信號處理方法在發(fā)動機故障診斷的應用

胡志遠+劉占峰+劉佳婧

摘 要：隨著現(xiàn)代工業(yè)的發(fā)展，汽車發(fā)動機的結構越來越復雜，對發(fā)動機故障診斷必然是要更加快速準確本文主要介紹了信號處理方法在發(fā)動機故障診斷中的應用。

關鍵詞：發(fā)動機；故障診斷；信號處理

DOI：10.16640/j.cnki.37-1222/t.2018.04.022

0 引言

由于發(fā)動機所處工作環(huán)境惡劣和其結構復雜的特性極易出現(xiàn)故障。為了預防和診斷故障則需要更多地了解發(fā)動機的工作狀況，通過對比發(fā)動機工作過程中產生相關的相關信息來對發(fā)動機的故障進行分析、診斷，從而使診斷工作的便利性增加[1]。

1 振動信號測試方法

在發(fā)動機工作過程中會產生大量的振動信號，當發(fā)動機出現(xiàn)某種故障的時候，其相應部位所產生的振動激勵信號就會作用時間和能量強度發(fā)生一定的改變。因此在對發(fā)動機故障診斷時通過對振動信號進行采集，然后對其進行分析、加工，把反映發(fā)動機故障的特征信息篩選出來，之后將信號處理后獲得的特征參數(shù)與判別參數(shù)進行對比來確定發(fā)動機的運行狀態(tài)，從而來判斷發(fā)動機是否發(fā)生故障，這樣可以快速準確的對發(fā)動機故障的種類進行識別[2]。

2 汽車發(fā)動機故障診斷信號處理方法

通過信號處理方法對汽車發(fā)動機的故障診斷本質上就是對模式的辨認、識別和分類的問題。從這兩點來看，這種故障診斷的方法可以概括成對發(fā)動機的故障特征提取、對特征的模式進行識別和獲取發(fā)動機的數(shù)據(jù)信息。下面對信號處理的汽車發(fā)動機故障診斷的方法中主要的方法進行介紹。

2.1 主元分析法

主元分析法是利用壓縮數(shù)據(jù)的降維來簡化數(shù)據(jù)集的技術，從而提取其中的關鍵信息[3]。主元分析法實現(xiàn)對發(fā)動機故障診斷的方式是：通過把發(fā)動機正常工況下的數(shù)據(jù)按照主元分析法的方式建立一個主元模型，然后對發(fā)動機運行的信號進行測量，如果所測量的實際運行信號與之前建立的主元存在差異，則說明汽車發(fā)動機存在故障。再通過對數(shù)據(jù)進行分析，分離出發(fā)動機的故障，該方法可以在大量干擾數(shù)據(jù)下提取出發(fā)動機的故障信號，對發(fā)動機的故障診斷十分有效。

2.2 小波變換

小波分析是一種新的變換方法，其基本原理是：將連續(xù)變化的時域信號用小波域表示，聯(lián)合時間尺度和頻率細節(jié)來描述信號；小波變換在分析信號的局部特點時，能實現(xiàn)高頻處高分辨率，低頻處地分辨率的不同變換，對信號中的不同頻率分量采用不同的分辨率來分析；再通過對信號的連續(xù)小波變換分解為多個尺度下的細節(jié)，從而對信號特征來進行提取。小波變換通過對發(fā)動機運行狀態(tài)下的振動信號進行時頻分析，對參數(shù)的變化進行分析、總結，從而來判斷發(fā)動機是否發(fā)生故障。

2.3 混沌與分形理論

混沌與分形是非線性動力學系統(tǒng)的兩個特，但它們又都是非線性方程所描述的非平衡的過程和結果，混沌是以時間序列下不穩(wěn)定的發(fā)散過程為研究對象，分形主要研究幾何空間結構。混沌狀態(tài)所出現(xiàn)的奇異吸引子就是分形集，可以說成混沌是時間上的分形，而分形所研究得到分形維數(shù)就是空間上的混沌。對需要診斷的發(fā)動機采集振動信號，對信號用準相圖來表示，再通過關聯(lián)維數(shù)進行計算，通過對比發(fā)動機各種不同工況下關聯(lián)維數(shù)的差異，進而對發(fā)動機的故障進行判別。

