基于人機(jī)一體化的汽車發(fā)動(dòng)機(jī)故障診斷研究

黃元銀，黃雪

（杭州市蕭山公共交通有限公司修理分公司，杭州 311201）

引言

汽車發(fā)動(dòng)機(jī)是汽車的重要部件，其結(jié)構(gòu)非常復(fù)雜，并且產(chǎn)生故障的概率相較于其他部件出現(xiàn)故障的幾率高，故障的種類也更多。因此，挑選合適的診斷理論和特征參數(shù)是解決汽車發(fā)動(dòng)機(jī)故障診斷問題的關(guān)鍵。

發(fā)動(dòng)機(jī)的運(yùn)行會(huì)使缸蓋表面出現(xiàn)沖擊、噪聲與振動(dòng)等豐富的振動(dòng)信息，其能實(shí)時(shí)反映發(fā)動(dòng)機(jī)的工作情況，是獲取故障診斷信息的關(guān)鍵來源。憑借振動(dòng)信號(hào)監(jiān)測(cè)發(fā)動(dòng)機(jī)運(yùn)行情況與故障診斷是行之有效的方法之一。但針對(duì)多激勵(lì)、多部件的發(fā)動(dòng)機(jī)來說，其運(yùn)行件較多且復(fù)雜，邊界條件的不確定性，工作條件惡劣、激勵(lì)多，響應(yīng)的頻率范圍大，各種激勵(lì)通過對(duì)應(yīng)的傳遞與耦合均被反映在發(fā)動(dòng)機(jī)的振動(dòng)信號(hào)內(nèi)，再加上噪聲的融入，使得振動(dòng)信號(hào)所富含的成分非常復(fù)雜，因此，在發(fā)動(dòng)機(jī)故障診斷時(shí)，需要找尋一種有效的方法提取發(fā)動(dòng)機(jī)故障狀態(tài)的信息特征量。

當(dāng)前，使用較為廣泛的車載自診斷系統(tǒng)，其主要的診斷性能偏向于汽車的電控系統(tǒng)故障診斷。該故障診斷方法只能監(jiān)測(cè)電控系統(tǒng)的部分故障，在監(jiān)測(cè)到故障之后，還需要使用其他相關(guān)工具確定故障坐標(biāo)。汽車發(fā)動(dòng)機(jī)即一種非線性對(duì)象，只依靠這種自診斷系統(tǒng)診斷，檢測(cè)到的故障問題存在極強(qiáng)的不確定性。因此，探尋人機(jī)一體化、高效化與智能化的汽車發(fā)動(dòng)機(jī)故障診斷成為了目前較為熱點(diǎn)的研究話題之一。

針對(duì)上述問題，本文提出了一種基于人機(jī)一體化的汽車發(fā)動(dòng)機(jī)故障診斷方法，依靠小波變化算法，分析發(fā)動(dòng)機(jī)振動(dòng)信號(hào)，得到信號(hào)的概貌與具體細(xì)節(jié)。隨后組建小波矩陣對(duì)振動(dòng)信號(hào)進(jìn)行計(jì)算，依靠曲軸轉(zhuǎn)角對(duì)信號(hào)時(shí)域能量分割得到信號(hào)的特征，使用支持向量機(jī)算法構(gòu)件初始的汽車發(fā)動(dòng)機(jī)故障分類器，隨后憑借人工蜂群算法優(yōu)化故障分類器，通過該分類器實(shí)現(xiàn)對(duì)汽車發(fā)動(dòng)機(jī)的故障診斷。

1 人機(jī)一體化下汽車發(fā)動(dòng)機(jī)故障診斷

1.1 汽車發(fā)動(dòng)機(jī)振動(dòng)信號(hào)降噪

小波分析窗口形狀的變化，使其能夠?qū)π盘?hào)進(jìn)行多分辨率分析，不僅能夠看到信號(hào)的概貌，還能看到信號(hào)的細(xì)節(jié)，尤其是對(duì)非平穩(wěn)振動(dòng)信號(hào)的分析顯示出較大的優(yōu)越性。以往的實(shí)踐證明，小波分析存在較強(qiáng)的信號(hào)分解性能，在不同尺度下進(jìn)行小波轉(zhuǎn)換，其實(shí)質(zhì)是不同的中心頻率，品質(zhì)因數(shù)相同的帶通濾波[1]對(duì)信號(hào)進(jìn)行濾波。

