一种基于缸盖振动信号分析的柴油机失火故障识别方法

1.本发明涉及柴油机缸内燃烧状态识别术领域，尤其涉及一种基于缸盖振动信号分析的柴油机失火故障识别方法。


背景技术：

2.柴油机是一种重要的动力机械，广泛应用于工农业生产中。柴油机具有零部件多、运动复杂、工作环境恶劣等特点。因此，柴油机出现故障的概率相对较高。如果柴油机某个部分发生故障，往往会导致停工停产，造成巨大的经济损失，有时甚至造成关键设备损坏，危及人身安全。由柴油机故障引起的大型事故等的频繁发生，促使人们想方设法来提高柴油机的质量，降低柴油机的故障率。失火故障是多缸柴油机常见故障之一，严重影响柴油机动力输出性和运行安全性，导致柴油机加速无力、油耗增加和污染物排放等问题，因此及时有效地识别出柴油机缸内燃烧状态及其恶化趋势，有利于辅助相关工作人员进行柴油机维护，提升柴油机整体性能。
3.经过国内外学者的不断研究，各种柴油机缸内燃烧状态识别技术得到发展，如基于专家系统、基于滑油、基于振动和基于辐射噪声等识别方法，其中振动分析法是机械设备故障诊断的最有效手段之一,凭借其诊断范围广、信号容易获取和便于在线监测等特点,己经在轴承、齿轮、转子系统等的状态监测和故障诊断中获得了大量成功应用。在柴油机故障诊断领域，从工程应用的角度出发，综合应用测试技术、小波分析、经验模式分解、混沌数值特征、bp神经网络、支持向量机等理论，对柴油机缸盖振动信号中故障特征信息的提取、柴油机故障状态的识别诊断这两个关键问题进行了系统地研究，为进一步提高柴油机故障诊断水平提供了理论支持。对多种算法进行了研究,通过大量仿真实验的验证,设计了一种基于主元分析与遗传算法改进的概率神经网络。通过基于主元分析法与遗传算法改进的概率神经网络对节气门控制信号抖动情况下发动机怠速运行状况与发动机负载运行进行发动机失火故障诊断状况。通过对发动机缸盖振动信号进行小波包多层分解，计算小波包能量与信息熵的比值并结合粒子群优化的支持向量机进行柴油机失火诊断识别，识别准确率达到了97.5％。为了提高故障诊断效率，基于数据驱动的复杂机械设备故障诊断方法受到学者们广泛关注与研究。张康等采用以为卷积神经网络，通过一维卷积操作自动提取失火故障模式特征,接着在各卷积输出层对特征信号进行批标准化处理,最后基于多分类函数完成失火故障分类，在保证算法准确率的前提下,验证了该故障诊断方法的强鲁棒性。文献针对失火故障中存在的高速轻载诊断困难,失火程度无法判别的问题，提出一种改进段角加速度和神经网络相结合的失火故障诊断方法。拥有在学习阶段所需数据量小,适用于发动机失火故障在线诊断的优势。
4.事实证明，将信号分析方法与深度学习方法相结合，能够有效的完成柴油机故障诊断任务，舍弃原始信号处理的过程，直接通过深度学习方法对采集来的振动信号进行特征挖掘，进而实现故障诊断并达到较高的准确率，是十分关键的。在众多的深度学习算法中，卷积神经网络(convolutional neural network,cnn)作为一种典型的方法，通过连续
的卷积层和池化层自动提取图像深层特征，具有很好的信号识别和分类效果，可实现“端到端”的在线快速状态监测与故障定位。
5.基于上述阐述可知：柴油机失火状态识别对提升柴油机整机性能具有重要的意义，基于缸盖表面振动信号的状态识别算法得到广泛的应用，现有主流状态识别技术中，特征提取与模式识别算法并不连贯，且柴油机运行过程中的强背景噪声干扰，人为提取的特征并不能有效地表征柴油机故障模式信息，这些都严重影响着故障诊断的实时性与精确性，因此，需要一种能够深度挖掘柴油机振动信号中富含的状态模式信息的特征指标和高性能状态识别算法，并兼顾准确性与实时性，应用于表征柴油机失火故障表征和识别，为柴油机预测性维修和维护提供参考和指导，提升柴油机动力性、经济性、稳定性和排放特性。


