基于经验模态分解的发动机故障诊断技术研究

摘要院为及早发现发动机存在的不正常状态袁有效判断故障类型袁防止发生突发事故袁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袁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袁对子信号能量占比按频段进行归类袁增加了相同故障类型的相似度和不同故障类型的区分度遥

关键词院发动机曰故障曰诊断曰经验模态分解曰能量曰特征向量曰归类

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，EmpiricalModeDecomposition）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，InstrinicModeFunction）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。1EMD基本理论本EMD是由美国国家宇航局的华裔科学家Nordene.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imf（）和一个最后的剩余值res（t）的和。it一个IMF函数需要满足两个条件：淤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；于在任意时刻点，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。对信号x（t）进行EMD分解的具体步骤为：淤初始化i=1，x（）=x（t）；0t于得到imf（）；it1）初始化：h0=xi-1（t），j=1；2）找出hj-1（t）的局部极大值和极小值点；3）用三次样条插值计算出上、下包络线uj-1（t）和lj-1（t）；4）计算上包络线uj-1（t）和下包络线lj-1（t）的平均值6）若h（）是IMF函数，则imf（）=h（）；否则j=j+1，转jtitjt到b。盂；榆如果x（）极点数仍多于2个，则i=i+1，转到2；否it则分解结束。x（）是残余分量，令res（t）=x（），这样，经过ititEMD方法分解就将原始信号x（t）分解成一系列imf（）以it及剩余部分的线性叠加：（1）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imf（）~imf10（t），右下角的为残差res1t（t）信号。从图中可以看出EMD过程是信号频率逐渐降低5）并计算hj-1（t）和mj-1（t）的差值；；InternalCombustionEngine&Parts·7·图1发动机振动信号EMD示意图

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imf（）和res（t）信号的能量和分解级数N中，就会it包含丰富的故障信息。这里通过imf（）、res（t）信号能量和it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：淤对振动信号进行EMD分解，频率由高到低得到N个imf（）（）信号和1个res（t）信号；it于计算N个imf（）和1个res（t）能量的总值Esum。其it中imf（）对应的信号能量值为Eimf-i，res（t）对应的信号能it量值为Eres，Xij、Yj为imf（）、res（t）信号离散化的点，离散it采样频率应尽可能高以真实反应出振动信号的特征；（2）（3）（4）盂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。（5）（6）·8·内燃机与配件图2A尧B尧C三种工况下振动波形

（t）单独列为一类。将相同类的能量占比进行求（7）差信号res和，高频类和低频类求和。得到归类后的特征向量{残差占这样，通过计算可得到发动机在不同工况下的特征向比eres，高频占比eimf-1+eimf-2+eimf-3+低频占比eimf-7+eimf-8+eimf-9+量，依据特征向量来对发动机故障进行诊断。eimf-10，中频占比eimf-4+eimf-5+eimf-6，N}，如表2所示。3EMD故障诊断有效性验证表2归类后不同工况下的特征向量

这里通过传感器采集了正常工况A、进气门故障B和序号故障类型归类后的特征向量

排气门故障C下的各三组振动信号，如图2所示。从图21A4.10，94.50，1.40，10可以发现，单纯从波形上很难发现明显的故障特征。2A4.45，94.07，1.48，10

这里应用MATLAB对上述波形进行EMD处理，按照3A4.10，94.40，1.50，10

4B8.05，89.28，2.67，10第3节的方法提取特征向量，具体数值如表1所示。从表5B8.77，89.95，1.28，101中可以看出三种不同情况下特征向量存在一定的差别，6B8.83，89.67，1.50，10

尤其eres部分特征区别比较明显，因此可以作为进行不同7C5.59，93.08，1.33，10故障类型判断的特征参数使用，如目前常用的神经网络故8C6.85，91.38，1.77，10

9C7.16，91.39，1.45，10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、从表2的结果可以看出，对发动机振动信号EMD子eres比较稳定外，故障情况下即使相同的故障特征向量也信号能量占比eimf-i按频段进行合理归类后，特征向量包含可能存在较大的差异，当前的特征向量只易于识别出发动的元素个数大大降低，同时A、B、C三种工况区分更加明机是否存在故障却不易于区分出故障的类型。为了有效解显，相同工况下对比未归类前提高了相似度，有益于识别决上述问题，这里对子信号能量占比eimf-i进行归类，将故障并诊断出故障的类型。imf（）子信号按照频率分为低频类、中频类和高频类，残it经过MATLAB计算验证，可以表明故障的产生会对表1A尧B尧C三种工况下的特征向量

