吉 哲，呂 飛，張松濤

?

基于集合經(jīng)驗(yàn)?zāi)B(tài)分解的發(fā)電機(jī)組智能診斷系統(tǒng)設(shè)計(jì)

吉 哲，呂 飛，張松濤

（海軍士官學(xué)校，安徽蚌埠 233012）

發(fā)電機(jī)組作為產(chǎn)生電能的機(jī)械設(shè)備在陸地和船舶上得到廣泛應(yīng)用，但在運(yùn)行過(guò)程中容易產(chǎn)生故障，且故障種類繁多，通過(guò)人的直觀觀察往往很難判別故障類型。本文介紹一個(gè)智能診斷系統(tǒng)，首先采集不同工況下的發(fā)電機(jī)組聲信號(hào)，再利用集合經(jīng)驗(yàn)?zāi)B(tài)分解對(duì)信號(hào)進(jìn)行分解，并提取特征參數(shù)，最后使用模糊C均值聚類進(jìn)行故障分類。通過(guò)6135D型柴油發(fā)電機(jī)組進(jìn)行實(shí)驗(yàn)驗(yàn)證，故障診斷率達(dá)到了92.25%，結(jié)果表明該系統(tǒng)可以對(duì)發(fā)電機(jī)組常見故障進(jìn)行準(zhǔn)確的智能診斷。

發(fā)電機(jī)組 集合經(jīng)驗(yàn)?zāi)B(tài)分解 模糊C均值聚類 智能診斷

0 引言

隨著社會(huì)的發(fā)展，電能在生活、軍事、工業(yè)、農(nóng)業(yè)、交通等各個(gè)領(lǐng)域發(fā)揮著非常重要的作用，尤其是在艦船上，發(fā)電機(jī)組所產(chǎn)生的電能具有不可替代的作用。發(fā)電機(jī)組的工作環(huán)境比較惡劣，隨著在工作過(guò)程中故障的產(chǎn)生，發(fā)電機(jī)組的故障診斷也逐步引起人們的關(guān)注。發(fā)電機(jī)組的故障種類繁多，且故障現(xiàn)象與故障原因往往不是一一對(duì)應(yīng)，給故障診斷帶來(lái)了難度。在當(dāng)前的機(jī)械故障診斷領(lǐng)域，已不局限于通過(guò)故障的外部表現(xiàn)特征和人的經(jīng)驗(yàn)進(jìn)行主觀判斷，而是主要通過(guò)信號(hào)處理技術(shù)、故障特征提取和相對(duì)應(yīng)特征的識(shí)別技術(shù)進(jìn)行故障診斷和分析。

近年來(lái)，對(duì)于機(jī)械故障診斷的研究取得不少的進(jìn)步，但由于發(fā)電機(jī)組自身的結(jié)構(gòu)復(fù)雜性、零件的多樣性，使得對(duì)發(fā)電機(jī)組直接診斷難以進(jìn)行，因此在診斷方向上應(yīng)選取發(fā)電機(jī)組的一些狀態(tài)信息從而簡(jiǎn)化診斷過(guò)程。發(fā)電機(jī)組的聲音信號(hào)是一種便于提取且易于操作的狀態(tài)信息，通過(guò)信號(hào)處理技術(shù)和模式識(shí)別技術(shù)可建立基于聲信號(hào)的智能診斷系統(tǒng)，可以取得較好的效果[1]。

本文利用集合經(jīng)驗(yàn)?zāi)B(tài)分解（Ensemble empirical mode decomposition, EEMD）對(duì)信號(hào)準(zhǔn)確的分析能力和模糊C均值聚類的柔性判斷、模糊劃分，建立了發(fā)電機(jī)組智能診斷系統(tǒng)，通過(guò)訓(xùn)練樣本對(duì)系統(tǒng)進(jìn)行訓(xùn)練，再通過(guò)測(cè)試樣本驗(yàn)證系統(tǒng)的準(zhǔn)確性。

