線值法得到的邊界能減少虛警。而且由前者得到的危險線值小于后者,表示新三線值法比傳統三線值法得到的邊界具有更好的預警能力。這從側面證明了對油液檢測信號降噪的必要性。因此,應用新三線值法對降噪信號建立的邊界更佳,而且更小的警戒值有助于引起早期警覺,盡早發現故障,實現對發動機的視情維護。

表3 用新三線值法得到的邊界及指標

表4 用傳統三線值法得到的邊界及指標

1.2 聚類特征

常用的聚類方法有傳統層次聚類、K-means聚類、模糊c-means聚類等[7]。層次聚類利用表示聯系的、不一致的系數閾值發現聚類的數目及其成員,K-means聚類和模糊c-means聚類需要先確定數據需要聚類的數目。對于本研究,由于最大的分類數目已經通過新三線值法確定,K-means聚類足以達到聚類目的。而且K-means聚類不必建立樹結構來描述數據的分類,而是利用數據中的對象或個體的實際觀察而不是其近似來建立聚類的單層結構,更為直觀。為判斷得到的聚類質量如何,利用K-means聚類輸出的聚類指標建立了輪廓圖,見圖1。該圖用輪廓值(silhouette value,SV)衡量一個聚類的各點和相鄰聚類的點的接近程度,測度范圍為[-1,1],其中1表示和相鄰聚類很遠即分類明確的點,0表示屬于一個聚類或另一個聚類即分類模糊的點,而-1表示很可能劃分到錯誤聚類的點。

圖1 對Pb信號的聚類輪廓圖

對油液數據聚類結果見表5。可看出,除了Al信號外,其他降噪信號的輪廓值都比降噪前大,說明聚類質量好。而且,由圖1可知,對于Pb的原信號而言,聚類1的輪廓值有負數情況,表明聚類1有誤分類,而根據降噪后的Pb信號進行聚類,輪廓值皆為正,表明聚類準確度高于用Pb原信號進行聚類的準確度。其他信號也有類似結果(從略)。這再次證明了降噪的必要性。

1.3 相關度

機械設備的磨損過程有漸變性也有突變性,有其自身的規律。在某些情況下磨損狀態難以直接識別,這時,基于揭示磨損狀態的特征之間或影響因素之間相關性的方法是合適的替代方法。如對于主要摩擦副這類的磨損數據,如光譜分析,不同元素之間的濃度(質量分數)及其變化的信息具有較強的相關性。對于表2任意兩元素信號間的相關度,其計算方法見文獻[8],結果見表6。

表5 用K-means的聚類結果

表6 各信號之間的相關度

由表6可知,在與Fe的相關系數中,Cu的正相關度最強,Al的正相關度次之;在與Cu的相關系數中,Al的正相關度最強,達0.83;同樣,與 Pb正相關性最強的也是Al,達0.69,說明軸瓦-曲軸和活塞-氣缸套這兩個摩擦副的磨損相關性最強。與Pb正相關度次之的是Cu,支持了軸瓦中包含有這兩種有色金屬的事實。

同時,Fe和Cr為負相關,相關度在所有負相關中最大,為-0.48,Cr和Cu、Al也呈負相關關系,且Fe和Al正相關度為0.7,這在很大程度上說明,與氣缸套的接觸磨損中,活塞比活塞環的磨損程度大,而本來應該相反,說明活塞環潤滑系統反常,如不對中或活塞環磨損過度甚至失效等,需查明原因。可見光譜分析及其元素相關性分析對發動機潤滑系統檢測的重要性和針對性。

Fe與 Dl、Ds及Dls的相關度都不到 0.2,其中,Fe和Ds的相關度是Dl的3倍,這支持了光譜分析檢測小磨粒(粒徑≤8μm)比檢測大磨粒更有效的事實。同時,Dl和Ds的相關性極強,結合表2可知,產生鐵磨粒時,大磨粒大大多于小磨粒,說明在進行油液檢測時,用光譜分析前最好先進行直讀鐵譜分析。

2 質心-邊界多特征分析

通過三線值法可得到各信號的三個邊界特征。但是實踐發現,兩種方法的正常線s1都偏高,以致應該重視的過渡信息很可能被忽略而失去早期發現磨損問題的良機[9]。研究中發現,具有最大輪廓值或更好的輪廓圖的聚類特征質心,可看作為另一個邊界特征。根據質心(centroid)的定義[10]可知,無論對于單變量還是多變量,其值都小于正常線s1,于是由傳統三線值法確定的正常線實際上很可能不正常。故把較大的質心特征作為正常線,該問題得到了解決。

聯合三個邊界和兩個質心,從光譜和直讀鐵譜數據共提取了5個特征,如表7所示。值得注意的是,Dl和Ds的邊界之和與Dls邊界非常接近,正支持了Dls是Dl與Ds之和的事實。結合表1可知,Cu、Pb的邊界主要用來診斷軸瓦-曲軸摩擦副的磨損狀態,Cr、Mo的邊界主要用來診斷活塞環-氣缸套的磨損狀態,而 Al的邊界主要用來診斷活塞-氣缸套的磨損狀態,Dl、Fe及Ds主要用來診斷凸輪軸-凸輪軸承的磨損狀態。如果用這些元素進行單診斷的結果不同,則以較為嚴重的結論為主,以有利于防患于未然。

