振動(dòng)譜圖像識(shí)別的氣門故障診斷研究*

胡甫才 薛厚強(qiáng) 高 碩 魏志威

(武漢理工大學(xué)能源與動(dòng)力工程學(xué)院1) 武漢 430063) (高性能船舶技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室2) 武漢 430063)

0 引 言

空壓機(jī)作為重要的通用機(jī)械，廣泛應(yīng)用于船舶、家用電器、石油化工等各生產(chǎn)領(lǐng)域.氣門為空壓機(jī)的核心部件，惡劣的工作環(huán)境使其極易發(fā)生故障，因此開展空壓機(jī)氣門故障監(jiān)測診斷技術(shù)的研究對于滿足工程的急迫需求具有重要的意義和價(jià)值.

沖擊力受氣門影響，氣門失效時(shí)其作用時(shí)間、強(qiáng)度發(fā)生改變，缸蓋表面振動(dòng)信號(hào)的特性隨之變化.因而利用缸蓋表面振動(dòng)信號(hào)進(jìn)行氣門故障識(shí)別具有可行性[1].往復(fù)式空壓機(jī)因其結(jié)構(gòu)復(fù)雜、且激勵(lì)源多，造成其振動(dòng)信號(hào)存在較強(qiáng)的非平穩(wěn)性，其統(tǒng)計(jì)量亦是時(shí)變函數(shù)，常規(guī)的時(shí)域、頻域法難以有效提取出故障特征信息.Wigner-Ville分布是Cohen類時(shí)頻分布中的一種典型的分析方法，頻聚集性好，但對信號(hào)進(jìn)行時(shí)頻分析時(shí)會(huì)產(chǎn)生嚴(yán)重的交叉項(xiàng)，難以揭示信號(hào)的本質(zhì)特征.若把Wigner-Ville分布的時(shí)頻矩陣視為圖像，進(jìn)而利用Hough變換將待分析信號(hào)變?yōu)榍蠼饩植繕O大值，可以有效抑制Wigner-Ville分布帶來的噪聲與交叉項(xiàng)[2].基于振動(dòng)信號(hào)的氣門故障診斷的第二步是故障判據(jù)的準(zhǔn)確提取.由于操作人員觀察和分析振動(dòng)譜時(shí)頻圖像時(shí)的主觀性，現(xiàn)有的各種時(shí)頻分析方法有時(shí)很難準(zhǔn)確識(shí)別出潛在的、早期的微弱故障特征.為避免這種主觀性，獲得準(zhǔn)確唯一的診斷結(jié)果，可采用圖像特征提取和模式識(shí)別方法[3].KNN算法[4]作為一種統(tǒng)計(jì)學(xué)習(xí)方法，用其進(jìn)行故障樣本分類，易于實(shí)現(xiàn)，在空壓機(jī)氣門故障診斷中具有重要的研究意義.

為此，本文針對機(jī)械振動(dòng)譜圖像，采用圖像識(shí)別技術(shù)，提出了一種以Wigner-Hough振動(dòng)譜圖像一階時(shí)間矩、頻率矩為特征參數(shù)的KNN識(shí)別空壓機(jī)氣門故障診斷方法.此方法以振動(dòng)譜時(shí)頻圖像為二維輸入信號(hào)，進(jìn)一步分析和挖掘，通過提取二維振動(dòng)譜圖像的特征參數(shù)，自動(dòng)識(shí)別出空壓機(jī)氣門故障特征，并進(jìn)行了試驗(yàn)驗(yàn)證.

1 基于Wigner-Hough振動(dòng)譜圖特征提取理論

較多的激勵(lì)源使采集到的空壓缸機(jī)蓋表面振動(dòng)信號(hào)表現(xiàn)為非平穩(wěn)性，其統(tǒng)計(jì)量亦是時(shí)變函數(shù).基本的時(shí)域或頻域分析難以掌握信號(hào)內(nèi)在的本質(zhì)，還希望得到信號(hào)頻譜隨時(shí)間的變化情況.本文利用Wigner-Hough算法[5]對其進(jìn)行時(shí)頻分析，揭示信號(hào)的時(shí)頻特征.