1 發(fā)電機(jī)組聲信號(hào)特征提取

1.1 集合經(jīng)驗(yàn)?zāi)B(tài)分解算法

針對(duì)基于傅里葉變換方法自適應(yīng)性差的問(wèn)題，為了精準(zhǔn)地描述隨時(shí)間變化的頻率，需要一種能研究變化中信號(hào)的方法。1998年美籍華人Huang等人提出了經(jīng)驗(yàn)?zāi)B(tài)分解，該方法在本質(zhì)上是一個(gè)平穩(wěn)化處理的過(guò)程，它能將非平穩(wěn)數(shù)據(jù)分解成多個(gè)數(shù)據(jù)序列，每個(gè)序列都稱之為一個(gè)本征模函數(shù)（Intrinsic Mode Function，IMF）。該算法的具體過(guò)程見文獻(xiàn)2。

為了更好地解決經(jīng)驗(yàn)?zāi)B(tài)分解中模態(tài)混疊等方面的問(wèn)題，Huang在EMD的基礎(chǔ)上提出了EEMD，這是一種利用白噪聲加入待分解信號(hào)的噪聲輔助信號(hào)處理方法。

EEMD的分解原理是將空間中均勻分布的白噪聲加入到信號(hào)中。此時(shí)在時(shí)間和頻率尺度上信號(hào)都是連續(xù)的，然后進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解。因?yàn)闇y(cè)試信號(hào)是聲音信號(hào)加上白噪聲進(jìn)行處理，得出的結(jié)果沒(méi)有實(shí)際意義，所以需要進(jìn)行多組測(cè)試。當(dāng)測(cè)試的樣本足夠多的時(shí)候，取全體測(cè)試結(jié)果的均值會(huì)抵消加入的白噪聲，而且隨著測(cè)試數(shù)量的增多，加入的白噪聲消除更徹底，最終留下的就是信號(hào)本身的信號(hào)處理結(jié)果[3]。EEMD的具體過(guò)程如下：

1）向聲信號(hào)中加入白噪聲；2）將加入白噪聲之后的信號(hào)進(jìn)行EMD處理；3）加入新的白噪聲，重復(fù)1）、2）；4）取每次經(jīng)驗(yàn)?zāi)B(tài)分解得到的IMF均值作為最終的IMF。

發(fā)電機(jī)組聲信號(hào)是一種典型的非線性、非平穩(wěn)序列，時(shí)頻分析方法之一的EMD能很好處理這種類型的信號(hào)，同時(shí)EEMD可以有效地解決非連續(xù)信號(hào)在分解成IMF時(shí)出現(xiàn)的模態(tài)混疊等問(wèn)題，特征提取將更加精準(zhǔn)。

1.2 聲信號(hào)特征提取

對(duì)發(fā)電機(jī)組聲信號(hào)進(jìn)行EEMD處理之后得到的IMF分量特征分布不明顯，需要將數(shù)據(jù)進(jìn)行特征參數(shù)提取，從而得到更具有物理意義的數(shù)據(jù)，以便于進(jìn)行故障識(shí)別。特征大致可以分成兩種，分別是基元特征和屬性特征，基元特征指不能繼續(xù)分割的模式，比如邊緣、區(qū)域；屬性特征則代表信號(hào)的屬性，比如長(zhǎng)度、質(zhì)量。特征的選擇會(huì)對(duì)識(shí)別分類工作產(chǎn)生很大影響，所以在特征選取上需要進(jìn)行對(duì)比選擇最優(yōu)特征。

能量是一種常用的特征，它表示物體做功的本領(lǐng)，表達(dá)式為：

2 發(fā)電機(jī)組智能診斷系統(tǒng)設(shè)計(jì)

2.1 故障識(shí)別方法

聚類算法是模式識(shí)別中的一種常用方法。在聚類算法中，常規(guī)的聚類都是將被測(cè)試樣本根據(jù)對(duì)應(yīng)算法劃分到特定的類別中，但在這種硬性劃分中無(wú)法看到每個(gè)樣本與其所對(duì)應(yīng)類別間的緊密程度，而模糊判別法則有效地解決了這一問(wèn)題。

模糊聚類的基本原理是利用數(shù)學(xué)中的概率，將被測(cè)樣本與所對(duì)應(yīng)類別的親疏程度表示出來(lái)。模糊聚類是一種柔性劃分，將數(shù)據(jù)矩陣進(jìn)行分類時(shí)，模糊聚類會(huì)給出一個(gè)具體信息。如：從0到1的一個(gè)數(shù)值，數(shù)值越趨近于1，表示這個(gè)樣本屬于該類別的可能性越大，反之?dāng)?shù)值越趨近于0表明該樣本屬于該類別的可能性相對(duì)較低。

