基于支持向量機的電控發(fā)動機故障診斷分析

貴州工業(yè)職業(yè)技術學院 陳顯靈

對于電控發(fā)動機而言，有效的故障診斷方式以及日常維護對保證其安全健康的運行發(fā)揮著極其重要的作用，受到了各界人士的高度關注。因此，故障診斷方式的研究也就成了汽車行業(yè)研究的重點話題。

如近年來提出的電控發(fā)動機故障診斷方式較多，如基于聲強分析、不完全小波包分析、人工神經(jīng)網(wǎng)絡技術、基于噪聲的發(fā)動機故障診斷MPA-ANM模型、基于集合經(jīng)驗模態(tài)分解處理轉速信號提取故障信息等，每一種方式都有著自己的優(yōu)勢，尤其是對于一些非平穩(wěn)信號故障的處理，采用基于集合經(jīng)驗模態(tài)分解處理轉速信號提取故障信息診斷方式比較適用，其中診斷方式還能夠有效解決模態(tài)混疊引發(fā)的問題，干擾能力比較強[1]。

除此之外，LM 算法和bp 神經(jīng)網(wǎng)絡也是有效的利用了Bp 神經(jīng)網(wǎng)絡對發(fā)動機電控系統(tǒng)故障進行識別。在經(jīng)過大量的研究后發(fā)現(xiàn)，電控發(fā)動機系統(tǒng)故障診斷的方式主要有兩種：一種為從理論上進行分析，通過對各性能參數(shù)之間的關系進行分析，推斷出故障方程[2]；另一種為從統(tǒng)計學和機器學習角度著手，對大量的數(shù)據(jù)進行分析，屬于一種故障排除法，采用計算機通過多種算法學習正常數(shù)據(jù)或者故障數(shù)據(jù)，進一步明確各性能參數(shù)之間的內在聯(lián)系，建立預測模型，通過此模型對故障問題進行診斷。

為了能夠在最短的時間內對電控發(fā)動機故障做出準確的診斷，首先就要具備較強的故障識別能力，基于支持向量機（Support Vector Machine，SVM）和振動信號分析相結合的發(fā)動機故障診斷方式，首先將振動信號的三維特征向量作為實驗樣本，然后將所提取到的故障的三維特征向量作為訓練樣本和測試樣本，將其共同輸入到SVM 模型中進行訓練和診斷，從而實現(xiàn)對電控發(fā)動機故障的診斷。與BP 神經(jīng)網(wǎng)絡故障診斷方式相比較而言，基于SVM 的電控發(fā)動機故障診斷方式精確度更高。本次研究中所要分析的基于SVM 故障診斷方式屬于第2種類型，本次研究深入的分析了基于SVM 的電控發(fā)動機故障診斷方式。

1 振動信號三維特征向量的分析與提取

當電控發(fā)動機出現(xiàn)故障時，最明顯的特征之一就是機器會伴有異常噪聲和振動，振動信號表現(xiàn)為非線性、非平穩(wěn)性等特征，與其相對應的一些敏感點的振動參數(shù)也會表現(xiàn)出比較明顯的變化，這些振動信號中則包括發(fā)動機狀態(tài)方面的信息，診斷人員可以通過對這些震動信號的特征進行分析，進一步獲取到更多的能夠證實發(fā)動機故障方面的信息。

首先可以對振動信號的時域進行分析，也就是對振動信號在某一個時域內的變化情況、分布情況進行分析；還可以進行小波包變換分析，一般情況下，如果發(fā)動機出現(xiàn)故障時振動信號表現(xiàn)得非平穩(wěn)，此時采用傅里葉方式分析，并不能明確準確的時間節(jié)點以及故障變化情況[3]。

小波包變換分析方式也能夠分析出不同頻段時的信號特征，并且一般會按照不同的信號特征對不同頻段上的信號進行分離，然后對分離后的信號特征進行分量處理，針對不同頻段的信號特點提取出其特征量，并用所提取出的特征量表達此頻段上的信號特征。此種計算方式首先需要對信號進行第1次分解，通過分解將信號分成高頻部分和低頻部分兩種，分別對其實施2抽1運算，保留偶數(shù)或者奇數(shù)，然后依次對每層信號進行分解，最終將信號分解到不同的頻段上[4]。

還有一種算法為特征提取方法，就是當自控發(fā)動機出現(xiàn)故障時發(fā)動機的平穩(wěn)性降低，通過非平穩(wěn)性會表現(xiàn)出振動故障，通過對故障特征進行提取，進而為準確判斷故障的類型提供可靠的指導依據(jù)。本次研究中采用了兩種故障特征的提取方式，即食欲性特征與小波能譜熵，通過將兩種方式進行結合，為準確判斷故障類型提供了參考依據(jù)。

