基于深度學習理論的發動機氣門機構故障識別

周亦人，邱小林，郭志強

（南昌理工學院，南昌 330044）

0 引言

發動機是各類機械系統中故障率最高的設備之一，正確診斷和識別發動機故障并采取相應措施及時排除故障是關乎各類機械設備安全運行的大事。其中發動機的氣門機構是發動機故障頻發的運動部件，直接影響發動機的正常運行。氣門在工作過程中經常受到機械沖擊、熱沖擊和高速氣流的沖擊，易造成氣門間隙異常、氣閥漏氣等故障[1]。

發動機缸蓋振動信號中包含著豐富的發動機內部零部件的工作狀態信息，利用缸蓋振動信號診斷發動機氣門機構故障是一種有效的方法[2]。在了解發動機的工作原理，振動激振源和傳播機理的基礎上，獲取發動機缸蓋表面的振動信號。氣門機構的典型故障類型有氣門漏氣、氣門間隙過小、氣門間隙過大，對這些故障的實時監測和診斷可通過振動信號中的一些時域及頻域特征來實現，并將這些特征作為判斷氣門機構故障的判別指標，但是，這些判別指標之間信息界限不明顯，存在著模糊疊加現象，這會導致故障類型的誤判。隨著設備結構不斷復雜化和故障診斷技術的發展，一些傳統的單一信號分析技術已日益不能滿足要求[3]。

深度學習[4]，由HITON在2006年提出，是一個不同于其他機器學習算法的訓練機制，是機器學習領域劃時代意義的突破。類似于人腦的多層學習機制，深度整體上是一個逐層的訓練機制，首先學習到低層次的特征，然后從低層次的特征中進一步學習到更高一層的特征表示[5]。這樣經過逐層學習，就可以自適應的根據輸入數據本身的數據結構與特點來提取隱含在輸入數據中更本質更深層的特征，利用這些特征，該模型可以有效區分不同類型的信號，有非常強大的表達能力和泛化能力。深度學習算法已在語音識別，文本語義分類，圖像分類等領域中獲得了成功應用[6]，然而對適用于機械早期故障識別領域的深度學習算法的研究還非常少。

因此本文在深度學習理論的基礎上提出了基于EMD-SSAE的氣門機構故障識別算法，算法流程如圖1所示。獲取發動機氣門機構不同故障狀態下的缸蓋振動信號作為模型的訓練集，用EMD對振動信號進行分解，選擇幾個最能反映原信號特征的IMF分量，提取各IMF分量的時域和頻域指標構成特征向量，利用堆棧式稀疏自編碼器對特征向量進行進一步的特征學習和分類，來實現精準的氣門機構故障識別。用提出的算法與EMD-SVM和EMD-BPNN進行了實驗對比，結果表明本文提出的算法故障識別率最高，性能穩定，具有極高的應用價值。

1 原始信號處理

發動機缸蓋的振動信號中包含了內部零件的工作狀態信息，其不同頻率段的信號特征對應著不同種類的故障信息，當發動機某部位發生故障時，相應頻帶內信號特征會發生變化。首先對缸蓋振動信號進行EMD分解，分解出從高到低各頻段的本征模態分量，各IMF分量隨著信號本身的變化而變化，具有自適應性。然后提取各個IMF分量時域和頻域特征，構造故障特征向量。

圖1 算法流程圖

1.1 經驗模態分解

經驗模態分解是一種適用于處理非線性非平穩信號的方法，它可以根據信號本身結構的組成成分和特點，經過循環的分解計算，把信號分解為一系列具有不同時間尺度的分量，此分量稱為本征模態函數[7]。本征模態函數的特點是：其極值點和過零點數目相等，或最多只差一個，或者連接其局部極大值與極小值所形成的上下兩條包絡線的均值在任意一點處為零或近似為零。

設s(t)為采集到的缸蓋振動信號，對輸入信號s(t)進行經驗模態分解的步驟如下：

2）求x(t)的所有極大值點和極小值點。

3）分別構造s(t)的上包絡線Lk(t)和下包絡線Dk(t)，并求出上下包絡線的均值函數

程序計算中，為了提高計算效率，判斷前后兩次求得的hk(t)和hk-1(t)的標準差sd是否滿足0.2≤sd≤0.3，作為本征模態函數的判據。

5） 定義ri(t)=x(t)-ci(t)。

6）判斷ri(t)是否滿足終止條件：ri(t)單調或如不滿足則另x(t)=ri(t)，i=i+1，k=0，然后重復(2)～(6)步。如果滿足終止條件，則EMD分解結束。