模糊聚類主要有系統(tǒng)聚類和逐步聚類兩種方法，模糊C均值聚類（Fuzzy c-means clustering，F(xiàn)CM）是在C均值聚類的算法基礎(chǔ)上增加了模糊聚類的改進(jìn)，是一種綜合兩種聚類方法的新聚類算法，在故障診斷領(lǐng)域取得了較好的效果[5-6]。

2.2 智能診斷系統(tǒng)設(shè)計(jì)

本文目的在于建立一個(gè)能夠?qū)Πl(fā)電機(jī)組故障進(jìn)行診斷的人工智能系統(tǒng)，具體流程是：利用聲音傳感器對(duì)發(fā)電機(jī)組聲信號(hào)進(jìn)行提取，將模擬信號(hào)轉(zhuǎn)換成數(shù)字信號(hào)，通過(guò)EEMD算法對(duì)聲信號(hào)進(jìn)行分解，取能量作為特征參數(shù)，把分解后的信號(hào)進(jìn)行特征化處理，最后用FCM算法對(duì)測(cè)試樣本進(jìn)行聚類識(shí)別，輸出故障判別結(jié)果，其流程如圖1所示。

圖1 發(fā)電機(jī)組故障診斷系統(tǒng)流程

3 發(fā)電機(jī)組故障診斷實(shí)驗(yàn)

3.1 實(shí)驗(yàn)驗(yàn)證

實(shí)驗(yàn)的研究對(duì)象是船用6135D型柴油發(fā)電機(jī)組。利用傳聲器在柴油發(fā)電機(jī)組氣缸上方采集聲信號(hào)[7]，共采集四種類型的聲信號(hào)，分別是正常信號(hào)和三種故障信號(hào)。三種故障信號(hào)分別為斷缸故障、氣門間隙偏小故障和氣門間隙偏大故障。

實(shí)驗(yàn)提取的聲信號(hào)長(zhǎng)度在10秒左右，每種故障需要100個(gè)樣本進(jìn)行分類實(shí)驗(yàn)，在對(duì)聲信號(hào)進(jìn)行采樣的程序中設(shè)置采樣頻率為44.1 kHz，通過(guò)對(duì)正常信號(hào)和3個(gè)故障信號(hào)進(jìn)行采樣得到400組樣本，每組樣本是一個(gè)行數(shù)為1、列數(shù)為4000的矩陣。以正常信號(hào)為例，一個(gè)樣本的采樣信號(hào)波形如圖2所示。

圖2 聲信號(hào)采樣波形

對(duì)每一組樣本進(jìn)行EEMD算法分解，每一組的矩陣數(shù)是100，百分比的噪聲標(biāo)準(zhǔn)差取默認(rèn)數(shù)值0.2，該值表示分解過(guò)程的閾值，決定分解程度和結(jié)束分解時(shí)間。經(jīng)過(guò)對(duì)樣本的EEMD分解，將每個(gè)樣本分解成了12個(gè)IMF分量。其中第一個(gè)IMF分量是原來(lái)樣本，每一個(gè)IMF分量的中心頻率呈降序排列，圖3為一個(gè)樣本的分解結(jié)果，共12個(gè)IMF分量。

圖3 EEMD分解結(jié)果

由于不是每個(gè)IMF分量都代表信號(hào)樣本的狀態(tài)信息，需要選擇適當(dāng)數(shù)量的IMF分量。 Pearson相關(guān)系數(shù)用于度量?jī)蓚€(gè)變量之間的相關(guān)程度，可以利用Pearson相關(guān)系數(shù)法選擇最佳數(shù)量的IMF分量。分別計(jì)算每個(gè)IMF分量與原信號(hào)的相關(guān)性，得到相關(guān)性曲線如圖4所示。

