基于能量算子梯度鄰域特征提取的核電應急柴油發電機組故障診斷方法

江志農 王子嘉 張進杰 黃翼飛 茆志偉

1.北京化工大學高端機械裝備健康監控與自愈化北京市重點實驗室，北京，100029

2.北京化工大學發動機健康監控及網絡化教育部重點實驗室，北京，100029

3.北京博華安創科技有限公司，北京，101399

0 引言

應急柴油發電機組(emergency diesel generator，EDG)主要功能是在核電廠中壓母線因為失去廠外正常電源或母線本身故障而導致失壓時，為應急交流母線提供電源，向安全系統的負載以及其他指定的非安全物項供應電力，防止重要安全設備因為電源喪失而造成損壞或失效，確保反應堆緊急停堆，避免核泄漏，保證人身安全。2011年3月11日福島核電中因遭遇海嘯，應急柴油機廠房被淹沒，導致全部電源失效而引發災難[1]。EDG是保證核電廠安全可靠運行的重要設備，研究EDG故障診斷方法，對其可靠性提升具有重要意義。

EDG氣門間隙往往會由于磨損或誤調超出正常值[2-3]。目前，針對該故障的診斷方法，國內外已開展一些研究。文獻[4]對EMD-WVD(empirical mode decomposition-Wigner Ville distribution)時頻圖像進行局部非負矩陣分解，得到圖像特征參數用于分類器識別。文獻[5]提出一種基于改進變分模態分解、偽魏格納時頻分析與局部非負矩陣分解的柴油機振動譜圖像識別診斷方法，應用于氣門間隙故障診斷。文獻[6]利用Naive-Bayes方法對氣門故障進行分類，最低分類精度高達92.45%。文獻[7]建立了基于蟻群優化支持向量機的柴油機氣門間隙故障診斷模型。隨著深度學習算法的發展，概率神經網絡應用于振動信號分類。在此基礎上，提出新的組合權重自適應調制算法訓練神經網絡，對振動信號錐形核分布進行分類，進一步提高氣門間隙故障識別精度[8-9]。文獻[10]利用二載聲學法分析壓力波形以達到檢測氣門故障的目的。除機器學習算法外，傳統時頻分析方法也被大量應用于氣門間隙的診斷[11-14]。這些方法普遍需要大量故障數據來訓練算法模型，或者需要實際機組全工況運行數據來設置報警閾值，這在實際工程中是難以實現的。

本文根據仿真研究確定EDG氣門間隙異常故障不受工況影響而對故障敏感的起始相位特征，結合振動沖擊能量變化規律，利用Teager能量算子梯度，提出基于能量算子梯度鄰域(k-th maxima on Teager energy operator gradient,k-TEOG)的振動沖擊始點自適應精確提取新方法，并基于相位精確提取方法識別氣門間隙故障。

1 氣門故障動力學機理特征

1.1 配氣機構建模

以TBD234V12柴油機的配氣機構為對象，通過實際測繪并結合設計參數建立實體模型。實體模型如圖1所示，將其導入ADAMS軟件，添加約束與驅動構建動力學模型，具體約束施加見表1[15]。

圖1 配氣機構實體模型

表1 模型約束

配氣機構中，氣門與缸蓋、搖臂與氣門等多處均會產生接觸碰撞，因此模型約束中接觸力的設置密切影響著仿真精度。本文采用ADAMS內置的IMPACT函數來定義接觸力(忽略摩擦力)，法向接觸力Fn可由下式表示：

(1)

(2)

(3)

其中，i為兩個碰撞物體的編號；E為接觸物的彈性模量，E=207 GPa；μ為接觸物的泊松比，μ=0.29；R為接觸面的曲率半徑。模型中各部件材料統一選用ADAMS材料庫中的steel。

1.2 仿真數據故障特征分析

仿真參數設置如表2和表3所示。

表2 氣門間隙異常狀態參數設置

本文通過改變模型中搖臂與氣門頂部的距離來模擬不同間隙狀態。以排氣門為研究對象，進氣門間隙始終設置為正常狀態，改變排氣門間隙獲得動力學響應。圖2為不同間隙氣門加速度曲線,圖3為不同間隙氣門與缸蓋接觸力曲線。

表3 柴油機不同工況參數設置

可見，氣門開啟和關閉瞬間產生振動沖擊，且關閉沖擊顯著大于開啟沖擊；隨著間隙增大，氣門關閉沖擊的強度表現出非線性增大趨勢；氣門開啟相位滯后，關閉相位提前；氣門關閉相位對間隙變化的敏感度呈現非線性減小趨勢。

圖2 不同間隙狀態下氣門加速度

圖3 不同間隙狀態下氣門與缸蓋接觸力

本文模擬了柴油機的3種工況，每種工況進氣門、排氣門的間隙均設置為正常值。圖4為不同轉速下排氣門加速度曲線，可見，隨著轉速升高，氣門開啟和關閉沖擊的強度增大，但氣門開啟和關閉的相位保持不變。

