基于小波分析与神经网络的柴油机气阀间隙识别.pdf

机械研究与应用 研 究 与 分析 基 于小 波分 析与神经 网络 的柴油机气 阀间隙识别 叶高 ， 腾 宪斌 1 ． 中海油能源发展监督 监理技 术公 司， 天津3 0 0 4 5 2 ； 2 ． 天津海运职 业学院， 天津3 0 0 4 5 2 摘要 通过对柴油机气阀间隙的调整， 实时监测缸盖的振动信号， 运用小波分析法对振动信号进行分析， 提取 柴油 机气阀间隙异常的多个特征参数， 并采用B P神经网络对气阀间隙进行识别， 以此提高诊断故障的针对性和 准确性。 关键词 柴油机 ； 气阀间隙 ； 小波分析 ； 神经 网络 中图分类号 T K 4 2 文献标识码 A 文章编号 1 0 0 6 4 4 1 4 2 0 1 0 0 2 0 0 0 9 0 3 Di e s e l e n g i n e v a l v e c l e a r a n c e s i d e n t i f y i n g b a s e d o n wa v e l e t a n aly s i s a n d n e u r al n e t wo r k Ye Ga o ．Te n g Xi a nbi n 1 ． C N O O C e n e r g y t e c h n o l o g ys e r v ic e s l i m i t e d s u p e r v i s i o nt e c h nol o gy C o ． ， T i a n j i n 3 0 0 4 5 2 ，C h i n a； 2 ． T i a n j i n m a r i t i m e v o c a t io n a l i n s t i t u t e ， T i a n j i n 3 0 0 4 5 2 ，C h i n a A b s t r a c t T h r o u g h a d j u s t i n g v a l v e c l e a r a n c e s o f d i e s e l e n g i n e a n d t h e c y l i n d e r c o v e r v i b r a t i o n s i g n a l s a r c m e a s u r e d a t t h e s a me t i m e ．T h e s e s i g n a l s a r e a n al y z e d b y u s i n g w a v e l a n al y s i s m e t h o d ． T o p i c k u p t h o s e a b n o r m al c h a r a c t e r p a r a m e t c r s a n d t o i d e n ti f y t h e v a l v e c l e ara n c e b y u s i n g B P n e u r al n e t w o r k，t h a t c a n i mp r o v e t h e a c c u r a c y an d p e r t i n e n c y o f t h e f a u l t d i a g n o 一 8 i s ． Ke y w o r d s d i e s e l e n gi n e ，v a l v e c l e ara n c e s ， w a v e l e t anal y s i s ， n e ura l n e t w o r k 1 引 言 柴油机机体振动具有振源多、 形态复杂 、 振动类 型多样等特点 ， 而缸体 的振动信号也富含各激励源 的 状态特征。因而 ， 建立基于缸体振动信号监测与故障 诊 断技术具有一定的现实意义 。笔者设 置了几种 不同的气 阀间隙， 并实时监测柴油机缸盖振动信号 ， 运用小波降噪、 小波包分解方法对柴油机缸盖振动信 号进行分析。 ． 提取故障特征 ， 构建数据矩 阵， 形成用 于柴油机气阀问隙识别的 B P网络系统。 2 基 于小波分 析的特征参数提取 由于柴油机缸盖振动的激励源较多， 所测得的振 动信息包含各种成分和干扰 ， 属于非 平稳振动信号。 