基于聲信號(hào)特征譜提取的發(fā)動(dòng)機(jī)故障診斷系統(tǒng)設(shè)計(jì)

王劍楠

(西安航空職業(yè)技術(shù)學(xué)院 汽車(chē)工程學(xué)院, 西安 710089)

0 引言

汽車(chē)發(fā)動(dòng)機(jī)內(nèi)部由多種復(fù)雜的零部件構(gòu)成，具備構(gòu)成要素多、結(jié)構(gòu)精度、復(fù)雜性較強(qiáng)等多項(xiàng)特征。尤其是汽車(chē)發(fā)動(dòng)機(jī)內(nèi)部的各個(gè)功能組件，在汽車(chē)運(yùn)行過(guò)程中起到關(guān)鍵性作用。只有汽車(chē)發(fā)動(dòng)機(jī)內(nèi)部功能組件之間以相互配合、相互協(xié)調(diào)的形式進(jìn)行配合工作，才能確保汽車(chē)運(yùn)行過(guò)程中的安全性。目前，在高溫燃?xì)夤ぷ鳁l件下，汽車(chē)發(fā)動(dòng)車(chē)在運(yùn)行過(guò)程中的故障頻發(fā)，此現(xiàn)象給汽車(chē)行駛安全造成極大的威脅。關(guān)于汽車(chē)發(fā)動(dòng)機(jī)故障的研診斷與檢測(cè)，最常用的檢測(cè)方法為人工經(jīng)驗(yàn)檢測(cè)法。這種檢測(cè)方法對(duì)人工經(jīng)驗(yàn)有著較強(qiáng)的依賴(lài)性，最終檢測(cè)結(jié)果缺乏精確性與可靠性。對(duì)此，人們開(kāi)始嘗試采用現(xiàn)代信息技術(shù)對(duì)發(fā)動(dòng)機(jī)機(jī)械異響進(jìn)行提取，如通過(guò)小波變換，或小波能量包提取的方法，然后在借助智能算法對(duì)提取的聲信號(hào)特征進(jìn)行分類(lèi)，從而判斷機(jī)械的故障。本文則在以往研究的基礎(chǔ)上，以摩托車(chē)發(fā)動(dòng)機(jī)異響作為研究對(duì)象，提出一種小波閾值去燥與神經(jīng)網(wǎng)絡(luò)的故障診斷方法。

1 小波閾值去燥

1.1 去燥原理

小波閾值去噪是一種于上世紀(jì)90年代Donoho等人提出的去噪方法。小波閾值去噪法的提出原理為：原本小波系數(shù)小數(shù)目大的信號(hào)在經(jīng)過(guò)小波變化之后，將變?yōu)閿?shù)目小但系數(shù)大的小波系數(shù)信號(hào)，從而使噪聲所對(duì)應(yīng)的小波系數(shù)幅值也相對(duì)較低，以此達(dá)到去噪目的。小波閾值去噪主要分為兩種去噪方法，分別為硬閾值小波去噪以及軟閾值小波去噪。這兩種方法在去噪過(guò)程中都是在不同尺度上對(duì)合適閾值進(jìn)行選擇，并且將部分小于該閾值的小波系數(shù)進(jìn)行置零處理，對(duì)大于該閾值的小波系數(shù)進(jìn)行保留，以此抑制噪聲信號(hào)中噪聲的目的。其中，硬閾值小波去噪的表達(dá)為式(1)。

(1)

在式(1)中，w(j,k)代表包含噪聲信號(hào)小波變換之后的小波系數(shù)；λ代表所選的閾值；wh(j,k)代表在硬閾值函數(shù)處理之后的小波系數(shù)。

軟閾值小波去噪表達(dá)式為式(2)。

(2)

通過(guò)對(duì)比式(1)與式(2)后可以得出，硬閾值小波去噪函數(shù)主要作用于對(duì)幅值較小的小波系數(shù)進(jìn)行抑制；而軟閾值小波去噪函數(shù)則可以實(shí)現(xiàn)所有小波系數(shù)的抑制。硬閾值小波去噪法的優(yōu)勢(shì)在于簡(jiǎn)單，軟閾值小波去噪則勝在去噪效果好。兩種去噪法優(yōu)勢(shì)，可通過(guò)圖1和圖2的結(jié)果看出。

