基于特征相關分析的內燃機故障診斷方法

張 波，韓光譜，馮丞科，龔 偉，周 仁

(中國石油西南油氣田公司 重慶氣礦工藝研究所，重慶 400021)

0 引言

內燃機故障診斷常用的分析處理方法有時域分析法、頻域分析法、角域分析法和時頻分析法等[1-2]，通過不同的分析方法都能夠提取表征不同信息的特征。融合不同特征來評估內燃機的狀態，能夠有效地提高內燃機故障診斷的準確性、有效性和可靠性。文獻[3]提取多項時域指標和頻域特征，再利用PCA選取敏感特征實現降維處理，最后利用SVM進行訓練和測試，實現故障診斷。文獻[4]通過特征融合技術構建多域特征，再根據融合特征進行故障診斷，從而大大提高了故障診斷的精確度。由于所有的特征都是用來表征同一信號的，雖然特征提取方法不同，但存在特征對信息重復表達的可能性。提取的特征越多，重復表達的可能性越高，也就是出現特征相關的可能性越高。在沒有剔除高度相關特征的情況下，直接對特征進行維度約減，不但影響最終的信息表征效果，而且會造成計算資源的浪費。

綜上，本文提出一種基于特征相關性分析的內燃機故障診斷方法。通過對多域特征的相關性分析，對關聯性高的特征組合進行擇一保留，得到弱相關的多域特征集合；然后基于主成分分析法(PCA)并結合k近鄰學習(kNN)算法實現對內燃機故障的準確診斷。

1 多域特征提取

1.1 時域及頻域特征提取

監測系統采集到的振動信號是以時間為橫軸、幅值為縱軸的時域信號。根據時域分析方法，主要提取時域信號的統計特征和波形特征等，具體計算公式[5]如下：

其中：TFi為時域信號特征；xi為第i個采樣點對應的幅值；N為一個周期所具有的數據點數。

傅里葉變換是經典的頻域分析方法，可以把一個周期信號表示成多個周期函數(基函數)的相加，也就是將信號分解為頻域里各種不同頻率的信號。從頻域方面分析，同樣提取頻域信號的統計特征和波形特征等，具體計算公式如下：

其中：FFi為頻域信號特征；yi和fi分別為變換之后的幅值和頻率；n為抽樣點序號。

1.2 時頻域特征提取

利用VMD方法可以將信號分解成具有不同頻率特性的固有模態分量(IMFs)，實現信號的頻域分割和各分量的有效分離。為了提取振動信號的有用信息，本文選擇將振動信號分解成4個分量信號。然后，計算各分量信號的幅值能量和瞬時排列熵作為振動信號的時頻域特征。分量信號的幅值能量可以根據以下公式計算：

(1)

其中：uj(n)為分量信號；FFT(uj(n))為各分量信號的快速傅里葉變換結果。對分量信號進行如下幅值處理可以得到瞬時能量分布IEDj(n)：

(2)

其中：aj(n)為各分量信號的瞬時振幅函數。將IEDj(n)結合排列熵計算公式即可得到瞬時排列熵IPEj。

2 基于特征相關分析的內燃機故障診斷方法

2.1 特征的相關性分析

綜合上述所有常用特征形成多域特征集合，該多域特征集合一共擁有39個特征，具體包括18個時域特征、13個頻域特征和8個時頻域特征。為了定量不同特征間的相關性，本文采用協方差方法來衡量兩個特征X與Y間的協同變化關系，如式(3)所示：

Cov(X,Y)=E{[X-E(X)],[Y-E(Y)]}.

(3)

其中：E(X)、E(Y)分別為X與Y的期望。當Cov(X,Y)>0時，表示X與Y正相關；當Cov(X,Y)=0時，表示X與Y不相關；當Cov(X,Y)<0時，表示X與Y負相關。

對于多域特征集合，利用Pearson相關系數來衡量兩個變量線性相關的程度，如公式(4)所示：

(4)

其中：D(X)、D(Y)分別為X與Y的標準差。相關系數的大小在-1和1之間變化。

2.2 考慮特征相關性的內燃機故障診斷方法流程

針對內燃機缸蓋振動信號，開展相關的時域、頻域、時頻域分析并提取相應的特征，形成多域特征集合。基于多域特征集合內不同特征間的相關性分析，可以了解不同特征間的線性關聯關系。通過選擇合適的相關系數閾值，對強相關特征組合進行擇一保留操作，可以得到弱相關的多域特征集合。對弱相關的多域特征集合進行PCA[6]特征降維并結合kNN[7]算法實現對內燃機的氣門間隙故障進行診斷，故障診斷方法流程如圖1所示。

圖1 考慮特征相關性的內燃機故障診斷方法流程

3 試驗結果

為了說明本方法的適用性與準確性，本文采用內燃機的氣門間隙異常模擬實驗進行驗證，并將所得結果與其他方法所得結果進行對比分析。

3.1 氣門間隙模擬實驗

故障模擬實驗在型號為TBD234的V形12缸內燃機上進行。內燃機的傳感器布局如下：在內燃機缸蓋布置加速度傳感器監測內燃機運行狀態下的振動信息，在與內燃機曲軸相連的飛輪上布置渦輪傳感器用來確定周期信號采樣，在齒輪箱處布置渦輪傳感器。通過這些傳感器來獲取內燃機運行狀態的相關信息。

為了研究氣門間隙大小對振動信號的影響，通過改變氣門間隙大小進行多組實驗并采集相應的信號。分別采集氣門間隙正常和異常狀態下的數據，振動信號如圖2所示。

圖2 氣門間隙正常與異常狀態下的振動信號

3.2 考慮特征相關性的特征降維

根據上述特征提取內容，對多域特征集合進行特征相關性分析。假定多域特征集合為{Fi}，i=0,2,…,38,{F0,F2,…,F17}對應表示時域的18個特征，{F18,F20,…,F30}對應表示頻域的13個特征，{F31,F33,…,F38}對應表示時頻域的8個特征。

混淆矩陣[8]清晰展示了不同特征間的線性關聯程度，以0.8作為相關性閾值時，對多域特征集合進行降維處理，最終得到弱相關的多域特征集合為{0，1，2，6，17，21，22，25，28，29，31，33，34，35，36，37，38 }，共17個特征。

3.3 氣門間隙異常故障診斷

利用PCA對弱相關的多域特征集合進行特征降維，基于不同的降維結果并結合kNN算法進行氣門間隙異常的故障診斷，結果如表1所示。同時，對不考慮特征相關性的多域特征集合進行相同的PCA降維和結合kNN(k=1)算法進行氣門間隙異常的故障診斷，結果也列入表1。

表1 基于不同特征維度的不同特征集合的診斷精度

通過上述結果可以看出：基于相同的PCA降維處理，相比強相關的多域特征集合，弱相關的多域特征集合對氣門間隙狀態的表征效果更好。

4 結論

本文提出了一種考慮特征相關性的內燃機故障診斷方法，根據不同方法提取了多個不同的特征參數，形成多域特征集合；然后對多域特征集合進行特征相關性分析，并對關聯性高的特征組合進行擇一保留；最后利用PCA進行特征降維并結合kNN算法完成內燃機的氣門間隙異常故障的診斷。實測數據分析結果表明：基于特征相關性的降維方法效果顯著，結合kNN算法，能夠對氣門間隙故障進行精確識別。