設(shè)連續(xù)時(shí)間信號(hào)x(t)，t∈R，則信號(hào)的Wigner-Vill分布定義為

(1)

Hough變換的直線極坐標(biāo)參數(shù)方程為

ρ=tcosθ+fsinθ(ρ≥0,0≤θ≤π)

(2)

式中：ρ為直線與平面空間中原點(diǎn)的距離，即極半徑；θ為ρ與t軸之間的夾角.

將Wigner-Vill分布的時(shí)頻矩陣看作圖像，并作為變換對像進(jìn)行Hough變換得到Wigner-Hough變換，即W-H變換.設(shè)信號(hào)

x(t)=ej2π(v0t+β/2t2+n(t)

(3)

式中：n(t)為白噪聲.

其W-H變換為

(4)

式中：(v0，β)為參數(shù)空間中峰值點(diǎn)的坐標(biāo).

Wigner-Hough變換將信號(hào)檢測轉(zhuǎn)變?yōu)閷ふ揖植繕O大值的問題，很好地抑制噪聲與交叉項(xiàng).

Wigner-Hough時(shí)頻譜圖的特征提取在根本上是一個(gè)圖像識(shí)別問題.譜圖特征提取方法主要有比對法、時(shí)頻譜圖分塊,以及提取譜圖本身的圖形特征作為特征參數(shù).然而Wigner-Hough譜圖分辨率高，對診斷結(jié)果的影響很大.為此，對時(shí)頻矩陣進(jìn)行256級的灰度量化，處理方法為[6-7]

(5)

式中：G(i，j)為量化后像素點(diǎn)灰度值；H(i，j)為時(shí)頻矩陣中點(diǎn)(i，j)的幅值；max為取最大值；round為就近取整.

對于時(shí)頻表示，矩和邊緣特性提供了重要的信息.時(shí)頻能量分布Cx(t，f)的一階時(shí)間、頻率矩描述了信號(hào)在時(shí)間和頻率上的平均位置和散布情況，分別為定義為[8]：

一階時(shí)間矩

(6)

一階頻率矩

(7)

2 空壓機(jī)氣門故障特征分析

本文以某往復(fù)式空壓機(jī)氣門為研究對象.人為地將氣門內(nèi)側(cè)沿徑向打磨凹槽，外側(cè)則切割兩個(gè)凹口，以此進(jìn)行氣門早期的漏氣故障模擬試驗(yàn)，見圖1.

圖1 漏氣故障模擬試驗(yàn)

試驗(yàn)測試系統(tǒng)所使用的儀器有：丹麥某公司生產(chǎn)的加速度傳感器，靈敏度為100 mV/g，光洋TRD-2E旋轉(zhuǎn)編碼器，最高響應(yīng)速度為200 kHz，某公司LMS-SCADAS Ⅲ測試系統(tǒng).試驗(yàn)時(shí)在氣缸蓋上布置加速度傳感器，以測試出氣缸蓋表面振動(dòng)信號(hào).設(shè)定采樣頻率與單次采樣時(shí)間，分別為16 kHz及2 s.首先測取正常氣門的缸蓋振動(dòng)信號(hào).選取的背壓為0.2～1.2 MPa，控制儲(chǔ)氣罐的泄壓閥以保持背壓穩(wěn)定，氣壓增量每次為0.1 MPa；然后將氣門換為前述的故障氣門，重復(fù)測試流程.

圖2 0.4 MPa背壓下正常和故障時(shí)域圖

基于以上試驗(yàn)，采集到氣門正常與故障狀態(tài)下振動(dòng)信號(hào)的時(shí)域波形見圖2.鑒于篇幅關(guān)系，本文僅給示了部分分析結(jié)果.由圖2可知，與故障情況相比，正常情況下的振動(dòng)峰值較大.分析認(rèn)為：正常情況下，氣門的密封性較好，氣門壓力大于故障情況，從而導(dǎo)致振幅較大.

