基于小波包分解的船用柴油机燃油电磁阀故障诊断方法.pdf

第45卷第18 期2023年9月舰船科学技术SHIP SCIENCEANDTECHNOLOGYVol.45,No.18Sep.,2023基于小波包分解的船用柴油机燃油电磁阀故障诊断方法葛君超，王利鹏(河南理工大学鹤壁工程技术学院，河南鹤壁458 0 30)摘要：为了精准识别电磁阀故障，确保船用柴油机安全、平稳运行，提出基于小波包分解的船用柴油机燃油电磁阀故障诊断方法。采用小波包分解法对船用柴油机燃油电磁阀电流信号作分解，获取其多频带特征。通过核主成分分析法对其作降维处理，完成敏感特征选择。将其作为最小支持向量机的输入，自适应蚁群优化算法通过自适应调整挥发因子、状态转移规则确定最优模型参数，实现燃油电磁阀故障的准确诊断。结果表明：故障、正常工况下的燃油电磁阀电流特性曲线存在较大差异；该方法可提取电流信号的8 个频带特征、不同频带特征间差异度大；特征选择有利于提高燃油电磁阀故障辨识度。本文方法可实现燃油电磁阀故障诊断，诊断效果突出。关键词：小波包分解；燃油电磁阀；故障诊断；核主成分分析；自适应蚁群；最小支持向量机中图分类号：TH212文章编号：16 7 2-7 6 49(2 0 2 3)18-0 10 5-0 4Fault diagnosis method of marine diesel fuel solenoid valve based on(Hebi Institute of Engineering and Technology,Henan Polytechnic University,Hebi 458030,China)Abstract:In order to accurately identify solenoid valve faults and ensure the safe and smooth operation of marine dies-el engines,a fault diagnosis method for marine diesel fuel solenoid valves based on Wavelet packet decomposition is pro-posed.The Wavelet packet decomposition method is used to decompose the current signal of the marine diesel fuel solenoidvalve to obtain its multi band characteristics,and the Kernel principal component analysis method is used to reduce its di-mensions to complete the sensitive Feature selection,which is used as the input of the minimum support vector machine.Theadaptive ant colony optimization algorithm determines the optimal model parameters by adaptively adjusting the volatiliza-tion factor and state transition rules to achieve accurate fault diagnosis of the fuel solenoid valve.The experimental results in-dicate that there are significant differences in the current characteristic curves of the fuel solenoid valve under fault and nor-mal operating conditions.This method can extract 8 frequency band features of current signals,with significant differencesbetween different frequency band features.Feature selection