2 基于SVM 的電控發(fā)動機故障診斷原理及診斷

SVM 也可以認為是一種二分類模型，其主要目的就是通過尋找1個超平面對原樣本進行分割，促使樣本之間的間隔實現(xiàn)最大化，然后將其轉化為二次規(guī)劃問題進行求解[5]。這里提到的間隔其實指的是給定法向量W 后兩條直尺直線之間的距離。但是在計算的過程中，如果發(fā)現(xiàn)利用原始空間中的簡單分類無法得到比較滿意的結果時，一定要將非線性問題轉化為線性問題，比如可以通過函數(shù)運算將矢量映射到高維空間，然后在高維空間進行線性分類。

由于通過上述分析后發(fā)現(xiàn)，SVM 適合于對二分類問題進行分析，針對電控發(fā)動機日常運行狀態(tài)中的無故障、其他故障以及氣缸故障等建立二分類器并級聯(lián)，共包括5種運行狀態(tài)，即正常運行、一缸故障、二缸故障、三缸故障、四缸故障。

當電控發(fā)動機出現(xiàn)故障時，其內部會表現(xiàn)出異常振動，這種異常會逐漸傳遞到發(fā)動機的外部結構，導致發(fā)動機外部結構出現(xiàn)異常振動，部分還會伴有異常噪音，最為常見的為發(fā)動機缸蓋，所以也可以認為發(fā)動機內部結構表現(xiàn)出的異常直接作用在缸蓋上，導致發(fā)動機缸蓋出現(xiàn)明顯的異常振動。

壓電式加速器將采集到的振動信號轉變成電壓信號，然后再通過與其配套的電源適配器逐漸放大，通過數(shù)據(jù)采集卡將相關的數(shù)據(jù)信息進行采集，再通過系統(tǒng)軟件將采集到的數(shù)據(jù)信息轉變成數(shù)字信號，在利用系統(tǒng)中的存儲功能進行數(shù)據(jù)存儲[6]。對所提取到的數(shù)字信號進行時域分析和小波包分解，通過分解能夠進一步得出電控發(fā)電機的故障特征向量信息，將這些故障特征向量信息依次傳輸至SVM 模型中，通過模型分析進一步對故障的類型進行判斷，并故障點進行定位。

比如選擇診斷對象為某型號的自控發(fā)電機出現(xiàn)故障后，發(fā)動機的主要技術參數(shù)如下：最大功率72kW、最大轉速6000r/min、最大扭矩132N/min、排量72L；本次實驗中所用到的診斷設備各參數(shù)及型號如下：電源適配器為澄科5201恒流電源適配器，振動加速度傳感器CT1005L ICP/IEPE，數(shù)據(jù)采集系統(tǒng)MCC Tracer DAQ、數(shù)據(jù)采集卡NI MCC USB-201。

通過采用診斷設備對電控發(fā)動機在五種不同工況時振動信號進行采集，并將采集到的信息進行保存作為信號數(shù)據(jù)源。有研究學者經(jīng)過研究后發(fā)現(xiàn)[7]，汽油機缸蓋的振動頻率≤8kHz，在信號采集的過程中為了能夠避免信息遺漏，診斷人員將診斷設備的頻率設置在了19kHz，本次故障檢測中采樣、采樣通道以及信號分析頻率分別為19kHz、19kHz 和18kHz。

在提取故障信號特征特征時，先采用壓電式加速度傳感器對電控發(fā)動機不同工況下的振動信號進行采集，得到振動信號時域圖。然后再進行小波包分解，采用小波包函數(shù)將分解層數(shù)設定為三層，先對電控發(fā)電機正常運行狀態(tài)下的狀態(tài)進行小波包分解，比如電控發(fā)動機在正常工況運行狀態(tài)下，先進行小波包分解，其中會利用到MATLAB 分解軟件，經(jīng)過分解可以得到每一層每個節(jié)點的能量值[8]。最后還要進行特征向量計算，進行此步驟時需要從原始的數(shù)據(jù)中選出每種工況狀態(tài)下的一組數(shù)據(jù)，然后根據(jù)所選取的數(shù)據(jù)建立此狀態(tài)下的三維特征向量，將其作為故障類型以及原因診斷的依據(jù)。

3 基于SVM 故障診斷模型應用結果分析及比較

3.1 基于SVM 故障診斷結果分析

基于SVM 進行電控發(fā)動機故障診斷時，上述各種數(shù)據(jù)分處理和分析后，得到了每一種電控發(fā)動機運行狀態(tài)下的特征向量，共5種特征向量，每一種狀態(tài)下的特征向量為20組，一共有特征向量100組，從100組特征向量中隨機選取出80組作為本次SVM模型訓練的樣本對象，將其余的20組特征向量作為測試模型的訓練對象。