圖1 硬閾值處理函數(shù)

圖2 軟閾值函數(shù)

1.2 閾值函數(shù)的選取

小波閾值去噪在實(shí)際使用過(guò)程中，雖然硬閾值小波去噪與軟閾值小波去噪自身具備不同的優(yōu)勢(shì)，但這些優(yōu)勢(shì)卻難以彌補(bǔ)其在應(yīng)用過(guò)程中存在的缺陷。因此，還需通過(guò)對(duì)閾值函數(shù)的改進(jìn)來(lái)改善小波閾值去噪存在的自身缺陷。本文則通過(guò)對(duì)圖3和圖4的聲信號(hào)處理結(jié)果對(duì)比，采用加權(quán)平均值函數(shù)對(duì)閾值進(jìn)行選取，如式(3)。

(3)

其中，μ代表函數(shù)的調(diào)節(jié)值。

圖3 信噪比為2時(shí)的聲信號(hào)特征

2 發(fā)動(dòng)機(jī)異響故障診斷模型構(gòu)建

通過(guò)采集系統(tǒng)采集到的發(fā)動(dòng)機(jī)聲信號(hào)除了具備主要的發(fā)動(dòng)機(jī)聲信號(hào)以外，還包含了采集過(guò)程中周?chē)臻g所產(chǎn)生的不同聲波，從而使發(fā)動(dòng)機(jī)聲信號(hào)具備較強(qiáng)的復(fù)雜性。神經(jīng)網(wǎng)絡(luò)是一種參照人腦微觀結(jié)構(gòu)的運(yùn)算模型，具有非線(xiàn)性、非局限性、非常定性以及非凸性四大特征，主要用于處理難以模糊化的模式類(lèi)信息，能夠?qū)?fù)雜發(fā)動(dòng)機(jī)聲信號(hào)識(shí)別模型起到極大的幫助。目前，隨著神經(jīng)網(wǎng)絡(luò)的不斷完善與智能時(shí)代的推進(jìn)，越來(lái)越多領(lǐng)域開(kāi)始對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行廣泛應(yīng)用，具體包括智能控制領(lǐng)域、模式識(shí)別領(lǐng)域以及計(jì)算機(jī)視覺(jué)領(lǐng)域等。

圖4 信噪比為6時(shí)的聲信號(hào)特征

2.1 PNN分類(lèi)機(jī)理

PNN是一種于上世紀(jì)90年代由Specht所提出的網(wǎng)絡(luò)模型，這種網(wǎng)絡(luò)模式主要由徑向基神經(jīng)元以及競(jìng)爭(zhēng)神經(jīng)元構(gòu)成。從本質(zhì)上來(lái)看，PNN其實(shí)還是一個(gè)分類(lèi)器。通過(guò)對(duì)PNN的使用能夠?qū)崿F(xiàn)對(duì)模式的分類(lèi)，確定X維向量所屬的類(lèi)別Ci。假設(shè)已知各類(lèi)別概率函數(shù)密度f(wàn)i(X)，參考碑也是分類(lèi)準(zhǔn)則可將X劃分為Ci類(lèi)別中。具體表達(dá)式為式(4)。

PiLifi(X)>PjLjfj(X)

(4)

在式(4)中，Pi代表X屬于Ci類(lèi)的先驗(yàn)概率；Li代表將X判定為Ci類(lèi)的錯(cuò)誤分類(lèi)代價(jià)。

2.2 PNN網(wǎng)絡(luò)結(jié)構(gòu)

PNN主要由四層網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)成，分別為輸入層、模式層、求和層以及輸出層，以下將對(duì)這四層網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行詳細(xì)分析：

第一層：輸入層。在PNN網(wǎng)絡(luò)結(jié)構(gòu)中，輸入層主要作用于將樣本完全不變的傳至下一層中，輸入樣本記為X=(x1,x2,…,xq)T。

第二層：模式層。模式層主要由徑向基神經(jīng)元構(gòu)成。在PNN網(wǎng)絡(luò)結(jié)構(gòu)的模式層中，其神經(jīng)元個(gè)數(shù)等同于訓(xùn)練樣本矢量個(gè)數(shù)，各模式單元輸出向量Mij(X)代表訓(xùn)練樣本屬于各類(lèi)的概率，具體計(jì)算式為式(5)。

i∈{1,2,…,n},j∈{1,2,…,m}

(5)

