基于小波包分解的船用柴油機燃油電磁閥故障診斷方法

葛君超，王利鵬

(河南理工大學鶴壁工程技術學院，河南 鶴壁 458030)

0 引 言

柴油機作為船舶上的關鍵設備之一，燃油電磁閥在其控制系統中扮演著重要角色[1]。燃油電磁閥的故障會直接影響柴油機的正常運行[2]，燃油電磁閥故障診斷方法逐漸向智能化方向發展[3]。在采集電磁閥的電流信號的基礎上[4]，通過提取信號的特征來實現故障診斷是常用的方法。小波包分解技術可以通過逐層分解高頻和低頻信號，提取更加細致和全面的信號特征[5]。

在現有的研究中，已有一些關于電磁閥故障診斷的方法。王欽惠等[6]通過對電磁閥信號進行小波分解和功率譜分析，實現了電磁閥開關故障狀態的在軌實時診斷。張文嘯等[7]構建基于變分自編碼器的故障診斷模型，雖無需進行數據特征的提取，但模型結構對故障診斷效果的影響很大。

為解決上述問題，本文提出基于小波包分解的船用柴油機燃油電磁閥故障診斷方法。引入小波包分解方法，對電流信號進行分解，獲取其多頻帶特征，能夠更細致地提取信號的時頻信息，從而更準確地描述電磁閥的工作狀態和故障情況。

1 船用柴油機燃油電磁閥故障診斷

1.1 電磁閥特征提取

船用柴油機燃油電磁閥故障信號具有非平穩性特點，小波變換是可實現非平穩信號時頻分析的方法[8]。設定fs為船用柴油機燃油電磁閥原始信號采樣頻率，則分解后的高、低頻信號分析帶寬均為0.5f s。小波包分解是以前次分解后的新信號為基礎，通過對其作多尺度頻段分解，以各頻帶的能量作為特征，完成多頻段信號特征的提取。小波包分解的信號處理性能優于小波分析法，提取的原始信號特征更細致化，更完整。

小波包分解的變換函數描述為：

對各小波包分解系數作重構處理，以完成每個頻帶區間信號的獲取，具體公式如下：

對每個頻帶能量作歸一化處理后，即可確定同一狀態下，分解后各頻帶所含能量比例ej,k(i)，歸一化處理可通過下式進行描述：

通過小波變換對船用柴油機燃油電磁閥的原始電流信號進行處理，提取出故障各頻帶的能量比例。

1.2 確定電磁閥電流信號敏感特征

核主成分分析法（KPCA）的基本思想是利用非線性變換函數 ψ(·)實現樣本數據向高維數據空間F的映射后，再采用主成分分析法對樣本特征作降維。該方法在信號非線性特征提取上具有顯著優勢，同時計算難度與主成分分析法基本一致。因此，在電磁閥電流信號特征提取的基礎上，采用KPCA 方法對其進行降維處理，完成敏感特征選擇。

將提取到的特征作為特征選擇的輸入，用XN×M表示燃油電磁閥電流信號特征樣本矩陣，其在高維數據空間F上的協方差矩為：m=1,2,···M X

式中： ， 為矩陣中的任意行元素，其為自變量。

按由大到小順序對 λ進行排列，確定貢獻率高于設定值的主元成分，將其視為船用柴油機燃油電磁閥原始電流信號的敏感特征。

1.3 結合AACA 與LSSVM 的電磁閥故障診斷

最小支持向量機（LSSVM）是建立在支持向量機（SVM）基礎上的改進算法，采用自適應蟻群優化算法對參數進行尋優，以提高船用柴油機燃油電磁閥故障診斷精度。

1.3.1 電磁閥故障診斷模型

將敏感特征計算結果輸入電磁閥故障診斷模型，基于LSSVM 的電磁閥故障診斷優化問題可描述為：

拉格朗日函數表達式為：

式中， σ為核寬度參數。

1.3.2 參數優化

為提高船用柴油機燃油電磁閥故障診斷效果，采用自適應蟻群算法對故障診斷模型參數c、 σ進行尋優處理，通過自適應調整揮發因子、狀態轉移規則，增強優化參數搜尋初期的隨機性，使得執行電磁閥故障診斷模型參數優化的螞蟻具有突出的全局搜索性能；同時，減弱參數優化搜尋末期的隨機性，提高算法的收斂效率。

船用柴油機燃油電磁閥故障診斷模型參數優化的狀態轉移規則通過下式進行描述：

2 實驗分析

以某船用柴油機燃油電磁閥作為實驗對象，通過Python 采集電磁閥原始電流信號，并進行處理。構建實驗樣本數據集，數據總量為5 000，其中正常信號樣本3 800 個，故障樣本為1 200 個，對應彈簧斷裂、閥芯輕微卡頓、閥芯卡死、線圈斷路、二極管擊穿短路5 種不同運行工況。通過Scikit-learn 訓練電磁閥故障診斷模型，完成參數優化。優化后的參數：學習率為0.01；正則化參數為0.001；迭代次數為1 000；批處理大小為64；隱藏層節點數為128；模型的深度為2。將本文方法應用到船用柴油機燃油電磁閥故障診斷中，分析其診斷性能。

以船用柴油機燃油電磁閥彈簧斷裂、閥芯卡死2 種故障工況為例，采集2 種工況下的船用柴油機燃油電磁閥電流信號，并與正常運行工況下的電流信號進行對比，分析不同運行工況下的電磁閥電流信號差異，實驗結果如圖1 所示。

圖1 不同運行工況下電磁閥電流信號差異分析Fig.1 Analysis of current signal differences of electromagnetic valves under different operating conditions

分析可知，船用柴油機燃油電磁閥故障會對其電流信號特征產生影響，將電磁閥電流信號作為其故障診斷依據可行。

采用本文方法對不同工況下的電磁閥電流信號進行分解，并與小波分析結果進行對比，通過分析不同頻帶能量比值差異驗證本文方法的電流信號分解性能，實驗結果如圖2 和圖3 所示。

圖2 本文方法分解結果分析Fig.2 Analysis of the decomposition results of the method in this article

分析可知，本文方法具有突出的信號特征提取能力。

通過對比分析不同工況電磁閥故障識別效果，驗證本文方法的有效性，實驗結果如圖4 和圖5 所示。

圖4 本文方法故障識別結果分析Fig.4 Analysis of fault identification results of the method in this article

圖5 小波分析+KPCA 降維后的故障識別結果分析Fig.5 Analysis of Fault Identification Results after Wavelet Analysis and KPCA Dimension Reduction

分析可知，本文方法具有突出的故障辨識能力。

3 結 語

1）故障工況下的電流特性曲線與正常工況存在差異。

2）本文方法提取的電磁閥原始電流信號特征更精細，不同運行工況信號特征差異高；特征降維有利于電磁閥故障效果的提升。

3）本文方法可實現電磁閥故障診斷，診斷效果突出。