弱狀態下燃油調節器特征提取及故障診斷

梁曉峰，鄧熠，司國雷，陳君輝，陳文秀

(1.中國人民解放軍海軍裝備部，四川成都 610100；2.四川航天烽火伺服控制技術有限公司，四川成都 611130)

0 前言

燃油調節器具備航空發動機啟停機、供油、按需調節油量等功能，是發動機的重要組成部件。而弱狀態是指燃油調節器處于內部部件磨損但不影響正常使用的工作狀態。燃油調節器的故障具有隱蔽性、長期潛伏性及突發性，若想提早發現其隱藏故障，建立能夠描述監測信號本質屬性的本征特征空間，以實現對燃油調節器物理狀態的監測，則尤為重要。然而，因流體固有的物理特性及機-液耦合所帶來的影響，使得人們很難通過常規手段獲取用于描述其狀態的信號本征特征，導致其自身物理狀態呈現較強的模糊性且將長期處于弱狀態，存在極大的安全隱患。傳統的信號處理方法所提取的信號本征特征在特征空間呈現交錯性分布，且受測試硬件和時間的限制，在一定測試時間內獲取的工作狀態的信息量有限，導致提取的特征信息不完備。而當利用未知信息判斷燃油調節器自身物理狀態時，會因特征信息的缺陷，導致難以進行準確的信息匹配，從而影響狀態監測系統推理機的決策精度。因此，獲取較為完備的狀態信息并構建互不交錯的特征空間，對燃油調節器狀態監測系統有重要意義。

在液壓系統狀態特征提取中，許多學者介紹了LMD、領域粗糙集、經驗模態、徑向基、貝葉斯神經網絡、深度神經網絡及小波包等算法，將它們作用于壓力、流量、振動等信號中，并結合決策級/特征級數據融合技術，取得了良好的特征數據,但存在效率較低、硬件和時間成本較高的缺點。基于上述分析，本文作者針對弱狀態下燃油調節器自身物理狀態難以描述的問題，以燃油調節器出口組件的壓力脈動為目標，利用無監督聚類算法和多源信息融合技術對壓力脈動信號進行特征初次提取并設計尺度變化準則，進行特征重構。利用Java編寫特征提取和-NN(-Nearest Neighbor)故障分類器的腳本，進行算法測試。

1 弱狀態下狀態表征現象及特征提取策略

1.1 燃油調節器的弱狀態表征現象

圖1所示為燃油調節器工作資源的分配方式。燃油泵向發動機供給的燃油進入燃油調節器后，在計量活門2油口開度的控制下流經出口組件5，發動機油路為發動機正常工作提供所需要的燃油。壓差活門1則在任意時刻下保證流入發動機的燃油壓力恒定，占空比活門3、數字閥4及電子控制器6則根據發動機的工作需要，對計量活門的油口開度進行控制，以實現對燃油供給量的調整。由于燃油調節器長期工作在弱狀態下，當其內部零部件出現一定程度磨損(未達到完全失效的狀態)時，其壓力-流量特性與正常狀態下相差不大。但是，若故障突然發生，將會造成不可逆轉的后果。而壓差活門1是影響發動機供油壓力穩定的關鍵部件且閥芯磨損是最主要的失效方式。為獲得不同弱狀態下，燃油調節器的壓力脈動信號，將壓差活門的閥芯人為磨損至不同程度，并對出口組件5出油口處的壓力脈動進行監測。此次測試將圖1中所示的壓差活門1的閥芯進行人工失效，使它與內部腔體的單側配合間隙分別為0.02、0.03、0.04和0.05 mm(完全失效的臨界值)，而單側間隙0.01 mm為設計尺寸且其余液壓元件計量活門2、占空比活門3、數字閥4、出口組件5、燃油泵及發動機油路保持初始設計狀態。測試過程從啟動持續至平穩運行，總時長為20 s，采集數據時的采樣步長為0.01 s，每種弱狀態下的樣本量共計2 000個。出口組件出油口的壓力脈動時域狀態如圖2所示。