在式(5)中，n代表總的模式數(shù)；m代表模式層神經(jīng)元個(gè)數(shù)；Wij代表輸入層到模式層連接的權(quán)值；δ代表平滑因子，能夠起到分類(lèi)的作用。

第三層：求和層。在PNN網(wǎng)絡(luò)結(jié)構(gòu)求和層中，各神經(jīng)元只會(huì)和相應(yīng)類(lèi)別樣本節(jié)點(diǎn)進(jìn)行連接。因此，求和層僅需計(jì)算同類(lèi)樣本輸出值之和。具體計(jì)算式為式(6)。

ωij∈[0,1],i∈{1,2,…,n}

(6)

在式(6)中，ωij代表混合權(quán)重，并且能夠滿(mǎn)足,如式(7)。

(7)

通過(guò)式(6)的計(jì)算可得出輸入樣本極有可能屬于Ci類(lèi)。

第四層：輸出層。輸出層中的神經(jīng)元屬于競(jìng)爭(zhēng)神經(jīng)元，主要起到接收求由和層中輸出各類(lèi)概率密度函數(shù)的作用。具體PNN網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 PNN網(wǎng)絡(luò)結(jié)構(gòu)

3 發(fā)動(dòng)機(jī)聲信號(hào)采集

3.1 采集示意圖

具體發(fā)動(dòng)機(jī)聲信號(hào)采集示意圖如圖6所示。

圖6 發(fā)動(dòng)機(jī)聲音信號(hào)采集示意圖

本文主要采用傳聲器、數(shù)據(jù)采集前端、筆記本電腦以及聲信號(hào)采集軟件對(duì)發(fā)動(dòng)機(jī)聲音信號(hào)進(jìn)行采集。具體采集設(shè)備如圖7所示。

3.2 傳聲器

傳聲器是一種變換及輸出聲音信號(hào)的裝置。在傳聲器的選擇方面，需對(duì)傳聲器性能指標(biāo)、傳聲器價(jià)格、測(cè)試便捷性以及傳聲器外形尺寸等進(jìn)行考慮。只有在完全考慮到這種選擇因素的情況下，才能從眾多傳聲器型號(hào)中選擇出最適合本次發(fā)動(dòng)機(jī)聲音信號(hào)采集的傳聲器。基于此，本文在考慮各項(xiàng)選擇因素之后，將選用北京聲望聲電技術(shù)有限公司生產(chǎn)的型號(hào)為MPA201的傳感器。MPA201是一款集1/2 英寸預(yù)極化駐極體測(cè)量傳聲器以及ICCP 前置放大器為一體的傳聲器，能夠?qū)χС?00 m以上的多通道與長(zhǎng)距離測(cè)量提供支持，并且具有較高的性?xún)r(jià)比。

圖7 發(fā)動(dòng)機(jī)聲音信號(hào)采集設(shè)備

本文所設(shè)定的發(fā)動(dòng)機(jī)聲音信號(hào)采集環(huán)境為摩托車(chē)發(fā)動(dòng)機(jī)生產(chǎn)線(xiàn)。在此環(huán)境之下，整個(gè)聲音信號(hào)采集過(guò)程將含有電流聲、氣閥聲等多種復(fù)雜噪聲。本次聲音信號(hào)采集主要采用近場(chǎng)測(cè)量法對(duì)發(fā)動(dòng)機(jī)直達(dá)噪聲進(jìn)行獲取。與此同時(shí)，將通過(guò)在遠(yuǎn)端布置一個(gè)傳聲器的方式來(lái)對(duì)背景噪聲進(jìn)行記錄，以此確保最終檢測(cè)結(jié)果的有效性。具體傳感器布設(shè)位置如圖8所示。

圖8 傳感器采集布設(shè)