is conducive to improving the fault identification of fuel solen-oid valve.It can achieve fault diagnosis of fuel solenoid valves,with outstanding diagnostic effects.Key words:wavelet packet decomposition;fuel solenoid valve;fault diagnosis;kernel principal component analysis;adaptive ant colony;minimum support vector machine0引言柴油机作为船舶上的关键设备之一，燃油电磁阀在其控制系统中扮演着重要角色!。燃油电磁阀的故障会直接影响柴油机的正常运行2 ，燃油电磁阀故障诊断方法逐渐向智能化方向发展3。在采集电磁阀的电流信号的基础上4，通过提取信号的特征来实现故收稿日期：2 0 2 3-0 6-17作者简介：葛君超（198 8），女，硕士，讲师，研究方向为塑性变形和断裂及产品结构优化。文献标识码：Awavelet packet decompositionGE Jun-chao,WANG Li-pengdoi:10.3404/j.issn.1672-7649.2023.18.017障诊断是常用的方法。小波包分解技术可以通过逐层分解高频和低频信号，提取更加细致和全面的信号特征。在现有的研究中，已有一些关于电磁阀故障诊断的方法。王钦惠等6 通过对电磁阀信号进行小波分解和功率谱分析，实现了电磁阀开关故障状态的在轨实时诊断。张文啸等7 构建基于变分自编码器的故障诊断模型，虽无需进行数据特征的提取，但模型结构对106故障诊断效果的影响很大。为解决上述问题，本文提出基于小波包分解的船用柴油机燃油电磁阀故障诊断方法。引入小波包分解方法，对电流信号进行分解，获取其多频带特征，能够更细致地提取信号的时频信息，从而更准确地描述电磁阀的工作状态和故障情况。1船用柴油机燃油电磁阀故障诊断1.1电磁阀特征提取船用柴油机燃油电磁阀故障信号具有非平稳性特点，小波变换是可实现非平稳信号时频分析的方法8 。设定f，为船用柴油机燃油电磁阀原始信号采样频率，则分解后的高、低频信号分析带宽均为0.5fs。小波包分解是以前次分解后的新信号为基础，通过对其作多尺度频段分解，以各频带的能量作为特征，完成多频段信号特征的提取。小波包分解的信号处理性能优于小波分析法，提取的原始信号特征更细致化，更完整。小波包分解的变换函数描述为：Wn,jk(k)=27 w(2-it-k)。式中：nEz,jEz,kEz，z 为正整数。离散小波包变换可通过下式进行描述：Px(n,j,k)=(x(t),wn,jk(t)-(02 w(2-k)dt式中：x(t)为船用柴油机燃油电磁阀原始电流信号，U为其正交小波包空间；px(n,j,k)为x(t)在该空间上的系数序列；j为分解尺度，k、n 分别为小波包的位置、频率。已知船用柴油机燃油电磁阀原始信号x(t)的高低通共轭正交滤波器系数分别为(gklkez(hk)kez，小波包变换系数px(n,j,k)可通过下式递推获得：px(2n,j,k)=hi-2kP(n,j-1,),(3)P:(2n+1 j.k)=Zhi-2kP:(n-1,)。Tez对各小波包分解系数作重构处理，以完成每个频带区间信号的获取，具体公式如下：px(n,j,k)=Zhk-21P(2n,+1,k)+gk-21Px(2n+1+1,k)。k在小波包变换过程中，每个频带的能量可通过下式进行计算：Ejk()=ZIpx(n j.b)P.k对每个频带能量作归一化处理后，即可确定同一状态下，分解后各频带所含能量比例ejk(i)，归一化处理可通过下式进行描述：舰船科学技术通过小波变换对船用柴油机燃油电磁阀的原始电流信号进行处理，提取出故障各频带的能量比例。1.2确定电磁阀电流信号敏感特征核主成分分析法（KPCA）的基本思想是利用非线性变换函数山()实现样本数据向高维数据空间F的映射后，再采用主成分分析法对样本特征作降维。该方法在信号非线性特征提取上具有显著优势，同时计算难度与主成分分析法基本一致。因此，在电磁阀电流信号特征提取的基础上，采用KPCA方法对其进行降维处理，完成敏感特征选择。