圖1 燃油調節器資源分配

圖2 不同壓差活門狀態下的出口組件壓力脈動

由圖2可知：當壓差活門的閥芯與腔體單側配合間隙(側隙)從0.01 mm(設計值)增加至0.05 mm(臨界失效值)時，出口組件出油口的壓力脈動最終將穩定在12 MPa左右；當其內部元件出現不同程度的失效(側隙為0.02～0.05 mm)時，壓力脈動變化不明顯，且其曲線分布間隔較為均勻，表明此時的燃油調節器工作在弱狀態下，難以利用直接觀察或常規的時頻域分析方法提取特征以描述其當前的物理狀態；當壓差活門的閥芯磨損至臨界失效值(0.05 mm)時，出口組件的壓力脈動曲線出現一定程度劇烈波動，線條分布相較于其他情況更為緊密，表明此時的壓差活門已瀕臨失效，流向發動機供油路的燃油壓力出現劇烈變化。綜上分析，當燃油調節器內部元件出現磨損但未到達臨界失效值時，其供給發動機油路的燃油壓力基本處于穩定狀態，但此時的燃油調節器內部參數已發生變化，長此以往會使燃油調節器由弱狀態逐步退化至全面失效，若無法在退化形成前識別其物理狀態并采取相應措施，則會出現航空事故。

1.2 弱狀態下故障特征提取策略

弱狀態下燃油調節器中出口組件的壓力脈動信號存在較強的模糊性，難以直接分辨它所處的物理狀態。加之數據采集過程中硬件條件和時間成本的限制，無法長時間利用物理實驗方法進行高效的數據處理及分析工作。故本文作者提出如圖3所示的弱狀態故障特征提取策略及算法測試流程。

圖3 弱狀態燃油調節器狀態特征提取策略

2 特征提取、重構及K-NN算法設計

2.1 特征提取算法及參數設計

(1)-means無監督聚類算法設計

-means無監督聚類算法為利用給定的包含個數據的數據集尋找數據間相似度并構建個簇的方法。該方法將總體數據劃分為個內部相似度極高的簇，原則上每個簇至少包含一個數據對象，每個數據對象必須屬于且只能屬于一個簇。其算法流程如圖4所示。

圖4 k-means算法流程

①初始值的選擇

根據現有的文獻及-means在模式識別領域的應用研究，誤差平方和所有樣本的聚類誤差可作為值的有效選擇指標，如下所示：

(1)

式中:為第個簇;為中的樣本點;為的質心(中所有樣本的均值);為所有樣本的聚類誤差;為每個簇中的元素。

②平均損失函數及其閾值

(2)

圖5 不同k值下的fLoss和聚類時間

由圖5(a)可知：隨著的增加，在0.1～0.5的范圍內浮動且隨著的增大，不同弱狀態聚類結果的均呈現局部上升。進一步由一維搜索原理，可確定各弱狀態下的最優聚類個數=10。由圖5(b)可知：當=8時，算法完成聚類所需時間最小，平均耗時1.548 s;當=10時，平均耗時2.977 s，但其聚類結果的相較于=8時的普遍表現較優;而當>10時，平均耗時超過10 s。綜上可知，當前數據源下的聚類個數=10時，平均損失函數的收斂閾值為0.1。

(2)信息融合算法設計

信息融合又稱多傳感器信息融合，此處的傳感器不僅包括物理意義上的各種傳感器系統，也包括與觀測環境匹配的各種信息獲取系統。本文作者將提取的時頻域特征視作多個不同傳感器獲取的多源信息，把聚類后各子類的每種時頻域信息都視為來自一個傳感器，通過信息融合進行多時頻域特征變換。利用多種時頻域信息進行原始信號的描述，以有效彌補單特征下信息不完備的問題。

通常情況下，信息融合后新特征具有極高的維度，使得新特征空間的交錯現象更加明顯，增加狀態監測系統使用時的時間復雜度。而主成分分析(Principal Components Analysis，PCA)算法通過線性變換提取數據的主要特征分量，將高維數據變換為一組各維度線性無關的表示，是提取高維數據關鍵信息及降維的最有效方法之一。PCA算法流程如圖6所示，通過PCA獲得的降維數據在累計貢獻率的限制下進行篩選。而累積貢獻率的大小表示當前選擇的所有主成分攜帶原數據的信息的比例，故文中PCA中的累計貢獻率=0.99。