技术实现要素：

6.本发明的目的在于：为了解决上述问题，而提出的一种基于缸盖振动信号分析的柴油机失火故障识别方法。
7.针对以上问题，本发明目的是克服传统特征表征柴油机失火故障的诊断方法诊断准确率低与延迟性高的问题，结合卷积神经网络能够自适应提取信号中强表征性的故障特征并且进行“端到端”的快速故障定位，在此基础上，对其参数量过多，训练所需样本量大，训练时间长等问题进行针对性的改进，提出一种基于金字塔池化与可分离卷积的柴油机失火故障诊断方法。
8.为了实现上述目的，本发明采用了如下技术方案：
9.一种基于缸盖振动信号分析的柴油机失火故障识别方法，具体执行步骤如下：
10.s1：柴油机试验-缸盖振动信号采集；
11.s2：基于金字塔池化与可分离卷积的故障诊断方法；
12.s3：基于金字塔池化与可分离卷积的故障诊断算法训练过程；
13.s4：实现柴油机失火故障模式识别。
14.优选地，所述步骤s1中缸盖振动信号采集具体以某6缸柴油机为研究对象，采用icp356a26型三向集成电路式压电式加速度传感器采集柴油机缸盖振动信号，采用光电转速传感器测量柴油机上止点信号，利用该信号对缸盖振动信号的分析和特征提取进行时间定位，此外，利用上止点信号反推柴油机转速，采样频率为25khz，测试转速选择怠速转速约为950rpm，发动机为空载，信号采集由lmsscadaiii多通道数据采集系统控制，通过切断或调整供油量实现失火故障和燃烧不良故障模拟。
15.优选地，所述基于金字塔池化与可分离卷积的故障诊断方法具体步骤如下：
16.s301、给定一个长度为n的缸盖振动信号s，其中s至少包含一整个发动机循环的振动数据；
17.s302、将s作为模型输入，首先采用长度为64的宽卷积核对原始信号进行步长为3、通道数为32的卷积操作，以抑制高频噪声对振动信号的干扰，提取信号的浅层特征，之后通过elu函数进行激活操作，保留特征负值同时增强模型的非线性表达能力；
18.s303、对步骤s302中结果分别进行步长为1、2、4、8的池化操作(金字塔池化)，从多角度过滤噪声等其他干扰对特征提取的影响；
19.s304、采用长度为3的卷积核对步骤s303中的4种结果进行步长为1、通道数为64的
可分离卷积操作，同样将elu作为激活函数，减少模型参数的同时提取更加高级的局部特征；
20.s305、从通道维度组合s304中4种特征提取结果，并在全局平均池化层进行特征融合，进一步精简模型结构，最后通过softmax分类器进行故障识别。
21.优选地，所述步骤s3中金字塔池化与可分离卷积是基于卷积神经网络的特殊算法结构，其中金字塔池化方法不仅使得任意大小的模型输入成为可能，还能有效地提高识别准确率，且基本不需要额外的算力，可分离卷积相比于传统卷积操作，其所需调整的参数量更小，降低了模型过拟合的可能，同时减少了计算成本，更适合移动嵌入式应用开发。
22.优选地，所述步骤s3基于金字塔池化与可分离卷积的故障诊断算法训练过程如下：
23.s311、获取各工况下发动机缸盖振动信号，经过归一化等简单预处理后将原始信号随机划分为训练集验证集以及测试集；
24.s312、初始化模型参数，用固定大小的训练样本集合训练模型，根据softmax分类器的分类结果反向更新模型参数，训练期间用验证集验证模型训练效果以防止过拟合现象发生；
25.s313、训练模型直到达到停止准则，停止准则指的是连续两次训练准确率不再提升或者达到一定的迭代次数；
26.s314、停止模型训练后，用测试集测试模型最终诊断分类效果，将达到预期诊断效果的模型保存。
27.优选地，在得到步骤s3中训练好的模型后，依照相同的信号采集方法采集发动机缸盖振动信号，经过相同的信号预处理过程，将处理后的信号输入已经训练好的模型中进行正向推理运算，即可得到对发动机缸内失火故障的诊断结果。
28.综上所述，由于采用了上述技术方案，本发明的有益效果是：
29.本发明针对现有柴油机故障诊断方法中传统的人工提取的特征由于噪声干扰表征柴油机运行状态故障模式敏感性低，诊断方法不连贯，无法实现实时快速诊断；基于深度学习的故障诊断方法模型参数较大，训练时间较长，且易受噪声干扰等问题提出一种基于金字塔池化与可分离卷积的故障诊断方法，该方法运用金字塔池化提取信号的多尺度特征以过滤高低频噪声对原始信号的影响，运用可分离卷积提取高级信号特征同时减少模型参数，降低对硬件算力的要求，保证精度的同时减少了模型训练时间，降低了过拟合的可能，最后运用全局平均池化融合多尺度特征，输入softmax分类器完成故障识别。
30.最终本发明提出一种“端到端”的基于金字塔池化与可分离卷积的柴油机失火故障诊断方法，能够实时有效地识别柴油机缸内燃烧状态，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
31.图1示出了根据本发明实施例提供的基于金字塔池化与可分离卷积的柴油机失火故障诊断算法结构；