圖4 IMF分量相關(guān)性曲線

從圖中可以看出，IMF分量與原始信號(hào)相關(guān)性的趨勢(shì)大體是先呈增長(zhǎng)趨勢(shì)再呈下降趨勢(shì)，其中轉(zhuǎn)折點(diǎn)也就是相關(guān)性最高的點(diǎn)是在第4個(gè)點(diǎn)處，因此選取前5個(gè)IMF分量進(jìn)行特征參數(shù)提取。通過(guò)公式（1）計(jì)算每個(gè)IMF分量的能量，n取4000，得到400×5矩陣。經(jīng)過(guò)FCM算法計(jì)算后，所有樣本被分成4組，具體的聚類結(jié)果如表1所示。

表1 聚類結(jié)果

表中可以看出，正常工況和斷缸故障工況具有100%的故障診斷率，總體達(dá)到了92.25%的診斷精度，可以有效協(xié)助維護(hù)人員對(duì)發(fā)電機(jī)組進(jìn)行故障診斷。

3.2 實(shí)驗(yàn)對(duì)比

實(shí)驗(yàn)中信號(hào)經(jīng)過(guò)EEMD算法分解得到IMF分量的選擇個(gè)數(shù)對(duì)診斷精度有一定的影響，通過(guò)隨機(jī)選取IMF分量個(gè)數(shù)進(jìn)行比較。當(dāng)選擇前8個(gè)IMF分量進(jìn)行特征參數(shù)提取時(shí)，得到表2所示。此時(shí)總故障診斷率為86.5%，下降了5.75%的精度，說(shuō)明分解得到的一系列IMF分量中包含冗余分量，通過(guò)Pearson相關(guān)系數(shù)選擇最佳數(shù)量的IMF分量可以有效剔除冗余分量，進(jìn)一步提高發(fā)電機(jī)組的故障診斷率。

4 結(jié)論

在使用過(guò)程中發(fā)電機(jī)組難免會(huì)出現(xiàn)故障，為了能夠及時(shí)精準(zhǔn)的找到故障部位，保證電能的不間斷傳輸，需要建立一個(gè)完整、高效的故障診斷系統(tǒng)。本文將集合經(jīng)驗(yàn)?zāi)B(tài)分解引入發(fā)電機(jī)組故障診斷領(lǐng)域，并通過(guò)模糊C均值聚類的模式識(shí)別方法，建立了一套故障智能診斷系統(tǒng)。利用Pearson相關(guān)系數(shù)確定了故障識(shí)別的特征參數(shù)最佳維度，進(jìn)一步提升了診斷精度，具有一定的應(yīng)用價(jià)值。

表2 對(duì)比實(shí)驗(yàn)結(jié)果

[1] 蔡振雄, 李玩幽, 李寒林. 利用振動(dòng)噪聲信號(hào)診斷柴油機(jī)故障研究的現(xiàn)狀與發(fā)展[J]. 船舶工程, 2006, 28(5): 53-55.

[2] Huang N H, Shen Z, Long S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and nonstationary time series analysis[J]. Proc. R. Soc. London A, 1998, 454: 903-995.

[3] Wu Z H, Huang N E. Ensemble empirical mode decomposition: A noise assisted data analysis method[J].Advances in Adaptive Data Analysis,2009(1): 1-41.

[4] Wu J D, Liu C H. An expert system for fault diagnosis in internal combustion engines using wavelet packet transform and neural network[J]. Expert systems with applications, 2009, 36(3): 4278-4286.

[5] 王志華, 趙冬, 余永華. 基于模糊C均值聚類的柴油機(jī)故障診斷[J]. 船海工程, 2007, 36(4): 56-58.

[6] 劉嘉蔚, 李奇, 陳維榮等. 基于多分類相關(guān)向量機(jī)和模糊C均值聚類的有軌電車用燃料電池系統(tǒng)故障診斷方法[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2018, 38(20).

[7] Nivesrangsan P, Steel J A, Reuben R L. Source location of acoustic emission in diesel engines[J]. Mechanical systems and signal processing, 2007, 21(2): 1103-1114.

Design of Intelligent Diagnosis System for Generator Units Based on Ensemble Empirical Eode Decomposition

Ji Zhe, Lv Fei, Zhang Songtao

(Naval Petty Officer Academy, Bengbu 233012, Anhui, China)

TM311

A

1003-4862（2019）07-0046-04

2018-04-19

吉哲（1983-），男，講師。研究方向：艦船電氣工程、故障診斷。E-mail: jizhe@mail.ustc.edu.cn