将提取到的特征作为特征选择的输人，用XNxM表示燃油电磁阀电流信号特征样本矩阵，其在高维数据空间F上的协方差矩为：Nej.k(i)Z(xr)以(xr)Tr=1C=N式中：N为矩阵XNxM的总行数；Xr为第r行元素，(1)r=1,2,.,N；M为总列数。C的特征值表示为入，特征向量用v表示，二者可用下式描述关系：=CV。将NN矩阵Kr,u=K(xr,xu)=(xr)(xu)设定为核(2)函数，其中，u=1,2,N，若有一个系数使得v=r(x)成立，可得N=K，其中=(1,2,r=1N)T。由此，即可完成X位于F上的核主元的确定。第m个核主元可通过下式获得：NTm=v(X)=ZaK(x,x)。r=1式中：m=1,2,M，X为矩阵中的任意行元素，其为自变量。kez按由大到小顺序对入进行排列，确定贡献率高于设定值的主元成分，将其视为船用柴油机燃油电磁阀原始电流信号的敏感特征。1.3结合AACA与LSSVM的电磁阀故障诊断最小支持向量机（LSSVM）是建立在支持向量机（SV M）基础上的改进算法，采用自适应蚁群优化算法对参数进行寻优，以提高船用柴油机燃油电磁阀故(4)障诊断精度。1.3.1电磁阀故障诊断模型将敏感特征计算结果输入电磁阀故障诊断模型，基于LSSVM的电磁阀故障诊断优化问题可描述为：(5)min J(w,s):(yiw(xi)+b=1-5,i=1,2,.l。拉格朗日函数表达式为：第45卷Ejk(i)ej.k(i)=2k2Ejk(i)i=12+21之=1(6)(7)(8)(9)(10)第45卷L(w,b,$,)+1=1式中：S;为拉格朗日乘子，i=1,2,l；b 为偏置量，w为权值，c为惩罚系数。在极值处分别计算w、b、S各参数的偏导数，同时设定其结果为0，则有：L=0W=Zig(xi),i=1L109(x)=0,=18L=0 ;=ci,i=1,2,.,l,8L=0 yip(xi)w+b=1-si.核函数表达式为：K(xi,x)=0(x)T(xi)。对式（12）进行处理，除去参数w、后，可得：01.11(x1,1+c-)K(x1,x0)l01 K(xI,x1)K(x1,X1+c采用最小二乘法可确定参数S、b。通过下式描述线性决策函数：y(x)=sign选用径向基核函数，其计算公式为：Xi-XjK(xi,x)=exp二式中，为核宽度参数。1.3.2参数优化为提高船用柴油机燃油电磁阀故障诊断效果，采用自适应蚁群算法对故障诊断模型参数c、进行寻优处理，通过自适应调整挥发因子、状态转移规则，增强优化参数搜寻初期的随机性，使得执行电磁阀故障诊断模型参数优化的蚂蚁具有突出的全局搜索性能；同时，减弱参数优化搜寻末期的随机性，提高算法的收敛效率。船用柴油机燃油电磁阀故障诊断模型参数优化的状态转移规则通过下式进行描述：P(;(pl):(arg max(t),f Fo(t),(S rand,else。葛君超，等：基于小波包分解的船用柴油机燃油电磁阀故障诊断方法1+2122bby1Ly10;K(x,xi)+bli=102107Fo(t)=min(1-e-s,Fmax)(18)式中，参数取值不小于0。优化参数搜寻初期，8 值(11)很小，因此，执行参数优化任务的蚂蚁依据式（17）的下半部分转移规则移动；优化参数搜寻末期，取值很高，需遵循信息素大的规则进行移动。全部蚂蚁均完成参数选择后，对其做迭代训练，确定输出误差，并保存各优化参数的最优值。信息素调整公式描述为：(T;()+m)=(1-p(0),(p)0)+,(mn),At,(m)=ZA(m),k=1(12)(p(t)=max(p(t-1),Pmin)。式中：p()为信息挥发因子，m为参数优化所需时间，蚂蚁k在执行参数搜寻任务时，其经过P;集合第j个元素时，所留信息素的大小通过,(pi)表示。p的设定下限为pmin，用于控制信息素的高低；衰减系数为。结合基于LSSVM的电磁阀故障诊断模型和自适应蚁群算法，通过调整算法中的挥发因子、状态转移规(13)则和信息素等，实现LSSVM模型中的参数优化。2实验分析以某船用柴油机燃油电磁阀作为实验对象，通过(14)Python采集电磁阀原始电流信号，并进行处理。构建实验样本数据集，数据总量为50 0 0，其中正常信号样本3800个，故障样本为12 0 0 个，对应弹簧断裂、阀芯轻微卡顿、阀芯卡死、线圈断路、二极管击穿短路5种不同运行工况。通过Scikit-learn训练电磁阀故障诊断模型，完成参数优化。