一种基于振动和热工参量融合的油泵磨损故障诊断方法

1.本发明涉及柴油机油泵诊断技术领域，尤其涉及一种基于振动和热工参量融合的油泵磨损故障诊断方法。


背景技术：

2.随着人工智能和传感器技术的发展，柴油机不断向智能化、自动化和自主化动力设备转变。在众多智能化技术中，柴油机智能故障诊断技术是一种典型的智能化技术，能够及时有效地诊断识别出柴油机的运行状态，促进柴油机从事后维修转向预测性维护，降低柴油机运行维护成本，增强柴油机整机性能。
3.经过国内外学者不断深入研究，发展了多种柴油机故障手段，如基于专家系统、基于振动信号、基于声音信号和基于热工参数等方法。其中，柴油机振动信号和热工参数能够反映出丰富的柴油机运行状态模式，被广泛应用于柴油机故障诊断。郭新莲等针对柴油机配气和燃油系统故障，分别研究了基于振动信号和热工压力信号的故障诊断方法，采用局部均值分解和能量熵作为特征提取方法，实现柴油机故障诊断。秦慈伟等针对柴油机高压共轨油泵故障，研究了基于蓄力腔压力信号和油泵控制电流信号融合的计量阀卡滞故障。谢文琪等针对内燃机漏油、漏气引发的故障，研究基于不同工作循环下辐射噪声信号的能量值作为特征参量，实现柴油机故障识别诊断。吉哲等采用时域、频域和时频域下的统计学参量作为柴油机运行状态表征参量，研究了基于声音信号的柴油机状态识别。
4.储维考虑柴油机信号受到强背景噪声干扰，传统统计学参量不能有效表征柴油机运行状态模式，引入一种复杂性指标-样本熵，实现了柴油机运行状态识别。然而，样本熵算法中含有多个参数，实际应用中没有明确的参数调节规则，导致算法自适应较差。针对该问题，现有技术中提出一种参数较少的信息熵——相位熵，能够减少由于参数调节导致的熵值变动。由于柴油机多源信息相互补充，需要对多源信号进行融合，现有的相位熵算法虽然具有较强的柴油机运行状态模式的表征性，但是在处理多源信号融合问题和时域信号多尺度特征表征还存在一定的不足。
5.上述提出的特征参量被用于表征柴油机运行状态模式，需要输入到模式分类器中进行故障诊断模型的训练和识别。支持向量机作为一种典型的模式分类器，由于在小样本和非线性分类具有较好的泛化能力，被广泛应用于不同领域的模式识别问题中。拉普拉斯支持向量机是一种支持向量机的改进算法，能够更加有效地利用样本信息，提高算法的整体性能。
6.基于上述阐述可知：柴油机故障诊断识别对提升柴油机整机性和智能化程度等具有重要的意义，柴油机多源信号对故障诊断识别具有差异性，能够相互补充。现有柴油机智能故障诊断技术中，传统统计学参量不能有效地挖掘柴油机多源信号中的模式信息，相位熵能够充分挖掘信号中的故障模式信息，但对处理柴油机多源信号融合问题中以及单一尺度特征表征还存在一定不足。同时，相比于支持向量机，拉普拉斯支持向量机充分利用样本特性，提升诊断识别精度。
7.因此，需要一种能够深度挖掘和融合具有强背景噪声干扰的柴油机多源信号中富含的运行状态信息的特征参量和高诊断精度算法，应用于表征柴油机运行状态特性和故障诊断识别，为柴油机预测性维修和维护提供参考和指导，提升柴油机整机性能和智能化水平。


