基于集合經(jīng)驗?zāi)B(tài)分解的發(fā)電機(jī)組智能診斷系統(tǒng)設(shè)計

吉 哲，呂 飛，張松濤

?

基于集合經(jīng)驗?zāi)B(tài)分解的發(fā)電機(jī)組智能診斷系統(tǒng)設(shè)計

吉 哲，呂 飛，張松濤

（海軍士官學(xué)校，安徽蚌埠 233012）

發(fā)電機(jī)組作為產(chǎn)生電能的機(jī)械設(shè)備在陸地和船舶上得到廣泛應(yīng)用，但在運行過程中容易產(chǎn)生故障，且故障種類繁多，通過人的直觀觀察往往很難判別故障類型。本文介紹一個智能診斷系統(tǒng)，首先采集不同工況下的發(fā)電機(jī)組聲信號，再利用集合經(jīng)驗?zāi)B(tài)分解對信號進(jìn)行分解，并提取特征參數(shù)，最后使用模糊C均值聚類進(jìn)行故障分類。通過6135D型柴油發(fā)電機(jī)組進(jìn)行實驗驗證，故障診斷率達(dá)到了92.25%，結(jié)果表明該系統(tǒng)可以對發(fā)電機(jī)組常見故障進(jìn)行準(zhǔn)確的智能診斷。

發(fā)電機(jī)組 集合經(jīng)驗?zāi)B(tài)分解 模糊C均值聚類 智能診斷

0 引言

隨著社會的發(fā)展，電能在生活、軍事、工業(yè)、農(nóng)業(yè)、交通等各個領(lǐng)域發(fā)揮著非常重要的作用，尤其是在艦船上，發(fā)電機(jī)組所產(chǎn)生的電能具有不可替代的作用。發(fā)電機(jī)組的工作環(huán)境比較惡劣，隨著在工作過程中故障的產(chǎn)生，發(fā)電機(jī)組的故障診斷也逐步引起人們的關(guān)注。發(fā)電機(jī)組的故障種類繁多，且故障現(xiàn)象與故障原因往往不是一一對應(yīng)，給故障診斷帶來了難度。在當(dāng)前的機(jī)械故障診斷領(lǐng)域，已不局限于通過故障的外部表現(xiàn)特征和人的經(jīng)驗進(jìn)行主觀判斷，而是主要通過信號處理技術(shù)、故障特征提取和相對應(yīng)特征的識別技術(shù)進(jìn)行故障診斷和分析。

近年來，對于機(jī)械故障診斷的研究取得不少的進(jìn)步，但由于發(fā)電機(jī)組自身的結(jié)構(gòu)復(fù)雜性、零件的多樣性，使得對發(fā)電機(jī)組直接診斷難以進(jìn)行，因此在診斷方向上應(yīng)選取發(fā)電機(jī)組的一些狀態(tài)信息從而簡化診斷過程。發(fā)電機(jī)組的聲音信號是一種便于提取且易于操作的狀態(tài)信息，通過信號處理技術(shù)和模式識別技術(shù)可建立基于聲信號的智能診斷系統(tǒng)，可以取得較好的效果[1]。

本文利用集合經(jīng)驗?zāi)B(tài)分解（Ensemble empirical mode decomposition, EEMD）對信號準(zhǔn)確的分析能力和模糊C均值聚類的柔性判斷、模糊劃分，建立了發(fā)電機(jī)組智能診斷系統(tǒng)，通過訓(xùn)練樣本對系統(tǒng)進(jìn)行訓(xùn)練，再通過測試樣本驗證系統(tǒng)的準(zhǔn)確性。

1 發(fā)電機(jī)組聲信號特征提取

1.1 集合經(jīng)驗?zāi)B(tài)分解算法

針對基于傅里葉變換方法自適應(yīng)性差的問題，為了精準(zhǔn)地描述隨時間變化的頻率，需要一種能研究變化中信號的方法。1998年美籍華人Huang等人提出了經(jīng)驗?zāi)B(tài)分解，該方法在本質(zhì)上是一個平穩(wěn)化處理的過程，它能將非平穩(wěn)數(shù)據(jù)分解成多個數(shù)據(jù)序列，每個序列都稱之為一個本征模函數(shù)（Intrinsic Mode Function，IMF）。該算法的具體過程見文獻(xiàn)2。

為了更好地解決經(jīng)驗?zāi)B(tài)分解中模態(tài)混疊等方面的問題，Huang在EMD的基礎(chǔ)上提出了EEMD，這是一種利用白噪聲加入待分解信號的噪聲輔助信號處理方法。

EEMD的分解原理是將空間中均勻分布的白噪聲加入到信號中。此時在時間和頻率尺度上信號都是連續(xù)的，然后進(jìn)行經(jīng)驗?zāi)B(tài)分解。因為測試信號是聲音信號加上白噪聲進(jìn)行處理，得出的結(jié)果沒有實際意義，所以需要進(jìn)行多組測試。當(dāng)測試的樣本足夠多的時候，取全體測試結(jié)果的均值會抵消加入的白噪聲，而且隨著測試數(shù)量的增多，加入的白噪聲消除更徹底，最終留下的就是信號本身的信號處理結(jié)果[3]。EEMD的具體過程如下：