序号1

23456789工况类型

AAABBBCCC特征向量

{4.10，68.54，21.83，3.90，0.82，0.36，0.22，0.15，0.05，0.02，0.01，10}{4.45，66.08，23.90，3.94，0.82，0.43，0.22，0.09，0.04，0.01，0.00，10}{4.10，69.85，20.70，3.68，0.84，0.44，0.22，0.09，0.04，0.02，0.01，10}{8.05，56.64，18.49，3.80，1.39，0.64，0.63，3.05，2.87，1.52，2.92，10}{8.77，65.17，19.94，4.60，0.69，0.38，0.21，0.12，0.05，0.03，0.04，10}{8.83，63.21，20.49，5.81，0.99，0.35，0.16，0.10，0.04，0.01，0.00，10}{5.59，69.39，18.19，5.28，0.73，0.34，0.26，0.12，0.07，0.01，0.01，10}{6.85，66.67，19.76，4.57，0.99，0.39，0.39，0.19，0.05，0.03，0.10，10}{7.16，68.02，17.85，5.35，0.66，0.44，0.34，0.12，0.04，0.00，0.01，10}InternalCombustionEngine&Parts·9·D6135CaZ型柴油机改进设计分析闫佳兵（渤海船舶职业学院，兴城125105）

摘要院D6135CaZ型柴油机是135系列增压柴油机袁采用了10ZJ-2型废气涡轮增压器遥本文对D6135CaZ型柴油机的改进设计分

析情况进行了综合论述袁提高其功率和经济性能袁使之进一步适合现代工程机械动力需求遥

关键词院D6135CaZ曰柴油机曰改进曰设计

1研究目的和意义目前，提高柴油发动机单机功率最有效的强化措施是采用增压技术提高充量密度，从而提高平均有效压力。在柴油发动机中，采用废气涡轮增压和中冷技术可有效地提高进气压力，降低进气温度和增加发动机的平均有效压力。柴油机的性能指标取决于各工作参数，而其各工作参数又取决于其结构参数，同时柴油机结构参数之间存在着内在联系。其中一个结构参数发生变化，其他结构参数也会随之而改变。2柴油机的总体布置设计从D6135CaZ型柴油机的正视方向进行观察，高压油泵设置在中间位置，各缸的喷油器分别与对应高压油管进行联接，高压油泵上面设置进气管，左面设置柴油滤清器，右边设置飞块离心全程式调速器和仪表盘，下面设置机油注入口。柴油机右面设置飞轮，飞轮的上面设置10ZJ-2型废气涡轮增压器。柴油机的左面设置齿轮传动机构，皮带轮依靠三角带带动水泵旋转。柴油机的后面设置机油冷却要要要要要要要要要要要要要要要要要要要要要要要作者简介院闫佳兵（1985-），男，辽宁葫芦岛人，讲师，学士，研究

方向为船舶动力工程技术。

器，启动电机，机油滤清器以及排气管道。D6135CaZ型柴油机为增压柴油机，对于各部分零件的刚度和强度有很高要求。气缸体内壁和各缸之间隔板上分别加装有加强筋和行架结构。在满足基本铸造要求的条件下，为减轻气缸体的重量，壁面要尽可能的薄，同时气缸体的上下平面和前后壁面等局部位置要加厚。为避免产生附加弯曲和扭矩，主要载荷应尽可能直线传递。气缸体的过渡圆角不能为直角，要使之圆滑过渡[1]。3D6135CaZ型柴油机相对于6135G型柴油机的改进设计为适应现代工程机械提高其动力性和经济性的需要，采用废气涡轮增压技术是一个非常有效的途径。D6135CaZ型柴油机选用10ZJ-2型增压器。从而导致供油系统、配气系统、冷却系统、燃烧室以及柴油机的总体布局相应改变。D6135CaZ型柴油机相对于6135G型柴油机具体改进措施主要是以下几个方面：3.1供油系统由于采用废气涡轮增压技术，供油系统必须改进，特别是三大精密偶件（喷油泵的出油阀和阀座、柱塞和柱塞DetectionforInternalCombustionEnginesviaNormBasedMapProjections[C].2004IEEEAerospaceConference,BigSky,Montana,

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。参考文献院[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]WeidongLi,RobertM.Rarkin.Acousticbasedconditionmonitoringofadieselengineusingself-organizingmapnetwork[J].appliedAcoustics,2002,63(7):699-711.

[6]BrainJ.Murphy,ThomasGalie,CarlByington.DiagnosticFault

USA,2004:3535-3542.

[7]AtsushiFukasawa,YumiTakizawaeta.VibrationSignalAnalysisofAutomobilesBasedonNonstationarySpectrum[C].ProceedingsoftheIECON’93,1993(3):2272-2275.

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

[9]林玉池援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.