7） ri(t)為原始信號EMD分解后的殘余項。

原始信號s(t)經過EMD分解后，可以重構為：

式中ci(t)代表本征模態函數分量；rn(t)稱為殘余函數，代表信號的平均趨勢。

1.2 構建特征向量

由于缸蓋振動信號中包含大量的噪聲和隨機干擾信號的頻率成分，所以經過EMD分解后會得到多個IMF分量，為了既能保證故障識別的實時性，又能防止模型產生過擬合，選擇其中幾個最能反映故障特性的IMF分量來提取特征信息。

當發動機內部某個零部件發生故障時，相應激振力的振動響應信號的能量將發生變化，不同的激振力對應著不同的頻帶，所以選擇IMF分量的能量分布做歸一化處理后作為特征向量。通過對缸蓋振動信號的時域分析得知，峭度、峰度和方差對故障狀態的變化比較敏感，也可以作為特征向量。按照如下步驟提取缸蓋振動信號的特征向量：

1）發動機缸蓋實時振動信號進行EMD分解，選取包含主要故障信息的n個IMF分量。

2）分別計算前n個IMF分量的能量。

式中，Ei為第i個IMF分量ci的能量；dt為采樣間隔；N為分析點數。

3）計算前n個IMF分量的總能量，并歸一化處理，歸一化公式為：

4）計算前n個IMF分量的峰度、峭度和方差。

5）利用前n個IMF分量的歸一化能量、峰度、峭度和方差構建特征向量。

2 深度學習理論

2.1 自編碼器

自編碼器是一個具有對稱結構的三層神經網絡，如圖2所示，包括輸入層，隱含層和輸出層。

圖2 自編碼器結構

自動編碼器是一種無監督特征學習算法，分為編碼器和解碼器兩部分，其目標函數為輸入。輸入向量x通過非線性激活函數f(z)映射到隱含層激活函數值h(x)，這個過程為編碼過程，可用式(5)描述。

隱含層的特征描述h(x)通過非線性激活函數g(z)映射為輸入空間的重構向量，這個過程為解碼重構過程[12]，可用式(6)描述。

式中：m為訓練樣本的數量，第二項為用于防止過擬合的l2范數權重衰減項，λ為權重衰減系數，sl為第l層的的神經單元個數。

2.2 稀疏自編碼器

式中：s2為隱含神經元的個數，ρj為隱含神經元的平均激活度，ρ是稀疏性參數，通常是一個接近于0的較小的值，為隱含神經元j的激活度。

2.3 基于堆棧式稀疏自編碼器的無監督預訓練

為了提取模型輸入數據更深層更抽象的特征，可N個SAE堆棧在一起組成一個具有N個隱含層的深度學習模型SSAE。首先采用大量無標簽訓練樣本分層訓練各層參數，這一步可以看作是一個無監督預訓練過程，在這個過程中，每一個已訓練好的SAE的隱含層激活值作為下一層SAE的輸入，完成預訓練后，將輸入層與每一個SAE結構的隱含層合并構成一個多層的深度學習模型。在非監督預訓練階段，訓練每一層參數的過程中，會固定其它各層參數保持不變。因為每一層SAE訓練得到的特征是稀疏的，所以整個深層網絡也是稀疏的。

2.4 基于誤差反向傳播的監督微調

當SSAE預訓練好之后，在其最后一層SAE的輸出之后連接一個具有判別能力的softmax分類器，來實現故障分類識別的功能。為了進一步提高深度學習模型的分類性能，在上述預訓練過程完成之后，將N層SAE和最后的softmax分類器作為一個整體，用少量帶標簽的樣本數據，通過隨機梯度下降法來有監督地同時調整整個模型的參數，調整過程如式(11)、式(12)所示，這個優化過程稱為“有監督微調”，可提高模型的故障識別準確率和泛化能力。