圖4 不同轉速下氣門加速度

綜上，對氣門間隙的變化敏感的特征有：①氣門關閉沖擊的強度；②氣門開啟和關閉沖擊的起始相位，即氣門開啟和關閉相位。其中氣門開啟和關閉沖擊的起始相位僅隨間隙變化，不受工況影響，而氣門關閉沖擊強度受工況影響嚴重。由于柴油機運行過程中工況是多變且復雜的，并且氣門開啟沖擊強度較弱，因此將氣門關閉沖擊起始相位作為氣門故障診斷優選特征。更重要的是，氣門關閉相位的標準值是柴油機設計參數之一，便于設置合理有效的特征閾值。

2 基于k-TEOG沖擊始點提取方法

柴油機在運行過程中會產生一些局部振動沖擊信號，其始點特征的準確提取是診斷許多故障的關鍵。對于振動沖擊信號始點提取，閾值判斷是最常用的技術之一。對單個局部沖擊信號而言，振動幅值首次穿越閾值線的位置一般被當作沖擊始點。但由于閾值的設置通常是根據經驗確定，在由多個不同幅值沖擊組成的實際復雜振動信號中，普遍存在閾值設定不合理或自適應性差的問題。此外，基于能量最大上升梯度的沖擊始點識別方法能夠達到自適應計算的目的，但實際振動信號受許多干擾因素的影響，沖擊起始位置的振動能量上升梯度可能是該沖擊區域中的較大者，而不是最大者，基于識別能量梯度最大值位置的提取方法往往存在較大誤差。

根據沖擊區域能量變化的特點，結合Teager能量算子在識別瞬態振動變化方面的優勢，提出一種基于k-TEOG的振動沖擊始點自適應精確提取新方法，克服了傳統方法中閾值設定自適應性差、計算精度差的問題。

首先對振動信號進行EMD自適應濾波處理；然后計算Teager能量算子，突出瞬態振動沖擊能量；再對局部能量算子求梯度，得到Teager能量算子梯度；提出k-梯度和k-梯度鄰域的概念，并將k-梯度鄰域在時間序列里的第一個點作為沖擊起始點；最后根據往復機械振動信號沖擊的準周期特性，對計算結果利用3σ準則進行離群點檢驗，并通過自動調整k值和設定的準則優化離群點的計算結果，從而達到自適應精確提取振動信號沖擊始點的目的。該方法具體步驟如下。

(1)對實際采集的整周期振動信號進行EMD自適應分解后，得到各本征模態函數(IMF)分量，計算各IMF分量與原始信號的Pearson相關系數r：

(4)

其中，h為原始信號;j為IMF分量的序號;IIMF(j)為第j個IMF分量;Cov(IIMF(j),h)為IIMF(j)與h的協方差;Var(IIMF(j))和Var(h)分別為IIMF(j)和h的方差;r(j)為IIMF(j)與h的相關系數。

選擇相關系數不小于閾值c(c取0.1～0.5之間的數)的IMF分量進行重構，得到濾波后的離散信號s(i)。

(2)對s(i)進行等角度角域重采樣，采樣角度間隔d取值0.1°～0.5°，獲得信號x(i)。

(3)計算經EMD自適應濾波和角域重采樣后的離散信號x(i)在每個數據點i處的局部Teager能量算子：

ψd(i)=|x2(i)-x(i-1)x(i+1)|

(5)

(4)計算能量算子的k-梯度和其鄰域，確定沖擊始點。

首先計算局部能量算子ψd(i)在沖擊區域的能量梯度：

Dψd(i)=ψd(i+1)-ψd(i)

(6)

能量算子的k-梯度定義如下。對任意自然數k(計算多組數據在不同k值下提取結果的方差，選擇方差最小結果對應的k值作為k初始值)，k-梯度Dψk-grad表示在能量梯度序列里，滿足以下兩個條件的能量梯度：①在能量梯度序列里，至少存在k個點p滿足Dψd(p)≥Dψk-grad；②在能量梯度序列里，至多存在k-1個點p滿足Dψd(p)>Dψk-grad。因此k-梯度Dψk-grad的計算方法是，將沖擊位置的能量梯度進行降序排列，選擇所得序列中第k個值作為k-梯度。k-梯度鄰域Nk包含梯度值不小于k-梯度Dψk-grad的所有能量梯度值。

最后選擇在能量算子梯度的時間序列中第一個屬于k-梯度鄰域Nk的點作為沖擊起始點。

(7)

(8)

其中，y為n組振動信號的沖擊始點提取結果組成的數組；q表示y數組的序列號;y(q)為第q個整周期振動信號的沖擊始點提取結果。

采用3σ準則進行離群點的判斷，對離群點需要調整k值重新提取特征。k值的調整方法為：首先設定調整步長(取1～3)和循環次數m(取5～20)；其次判斷k值調整方向，若離群值大于平均值以上3倍標準差則增大k值，若離群值小于平均值以下3倍標準差則減小k值；調整k值并重新計算提取結果，但平均值和方差不更新，依然采用最初計算值。對新的計算結果進行離群點判斷，若判定為非離群點，則終止計算；若仍判斷為離群點，則繼續調整k值重復上述計算過程，直到循環計算次數達到設定值m。