技术实现要素：

8.本发明的目的在于：为了解决上述问题，而提出的一种基于振动和热工参量融合的油泵磨损故障诊断方法。
9.为了实现上述目的，本发明采用了如下技术方案：
10.一种基于振动和热工参量融合的油泵磨损故障诊断方法，包括以下步骤：
11.s1.对柴油机试验，多源信心采集；
12.s2.基于多尺度多源信息融合相位熵对柴油机振动信号和热工参数信息融合特征提取；
13.s3.构建多故障模式诊断模型；
14.s4.实现内燃机缸内燃烧状态模式识别。
15.优选地，所述s1步骤的具体流程为：
16.设定试验工况如下：1400r/min，50％负荷下的柴油机2缸缸盖振动信号、2缸缸内缸压信号和转速信号，采样频率为51200hz，采样时间20s；
17.针对柴油机高压油泵磨损故障诊断，分别进行正常、高压油泵柱塞磨损状态下的柴油机台架试验，采集不同运行状态下柴油机多源信息。
18.优选地，所述s2步骤的具体流程为：
19.根据时间序列多尺度化方法分别对采集的多源信号进行多尺度化分析，再将多尺度化后的多源信息输入到多源信息融合相位熵算法中；
20.通过上述步骤，计算柴油机不同运行状态下的多尺度多源信息融合相位熵值，构建柴油机正常及高压油泵磨损故障识别的特征参量样本集。
21.优选地，所述时间序列多尺度化方法的流程为：设给定一组1维数据{x(n)＝x(1)，x(2)，.......，x(n)}，通过公式(1)得到多个时间尺度下的短数据：
[0022][0023]
其中：s为正整数，是多尺度化因子。mj被分割成s个长度为(表示不大于n/s的正整数)的短数据mj(s)。
[0024]
优选地，所述多源信息融合相位熵算法的流程为：a.设给定柴油机多源数据将各维数据分别归一化处理后，通过多维度嵌入方法(公式(2))，得到多源信息融合后的数据s
p
(其中，i代表每个源信号的数据样本点，p代表具体信息源数量)：
[0025][0026]
其中，j＝1，2，...，n-(m-1)*d；m＝[m1，m2，..，m
p
]，d＝[d1，d2，..，d
p
]分别表示多源信息嵌入维度和时时间延迟因子，为简化计算，取mk＝m，dk＝d；
[0027]
b.计算多维数据的均值，得到融合后的一维时间序列，s
mean
[0028]smean
(j)＝mean(s
p
(j))，j＝1，2，...，n-(m-1)*d
ꢀꢀꢀ
(3)
[0029]
c.计算s
mean
数据的相位熵。其中，相位熵计算步骤如下：
[0030]
根据公式(4)计算得到两个序列y(n)和x(n)：
[0031]
y(n)＝s
mean
(n+2)-s
mean
(n+1)，x(n)＝s
mean
(n+1)-s
mean
(n)
ꢀꢀꢀ
(4)
[0032]
计算得到y(n)和x(n)的斜率，并通过四象限反正正切函数，转化为角度θ(n)∈0～2π，
[0033][0034]
将θ(n)划分为k等分，并计算每个等分内的累计斜率s
θ
：
[0035][0036]
其中，i＝1，2，...，k，mi为每个等分内的斜率值数量。
[0037]
计算每个等分部分累计斜率s
θ
(i)占所有斜率的比值，得到每个等分的分布p(i)，i＝1，2，...，k；
[0038]
根据香农熵的定义，计算多源信息融合相位熵mphaseen
[0039][0040]
优选地，所述s3步骤的具体流程为：
[0041]
1)设柴油机k种状态下的数据，每种状态取n个样本，共计k*n个样本；
[0042]
2)分别计算所有样本的多尺度多源信息融合相位熵，得到故障特征集{mk，k}，mk∈r
n*τ
；
[0043]
3)将每一种状态下的t组数据作为训练集和(n-t)组数据作为测试集
[0044]
4)设置lapsvm模型核函数及核函数参数，将训练集和测试集作为输入，输入到lapsvm模型中进行训练和测试，输出柴油机所处的状态。
[0045]
优选地，所述s4步骤的具体流程为：
[0046]
将未知状态的柴油机缸盖振动信号、缸压信号和转速信号，计算多尺度多源信息融合相位熵特征参量，输入到上述训练好的lapsvm模式识别模型中，即可实现柴油机运行状态的识别和诊断。
[0047]
综上所述，由于采用了上述技术方案，本发明的有益效果是：
[0048]
本技术中，提出一种柴油机多源信息融合提取特征的多尺度多源信息融合相位熵，能够充分利用柴油机多源信息，并且深度挖掘柴油机不同信号的模式信息，用以表征柴油机运行状态；同时，利用相比于支持向量机具有更好诊断精度的lapsvm故障模式诊断模型；最终本发明提出一种多尺度多源信息融合相位熵特征提取算法，将其用于柴油机多源信息融合特征表征中，结合lapsvm实现柴油机智能故障诊断，提出了一套新颖的基于柴油机多源信息融合的柴油机故障诊断方法，能够及时有效地识别柴油机运行状态，为柴油机维护人员提供参考，提升柴油机运行的动力性、经济性和安全性等性能。
附图说明
[0049]
图1示出了根据本发明实施例提供的故障诊断流程示意图；
