基于经验模态分解的发动机故障诊断技术研究

高秀才 李洁英

摘要：为及早发现发动机存在的不正常状态，有效判断故障类型，防止发生突发事故，提出了一种对运转条件下的发动机振动信号进行经验模态分解的发动机故障诊断方法，利用不同故障造成的分解子信号能量差异构造故障特征向量，对子信号能量占比按频段进行归类，增加了相同故障类型的相似度和不同故障类型的区分度。

关键词：发动机;故障;診断;经验模态分解;能量;特征向量;归类

0  引言

发动机是各类机械装置产生动力的源泉，类似于人类的心脏，及早的诊断出发动机存在的不正常现象并采取有效措施对提高发动机的安全性、可靠性，降低维修费用和防止突发事故具有重大的现实意义[1]。例如在参加国际装备竞赛或阅兵活动等重大场合前，通过综合对多辆装备进行发动机故障诊断，筛选出更接近于无故障发动机运转特征的车辆来参加竞赛或展览，可靠性会明显增强，有效降低出现突发情况的几率，而且还可以避免失修和过剩维修。然而，发动机是一种典型的往复式动力机械，激励和响应都具有非平稳性，产生故障的原因也是多方面的[2]，各子系统间相互影响，对其进行故障诊断具有一定的困难性。近年来针对发动机故障诊断的理论和方法已经成为热门课题，如各种去噪技术、频谱分析技术、小波分析技术、专家系统、神经网络等等，使发动机诊断技术发展产生了飞跃。文献[3]和文献[4]采用了光谱分析和油液铁谱诊断故障，文献[5]采用了基于噪声的故障诊断技术，文献[6]采用了瞬时转速法进行发动机故障诊断，文献[7][8]采用了基于振动的诊断技术。相比之下，利用振动信号、噪声进行发动机故障诊断具有信号测取方便，适于在线诊断等优点，但噪声信号受环境和位置远近影响较大，在实际应用上受到一定限制，使基于振动的故障诊断得到了广泛的研究。故障诊断一般包括两个阶段，一是故障特征向量的提取，目前对采用小波分解进行特征向量提取研究的比较多;二是根据提取的特征向量进行故障识别，目前多采用神经网络算法。本文提出了基于经验模态分解（EMD，Empirical Mode Decomposition）的发动机故障特征向量提取技术。利用EMD算法将发动机振动信号进行分解，获得固有模态函数（IMF，Instrinic Mode Function）信号及残差信号，再分别计算其能量值，进而提取故障特征向量。与小波分解相比，EMD不存在固定的基函数，具有更好的自适应性，更能真实的反应信号的特征。为进一步增加故障诊断效果，采用频带划分的方法对子信号能量占比进行归类，提高了相同故障类型的相似度和不同故障类型的区分度。利用MATLAB对发动机不同故障类型的振动信号进行计算验证，证明按照上述方法进行故障诊断是可行的。

1  EMD基本理论

本EMD是由美国国家宇航局的华裔科学家Norden e. Huang博士于1998年提出的一种新的处理非平稳信号的方法。基于EMD的时频分析方法既适合于非线性、非平稳信号的分析，也适合于线性、平稳信号的分析，并且对于线性、平稳信号的分析也比其他的时频分析方法更好地反映了信号的物理意义[9]。EMD是一种可以将任何复杂信号分解为有限个IMF的自适应、高效率的分解方法。

EMD对信号分解的原理是：把信号x（t）分解成一组固有模态函数imfi（t）和一个最后的剩余值res（t）的和。

一个IMF函数需要满足两个条件：

①函数在整个时间范围内，局部极值点和过零点的数目必须相等，或最多相差一个;

②在任意时刻点，局部最大值的包络（上包络线）和局部最小值的包络（下包络线） 平均必须为零。

图1给出了某型发动机在800r/min条件下所采集振动信号的EMD处理结果，其中左上角x（t）为原始信号，之后10个分量分别是imf1（t）～imf10（t），右下角的为残差res（t）信号。从图中可以看出EMD过程是信号频率逐渐降低的过程，在这里广义的认为这11个信号代表着11种不同频率的信号。可以看出EMD与傅里叶变换和小波变换不同，它的基函数不是事先预定或强制给定的，而是依赖信号本身，只和信号本质特征有关，能根据分解过程中信号的特征而自适应发生改变。

2  基于EMD的故障特征提取方法

对发动机故障的诊断需要确定异常工况与正常工况下存在的不同，而单纯从原始波形上往往很难区分出这些不同，尤其在故障初期，故障特征还不是很明显时。因此需要对信号进行处理，才能形成适宜区分不同故障的特征向量。这里假设发动机正常工作时，会对EMD产生的不同频率子信号产生抑制或增强作用。当发生故障时，这种抑制或增强作用会发生改变，即与正常工作时相比，子信号能量会有明显差别，某些子信号的能量会减弱，而某些子信号的能量增强，甚至分解级数都会发生改变。这样在各频率成分imfi（t）和res（t）信号的能量和分解级数N中，就会包含丰富的故障信息。这里通过imfi（t）、res（t）信号能量和分解级数N构造特征向量，对比故障工况下特征向量与正常工况下特征向量的变化即可分析出发动机的故障情况。下面介绍提取发动机振动信号特征向量的方法步骤：

