基于小波和神經網絡的柴油機失火故障檢測

摘要：采用ＬａｂＶＩＥＷ虛擬儀器搭建柴油機故障測試平臺，采集了柴油機在正常、進氣管阻塞、排氣管阻塞、供油不足４種狀態下的振動信號。利用小波分析對信號使用改進閾值消噪方法進行消噪，得出缸蓋振動信號的頻譜圖，將柴油機振動信號的頻率與能量的特征作為振動信號的特征值，設計了基于ＢＰ神經網絡的柴油機故障診斷識別系統，識別準確率均達到８０％以上。

關鍵詞：柴油機；故障診斷；振動信號；改進閾值消噪；ＢＰ神經網絡

中圖分類號：ＴＫ４２８文獻標識碼：Ａ文章編號：0439－８114（２０11）15－3181-03

Diesel Misfire Fault Diagnosis based on Wavelet and Neural Network

ＷＡＮＧ Ｄｏｎｇ－ｓｈｅｎｇ，ＬＩ Ｘｉａｏ－ｙｕ，ＬＩ Ｐｅｎｇ，ＧＵＯ Ｚｈｅｎ－ｋｕｎ

（Ｃｏｌｌｅｇｅ ｏｆ Ｅｎｇｉｎｅｅｒｉｎｇ， Ｈｕａｚｈｏｎｇ Ａｇｒｉｃｕｌｔｕｒａｌ Ｕｎｉｖｅｒｓｉｔｙ， Ｗｕhａｎ ４３００７０， Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ： Ｕｓｉｎｇ ｔｈｅ ＬａｂＶＩＥＷ ｖｉｒｔｕａｌ ｉｎｓｔｒｕｍｅｎｔ ｔｏ ｂｕｉｌｄ ｅｎｇｉｎｅ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｓｙｓｔｅｍ， ｖｉｂｒａｔｉｏｎ ｓｉｇｎａｌｓ ｕｎｄｅｒ ｆｏｕｒ ｋｉｎｄｓ ｏｆ ｃｏｎｄｉｔｉｏｎｓ ｏｆ ｅｎｇｉｎｅｓ ｉｎ ｎｏｒｍａｌ， ｉｎｔａｋｅ ｐｉｐｅ ｊａｍｓ， ｔａｉｌｐｉｐｅｓ ｊａｍｓ， ｐｒｏｐｕｌｓｉｏｎ ｓｈｏｒｔａｇｅ ｗｅｒｅ ｃｏｌｌｅｃｔｅｄ． Uｓｉｎｇ ｗａｖｅｌｅｔ ａｎａｌｙｓｉｓ ａｎｄ ｉｍｐｒｏｖｅｄ threshold ｄｅ－ｎｏｉｓｉｎｇ ｍｅｔｈｏｄ ｔｏ ｄｅ－ｎｏｉｓing， ｔｈｅ ｖｉｂｒａｔｉｏｎ ｓｉｇｎａｌ ｓｐｅｃｔｒｕｍ ｇｒａｐｈ ｗａｓ ｏｂｔａｉｎｅｄ． Ｕｓｅｄ ｄｉｅｓｅｌ ｖｉｂｒａｔｉｏｎ ｓｉｇｎａｌ ａｎｄ ｅｎｅｒｇｙ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ａｓ ｔｈｅ ｅｉｇｅｎｖａｌｕｅ ｏｆ ｖｉｂｒａｔｉｏｎ ｓｉｇｎａｌｓ， ｔｈｅ ｄｉｅｓｅｌ ｅｎｇｉｎｅ ｍｉｓｆｉｒｅ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｓｙｓｔｅｍ ｗａｓ ｄｅｓｉｇｎｅｄ ｂａｓｅｄ ｏｎ ｔｈｅ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ， ｍｏｒｅ ｔｈａｎ ８０％ ｏｆ ａｃｃｕｒａｃｙ ｒａｔｅ ｏｆ ｄｉａｇｎｏｓｉｓ ｗａｓ ａｃｈｉｅｖｅｄ．

Ｋｅｙ ｗｏｒｄｓ： dｉｅｓｅｌ ｅｎｇｉｎｅ； fａｕｌｔ ｄｉａｇｎｏｓｉｓ； vｉｂｒａｔｉｏｎ ｓｉｇｎａｌ； iｍｐｒｏｖｅｄ threshold ｄｅ－ｎｏｉｓｉｎｇ； ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ

柴油機是目前機械系統應用最廣泛的動力源之一，其工作環境相對惡劣，容易出現故障。數據表明柴油機故障大多由燃氣系統故障引起，譬如失火、漏氣等。失火故障是其中常見的故障之一，柴油機失火是由貧油、壓縮不良、進氣不暢、排氣不暢、噴油提前或滯后、氣門間隙過大、混合氣濃度過高或過低等原因引起的［１］。失火故障極大地降低了柴油機的動力輸出性能，并且尾氣污染更嚴重［２］。因此，及時有效地對柴油機的失火信息進行分析，實時監測柴油機的工作狀態具有重要意義。

本研究提出通過柴油機缸蓋振動加速度信號來診斷柴油機的失火故障。由于柴油機的振動激勵源復雜，并且振動信號中以非穩定信號為主導，傳統ＦＦＴ方法無法處理［３］。因此，采用小波分析法對信號進行分析處理，提取信號的特征值，最后建立基于ＢＰ神經網絡的柴油機故障診斷識別系統。

１材料與方法

１．１材料及設備

試驗以山東濰坊長松柴油機有限公司９５系列２９５Ｄ型柴油機為研究對象，傳感器采用ＣＡ－ＹＤ－１０６Ｇ型壓電式加速度傳感器，該傳感器檢測信號頻率為０．５～１２.0 ｋＨｚ，電荷靈敏度２．４９ ｐｃ／ｍｓ－２，輸出電荷量信號。將傳感器固定于專用磁座上，磁座吸附在柴油機缸蓋上方螺紋柱上。使用江蘇聯能電子公司生產的ＹＥ５３５８Ａ型電荷放大器對傳感器輸出的電荷量信號進行放大和調理，并輸出與傳感器電荷量信號相對應的連續電壓信號。

使用ＬａｂＶＩＥＷ虛擬儀器平臺進行數據采集。將電荷放大器的輸出連接至ＮＩ公司的ＳＣＢ－６８接線盒，接線盒采用差分方式連接至ＮＩ公司配套的ＰＣＩ－６０４０數據采集卡，采集卡直接和計算機進行通訊，通過編寫ＬａｂＶＩＥＷ程序自動采集保存數據，實現數據采集。

１．２試驗設計

分別在轉速為６２０（怠速）、１ ０００、１ ３００ ｒ／ｍｉｎ時負載為空載、３０ Ｎ·ｍ參數下調整柴油機為正常工作、進氣管阻塞、排氣管阻塞、供油不足４種工況，采集每種工況下的柴油機缸蓋振動加速度信號，采樣頻率設置為２０.0 ｋＨｚ，每種工況下采集１００組數據，每組采樣時間４ ｓ。

２信號小波預處理

采用ｄｂ６小波基函數對信號進行６階小波包分解，并運用改進閾值方法進行消噪，其中θ取值間隔為０．１，得到的ＳＮＲ、ＲＭＳＥ平均值如表１所示。

通過對比發現θ＝０．２時消噪效果最佳。同理，通過對比在所有小波函數下進行消噪之后的ＳＮＲ、ＲＭＳＥ平均值確定采用ｄｂ６小波對信號進行６階分解效果最佳。

２．２信號特征分析

當工況改變時，柴油機振動信號的傳遞函數會發生改變，幅頻特性和相頻特性會發生相應的變化，其輸出信號的能量也相應發生變化［７］，有的頻域信號被抑制，有的頻域信號被增強，導致頻段內的能量減少或者增加。圖１為缸蓋振動信號的頻譜圖，從圖１可以看出，信號在１ ２５０～２ ５００ Ｈｚ、３ ５００～４ ５００ Ｈｚ頻帶范圍內幅值較大，隨著故障的不同，較大幅值對應的頻率帶發生變化，導致同一頻段內能量發生改變，因此可以提取信號在不同的頻段內的能量信息構成信號的特征向量對柴油機故障進行診斷。

采用ｄｂ６小波對信號進行４階小波包分解，提取分解后１６（２４）個頻帶的小波包分解系數，運用小波分解系數對各個子信號進行重構，得到１６個子頻帶信號，求各個子頻帶信號的能量，并將每組信號的１６個子頻帶能量作為該組信號的特征向量。

３柴油機失火故障診斷

３．１ＢＰ神經網絡的設計

ＢＰ神經網絡是一種前向型網絡，是人工神經網絡中的經典，被廣泛應用［８］。ＢＰ網絡主要包含輸入層、隱含層、輸出層，每一層包含若干神經元。

本試驗中ＢＰ網絡輸入層神經元個數為１６（即輸入特征向量的維數）、輸出層神經元的個數為４（輸出故障的種類）。確定了輸入層和輸入層神經元之后，在構造隱含層神經元個數時通常由如下經驗公式確定：