根據上述特征可建立磨損狀態決策表(表8)。

表7 各信號的磨損邊界

表8 磨損狀態決策

對表2的磨損狀態判斷結果見表9。可以看出,用多特征法識別出來的結果為6種磨損等級(A～F),而用傳統三線值法識別出來的結果僅有4種磨損等級(Ⅰ～Ⅲ),可見前者比后者的識別效率提高了一倍。更為重要的是,第3次根據Mo信號進行診斷的結果為磨損等級F,說明活塞環-氣缸套的磨損處于緊急狀態,很可能有部件已經失效,拆機檢查發現,活塞環磨損非常嚴重,已經影響到使用性能,這和相關分析的結果一致。而用傳統三線值法的識別結果僅為磨損等級Ⅱ(“注意”狀態),不能引起警覺,明顯達不到監測目的。活塞環更換后,監測結果為磨損等級A,說明磨損狀態良好。

表9 基于質心-邊界多特征法和傳統三線值法的識別結果

對于第7次診斷,根據Al元素信號,用傳統三線值法判斷的磨損等級為Ⅱ(“注意”狀態),而用多特征法判斷的磨損等級為E(“嚴重”狀態),結合圖2中Al元素的質量分數趨勢可知,活塞-氣缸套磨損異常且具有突發性。采取鐵譜分析法進一步分析,發現了Al異常磨粒(圖3),表明活塞發生了異常磨損。而采用傳統三線值法根據Mo元素信號診斷活塞環的磨損等級為Ⅱ,比活塞磨損程度輕,不符合正常磨損情況。檢查發現,由于安裝不當,活塞局部和氣缸套直接接觸。調整后,采用多特征法根據Al信號進行診斷,磨損等級降為C(“注意”狀態),而采用多特征法和傳統三值線法根據Ds判斷的結果分別為E(“嚴重”狀態)、Ⅲ(“警戒”狀態),基本一致。因此多特征法與傳統三值線法相比,判斷磨損狀態更準確。

在第7次診斷中,根據Al信號用傳統三值線法和多特征法判斷的磨損等級分別為Ⅱ(注意)和E(嚴重);根據Cu、Pb元素信號,不論用傳統三值線法還是多特征法,磨損狀態皆為“注意”,而用其他元素信號判斷的狀態則為“良好”或“注意”,這也支持了相關性分析中得出的軸瓦-曲軸和活塞-氣缸套摩擦副的磨損相關性最強的結論,可見相關性分析確實是發動機磨損分析的一項重要內容。

對磨損狀態情況的頻次統計如表10所示,兩種方法判斷結果相同的達40次,占55.6%,表明兩種方法在大多情況下的一致性;而不一致的次數32次,占44.4%。由以上分析可知,其中多特征法的3次警戒、2次嚴重和1次失效共6次結果更符合實際情況,尤其根據第 7次診斷的結果——“嚴重”狀態采取措施后避免了緊急故障的發生。因此,多特征法具有更高的準確率和異常識別率。

圖2 Al元素的濃度(質量分數)趨勢

圖3 Al元素異常磨粒

表10 磨損狀態次數統計

但在有些情況下,對于同一零部件,根據不同元素信號確定的磨損狀態,結果可能不一致,如表9中的第4次診斷,根據Cr元素信號判斷的磨損等級為D(“警戒”狀態),而根據相關性最強的Fe、Mo及Al信號判斷的結果則分別為A(“良好”狀態)、B(“正常”狀態),到底哪種結果正確,僅憑光譜信息難以確定,需要結合其他手段如鐵譜分析法進一步分析。這種情況對于磨損級別相差較大時,則顯得更有意義。

3 結論

(1)發動機光譜、直讀鐵譜降噪信號的邊界特征、聚類的輪廓特征研究表明了降噪的必要性;

(2)發動機光譜、直讀鐵譜降噪信號的相關性研究表明,各摩擦副相關度強弱及其正負情況對其磨損狀態的確定有重要的補充作用;

(3)與傳統三線值法相比,多特征分析法對磨損狀態的劃分更詳細、識別率更高、預警能力更強,更能體現根據相關元素信號確定磨損狀態的一致性及互補性;

(4)多特征分析法在較大程度上解決了油液分析數據量少、確定發動機磨損邊界有效性和針對性不高的問題,這對其他設備磨損邊界的確定具有借鑒意義。

[1] 李柱國.機械潤滑與診斷[M].北京：化學工業出版社,2005.

[2] 徐啟圣,許澤銀,徐厚昌.基于小波包變換的油液磨損信號降噪研究[J].潤滑與密封,2009,34(10)：45-47.

[3] 徐明新,沙明元,齊夢學.TBM油液鐵譜與光譜的數據處理[J].同濟大學學報(自然科學版),2001,29(12)：1429-1433.

[4] Huo Hua,Li Zhuguo,Xia Yanchun.Application of Maximum Entropy Probability Density Estimation Approach to Constituting Oil Monitoring Diagnostic Criterions[J].Tribology International,2006,39：528-532.

[5] 李建平,唐元炎.小波分析的應用[M].重慶：重慶大學出版社,1999.

[6] Xu Qisheng,Li Zhuguo.Recognition of Wear Mode Using Multivariable Synthesis Approach Based on Wavelet Packet and Improved Three-line Method[J].Mechanical Systems and Signal Processing,2007,21(8)：3146-3166.

[7] Guldemir H,Sengur A.Comparison of Clustering Algorithms for Analog Modulation Classification[J].Expert Systems with Applications,2006,30：642-649.

[8] 薛定宇,陳陽泉.高等應用數學問題的Matlab求解[M].北京：清華大學出版社,2004.

[9] 徐啟圣.智能化多規則油液綜合故障診斷理論及方法的研究[D].上海：上海交通大學,2007.

[10] Llet′y R,Ortiz M C,Sarabia L A,et al.Selecting Variables for K-means Cluster Analysis by Using a Genetic Algorithm that Optimises the Silhouettes[J].Analytica Chimica Acta,2004,515：87-100.