1）向聲信號中加入白噪聲；2）將加入白噪聲之后的信號進(jìn)行EMD處理；3）加入新的白噪聲，重復(fù)1）、2）；4）取每次經(jīng)驗?zāi)B(tài)分解得到的IMF均值作為最終的IMF。

發(fā)電機(jī)組聲信號是一種典型的非線性、非平穩(wěn)序列，時頻分析方法之一的EMD能很好處理這種類型的信號，同時EEMD可以有效地解決非連續(xù)信號在分解成IMF時出現(xiàn)的模態(tài)混疊等問題，特征提取將更加精準(zhǔn)。

1.2 聲信號特征提取

對發(fā)電機(jī)組聲信號進(jìn)行EEMD處理之后得到的IMF分量特征分布不明顯，需要將數(shù)據(jù)進(jìn)行特征參數(shù)提取，從而得到更具有物理意義的數(shù)據(jù)，以便于進(jìn)行故障識別。特征大致可以分成兩種，分別是基元特征和屬性特征，基元特征指不能繼續(xù)分割的模式，比如邊緣、區(qū)域；屬性特征則代表信號的屬性，比如長度、質(zhì)量。特征的選擇會對識別分類工作產(chǎn)生很大影響，所以在特征選取上需要進(jìn)行對比選擇最優(yōu)特征。

能量是一種常用的特征，它表示物體做功的本領(lǐng)，表達(dá)式為：

2 發(fā)電機(jī)組智能診斷系統(tǒng)設(shè)計

2.1 故障識別方法

聚類算法是模式識別中的一種常用方法。在聚類算法中，常規(guī)的聚類都是將被測試樣本根據(jù)對應(yīng)算法劃分到特定的類別中，但在這種硬性劃分中無法看到每個樣本與其所對應(yīng)類別間的緊密程度，而模糊判別法則有效地解決了這一問題。

模糊聚類的基本原理是利用數(shù)學(xué)中的概率，將被測樣本與所對應(yīng)類別的親疏程度表示出來。模糊聚類是一種柔性劃分，將數(shù)據(jù)矩陣進(jìn)行分類時，模糊聚類會給出一個具體信息。如：從0到1的一個數(shù)值，數(shù)值越趨近于1，表示這個樣本屬于該類別的可能性越大，反之?dāng)?shù)值越趨近于0表明該樣本屬于該類別的可能性相對較低。

模糊聚類主要有系統(tǒng)聚類和逐步聚類兩種方法，模糊C均值聚類（Fuzzy c-means clustering，F(xiàn)CM）是在C均值聚類的算法基礎(chǔ)上增加了模糊聚類的改進(jìn)，是一種綜合兩種聚類方法的新聚類算法，在故障診斷領(lǐng)域取得了較好的效果[5-6]。

2.2 智能診斷系統(tǒng)設(shè)計

本文目的在于建立一個能夠?qū)Πl(fā)電機(jī)組故障進(jìn)行診斷的人工智能系統(tǒng)，具體流程是：利用聲音傳感器對發(fā)電機(jī)組聲信號進(jìn)行提取，將模擬信號轉(zhuǎn)換成數(shù)字信號，通過EEMD算法對聲信號進(jìn)行分解，取能量作為特征參數(shù)，把分解后的信號進(jìn)行特征化處理，最后用FCM算法對測試樣本進(jìn)行聚類識別，輸出故障判別結(jié)果，其流程如圖1所示。

圖1 發(fā)電機(jī)組故障診斷系統(tǒng)流程

3 發(fā)電機(jī)組故障診斷實驗

3.1 實驗驗證

實驗的研究對象是船用6135D型柴油發(fā)電機(jī)組。利用傳聲器在柴油發(fā)電機(jī)組氣缸上方采集聲信號[7]，共采集四種類型的聲信號，分別是正常信號和三種故障信號。三種故障信號分別為斷缸故障、氣門間隙偏小故障和氣門間隙偏大故障。

實驗提取的聲信號長度在10秒左右，每種故障需要100個樣本進(jìn)行分類實驗，在對聲信號進(jìn)行采樣的程序中設(shè)置采樣頻率為44.1 kHz，通過對正常信號和3個故障信號進(jìn)行采樣得到400組樣本，每組樣本是一個行數(shù)為1、列數(shù)為4000的矩陣。以正常信號為例，一個樣本的采樣信號波形如圖2所示。