平方可積函數(shù)f(t)擬定成f(t) ∈L2(R)的積分，小波轉(zhuǎn)換定義擬定成：

式中：

ψ—基礎(chǔ)小波函數(shù)；的復(fù)共軛函數(shù)；

a—尺度函數(shù)；

b—平移函數(shù)。

ψ(t)滿足函數(shù)f(t)可以變換為小波級(jí)數(shù)：

信號(hào)的小波分解依靠Mallat算法完成，適當(dāng)處理存在噪聲信號(hào)的各層小波分解系數(shù)之后再重構(gòu)，獲得反映信號(hào)本質(zhì)特征的成分，本文針對(duì)汽車發(fā)動(dòng)機(jī)所構(gòu)建的小波降噪[3]模型能夠描述成：

1）運(yùn)算信號(hào)f(t)的小波系數(shù)矩陣wj,k。

3）對(duì)矩陣wj,k進(jìn)行處理，將小于對(duì)應(yīng)閾值λ的元素重置為零，獲得新的矩陣w′j,k。

4）憑借信號(hào)的重構(gòu)方法重構(gòu)矩陣w′j,k得到降噪之后的信號(hào)。

1.2 基于曲軸轉(zhuǎn)角提取時(shí)域能量特征

把發(fā)動(dòng)機(jī)的振動(dòng)信號(hào)按照曲軸轉(zhuǎn)角進(jìn)行時(shí)域能量分割運(yùn)算。通過加速度傳感器收集獲得的發(fā)動(dòng)機(jī)時(shí)域振動(dòng)信號(hào)X(t)，其時(shí)域能量能夠描述成：

對(duì)式（3）得到的信號(hào)能量進(jìn)行時(shí)間離散化處理，獲得一組離散的能量幅值。把按照曲軸轉(zhuǎn)角將能量幅值分割成N段，擬定所有段內(nèi)存在M種能量幅值，所有段的能量幅值離散的集合是則第i段能量幅值和為：

再對(duì)N段的能量幅值進(jìn)行求和計(jì)算，獲得總能量利用Esum單位化處理同時(shí)組建特征向量：

1.3 支持向量機(jī)分類器構(gòu)建

支持向量機(jī)分類算法即一種基于架構(gòu)風(fēng)險(xiǎn)最小化的原理，以小樣本、以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)的一種學(xué)習(xí)方法。從線性可分模式的狀況可知，其主要理念即構(gòu)建一種超平面當(dāng)做決策面[4]，該決策面不但可以把所有訓(xùn)練樣本正確分類，同時(shí)還能夠使訓(xùn)練樣本內(nèi)離分類面最近的點(diǎn)到分類面的距離達(dá)到最大。

訓(xùn)練樣本即非線性的樣本，經(jīng)過非線性函數(shù)φ(x)處理將樣本x映射至高維線性特征空間內(nèi)，在維數(shù)為無窮大的線性空間內(nèi)組建最優(yōu)分類超平面[5]，同時(shí)獲得分類器的判別函數(shù)。

當(dāng)使用一種超平面不能將兩類點(diǎn)完全分割時(shí)，可以添加松弛變量使得超平面滿足：

式中：

c代表一種正常數(shù)，為目標(biāo)函數(shù)的懲罰因子，此刻支持向量機(jī)能夠經(jīng)過對(duì)偶規(guī)劃實(shí)現(xiàn)：

通過式（8）計(jì)算獲得的最優(yōu)分類函數(shù)為：

擬定多分類問題共存在h種類別訓(xùn)練樣本集為樣本的總量式l，xi代表輸入的第i個(gè)訓(xùn)練樣本。如果滿足公式（9），即可以預(yù)測(cè)測(cè)試集。

其中，分類函數(shù)ti-label按照特征種類[6]擬定h類，所有類的標(biāo)簽對(duì)應(yīng)一個(gè)特征種類，訓(xùn)練時(shí)將已知標(biāo)簽與訓(xùn)練樣本一一對(duì)應(yīng)，同時(shí)組建一種訓(xùn)練集合，訓(xùn)練之后獲得一個(gè)基于最優(yōu)分類面的模型，然后憑借已知的l組訓(xùn)練集獲得的最優(yōu)分類面對(duì)k組測(cè)試集進(jìn)行測(cè)試，經(jīng)過最優(yōu)測(cè)試集的標(biāo)簽和訓(xùn)練集的標(biāo)簽對(duì)比，評(píng)測(cè)支持向量機(jī)對(duì)分類問題的準(zhǔn)確性，構(gòu)建的特征分類器的數(shù)學(xué)模型即：