圖6 PCA算法流程

2.2 空間質心尺度變化方法

利用所提策略對原始信號數據進行一次和二次特征提取，獲得的特征數據集中，部分弱狀態的特征數據集的特征空間分布呈現較高的位置交錯性。空間質心尺度變化是指在歐氏空間中，將數據集中遠離其質心的數據點，利用空間坐標變化產生新的數據點并使它們聚集在以質心為圓心、為平均半徑的包絡曲面內。通過質心尺度變化算法所產生的新數據點，在空間中的分布具有較低的位置交錯性，能有效地提升狀態監測系統的決策精度。原始特征數據的空間分布、空間質心尺度變化原理如圖7所示。

圖7 原始特征數據分布及質心尺度變化原理

如圖7(a)所示，原始特征數據分布在以第一主成分、第二主成分和第三主成分構造的歐氏空間中。記弱狀態原始特征數據集為，此時={∪|≠且,=0.01,…,0.05}，其中和為不同的弱狀態特征集。圖中可清晰地看出，各弱狀態下的原始特征數據集并未呈現相互獨立的分布，即當≠且,=0.01～0.05時，存在∩≠?，特別是虛線框內所示的交錯現象最為嚴重。當有未知信號的特征集輸入時，狀態監測系統將采取最大相似度原則進行決策，此時會有多個弱狀態的特征數據與未知數據存在較高相似性，導致難以獲得準確的決策結果。因此，設計空間質心尺度變化算法，以降低不同弱狀態下特征數據的相似性，使每個相鄰數據集間都滿足∩=0，在提升狀態監測系統的決策精度方面具有重要意義。

(3)

2.3 K-NN算法參數設計

-NN算法基本思路：在訓練集中數據和標簽已知的情況下，輸入測試數據，將測試數據的特征與訓練集中對應的特征進行比較，找到訓練集中與之最為相似的前個數據，則將測試數據所屬類別對應為個數據中出現次數最多的類別。-NN算法具有易實現、對異常點不敏感、無訓練時間、擅長處理多分類、預測及準確度高的優點，廣泛應用于各類型決策系統、推薦系統。其算法描述如下：

輸入：歷史數據集、歷史數據集對應標簽；

輸出：測試數據集所屬標簽。

具體步驟：

(1)計算相似度。計算測試數據集每個樣本與所有隸屬數據的距離；

(2)形成決策數據集。設計超參數，并以此產生決策數據集；

(3)選擇決策法則。將測試數據集歸類為個最近鄰樣本中具有最多樣本個數的類別。

根據圖2所示數據及其數據量的特點，將選擇歐氏距離函數為-NN故障分類器的相似度函數。同時，為增強-NN算法的健壯性，保證每次算法都能得出結果，將其超參數設置為奇數且在決策法則中選用少數服從多數的投票準則。

3 算法測試及結果分析

(1)特征提取與重構算法測試分析

利用圖2所示的出口組件各弱狀態下的壓力脈動數據，在Linux環境下利用Java和Python平臺分別設計燃油調節器狀態特征提取算法及數據可視化功能。其中，-means算法的聚類個數=10，損失函數的閾值為0.1，該算法一次提取的特征包含各子類的均值、標準差、均方根、方根幅值、峭度、偏度、峰值、裕度及波形，共9類時頻域特征。另外，設定PCA信息融合算法的累計貢獻率=0.99，空間質心尺度變化準則的相對尺度參數分別取為二次提取后的數據的標準差、為二次提取后的數據的標準差峰值及利用人為調參經驗獲取線性尺度=100。運行燃油調節器狀態特征提取算法并讀取最終的數據可視化結果，如圖8所示。