3 基于k-TEOG的氣門故障診斷

上述仿真研究明確了氣門間隙異常故障的特征，利用k-TEOG振動沖擊始點提取算法準確提取該特征可實現對氣門故障的有效監測診斷。本文通過實驗驗證該方法的有效性。

3.1 數據采集

實驗臺柴油機型號為TBD234 12缸V型直噴式柴油機。表4所示為該柴油機具體的技術參數。圖5為實驗臺照片。

圖6所示為缸蓋振動加速度傳感器，直接安裝在氣缸蓋上表面測量缸蓋振動；用于截取柴油機720°整周期振動信號的鍵相電渦流傳感器采用支架固定，該傳感器的觸發鍵相塊粘貼于飛輪上。所有的振動加速度和鍵相脈沖信號通過數據采集系統(DAQ)進行采集，采樣頻率為51.2 kHz。圖7為監測系統示意圖。

表4 TBD234柴油機技術參數

圖5 柴油機實驗臺

圖6 缸蓋振動加速度傳感器

圖7 監測系統示意圖

共開展了3組實驗，每組實驗只調節B1缸排氣門的間隙，其余氣門間隙均設置正常。實驗工況設置如表5所示。

表5 實驗工況

3.2 診斷流程

基于k-TEOG沖擊始點提取方法的氣門間隙故障診斷方法步驟如下：首先從采集的缸蓋角域振動信號中采用沖擊始點提取方法提取氣門關閉沖擊起始相位特征，然后從設計手冊中查取該氣門的理論關閉相位，最后通過比較實際提取值與理論參數完成對氣門間隙的診斷。方法流程如圖8所示。

圖8 診斷流程圖

3.3 方法驗證

3.3.1正常間隙狀態特征提取分析

利用k-TEOG沖擊始點提取方法處理第一組正常實驗數據，提取排氣門關閉相位特征。每種工況處理50個周期的數據。k取不同值時，600個工作循環內排氣門關閉相位的提取結果見圖9，概率分布見圖10。

圖9 600個工作循環內排氣門關閉相位提取結果

圖10 排氣門關閉相位概率分布

k取1時，即基于傳統沖擊始點提取方法提取的特征波動幅度較大，特征均值為20.04°，誤差高達33.6%，無法滿足診斷要求。當k大于10之后，排氣門關閉沖擊起始相位提取結果基本相近(均值為14.8469°)，與表5中給出的標準設計參數(13°±2°)基本一致。根據概率分布，k值取15時特征的波動最小，選其為初始值，然后調整個別離群點k值修正特征提取結果。結果表明該方法可根據機組和工況特性自適應地計算設定相應k值，且魯棒性強，適用于工程應用。

3.3.2異常間隙狀態故障特征提取分析

自適應調整k值計算不同間隙狀態和工況下的排氣門關閉相位特征，計算結果見圖11，紅色中心線為趨勢線。圖11中，每種氣門間隙對應12種不同工況，每種工況處理50個周期的數據。

圖11 不同氣門間隙狀態氣門關閉相位檢測結果

由圖11可知，基于本文提出的k-TEOG沖擊始點提取方法提取的氣門關閉相位，在不同間隙時特征區別明顯，對比正常間隙時的標準閾值(13°±2°)可以有效診斷氣門間隙故障，并且可以根據關閉相位來跟蹤監測氣門間隙的變化趨勢。此外，實驗數據再次驗證了仿真結果，隨著間隙等間距增大，氣門關閉相位的提前量逐漸減小，即間隙增大0.2 mm時關閉相位提前大約8°，而間隙增大0.4 mm時關閉相位提前了大約12°，呈現出非線性的變化規律。

綜上，基于k-TEOG的沖擊始點提取方法能自適應地準確提取氣門關閉沖擊起始相位特征，對比從設計參數中獲取的標準閾值可有效診斷氣門間隙異常故障，且可跟蹤監測氣門間隙的變化。

4 結論

(1)本文提出基于k-TEOG的沖擊始點提取方法，克服了傳統振動沖擊始點提取方法中閾值設定自適應性差、計算精度差的問題，并應用于柴油機氣門間隙異常故障診斷，效果良好，對應急柴油發電機組在線監測診斷具有重要的實際意義。

(2)通過仿真研究明確柴油機氣門關閉沖擊起始相位對氣門間隙變化敏感，但不受工況影響，表明準確提取該特征即可有效診斷氣門間隙異常故障。

(3)經實驗驗證，本文提出的基于k-TEOG的沖擊始點提取方法可自適應地準確提取氣門關閉沖擊起始相位，再對比從設計參數中查取的特征標準閾值，實現了僅依靠單一特征即可對柴油機氣門間隙故障進行有效診斷和監測跟蹤。