1.4 基于改進(jìn)人工蜂群算法的故障分類器實(shí)現(xiàn)

人工蜂群方法即模擬蜜蜂采蜜機(jī)制的算法。蜜蜂的采集行為就是函數(shù)優(yōu)化問題，食物源能夠理解成優(yōu)化問題的可行解，解的維數(shù)為預(yù)優(yōu)化的參數(shù)總量[7]，以食物源的密量評(píng)測(cè)對(duì)可行解的質(zhì)量進(jìn)行處理。

方法開始，設(shè)定SN個(gè)D維可行解跟隨蜂總量(N0)與引領(lǐng)蜂總量(Ne)均是SN。引領(lǐng)蜂反復(fù)搜索食物源，同時(shí)記錄與評(píng)測(cè)食物源的適應(yīng)度，以此實(shí)現(xiàn)食物源報(bào)表的更新。在搜索之后，共享跟隨蜂與蜜源信息。跟隨蜂依靠該信息挑選蜜源，并在蜜源領(lǐng)域查找更優(yōu)質(zhì)蜜源。如果在循環(huán)limit次之后，解如果沒有改進(jìn)剔除該食物源，相應(yīng)的引領(lǐng)蜂變換為偵察蜂。設(shè)定被放棄的可能解是ix，則偵察蜂通過式（12）產(chǎn)生新解：

跟隨蜂按照幾率iP挑選食物源，iP的取值為：

引領(lǐng)蜂與跟隨蜂搜索以下領(lǐng)域[8]：

考慮到進(jìn)化初期需要提升全局搜索的性能，以得到更為優(yōu)質(zhì)的蜜源，所以需要增大搜索范圍，增大得到優(yōu)化解的概率。在所提方法內(nèi)添加迭代次數(shù)遞減的權(quán)重函數(shù)[9]，以此動(dòng)態(tài)調(diào)節(jié)蜂群的搜索范圍，隨后在滿足方法精度的基礎(chǔ)上，適當(dāng)提高算法的收斂效率，權(quán)衡兩者，搜索全局范圍中的最優(yōu)解，權(quán)重函數(shù)的計(jì)算能夠描述成：

式中：

gmax—最大慣性權(quán)重；

gmin—最小的慣性權(quán)重；

r—目前迭代次數(shù)；

rmax—最大迭代次數(shù)。

根據(jù)以往研究的經(jīng)驗(yàn)可知，挑選不同的核函數(shù)，可以組建不同的分類器[10]。考慮到徑向基函數(shù)具有運(yùn)算量少與復(fù)雜度低的優(yōu)勢(shì)，本文的核函數(shù)擬定成徑向基核函數(shù)。函數(shù)的定義如下所示：

式中：

σ—寬度參數(shù)。

此刻需要優(yōu)化參數(shù)式：擬定c代表懲罰因子，σ代表寬度參數(shù)。這兩個(gè)參數(shù)的選取會(huì)對(duì)故障分類器的分類精度造成較大的影響：如果懲罰因子c較小，錯(cuò)分懲罰就會(huì)變小，使得訓(xùn)練誤差上升，如果c過大，分類泛華能力就會(huì)變?nèi)酰绻麑挾葏?shù)為σ，那么其和低維樣本在高維空間的映射[11]就會(huì)產(chǎn)生關(guān)聯(lián)，假如寬度參數(shù)較大，分類的決策面就會(huì)越復(fù)雜，經(jīng)驗(yàn)風(fēng)險(xiǎn)小而置信范圍變寬，反之經(jīng)驗(yàn)風(fēng)險(xiǎn)提升。為了得到較好性能的故障分類器，需要挑選最優(yōu)質(zhì)的c和σ，所以構(gòu)建參數(shù)優(yōu)化模型式本文對(duì)故障分類器進(jìn)行參數(shù)優(yōu)化的目的是得到對(duì)汽車發(fā)動(dòng)機(jī)故障的正確判斷，因此選擇的人工蜂群算法適應(yīng)函數(shù)[12]為：

式中：

iy—正確分類的樣本數(shù)；—樣本總量。

參數(shù)優(yōu)化過程如圖1所示。

2 實(shí)驗(yàn)證明

本文對(duì)已知的某品牌汽車發(fā)動(dòng)機(jī)的三種不同狀態(tài)，進(jìn)行振動(dòng)信號(hào)測(cè)試，其時(shí)域波形如圖2所示，橫坐標(biāo)即信號(hào)采樣點(diǎn)數(shù)，縱坐標(biāo)為壓電傳感器的電荷量變化相對(duì)值。其中，圖2（a）代表氣缸的狀態(tài)良好。圖2（b）代表氣缸存在輕度拉缸的狀況，圖2（c）代表氣缸的氣門松動(dòng)。