③对子信号能量进行归一化处理，实际上是求出各子信号能量占总能量的百分比，加上分解级数N，得到特征向量。

这样，通过计算可得到发动机在不同工况下的特征向量，依据特征向量来对发动机故障进行诊断。

3  EMD故障诊断有效性验证

这里通过传感器采集了正常工况A、进气门故障B和排气门故障C下的各三组振动信号，如图2所示。从图2可以发现，单纯从波形上很难发现明显的故障特征。

这里应用MATLAB对上述波形进行EMD处理，按照第3节的方法提取特征向量，具体数值如表1所示。从表1中可以看出三种不同情况下特征向量存在一定的差别，尤其eres部分特征区别比较明显，因此可以作为进行不同故障类型判断的特征参数使用，如目前常用的神经网络故障诊断[10][11]，这里不再介绍。

同时也发现，除正常工况下各子信号能量占比eimf-i、eres比较稳定外，故障情况下即使相同的故障特征向量也可能存在较大的差异，当前的特征向量只易于识别出发动机是否存在故障却不易于区分出故障的类型。为了有效解决上述问题，这里对子信号能量占比eimf-i进行归类，将imfi（t）子信号按照频率分为低频类、中频类和高频类，残差信号res（t）单独列为一类。将相同类的能量占比进行求和，高频类和低频类求和。得到归类后的特征向量{残差占比eres，高频占比eimf-1+eimf-2+eimf-3+低频占比eimf-7+eimf-8+eimf-9+eimf-10，中频占比eimf-4+eimf-5+eimf-6，N}，如表2所示。

从表2的结果可以看出，对发动机振动信号EMD子信号能量占比eimf-i按频段进行合理归类后，特征向量包含的元素个数大大降低，同时A、B、C三种工况区分更加明显，相同工况下对比未归类前提高了相似度，有益于识别故障并诊断出故障的类型。

经过MATLAB计算验证，可以表明故障的产生会对某些频率EMD子信号能量造成影响的假设是正确的，同时也验证了基于EMD的发动机故障诊断是可行的。

4  结束语

本文通过对发动机振动信号进行EMD处理并提取其特征向量，能够有效的识别发动机故障，但相同故障的特征向量可能差异较大，相似度不够好，可以采取按照频带划分的方式对子信号能量占比进行适当归类，来增加不同故障的区分度和同类故障的相似度，使故障类别更加易于区分。

参考文献：

[1]仰德标，明廷锋.柴油机故障诊断研究综述[J].武汉造船，2000（2）：27-29.

[2]金萍，陈怡然，白烨.内燃机表面振动信号的性质[J].天津大学学报，2000，33（1）：64-67.

[3]吴刚，刘勇，曹祥诚.光谱分析技术在柴油机故障诊断中的应用[J].内燃机车，2005（4）：47-48.

[4]刘冰，路彦珍.铁谱分析技术在工程机械故障诊断中的应用[J].工程机械与维修，2004（2）：107-108.

[5]Weidong Li， Robert M.Rarkin.Acoustic based condition monitoring of a diesel engine using self-organizing map network[J].applied Acoustics，2002，63（7）：699-711.

[6]Brain J.Murphy，Thomas Galie，Carl Byington.Diagnostic Fault Detection for Internal Combustion Engines via Norm Based Map Projections[C].2004 IEEE Aerospace Conference， Big Sky， Montana， USA，2004：3535-3542.

[7]Atsushi Fukasawa，Yumi Takizawa eta.Vibration Signal Analysis of Automobiles Based on Nonstationary Spectrum[C].Proceedings of the IECON’93， 1993（3） ：2272-2275.

[8]耿遵敏，程德林，宋孔杰.190柴油機故障振动诊断的研究与应用[J].振动工程学报，1995（3）：37-45.

[9]林玉池.测量控制与仪器仪表前沿技术及发展趋势[M].天津大学出版社，2008：167.

[10]李凤鸣.基于小波神经网络的柴油机燃油系统故障诊断的设计与实现[D].济南：山东大学，2010.

[11]舒苗淼.基于振动信号的柴油机小波神经网络故障诊断研究[D].太原：中北大学，2009.

[12]刘彬，马少华，闫广宇.生物医学信号相似性分析方法的研究[J].医疗装备，2017，30（14）：50-51.

[13]周东翔，张小明，陈明，王衍涛.小波分析在发动机故障诊断中的应用[J].内燃机与配件，2019（21）：240-241.

[14]李锦冰.基于卡尔曼滤波器及重构方法的故障预测研究[D].大连：大连理工大学，2019.

[15]王剑楠.基于声信号特征谱提取的发动机故障诊断系统设计[J].微型电脑应用，2019，35（8）：119-123.