比如縱軸中的0、1、2、3、4分別代表正常運行、一缸故障、二缸故障、三缸故障和四缸故障，通過分析后我們發(fā)現(xiàn)，測試模型中的20組特征向量中預測出錯的模型只有2組，一組本來為二缸故障、錯將其預測成了四缸故障，一組本來為一缸故障、錯將其預測成了三缸故障，其余18組特征向量SVM預測結果與實際結果一致。通過計算后得出，基于SVM 模型對故障的預測準確率為90.00%（18/20）。

3.2 基于BP 神經(jīng)網(wǎng)絡發(fā)動機故障診斷

基于BP 神經(jīng)網(wǎng)絡也是近年來被廣泛應用于電控發(fā)動機故障診斷中的常用方式，幾種方式能夠對故障進行分類識別，目前在對自控發(fā)動機故障診斷的應用中也取得了較好的效果，其效果受到了專業(yè)人士的高度認可。

在基于BP 神經(jīng)網(wǎng)絡方式對電控發(fā)動機進行故障診斷時，需建立故障診斷bp 神經(jīng)網(wǎng)絡模型，通過此網(wǎng)絡模型實現(xiàn)故障診斷，且此種診斷方式在進行故障樣本特征量選擇、故障特征量的提取、特征向量的分析等方式同基于SVM 故障診斷方式基本相同。不但如此，其中對電控發(fā)動機工況的選擇、各種工況對應的特征向量數(shù)量、采用模型進行訓練的樣本的數(shù)量、測試對象的樣本數(shù)量等都與基于SVM電控發(fā)動機故障診斷方式比較類似。

在誤差方面，訓練集最小均方誤差在第5代時滿足本次測量目標的需求，但是相比較而言bp 神經(jīng)網(wǎng)絡有所收斂，當?shù)?代時出現(xiàn)訓練集最小均方誤差后之后也呈現(xiàn)出了明顯的下降趨勢，并且下降趨勢變化比較大，坡度較陡。

但是在對測試結果進行分析后發(fā)現(xiàn)，如果縱軸上的0、1、2、3、4分別代表正常運行、一缸故障、二缸故障、三缸故障和四缸故障，在對其故障檢測結果進行分析后發(fā)現(xiàn)，測試模型中的20組特征向量中預測出錯的模型有4組，一組本來為一缸故障、錯將其預測成了三缸故障，一組本來為二缸故障、錯將其預測成了正常工況，一組本來為一缸故障、將其預測成了二缸故障，一組本來為正常工況將其預測成了四缸故障，其余16組特征向量SVM 預測結果與實際結果一致。對于預測錯誤的4組特征向量樣本中，未能實現(xiàn)正確分類的樣本有4個，通過計算后得出，基于BP 模型對故障的預測準確率為80.00%（16/20）。

3.3 結果比較

基于SVM 模型對故障的預測準確率為90.00%，基于BP 模型對故障的預測準確率為80.00%，通過比較我們發(fā)現(xiàn)，雖然在進行電控發(fā)動機故障診斷方面，基于SVM 模型和基于BP 模型均取得了較好的效果，但是相比較而言，基于SVM 模型對電控發(fā)動機故障診斷準確率更高，并且此種診斷方式對樣本特征向量的容錯率也更強。

正是由于基于SVM 模型診斷結果的誤差比較小，所以模型相對而言比較穩(wěn)定，故障預測中所采用的方式更加簡潔，操作起來比較容易，基于SVM 模型能夠有效解決一些有限的數(shù)量樣本中，高維數(shù)模型方面存在的問題，但是如果所分析的數(shù)據(jù)為大樣本數(shù)據(jù)時，基于SVM 模型訓練的速度則相對而言有些慢，所以對于一些數(shù)據(jù)樣本量比較大、或者數(shù)據(jù)的分類需求比較多，對于此種數(shù)據(jù)分析方式可以選擇BP 神經(jīng)網(wǎng)絡模型分析，優(yōu)勢更加明顯。

綜上，對電控發(fā)動機故障進行診斷時，在基于SVM 模型進行分析，對振動信號進行采集，將采集到的信息數(shù)據(jù)進行小波包分解處理，將其處理結果與時域特征中的相關數(shù)據(jù)特征綜合性的分析后得出振動信號的三維特征向量，將此向量輸入至基于SVM 模型中，采用此模型進行三位特征向量的學習和預測，預測準確率較高。通過與基于Bp 神經(jīng)網(wǎng)絡的預測結果進行比較，基于SVM 模型進行電控發(fā)動機故障診斷的優(yōu)勢比較明顯，不但準確率較高，并且實用性更強，應用價值更高。