圖1 基于人工蜂群優(yōu)化的故障分類器

圖2 所表示信號(hào)的最大指數(shù)計(jì)算結(jié)果如圖3所示，此過程中挑選重構(gòu)相空間的嵌入維數(shù)是7，時(shí)間間隔重構(gòu)相空間的跨為50行。

圖3 內(nèi)a、b、c分別代表圖2（a）、（b）、（c）信號(hào)的診斷最大指數(shù)。通過圖3能夠看出，汽車發(fā)動(dòng)機(jī)的狀態(tài)不同，其最大診斷指數(shù)也不同。時(shí)間延遲與運(yùn)算周期，但對(duì)算法的診斷指標(biāo)干擾很小。但是在分析運(yùn)算時(shí)選取信號(hào)的采樣點(diǎn)數(shù)需要超過2 048才可以明顯看出振動(dòng)系統(tǒng)運(yùn)動(dòng)特性的最大診斷指數(shù)變化幅度，進(jìn)而觀測(cè)發(fā)動(dòng)機(jī)的狀態(tài)。

為了進(jìn)一步證明所提方法的有效性，設(shè)定重構(gòu)振動(dòng)信號(hào)小波所包含的頻率為2 808～2 965 Hz，測(cè)試發(fā)動(dòng)機(jī)在這一頻率段的具體振動(dòng)模式。汽車發(fā)動(dòng)機(jī)在燃油燃燒出現(xiàn)激振力的作用下，振動(dòng)的振幅會(huì)逐漸衰減，但是在發(fā)動(dòng)機(jī)其他氣缸的振動(dòng)影響下，使得該氣缸也產(chǎn)生了較為微小的振動(dòng)。圖4即這一頻率段內(nèi)振動(dòng)信號(hào)的變化情況，由此可以測(cè)評(píng)汽車發(fā)動(dòng)機(jī)的運(yùn)作情況。振動(dòng)信號(hào)振幅越小，就表明有效激振力的能量越小。

通過圖4能夠看出，出現(xiàn)這一信號(hào)的原因是：①由于點(diǎn)火系統(tǒng)、供油系統(tǒng)初夏故障，導(dǎo)致燃油供應(yīng)缺少，或燃油不能正常燃燒；②發(fā)動(dòng)機(jī)氣缸存在故障，包括：氣缸拉缸、鏈接構(gòu)件失效等，致使氣缸漏氣，使得激振源出現(xiàn)的能量不能有效的傳遞到發(fā)動(dòng)機(jī)氣缸的活塞內(nèi)。分析振動(dòng)的時(shí)域信號(hào)不難判斷氣缸狀態(tài)的好壞，而依靠支持向量機(jī)故障分類器很容易觀察到振動(dòng)的沖擊成分頻率范圍，然后通過重構(gòu)對(duì)應(yīng)的頻率特性，從而診斷出發(fā)動(dòng)機(jī)的狀態(tài)。

3 結(jié)束語

為了給汽車發(fā)動(dòng)機(jī)維修人員提供理論依據(jù)，提出一種基于人機(jī)一體化的汽車發(fā)動(dòng)機(jī)故障診斷的研究，依靠小波分析法與支持向量機(jī)，組建發(fā)動(dòng)機(jī)故障分類器，以此實(shí)現(xiàn)對(duì)故障的診斷。但由于所提方法中，存在人工蜂群算法，這種算法能夠歸屬于一種迭代計(jì)算方法，而這就導(dǎo)致所提方法由于不斷對(duì)蜂群進(jìn)行迭代計(jì)算，致使算法的整體計(jì)算量增加，診斷效率降低。因此，下一步研究的課題即：在所提方法的基礎(chǔ)上進(jìn)行優(yōu)化，使算法在不影響診斷精確度的前提下，減少計(jì)算量，以達(dá)到提升算法整體診斷效率的目的。

圖2 汽車發(fā)動(dòng)機(jī)診斷結(jié)果——振動(dòng)信號(hào)的時(shí)域波形

圖3 初始信號(hào)的最大診斷指數(shù)

圖4 發(fā)動(dòng)機(jī)振動(dòng)信號(hào)的重構(gòu)信號(hào)