基于特征融合技术发动机故障诊断分析.docVIP

基于特征融合技术发动机故障诊断分析 　　摘 要： 汽车发动机故障较为复杂，如果利用单类的特征数据对其进行故障诊断，是不能达到准确的目标的，因此采用特征融合技术是一种较为有效的方式。 　　关键词： 发动机故障；特征提取；特征融合 　　中图分类号：U472.42 文献标识码：A 文章编号：1671－7597（2011）0810026－01 　　 　　1 发动机故障诊断的特征融合技术概述 　　发动机的结构较为复杂，因此对其故障的诊断也就难度较大。发动机本身是一个综合型的机电设备，工作的环境是高温、高载荷、高速度的状态，能够引发其出现故障的原因很多，因此故障的种类也很复杂，往往一个故障会引起一连串的故障征兆，同时一种故障点的征兆也可能是多个故障所引发的，所以对发动机故障的诊断就成为了研究的热点和难题。传统的故障诊断技术主要是依据主观的经验和接触式的设备和仪器进行检测，通过分析声音、振动、尾气等具体的理化参数来分析，是一种经验型故障诊断模式，此种方式人为因素的影响较大。随着近几年计算机、人工智能等技术的不断发展，神经网络、小波分析、模糊理论等先进的分析方法越来越多的应用在机电设备的故障诊断中，当然也在发动机故障诊断中得到了应用。 　　通常故障诊断可以分为两步骤，故障特征采集和故障认定，而故障特征的采集是故障认定的前提和基础，采集的方法和获取参数的有效性将直接影响故障认定的准确性。目前可以采用的特征采集技术较多，如：免疫提取，粗糙核鉴别，主要成分分析和线性分析等方法，但是如果采用单一的特征进行判断显然不能完全体现出发动机的故障特征，因为其复杂性将影响判断和识别。虽然单一的故障特征所包含的信息有限，但是如果可以将多个典型的单一故障特征融合起来，即可以通过其特有的“交集”缩小故障诊断的范围，可以提供故障辨识的准确性。如：发动机转子的振动信号中提取频谱特征和纹理特征，利用特征选择技术的数学计算方法和广义的辨识分析技术来完成对两种特征的融合，以此形成一种非线性的融合，使得融合后的特征参数包含更多的发动机信息，并支持向量机作为分析类似故障的依据，以此获得较高的故障诊断效果。 　　2 发动机的故障特征参数提取 　　在研究发动机的故障诊断时，所依据的就是发动机的各种工况特征，因为发动机在工作的时候必然会造成一定的振动、温度、压力、声波等参数，在故障的时候这些参数都会发生相应的改变，依据这些变化就可以完成实时的监测，完成数据采集并对故障进行诊断。发动机的工作故障主要集中早活塞、润滑系统、燃油系统、排气系统、类却系统、曲轴传动等系统的故障，其中故障的诱因就是磨损造成的零件的变形或者损伤，如：转子轴承的磨损故障等。此类故障所伴随的通常是振动信号的改变，因此振动信号往往包含了很多的故障信息，同时也是容易采集到的参数，从其中提取的特征参数往往可以反映发送机的工作状况。下面就以转子振动为例进行特征信号提取说明： 　　2.1 转子振动的频谱特征。发动机的转子会在运行过程中产生振动，此信号并不是一个平稳的信号，对转子频谱的分析是常用的对旋转机械进行故障诊断的基本方式，也就是从振动的信号所形成的频谱中提取相关的特征量，以此确定转子在各种频率幅值下的工况，并确定其故障的情况。在通常的研究中，将转子的频率为60Hz，而在出现故障的时候，就会低于或者高于此标准，这就可以作为对发动机转子故障的 研究标准之一，而且此种方式从某个方面可以明确的代表某种故障。 　　2.2 转子的纹理特征。在研究特征参数的时候，小波变换出现在特征提取技术中，随着研究拓展，将连续的小波变换用于转子磨损过程中振动信号以获取尺度图谱，并利用尺度图谱的变换来诊断转子所出现的磨损、碰撞故障，但是尺度图谱不能提取数字特征而变得“可视”，因此不能在实际中获得推广。进而人们引入了纹理特征，即放大这种尺度图谱上的微观差异，以此实现了对转子故障的诊断。所以纹理特征也可以作为一种检测发动机转子故障的重要参考依据。 　　3 特征融合与诊断实例 　　3.1 特征融合。前面的论述已经说明，单独的运行特征所包含的故障信息是极为有限的，而且其复杂性不能作为判断故障的依据，因此将多种特征结合起来共同对故障进行判断就特征融合的思路。技术人员利用此种方式希望获得更为准确的故障判断，完成故障的识别。如：将前面的两种转子的参数特征结合起来。但是如果将二者简单的组合就会产生高维性和冗余性，从而使得故障的辨识准确性下降。较为科学的方式就是特征融合是先对单独的特征进行特征选择，即对特征进行筛选，去除信息特征不明显的特征，而保留那些特征明显的信息，进行多个特征的组合，然后利用数学方式对组合特征进行再次提取，以此得到低维融合的特征所包含的最多的故障信息，即故障特征集合。将此融合特征输入分类器就可以获得较高的识别效果。