取0.4 MPa背壓下的實(shí)測信號(hào)中任意一個(gè)周期的功率譜分析結(jié)果，頻域分辨率0.5 Hz，頻帶0～8 000 Hz，考察氣門故障是否具有頻譜特征，見圖3.

圖3 0.4 MPa背壓下正常和故障頻域圖

從頻譜分析結(jié)果來看：正常氣門情況下，振動(dòng)信號(hào)的總能量較高且幅值較大，頻譜無特征頻率.同時(shí)，振動(dòng)信號(hào)頻帶較寬，說明振動(dòng)信號(hào)中沖擊成分較高.兩種氣門頻譜的主要區(qū)別在振動(dòng)能量上，分布規(guī)律無明顯差別.體現(xiàn)為功率譜幅值的差異，和時(shí)域分析的結(jié)果相同.

由此可見，利用功率譜不能得到信號(hào)頻率隨時(shí)間的變化分布.因此，采用Wigner-Hough方法對實(shí)測信號(hào)進(jìn)行分析，研究故障信號(hào)的時(shí)頻特征.

據(jù)此，根據(jù)Wigner-Hough算法的理論分析，采用Matlab編程得到空壓機(jī)氣門正常及故障狀態(tài)下的Wigner-Hough變換時(shí)頻譜圖，部分分析結(jié)果見圖4.

圖4 0.4 MPa背壓下正常和故障時(shí)頻譜圖

比較同一工況氣門正常與故障狀態(tài)下的譜圖可以發(fā)現(xiàn)：正常狀態(tài)下譜圖的幅值較故障狀態(tài)下譜圖幅值更大一些.從理論上分析，出現(xiàn)此現(xiàn)象的原因主要是由于氣門發(fā)生故障后繼而發(fā)生漏氣，導(dǎo)致了氣門閥片在未達(dá)到啟閥壓力的情況下氣體開始外泄，并引起閥片振動(dòng).此外，氣體泄露使氣門啟閥受到的沖擊變小，從而信號(hào)的振幅變小.對比時(shí)域波形和功率譜，Winger-Hough譜圖正確表示了信號(hào)能量的時(shí)間-頻率聯(lián)合分布特點(diǎn).對于Wigner-Vill分布，信號(hào)之間存在嚴(yán)重的交叉項(xiàng)，而W-H變換后峰值點(diǎn)被分離，有效抑制了交叉項(xiàng)的存在.

3 基于振動(dòng)譜圖像識(shí)別的氣門故障診斷及試驗(yàn)驗(yàn)證

根據(jù)上述理論對氣門各狀態(tài)下的特征參數(shù)按時(shí)間段和頻率帶的分布情況進(jìn)行計(jì)算，以確定故障診斷的依據(jù).其結(jié)果見表1～2.

表1 時(shí)間分布 s

表2 頻率分布 Hz

相較于正常狀態(tài)，當(dāng)空壓機(jī)發(fā)生氣門故障時(shí)，氣缸蓋表面振動(dòng)信號(hào)在第2、3時(shí)間段內(nèi)以及第3頻率帶內(nèi)，能量分布差異較大，因此選取第2、3時(shí)間段內(nèi)以及第3頻率帶內(nèi)的能量.

根據(jù)譜圖的特征參數(shù)來區(qū)分氣門的工作狀態(tài)是一個(gè)模式識(shí)別問題.KNN算法是統(tǒng)計(jì)學(xué)習(xí)方法中的一種通用學(xué)習(xí)算法，其核心思想是：特征空間中，如果某一待分類樣本k個(gè)最相鄰樣本中的大多數(shù)屬于某一類，則該待分類樣本也屬于此類，并具有此類別上樣本的特性[9-12].

設(shè)輸入樣本集.

T={(x1,y1),(x2,y2),…，(xN,yN)}

(8)

式中：xi∈X?T為樣本集的特征向量；yi∈Y={c1,c2,…,cN}為樣本的類別；i=1,2,…，N；x為待檢測樣本的特征向量.