机体外表面测得的微弱信号部分湮没在强大的已成 为背景噪声 的整机振动之 中。只有有效地滤除干扰 及噪声信号 ， 获得有用 的信号 ， 才能得到可靠的分析 结论。传统 的建立在傅里叶变换基础上 的滤波方法 在提高信噪比和空问分辨率两项指标上存在矛盾。 低通滤波固然能够通过平滑抑制噪声 ， 但会 由于信号 的过分扭曲而失真 ， 高通 滤波可 以使边沿更加 陡峭 ， 但是背景噪声同时也被加强。此外相干平均也是滤 除噪声的常用手段， 但需时较长， 不能作动态提取， 而 且 当各次记录中的信号没有对齐 时处理结果 也会产 生低通模糊。与之相 比， 基于小波变换 的多分辨率滤 波技术具有明显 的优点 。因此 ， 在对信号 进行分 析前 ， 首先进行去均值和小波降噪等初步处理。如图 1 所示， 气阀间隙分别为0 ． 2 m m、 0 ． 4 m m 正常 、 0 ． 7 m m、 0 ． 9 m m， 并经初步处理后的缸盖振 动信号及其 功率谱。各时域信号的统计特征如表 1 所示。 4 O O -4 0 O l l _ ． } ． 1 l l l I ’ I l 一 图 1 缸盖振动信号的降噪及其功率谱 由图1 时域信号看出， 小波降噪方法能够有效地 去除混杂在有用信号中的环境白噪声 ， 凸现可用于故 障识别的有用成分。由频域信号可以看出， 缸盖振动 信号能量 的分 布 可 分 为 3个 频 段 02 k H z 、 2 5 k H z 、 5 k H z以上。其中0 2 k H z 和 5 k H z以上频段信 收稿 日期 2 0 1 0 0 3 0 2 作者简介 叶高 1 9 7 8 一 ， 男， 江苏兴化人， 工程师， 主要从事船舶动力装置维护管理与科研方面的工作。 9 研奔与分析 机械研究与应 用 号主要是由气体力激励、 柴油机固有频率及其它干扰 成分引起 ， 这两部分能量随气 阀间隙变化而变化不 大。而缸盖对气 门落座冲击 的响应主要集 中于 2 5 k H z内， 且当气门间隙发生变化时 ， 该频段内的能量 变化较大。同时， 由表 1可以看 出， 随着气阀间隙的 变化， 均幅值、 方差、 标准差、 陡度、 均方根等信号的统 计特征变化 明显 。这些参数也可作为柴油机气阀间 隙的特征参数。 表 1 降噪后振动信号统计特征 注 均幅值指一次测量样本中所有幅值的平均 为进一步提取 25 k H z频 段的特征参数， 可以对降噪后的 缸盖振动信号进行小波包分解， 这里采用三层 结构 ， 采用 d b l小 波， 选用 s h a n n o n熵标准。图 2 、 3为正常问隙时振动信号 的小波 分解树及其第 三层节 点系数重 构情况。 图 2 小波包 分解树 图3 第三层节点的系数重构 由图 2 、 3可以看 出， 经小波包分解后 ， 各频段的 信号独立， 第三层由低频到高频的信号依次为 d 0 、 d l 、 d 2 、 d 3 、 d 4 、 d 5 、 d 6 、 d 7 。根据小波包分解原理， 第 三层 节点 中包含 25 k H z频段信息 的节 点主要有 d 2 、 d 3 、 d 6 、 d 7 。这里对以上不同气阀间隙下， 降噪后 缸盖的振动信号分别进行小波包分解， 并对第三层节 点 d 2 、 d 3 、 d 6 、 d 7 分别进行功率谱估计。并求其带中 功率 ， 计算结果如表 2所示。 由图 2可以看出， 随气阀间隙的变化， 选取频段 小波包中的能量均有一定的变化， 这些参数可以作为 柴油机气阀间隙异常的判断依据。 表 2 第三层部分节点的功率谱估计 3 基于神 经网络的气 阀间隙识别 神经网络是由人工建立的以有 向图为拓扑结构 的动态系统， 它通过对连续或间断的输人状态响应而 进行信息处理【 3 】 。基于神经网络的方法可实现多征 兆融合的柴油机故障诊断技术。以常用的 B P网络 为基础， 以提取的特征参数为神经网络的输入矩阵， 建立用于柴油机气阀间隙识别的神经网络系统。 在进行 B P网络的设计时， 一般从网络的层数、 每层中神经元个数和激活函数、 初始值以及学习速率 等几个方面来考虑 ， 主要包括以下几个方面。 1 网络的层数增加层数可以降低误差， 提高 精度， 但同时使网络复杂化， 增加了网络权值的训练 1 O 时间。