[0050]
图2示出了根据本发明实施例提供的柴油机台架试验传感器布置图。
具体实施方式
[0051]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0052]
请参阅图1-2，本发明提供一种技术方案：
[0053]
s1.柴油机试验-多源信息采集
[0054]
以某6缸柴油机为研究对象，考虑缸盖振动和热工参数-缸内压力信号对柴油机故障状态下模式信息的相互补充，在2缸缸盖布置pcb的振动传感器、在2缸缸内布置kistler缸压传感器，并在柴油机前端布置长春禹光的光电编码器采集柴油机转速信号；信号采集设备采用西门子的lms test.lab 32位数据采集设备，如图2所示。具体试验方案如下：
[0055]
1)针对该某六缸柴油机，设定试验工况如下：1400r/min(经济转速)，50％负荷下的柴油机2缸缸盖振动信号、2缸缸内缸压信号和转速信号，采样频率为51200hz，采样时间20s。
[0056]
2)针对柴油机高压油泵磨损故障诊断，分别进行正常、高压油泵柱塞磨损状态(不同磨损程度)下的柴油机台架试验，采集不同运行状态下柴油机多源信息。
[0057]
s2.基于多尺度多源信息融合相位熵的柴油机振动信号和热工参数信息融合特征提取
[0058]
考虑柴油机振动信号和热工参数对柴油机故障模式信息相互补充，增强融合信息特征参量的表征性。本专利提出的多尺度多源信息融合相位熵的技术方法如下：
[0059]
根据时间序列多尺度化方法分别对采集的多源信号进行多尺度化分析，再将多尺度化后的多源信息输入到多源信息融合相位熵算法中；
[0060]
通过上述步骤，计算柴油机不同运行状态下的多尺度多源信息融合相位熵值，构
建柴油机正常及高压油泵磨损故障识别的特征参量样本集，其中：
[0061]
时间序列多尺度化方法的流程为：
[0062]
设给定一组1维数据{x(n)＝x(1)，x(2)，.......，x(n)}，通过公式(1)得到多个时间尺度下的短数据：
[0063][0064]
其中：s为正整数，是多尺度化因子。mj被分割成s个长度为(表示不大于n/s的正整数)的短数据mj(s)；
[0065]
多源信息融合相位熵算法的流程为：
[0066]
a.设给定柴油机多源数据将各维数据分别归一化处理后，通过多维度嵌入方法(公式(2))，得到多源信息融合后的数据s
p
(其中，i代表每个源信号的数据样本点，p代表具体信息源数量)：
[0067][0068]
其中，j＝1，2，...，n-(m-1)*d；m＝[m1，m2，..，m
p
]，d＝[d1，d2，..，d
p
]分别表示多源信息嵌入维度和时时间延迟因子，为简化计算，取mk＝m，dk＝d；
[0069]
b.计算多维数据的均值，得到融合后的一维时间序列，s
mean
[0070]smean
(j)＝mean(s
p
(j))，j＝1，2，...，n-(m-1)*d
ꢀꢀꢀ
(3)
[0071]
c.计算s
mean
数据的相位熵。其中，相位熵计算步骤如下：
[0072]
根据公式(4)计算得到两个序列y(n)和x(n)：
[0073]
y(n)＝s
mean
(n+2)-s
mean
(n+1)，x(n)＝s
mean
(n+1)-s
mean
(n)
ꢀꢀꢀꢀ
(4)
[0074]
计算得到y(n)和x(n)的斜率，并通过四象限反正正切函数，转化为角度θ(n)∈0～2π，
[0075][0076]
将θ(n)划分为k等分，并计算每个等分内的累计斜率s
θ
：
[0077][0078]
其中，i＝1，2，...，k，mi为每个等分内的斜率值数量。
[0079]
计算每个等分部分累计斜率s
θ
(i)占所有斜率的比值，得到每个等分的分布p(i)，i＝1，2，...，k；
[0080]
根据香农熵的定义，计算多源信息融合相位熵mphaseen
[0081][0082]
s3.基于振动和热工参量融合特征提取和lapsvm模式识别的柴油机高压油泵磨损故障振动方法：
[0083]
1)设柴油机k种状态下的数据，每种状态取n个样本，共计k*n个样本；
[0084]
2)分别计算所有样本的多尺度多源信息融合相位熵，得到故障特征集{mk，k}，mk∈r
n*τ
；
[0085]
3)将每一种状态下的t组数据作为训练集和(n-t)组数据作为测试集
[0086]
4)设置lapsvm模型核函数及核函数参数，将训练集和测试集作为输入，输入到lapsvm模型中进行训练和测试，输出柴油机所处的状态。
[0087]
s4.实现内燃机缸内燃烧状态模式识别：
[0088]
将未知状态的柴油机缸盖振动信号、缸压信号和转速信号，计算多尺度多源信息融合相位熵特征参量，输入到上述训练好的lapsvm模式识别模型中，即可实现柴油机运行状态的识别和诊断。
[0089]
实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。