3.3 信號(hào)測(cè)取過(guò)程

具體發(fā)動(dòng)機(jī)聲信號(hào)的采集流程如下：

(1)鏈接硬件。鏈接硬件主要是指借助相應(yīng)的數(shù)據(jù)線(xiàn)將傳聲器、信號(hào)采集前端等采集設(shè)備進(jìn)行連接。其中，傳聲器與信號(hào)采集前端之間因保持對(duì)應(yīng)且固定的連接狀態(tài)。對(duì)此，本文將采用第1通道對(duì)傳聲器進(jìn)行鏈接，以第4通過(guò)對(duì)感應(yīng)線(xiàn)圈進(jìn)行鏈接；

(2)設(shè)置信號(hào)采集參數(shù)。在開(kāi)展發(fā)動(dòng)機(jī)聲音信號(hào)的采集工作之前，還需對(duì)主要技術(shù)參數(shù)進(jìn)行設(shè)置，具體包括采樣頻率、采樣時(shí)間、傳感器類(lèi)型等。結(jié)合實(shí)驗(yàn)人員以往常規(guī)設(shè)置經(jīng)驗(yàn)，本文將發(fā)動(dòng)機(jī)聲音信號(hào)采集頻率設(shè)置為20 480 Hz，采用時(shí)間設(shè)置為2 s；

(3)采集發(fā)動(dòng)機(jī)聲音。在完成以上步驟之后，將正式開(kāi)始對(duì)發(fā)動(dòng)機(jī)聲音信號(hào)的采集工作。具體采集過(guò)程為：首先，將發(fā)動(dòng)機(jī)檔位調(diào)成空擋；其次，啟動(dòng)發(fā)動(dòng)機(jī)，并且將發(fā)動(dòng)機(jī)轉(zhuǎn)速控制在1 500-1 700 rpm之間；最后，通過(guò)有經(jīng)驗(yàn)師傅對(duì)發(fā)動(dòng)機(jī)聲音進(jìn)行監(jiān)聽(tīng)，判斷該發(fā)動(dòng)機(jī)是否存在異響及異響類(lèi)型，并且對(duì)該異響進(jìn)行記錄；

(4)重復(fù)步驟(3)，知道整個(gè)發(fā)動(dòng)機(jī)檢測(cè)工作全部結(jié)束，并且在結(jié)束之后將信號(hào)采集前端電源關(guān)閉。

3.4 采集界面

對(duì)采集界面的設(shè)計(jì)，則采用MATLAB仿真軟件進(jìn)行編程開(kāi)發(fā)。具體發(fā)動(dòng)機(jī)聲信號(hào)采集界面如圖9所示。

4 結(jié)果

獲取各類(lèi)摩托車(chē)發(fā)動(dòng)機(jī)聲音類(lèi)型，建立一個(gè)96×20矩陣。結(jié)合摩托車(chē)發(fā)農(nóng)機(jī)聲信號(hào)類(lèi)型，以及考慮到摩托車(chē)聲信號(hào)的4種類(lèi)型易辨識(shí)性，本文將分別以數(shù)字1,2,3,4對(duì)正常發(fā)動(dòng)機(jī)、箱體異響發(fā)動(dòng)機(jī)、右蓋異響發(fā)動(dòng)機(jī)以及左蓋異響發(fā)動(dòng)機(jī)四種聲音信號(hào)進(jìn)行表示。因此，可通過(guò)在96×20矩陣中增加新一列的方式，獲取一個(gè)96×21矩陣。具體經(jīng)去燥處理后的分類(lèi)效果圖以及未經(jīng)處理后的分類(lèi)效果如圖10、圖11所示。

圖9 發(fā)動(dòng)機(jī)聲音信號(hào)采集界面

通過(guò)上述的結(jié)果可以看出，經(jīng)過(guò)處理后的分類(lèi)效果更佳準(zhǔn)確。

5 總結(jié)

通過(guò)上述的分析可以看出，在對(duì)發(fā)動(dòng)機(jī)聲信號(hào)進(jìn)行分類(lèi)的過(guò)程中，必須對(duì)聲信號(hào)的特征進(jìn)行準(zhǔn)確提取，這樣才能提高后續(xù)分類(lèi)判斷的準(zhǔn)確率。同時(shí)，PNN算法在處理聲信號(hào)分類(lèi)方面具有其獨(dú)特的優(yōu)勢(shì)，通過(guò)PNN的分類(lèi)，其分類(lèi)精確度通過(guò)上述結(jié)果看出要明顯高于未經(jīng)處理的分類(lèi)效果。