优化后的参数：学习率为0.01；正则化参数为0.0 0 1；送代次数为10 0 0；批处理(15)大小为6 4；隐藏层节点数为12 8；模型的深度为2。将本文方法应用到船用柴油机燃油电磁阀故障诊断中，分析其诊断性能。以船用柴油机燃油电磁阀弹簧断裂、阀芯卡死(16)2种故障工况为例，采集2 种工况下的船用柴油机燃油电磁阀电流信号，并与正常运行工况下的电流信号进行对比，分析不同运行工况下的电磁阀电流信号差异，实验结果如图1所示。54320图1不同运行工况下电磁阀电流信号差异分析(17)Fig.1 Analysis of current signal differences of electromagnetic(19)一正常工况-弹簧断裂工况-阀芯卡死工况2550时间/msvalves under different operating conditions75100108分析可知，船用柴油机燃油电磁阀故障会对其电流信号特征产生影响，将电磁阀电流信号作为其故障诊断依据可行。采用本文方法对不同工况下的电磁阀电流信号进行分解，并与小波分析结果进行对比，通过分析不同频带能量比值差异验证本文方法的电流信号分解性能，实验结果如图2 和图3所示。0.50.4舰船科学技术0.6口弹簧断裂工况0.4阀芯轻微卡顿工况王三熊阀芯卡死工况线圈断路工况0.2文兰极管击穿短路工况0-0.20.8正常工况第二主成分0弹簧断裂工况阀芯轻微卡顿工况阀芯卡死工况第45卷正常工况0.90.60.300.3-0.80.6第一主成分线圈断路工况0.3二极管击穿短路工况0.20.101234 5678时间/ms图2 本文方法分解结果分析Fig.2Analysis of the decomposition results ofthe method in this article0.5弹簧断裂工况0.4阀芯轻微卡顿工况阀芯卡死工况线圈断路工况0.3二极管击穿短路工况0.20.10图3小波分解结果分析Fig.3 Analysis of wavelet decomposition results分析可知，本文方法具有突出的信号特征提取能力。通过对比分析不同工况电磁阀故障识别效果，验证本文方法的有效性，实验结果如图4和图5所示。分析可知，本文方法具有突出的故障辨识能力。3结语1）故障工况下的电流特性曲线与正常工况存在差异。2）本文方法提取的电磁阀原始电流信号特征更精细，不同运行工况信号特征差异高；特征降维有利于电磁阀故障效果的提升。3）本文方法可实现电磁阀故障诊断，诊断效果突出。图4本文方法故障识别结果分析Fig.4Analysis of fault identification results ofthe method in this article0.6厂正常工况弹簧断裂工况阀芯轻微卡顿工况0.4阀芯卡死工况线圈断路工况X二极管击穿短路工况0.20&88O00.20.8正常工况第二主成分0-0.8-0.6第一主成分图5小波分析+KPCA降维后的故障识别结果分析Fig.5Analysis of Fault Identification Results after Wavelet Ana-lysis and KPCA Dimension Reduction参考文献：1黄烨鑫，万振刚，程琛.基于改进鲸鱼算法寻优SVM的船用柴油机燃油系统故障诊断方法研究 .计算技术与自动化,12时间/ms0.90.60.300.3342021,40(2):53-56.2谢海龙，陈国顺，谢海勇，等。电磁阀常见故障的分析及处理.阀门,2 0 2 0,2 30(4):47 50.3张明兴.发动机OCV电磁阀卡滞问题解析.汽车制造业，2022,677(1):39-41.4马栋，刘志浩，高钦和，等.基于多特征融合的电磁换向阀故障模式识别J.北京航空航天大学学报，2 0 2 3，49(4):913-921.5郝德琛,李华玲，黄晋英.小波包分解和改进ResNet行星齿轮箱故障诊断方法J.传感器与微系统，2 0 2 2,41(8)：116-119+123.6】王钦惠，胡向宇，崔梧玉，等.基于小波分析的电磁阀在轨实时诊断J.真空与低温，2 0 2 1,2 7(3):2 92-2 95.7张文啸，孟国香，叶骞.基于Tripletloss的电磁阀故障识别方法.液压与气动,2 0 2 2,46(9):116-12 5.8朱兴统.基于小波包分解和K最近邻算法的轴承故障诊断方法.装备制造技术，2 0 2 0,30 2(2):2 4-2 7+45.