2.4 經驗模態(tài)分解

經驗模態(tài)分解方法是提出用于處理非線性非平穩(wěn)信號數(shù)據(jù)的方法，其進本原理就是把信號中不同尺度的波動或趨勢逐級分解開來，產生一系列具有不同特征尺度的數(shù)據(jù)序列，每一個序列稱為一個本征模態(tài)函數(shù)。通過對本征模態(tài)函數(shù)進行希爾伯特變換得到振幅-頻率-時間的三維譜分布。利用經驗模態(tài)分解方法對發(fā)動機振動信號進行分解，再進一步求信號的hilbert譜和邊際譜，通過hilbert 邊際譜得到振動信號的頻率分布和發(fā)動機正常工況下的參數(shù)對比，來判斷發(fā)動機是否發(fā)生故障以及故障類別。

3 多種信號處理方法相結合的診斷方法

以上各種方法在處理發(fā)動機故障信號過程中有著各自的優(yōu)缺點。而且隨著發(fā)動機的結構越來越復雜，依靠其中單一的方法已經不能足夠對發(fā)動機的故障進行準確快速的識別診斷。因此多種方法相結合的故障診斷方法在發(fā)動機故障診斷中的應用是發(fā)展的必然趨勢。

3.1 小波變換與經驗模態(tài)分解相結合的方法

小波變換針對多種復雜的信號形式，小波去燥缺乏自適應性，而經驗模態(tài)分解方法對處理非平穩(wěn)限號具有自適應性。因此綜合這兩種方法對發(fā)動機振動信號進行處理可以綜合兩者優(yōu)點。首先對發(fā)動機的振動信號作EMD分解，得到從高頻到低頻的本征模態(tài)函數(shù)和殘余項，然后在利用小波變換對信號進行處理，得到故障特征信息，從而來判斷發(fā)動機故障。

3.2 模糊理論和神經網絡相結合的方法

模糊故障診斷是利用模糊集合理論中的隸屬函數(shù)和模糊關系矩陣來描述故障與征兆之間的關系，進而實現(xiàn)對故障的診斷。神經網絡具有優(yōu)化計算和非線性映射的能力，且主要是從后向前逐層傳播輸出層的誤差，間接計算出隱層誤差。把采集的發(fā)動機振動信號輸入進行神經網絡第一層處理，之后運用模糊理論對信號進行第二層處理，之后把輸入層映射出輸出層，把信號輸出為模糊化數(shù)值，根據(jù)處理后信號隸屬度來對發(fā)動機的故障進行診斷。

4 結語

本文介紹了在發(fā)動機故障診斷中應用較多的信號處理方法，可以看出隨著發(fā)動機結構變得復雜，多種方法相結合的故障診斷方法是發(fā)動機故障診斷技術發(fā)展的必然趨勢，也使得發(fā)動機故障診斷的方法變得更加多元化、智能化。

參考文獻：

[1]陳修禹.汽車發(fā)動機故障診斷研究的理論與方法[J].科技資訊， 2016，14（04）：54-55.

[2]任慶霜，司景萍，梁紅波等.基于振動信號的發(fā)動機故障診斷方法分析[J].公路與汽運，2010（03）：22-25.

[3]熊沂鋮，王杏，李金龍等.汽車發(fā)動機故障診斷研究的理論與方法[J].時代農機，2016，43（07）：45-46.

本文系內蒙古自治區(qū)自然科學基金項目 ：“基于灰色理論發(fā)動機缸壁間隙檢測方法研究” 項目編號2017MS 0529

作者簡介：胡志遠（1991-），男，安徽亳州人，碩士，研究方向：汽車智能診斷與檢測技術。endprint