圖8 fLoss=0.02時，不同尺度下的重構特征分布

由圖8可知:各弱狀態在標準差尺度下的重構特征數據分布的交錯性比峰值尺度變化、線性尺度變化的分布明顯，表明此時的重構特征數據質量較差，且標準差不是一個穩定的尺度變化參數；而經峰值尺度和線性尺度變化后的重構特征數據的分布處于穩定的相互獨立狀態，表明這兩種尺度參數下的重構特征數據分布交錯性較弱，有效地抑制了特征空間的模糊性。進一步分析產生上述現象的機制可知，如式(3)所示的數學模型將→′的點空間位置變化轉化為以質心為核心，在尺度變化因子限制下的小步長移動。當數據點與質心的相對尺度越大時，其尺度變化因子越小，此時質心的移動步長越小，其重構數據點′的位置越靠近于質心，更容易實現重構特征在空間中的獨立分布。故圖(d)所示的線性尺度下重構特征數據的分布相較于峰值尺度下的重構特征數據分布更集中于質心。

綜上可知，參數的選取將直接影響重構特征。為實現對狀態特征模糊性的抑制，在使用空間質心尺度變化算法進行特征數據重構時，其尺度變化參數可選擇峰值或線性參數。進一步從算法感知角度看，用峰值能直接描述出一組數據中的最大數據且對數據自身的完備性和數據量大小不具有依賴性，能準確地反映數據自身情況，因此峰值尺度下的重構特征能更好地體現出燃油調節器狀態特征提取算法在數據感知階段所具備的智能性。

(2)-NN分類算法測試分析

利用圖2所示的5組數據，在Linux環境中利用Java按照如表1所示的占比，采用隨機法從各弱狀態數據中抽取相應數量的數據，并在隨機位置拼接成5組不同類別的測試數據。

表1 測試數據集中各弱狀態數據占比

進一步,利用Java搭建-NN分類算法模型，并分別將未經特征提取與重構的測試數據集和已進行特征提取與重構(峰值尺度)的測試數據集作為-NN分類算法的輸入數據，并將其超參數設定為0.7，即選擇前70%的數據作為決策數據集。根據少數服從多數的投票法則，-NN分類算法對2種數據集決策結果分別如表2、表3所示。

表2 K-NN分類算法對未經特征提取與重構的測試數據集T的識別率(結果保留小數點后兩位)

表3 K-NN分類算法對峰值尺度重構的測試數據集T的識別率(結果保留小數點后兩位)

由表2可知：當使用未經特征提取與重構的測試數據時，5組測試數據平均耗時1.251 s，-NN算法基本做出了正確的決策，但其最高識別率均未超過0.5，并且在對第3組數據決策時出現模糊決策；而當-NN算法使用經過特征提取與重構后測試數據時，5組測試數據平均耗時0.472 s，-NN算法識別率均高于0.5且其決策結果完全正確。

深入分析-NN分類算法模型可知，由于算法運行時需要搜尋整個數據空間，直接將未經特征提取與重構的測試數據(原始數據)作為-NN算法的數據輸入，會因輸入數據量過大，導致運行時間較長，降低識別效率。同時，原始數據內含較多的冗余數據且數據間關聯性較強，算法產生的決策數據集品質不高，難以對各弱狀態進行準確描述，導致-NN分類算法的決策效率較低且精度較差。而經由特征提取與重構(峰值尺度)的數據，其數據量和數據間的關聯性均得到大幅度削弱，這使得-NN分類算法能夠在保持較少搜尋數據量的基礎上，產生具有良好品質的決策數據，從而提升-NN分類算法的整體性能。

4 結論

針對弱狀態下燃油調節器的狀態信號存在較強模糊性，難以進行特征提取和故障診斷的問題，在結合無監督聚類、多源信息融合與空間質心尺度變化的基礎上，設計特征提取和重構算法。經算法測試，驗證了重構后的特征數據在特征空間中分布特性良好。進一步利用Java搭建-NN分類算法，將經特征提取和重構后的數據作為-NN算法的輸入，此時-NN分類算法能夠有效地對測試數據進行識別，且在效率與準確率方面均表現良好。綜上可知，本文作者所設計的特征提取與重構方法，不僅能夠有效地提取弱狀態下燃油調節器的狀態特征，還能夠幫助-NN分類算法更加高效且準確地進行故障診斷診斷，為燃油調節器的后續健康管理系統搭建提供參考。