圖2 聲信號采樣波形

對每一組樣本進(jìn)行EEMD算法分解，每一組的矩陣數(shù)是100，百分比的噪聲標(biāo)準(zhǔn)差取默認(rèn)數(shù)值0.2，該值表示分解過程的閾值，決定分解程度和結(jié)束分解時間。經(jīng)過對樣本的EEMD分解，將每個樣本分解成了12個IMF分量。其中第一個IMF分量是原來樣本，每一個IMF分量的中心頻率呈降序排列，圖3為一個樣本的分解結(jié)果，共12個IMF分量。

圖3 EEMD分解結(jié)果

由于不是每個IMF分量都代表信號樣本的狀態(tài)信息，需要選擇適當(dāng)數(shù)量的IMF分量。 Pearson相關(guān)系數(shù)用于度量兩個變量之間的相關(guān)程度，可以利用Pearson相關(guān)系數(shù)法選擇最佳數(shù)量的IMF分量。分別計算每個IMF分量與原信號的相關(guān)性，得到相關(guān)性曲線如圖4所示。

圖4 IMF分量相關(guān)性曲線

從圖中可以看出，IMF分量與原始信號相關(guān)性的趨勢大體是先呈增長趨勢再呈下降趨勢，其中轉(zhuǎn)折點也就是相關(guān)性最高的點是在第4個點處，因此選取前5個IMF分量進(jìn)行特征參數(shù)提取。通過公式（1）計算每個IMF分量的能量，n取4000，得到400×5矩陣。經(jīng)過FCM算法計算后，所有樣本被分成4組，具體的聚類結(jié)果如表1所示。

表1 聚類結(jié)果

表中可以看出，正常工況和斷缸故障工況具有100%的故障診斷率，總體達(dá)到了92.25%的診斷精度，可以有效協(xié)助維護(hù)人員對發(fā)電機(jī)組進(jìn)行故障診斷。

3.2 實驗對比

實驗中信號經(jīng)過EEMD算法分解得到IMF分量的選擇個數(shù)對診斷精度有一定的影響，通過隨機(jī)選取IMF分量個數(shù)進(jìn)行比較。當(dāng)選擇前8個IMF分量進(jìn)行特征參數(shù)提取時，得到表2所示。此時總故障診斷率為86.5%，下降了5.75%的精度，說明分解得到的一系列IMF分量中包含冗余分量，通過Pearson相關(guān)系數(shù)選擇最佳數(shù)量的IMF分量可以有效剔除冗余分量，進(jìn)一步提高發(fā)電機(jī)組的故障診斷率。

4 結(jié)論

在使用過程中發(fā)電機(jī)組難免會出現(xiàn)故障，為了能夠及時精準(zhǔn)的找到故障部位，保證電能的不間斷傳輸，需要建立一個完整、高效的故障診斷系統(tǒng)。本文將集合經(jīng)驗?zāi)B(tài)分解引入發(fā)電機(jī)組故障診斷領(lǐng)域，并通過模糊C均值聚類的模式識別方法，建立了一套故障智能診斷系統(tǒng)。利用Pearson相關(guān)系數(shù)確定了故障識別的特征參數(shù)最佳維度，進(jìn)一步提升了診斷精度，具有一定的應(yīng)用價值。

表2 對比實驗結(jié)果

[1] 蔡振雄, 李玩幽, 李寒林. 利用振動噪聲信號診斷柴油機(jī)故障研究的現(xiàn)狀與發(fā)展[J]. 船舶工程, 2006, 28(5): 53-55.

[2] Huang N H, Shen Z, Long S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and nonstationary time series analysis[J]. Proc. R. Soc. London A, 1998, 454: 903-995.

[3] Wu Z H, Huang N E. Ensemble empirical mode decomposition: A noise assisted data analysis method[J].Advances in Adaptive Data Analysis,2009(1): 1-41.

[4] Wu J D, Liu C H. An expert system for fault diagnosis in internal combustion engines using wavelet packet transform and neural network[J]. Expert systems with applications, 2009, 36(3): 4278-4286.

[5] 王志華, 趙冬, 余永華. 基于模糊C均值聚類的柴油機(jī)故障診斷[J]. 船海工程, 2007, 36(4): 56-58.

[6] 劉嘉蔚, 李奇, 陳維榮等. 基于多分類相關(guān)向量機(jī)和模糊C均值聚類的有軌電車用燃料電池系統(tǒng)故障診斷方法[J]. 中國電機(jī)工程學(xué)報, 2018, 38(20).

[7] Nivesrangsan P, Steel J A, Reuben R L. Source location of acoustic emission in diesel engines[J]. Mechanical systems and signal processing, 2007, 21(2): 1103-1114.

Design of Intelligent Diagnosis System for Generator Units Based on Ensemble Empirical Eode Decomposition

Ji Zhe, Lv Fei, Zhang Songtao

(Naval Petty Officer Academy, Bengbu 233012, Anhui, China)

TM311

A

1003-4862（2019）07-0046-04

2018-04-19

吉哲（1983-），男，講師。研究方向：艦船電氣工程、故障診斷。E-mail: jizhe@mail.ustc.edu.cn