其中ｌ、ｍ、ｎ分別為隱含層、輸入層、輸出層神經元個數，ｍ＝１６，ｎ＝４，常數ａ通常取１～１５［９］。

隱含層神經元的個數太多會導致運算的時間過長，陷入局部最小化；太少又會使識別的準確率過低。權衡計算時間和識別準確率，本試驗通過對數據處理得出：當隱含層神經元個數ｌ＝３０時，網絡達到的效果比較好。

３．２ＢＰ神經網絡的訓練

網絡的學習過程是不斷修正權值和閾值的過程，通過對權值和閾值的不斷調整，使誤差達到最小，最終使實際輸出等于期望輸出［１０］。創建ＢＰ網絡選用ｎｅｗｆｆ函數，輸入層與中間層之間傳遞函數選用Ｓ型正切傳遞函數ｔａｎｓｉｇ，中間層與輸出層之間傳遞函數選用線性傳遞函數ｐｕｒｅｌｉｎ函數，訓練采用ｔｒａｉｎｌｍ函數，權值和閾值的ＢＰ學習算法采用默認的梯度下降動量學習函數ｌｅａｒｎｇｄｍ函數，網絡的性能函數為默認的均方誤差性能函數“ｍｓｅ”，選擇網絡的訓練誤差為０．００５。將每種工況下１００組特征向量的前６０組輸入到網絡中進行訓練，訓練集準確率均超過９５％。

３．３ＢＰ神經網絡的驗證

將每種工況下的后４０組數據輸入上述ＢＰ網絡，對網絡的識別效果進行驗證。通過分析所有驗證集的驗證結果得出使用ＢＰ網絡對柴油機故障振動信號診斷識別準確率如表２所示。從表２可知，各種工況下的識別準確率均超過８０％，識別效果較好。

４小結

試驗采用ＬａｂＶＩＥＷ虛擬儀器搭建了柴油機振動信號采集系統，試驗結果表明該方法方便快捷、穩定可靠。同時，運用基于小波分析方法，提出使用改進閾值消噪方法對信號進行消噪處理，該方法克服了硬閾值消噪后信號存在振蕩問題，以及軟閾值消噪后信號與真實信號存在恒定偏差的問題；通過試驗研究發現，當改進閾值消噪方法中的參數因子θ＝０．２以及使用ｄｂ６小波6階小波分解時進行消噪達到的消噪最佳效果。在對故障進行判斷的時候可根據各子頻段內的能量變化來對柴油機故障進行診斷。在對故障進行模式識別時，可采用ＢＰ神經網絡對信號進行模式識別，當ＢＰ神經網絡隱含層神經元個數為３０時，ＢＰ神經網絡對柴油機故障的識別準確率均超過８０％，其識別效果較好。

參考文獻：

［１］ 吳義虎，張志沛，張利軍，等．汽油機失火故障的模糊模式識別［Ｊ］．湖南大學學報（自然科學版），２０００（５）：３９－４３．

［２］ 喬新勇，劉建敏，張小明．基于神經網絡信息融合的發動機失火故障診斷［Ｊ］．內燃機工程，２００９，３０（１）：７４－７９．

［３］ 張培林，李國章． 利用缸蓋振動信號診斷氣門機構故障［Ｊ］． 測試技術學報，１９９8，12（１）：４１－４6．

［４］ 胡俊文，周國榮．小波分析在振動信號去噪中的應用［Ｊ］．機械工程與自動化，２０１０（１）：１２８－１３０．

［５］ 王秉仁，楊艷霞，蔡偉，等．小波閾值降噪技術在振動信號處理中的應用［Ｊ］．噪聲與振動控制，２００８（６）：９－１２．

［６］ 于文新，張謙．基于改進閾值消噪算法的小波包降噪［Ｊ］．通信技術，２０１０（６）：７－９．

［７］ 高楊，史麗萍，吳旭東，等．基于最小二乘支持向量機的振動傳感器故障診斷［Ｊ］．機械與電子，２００９（５）：３７－３９．

［８］ 張淑敏，畢麗紅，李偉．人工神經網絡及其在機械故障診斷中的應用［Ｊ］．甘肅冶金，２００８，30（４）：３－５．

［９］ 尹念東．ＢＰ神經網絡的應用設計［Ｊ］．信息技術，２００３，27（６）：１6－２０．

［１０］ 黃勇，郭曉平． 基于改進ＢＰ神經網絡的柴油機故障診斷研究［Ｊ］．汽車科技，２００９（２）：５５－５８．