32.图2示出了根据本发明实施例提供的柴油机试验传感器布置图；
33.图3示出了根据本发明实施例提供的模型训练过程示意图。
具体实施方式
34.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。
35.请参阅图1至图3，本发明提供一种技术方案：
36.一种基于缸盖振动信号分析的柴油机失火故障识别方法，具体执行步骤如下：
37.s1：柴油机试验-缸盖振动信号采集；
38.以某6缸柴油机为研究对象，采用icp356a26型三向集成电路式压电式加速度传感器采集柴油机缸盖振动信号，采用光电转速传感器测量柴油机上止点信号，利用该信号对缸盖振动信号的分析和特征提取进行时间定位，此外，利用上止点信号反推柴油机转速，采样频率为25khz，测试转速选择怠速转速约为950rpm，发动机为空载，信号采集由lmsscadaiii多通道数据采集系统控制，通过切断或调整供油量实现失火故障和燃烧不良故障模拟。
39.s2：基于金字塔池化与可分离卷积的故障诊断方法；
40.柴油机结构复杂、多种激励共同作用且运行条件恶劣，传统的人工提取的特征由于噪声干扰表征柴油机运行状态故障模式敏感性低，诊断方法不连贯，无法实现实时快速诊断，现有基于深度学习的故障诊断方法模型参数较大，训练时间较长，且易受噪声干扰，针对上述问题，本发明引入一种“端到端”的能够深度挖掘时间序列信息量的特征提取及故障诊断方法，结合金字塔池化与可分离卷积，用于柴油机失火故障诊断，其具体详细计算步骤如下：
41.s301、给定一个长度为n的缸盖振动信号s，其中s至少包含一整个发动机循环的振动数据；
42.s302、将s作为模型输入，首先采用长度为64的宽卷积核对原始信号进行步长为3、通道数为32的卷积操作，以抑制高频噪声对振动信号的干扰，提取信号的浅层特征，之后通过elu函数进行激活操作，保留特征负值同时增强模型的非线性表达能力；
43.s303、对步骤s302中结果分别进行步长为1、2、4、8的池化操作(金字塔池化)，从多角度过滤噪声等其他干扰对特征提取的影响；
44.s304、采用长度为3的卷积核对步骤s303中的4种结果进行步长为1、通道数为64的可分离卷积操作，同样将elu作为激活函数，减少模型参数的同时提取更加高级的局部特征；
45.s305、从通道维度组合步骤s304中4种特征提取结果，并在全局平均池化层进行特征融合，进一步精简模型结构，最后通过softmax分类器进行故障识别。
46.s3：基于金字塔池化与可分离卷积的故障诊断算法训练过程；
47.金字塔池化与可分离卷积是基于卷积神经网络的特殊算法结构，其中金字塔池化方法不仅使得任意大小的模型输入成为可能，还能有效地提高识别准确率，且基本不需要额外的算力。可分离卷积相比于传统卷积操作，其所需调整的参数量更小，降低了模型过拟合的可能，同时减少了计算成本，更适合移动嵌入式应用开发。
48.基于金字塔池化与可分离卷积的故障诊断算法训练过程如下：
49.s311、获取各工况下发动机缸盖振动信号，经过归一化等简单预处理后将原始信号随机划分为训练集验证集以及测试集；
50.s312、初始化模型参数，用固定大小的训练样本集合训练模型，根据softmax分类器的分类结果反向更新模型参数，训练期间用验证集验证模型训练效果以防止过拟合现象发生；
51.s313、训练模型直到达到停止准则，停止准则指的是连续两次训练准确率不再提升或者达到一定的迭代次数；
52.s314、停止模型训练后，用测试集测试模型最终诊断分类效果。将达到预期诊断效果的模型保存。
53.s4：实现柴油机失火故障模式识别。
54.在得到步骤s3中训练好的模型后，依照相同的信号采集方法采集发动机缸盖振动信号，经过相同的信号预处理过程，将处理后的信号输入已经训练好的模型中进行正向推理运算，即可得到对发动机缸内失火故障的诊断结果。
55.总体而言，本发明针对现有柴油机故障诊断方法中传统的人工提取的特征由于噪声干扰表征柴油机运行状态故障模式敏感性低，诊断方法不连贯，无法实现实时快速诊断；基于深度学习的故障诊断方法模型参数较大，训练时间较长，且易受噪声干扰等问题提出一种基于金字塔池化与可分离卷积的故障诊断方法，该方法运用金字塔池化提取信号的多尺度特征以过滤高低频噪声对原始信号的影响，运用可分离卷积提取高级信号特征同时减少模型参数，降低对硬件算力的要求，保证精度的同时减少了模型训练时间，降低了过拟合的可能，最后运用全局平均池化融合多尺度特征，输入softmax分类器完成故障识别。
56.最终本发明提出一种“端到端”的基于金字塔池化与可分离卷积的柴油机失火故障诊断方法，能够实时有效地识别柴油机缸内燃烧状态，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。
57.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。