設(shè)輸出待檢測樣本所屬類別為y，在k個(gè)點(diǎn)的鄰域Nk(x)中判斷x的類別為

i,j=1,2,…,N

(9)

式中：I為指示函數(shù)；k為近鄰個(gè)數(shù).

選取歐式距離函數(shù)計(jì)算訓(xùn)練樣本和待檢測樣本之間的距離，以刻畫不同樣本間的相似度.

(10)

式中：di與dj為文本的特征向量；p為特征向量維數(shù)；wik為樣本di的第k維坐標(biāo).

將上述計(jì)算得到的一階時(shí)間、頻率矩作為樣本數(shù)據(jù)，另外以正常與故障氣門作為樣本狀態(tài)標(biāo)簽，將計(jì)算數(shù)據(jù)隨機(jī)分為訓(xùn)練樣本及預(yù)測樣本.基于Matlab平臺(tái)，根據(jù)上述分析采用模式識(shí)別KNN算法對其進(jìn)行故障識(shí)別，當(dāng)K=4時(shí)，其正確識(shí)別率可達(dá)94.75%.

為了驗(yàn)證文章所提方法的有效性，綜合上述研究成果，基于Matlab、Labview混合編程語言開發(fā)了空壓機(jī)氣門監(jiān)測診斷平臺(tái).整個(gè)平臺(tái)集信號(hào)采集、時(shí)域分析、頻域分析和時(shí)頻分析于一體，其主要程序都由MATLAB實(shí)現(xiàn)，包括信號(hào)時(shí)域、頻域、時(shí)頻分析計(jì)算，特征參數(shù)提取,以及KNN故障識(shí)別.然后在LabVIEW中通過MATLAB Script來實(shí)現(xiàn)混合編程，實(shí)現(xiàn)了空壓機(jī)氣門的監(jiān)測與診斷，其總體正確診斷率為94.38%，校驗(yàn)了Wigner-Hough算法在揭示空壓機(jī)非平穩(wěn)振動(dòng)信號(hào)中的正確性、時(shí)頻圖像特征提取方法以及故障識(shí)別算法的有效性.這可為實(shí)現(xiàn)空壓機(jī)氣門早期故障預(yù)警提供重要的理論依據(jù).

4 結(jié) 論

1) 往復(fù)式空壓機(jī)振動(dòng)信號(hào)存在較大的非平穩(wěn)性，氣門閥片出現(xiàn)磨損故障后，缸蓋表面振動(dòng)信號(hào)的總能量降低，表現(xiàn)為峰值的減小.氣門振動(dòng)信號(hào)的頻譜能量分布較寬，體現(xiàn)出振動(dòng)信號(hào)的強(qiáng)沖擊性.正常信號(hào)和故障信號(hào)頻譜分布相似，沒有明顯的特征頻率和頻帶差別.利用基本的信號(hào)時(shí)域及頻域分析手段難以準(zhǔn)確揭示空壓機(jī)氣門的故障特征.

2) 基于Winger-Hough算法的振動(dòng)信號(hào)時(shí)頻分析，干擾項(xiàng)小，其時(shí)頻譜圖表達(dá)明確，直觀準(zhǔn)確地表征了氣門正常狀態(tài)下振動(dòng)信號(hào)幅值較大且能量分布較為集中，氣門故障狀態(tài)下振動(dòng)信號(hào)幅值較小且能量分布較為分散，并且有效地抑制了交叉項(xiàng)的存在，是一種有效的時(shí)頻分析手段.

3) 一階時(shí)間、頻率矩較為穩(wěn)定，可以描述圖像的疏密分布和邊緣特征，本文采用兩個(gè)圖形分布特征相結(jié)合的特征提取方式，利用KNN算法實(shí)現(xiàn)了故障識(shí)別，試驗(yàn)表明了診斷正確率為94.38%，可以認(rèn)為將KNN和Wigner-Hough振動(dòng)譜圖像識(shí)別方法用于空壓機(jī)氣門故障診斷是行之有效的.