但误差精度的提高也可以通过增加隐含层中 神经元数来获取 ， 其训练效果 比增加层数更容易观察 和调整。所以选用 3层网络结构。 2 隐含层的神经元数网络训练精度的提高 可以通过增加隐含层的神经元数来提高。通过对不 同神经元数进行训练对比， 选择隐含层神经元数为 1 O ， 训练 1 5 6次即达到精度要求如图 4所示。 3 初始权值的选取 初始权值对于学习是否 达到最小、 是否能够收敛以及训练时间的长短的关系 很大。为使得经过初始加权后的每个神经元的输出 值都接近零。这里取初始权值为 一1 ， 1 之间的随 机 数 。 机械研究与应用 4 学习速率学习速率决定每次循环中所产 生的权值变化量 。学习率 过大可能导致系统 的不稳 定； 学习率过小导致训练时间较长， 但能保证网络误 差值不超过误差表 面的低谷 而最终趋于最小误 差。 所 以一般选较小的学 习速率设学习速率为 0 ． 0 5 。 5 期望误差的选取在设计网络的训练过程 中， 期望误差值也应通过对比训练后确定一个合适 的 值 ， 从精度与训练时间两方面考虑， 选取期望误差为 0． 0 0 2。 其它未说明参数采用系统默认值 。通过前面分 析 ， 建立神经网络的输入矩阵如表 3所示 。 表3 神经网络的输入与期望输出矩阵 将表 2矩阵进行行归一化 ， 然后开始进行初始化 和网络训练。在对 网络进行训 练的过程 中采用 附加 动量法和 自适应学习速率相结合 的算法。其训 练过 程如图 4所示 ， 当网络训练 1 5 6次时 ， 达到精度要求。 网络训练完毕后 ， 即可对用于柴油 机气阀 间隙 的识 别。现截取试验中其它样本数据 ， 并进行分析 ， 提取 故障特征参数， 并归一化构成网络的输人矩阵， 输人 以上的已训练完 毕的神经 网络进行识别 。识别结果 如表 4 所示。输出结果与样本数据截取情况完全相 符 ， 这说 明所建立的神经网络系统是合适的， 且识别 研穷与分析 精度较高。实际应用中， 可以实时监测柴油机缸盖振 动信号， 定期对信号进行处理与分析， 然后将所提取 的特征信号输入神经网络， 进而实现气阀间隙的识 别 ， 及时掌握柴油机气阀间隙的变化。 簧 图 4网络训练 表4 结果输出 4结论 综合运用小波降噪、 小波包分解等方法对柴油机 缸盖振动信号进行分析。提取气 阀间隙异常 的故障 特征 ， 并构建神经网络的数据矩阵 ， 通过适 当的设计 ， 形成用于柴油机气 阀间隙识别 的 B P网络 系统 。实 践证明， 将小波分析与神经网络 的结合 ， 可 以提高柴 油机故障诊断的针对性 和准确性。多故 障特征参数 的提取 ， 可实现多故障征兆融合的故障诊断技术。 参考文献 [ 1 ] 黄强， 高世伦， 刘永长， 等． 基于小波理论变换和神经网络的 柴油机故障诊 断方 法 的研究 [ J ] ． 柴 油机设 计与 制造 ， 2 0 0 6， 1 4 1 1 4 91 4 ． [ 2 ] 陈长征 ， 周永 ． 小波 神经 网络法 在柴油 机故 障诊断 中的应 用 [ J ] ． 内燃机学报， 2 0 0 2 ， 2 0 1 8 9- 9 1 ． [ 3 ] 何庆飞， 王汉功， 陈小虎， 等． 基于小波包与神经网络的柴油机 故障诊断[ J ] ． 内燃机与动力装置 ， 2 0 0 7 4 5 1 5 3 ． [ 4 ] 张俊 ， 刘永长 ， 黄强． 基 于小 波分析 的柴油机故 障信号 特征 的提取[ J ] ． 小 型内燃机与摩托车 ， 2 0 0 3， 3 2 1 3 4 3 6 ． 上接第 8页 参考文献 [ 1 ] 高航， 王继先． 切削加工冷却方法的现状与发展 [ J ] ． 机械 2 0 0 1 1 2 2 2 3 ． [ 2 ] 高波． 机械制造基础[ M] ． 大连 大连理工大学出版社， 2 0 0 6 ． [ 3 ] 陆剑中， 周志明． 金属切削原理与刀具[ M ] ． 北京 机械工业出版 社 。 2 0 0 4 ． [ 4 ] 刘志峰． 干切削加工技术的发展及应用[ M] ． 北京 机械工业出 版社 ， 1 9 9 7 ． [ 5 ] 罗 勇． 干切削及其关键技术 [ M] ． 北京 机械工业出版社 ， 1 9 9 9 ．