3 實驗分析

本實驗在四沖程水冷直噴發動機上進行，發動機型號為SAA6D102E-2。實驗裝置如圖3所示。第1、2、5、6缸分別為正常、氣門漏氣、氣門間隙過大、氣門間隙過小四類故障狀態，分別用0、1、2、3代表四種故障狀態，設置發動機的運轉速度為1500r/min，同時采集四個缸缸蓋的振動信號，采樣頻率為40kHz，采樣時間為160s，截取每兩個工作循環的數據即6400個點為一個樣本，數據截取時的重復率為50%，每種故障狀態下的樣本集有2000個樣本，其中1500個樣本作為訓練集，剩下的500個樣本作為測試集。每種故障狀態下的訓練數據樣本中，隨機選取1000個無標簽樣本作為預訓練階段的樣本數據，500個帶標簽的樣本作為微調階段的樣本數據。如表1所示。

圖3 實驗裝置

以氣門間隙過小故障狀態為例，原始信號的時域波形如圖4所示。對原始的缸蓋振動信號進行EMD分解，共分解出6個IMF分量，分解結果如圖5所示。選擇前5個IMF分量分別提取歸一化能量、峰度、峭度、方差，按照2.2節的步驟構建故障特征向量。

圖4 原始信號的時域波形圖

圖5 原始信號EMD分解結果

將上述故障特征向量進行標準化處理之后與相應的故障標簽一起輸入到基于SSAE深度學習的故障識別模型中進行訓練。故障識別模型包含2個隱含層，隱含層神經元的個數分別為30、10；輸入層神經元的個數與故障特征向量的維數相等，為15；輸出層神經源的個數為4；激活函數為Sigmoid函數。每次實驗模型epoch次數為20。

為進一步驗證本文提出方法的有效性，采用EMDBPNN模型和EMD-SVM模型進行對比實驗，對原始信號進行EMD分解之后構成的特征向量作為BPNN和SVM的輸入。神經網絡模型的層數與各層神經元的個數均與SSAE相同，使用Sigmoid作為激活函數，使用隨機梯度下降算法作為模型訓練算法；支持向量機選擇高斯徑向基函數G-RBF作為核函數，并使用網格搜索法進行核函數參數優化。每種模型進行10次實驗，實驗結果如表2所示。表中結果為10次實驗的平均測試集故障識別正確率。同時，列出了三種模型的10次實驗結果，如圖6所示。

表1 實驗數據描述

表2 實驗結果

圖6 三種模型的10次實驗結果

從結果可以看出，本文提出的EMD-SSAE模型本章提出的方法具有最高的平均診斷精度99.3%，比EMDBPNN模型和EMD-SVM模型均有更好的故障診斷效果；同時，從圖6也能夠看出本章提出方法具有較穩定的單次結果。以上實驗結果均證明，本章提出的方法能夠更有效的自適應提取特征，同時更精準的對發動機氣門機構故障狀態進行識別。

4 結束語

本文提出了一種基于EMD-SSAE的深度學習故障識別模型，對原始輸入信號進行EMD分解后，提取其中幾個主要IMF分量的歸一化能量、峰度、峭度和方差構成特征向量，作為SSAE故障判別模型的輸入。采用大量訓練樣本對SSAE模型進行無監督預訓練和參數微調，最后用訓練好的模型進行故障識別。

EMD-SSAE模型可提取原始輸入信號中的深層低維的抽象特征，以發動機的氣門機構為實驗監測對象，用EMD-SSAE模型識別氣門機構的四類故障狀態，并用EMD-BPNN模型和EMD-SVM模型進行對比實驗。由實驗結果可知，本文提出的算法具有較高的故障識別準確率，且模型性能穩定，對于實現發動機的無拆卸故障診斷具有較強的應用價值。

[1]胡以懷,劉永長,楊叔子.柴油機排氣閥門漏氣故障診斷的試驗研究[J].內燃機工程,1997,18(3)：51-58.

[2]紀少波.基于柴油機缸蓋振動加速度信號提取缸內燃燒過程信息的研究[D].濟南：山東大學,2008.

[3]宋震.柴油機典型故障特征提取及故障診斷研究[D].天津：天津大學,2012.

[4]G. Hinton, R.R. Salakhutdinov. Reducing the dimensionality of data with neural networks[J].Science,2006(313)：504-507.

[5]Y. Bengio,O. Delalleau. On the expressive power of deep architectures[A].14th International Conference on Discovery Science[C].Berlin：Springer-Verlag,2011：18-36.

[6]Y.LeCun,Y. Bengio,G.Hinton.Deep learning[J].Nature,2015(521)：436-444.

[7]喬卉卉.挖掘機遠程狀態監測與故障診斷系統研究[D].石家莊：石家莊鐵道大學,2016.