发动机机械故障诊断特征提取算法的应用分析.pdf

造纸装备及材料 第 52 卷 总第 221 期 2023 年 8 月 装备及自动化31发动机机械故障诊断特征提取算法的应用分析蔡兰兰淮安生物工程高等职业学校，江苏 淮安 223200摘要：发动机的机械故障会对车辆的性能和可靠性产生负面影响，因此对发动机机械故障进行及时准确的诊断至关重要。基于此，文章概述了发动机机械故障的内容，探讨了发动机机械故障的诊断方法，即通过对故障信号进行分析，提取与故障相关的特征信息，并总结了常用的特征提取算法，包括基于时域分析、频域分析、小波分析和机器学习等方法。关键词：发动机机械故障；诊断特征；特征提取算法；时域分析；频域分析分类号：U472.43由于长时间使用和各种工作条件的影响，发动机可能会发生机械故障，导致性能下降甚至完全失效。发动机机械故障的诊断是一个复杂的过程，需要根据故障的特征和信号进行分析和判断。传统的诊断方法主要依赖经验和专业知识，但其受限于人工主观判断和有限的故障特征提取能力。随着计算机科学和数据分析技术的不断发展，基于发动机机械故障的诊断特征提取算法逐渐成为研究热点。1 发动机机械故障概述发动机机械故障是指发动机内部机械部件发生异常或失效，导致发动机性能下降或无法正常工作的情况。发动机的机械故障由多种因素引起，如磨损、疲劳、材料失效、润滑不良等1。这些故障可能发生在发动机的活塞系统、曲轴系统、缸体和缸盖、阀门和气门机构、曲轴连杆系统以及润滑和冷却系统等部位。2 发动机机械故障的诊断方法2.1 振动信号分析振动信号分析是发动机机械故障诊断中常用的一种方法，通过对发动机振动信号进行分析，提取与机械故障相关的特征信息，具体分析方法如下。（1）通过频谱分析将时域信号转换为频域信号，通过计算信号的频谱内容来了解发动机的振动特性。常用的频谱分析方法包括傅里叶变换、快速傅里叶变换（FFT）、功率谱密度等2。通过对振动信号进行频谱分析，获取频率成分的分布情况，判断是否存在异常振动。（2）在振动信号中提取多个振动特征参数，用于描述振动的幅值、频率、相位等特性。常用的振动特征参数包括峰值、有效值、峰谷比、频率分布等。通过对这些特征参数的计算和分析，判断振动信号是否异常，进一步定位和诊断机械故障。（3）进行振动模式识别，将振动信号与已知的机械故障模式进行比较和匹配，实现机械故障的诊断。该方法基于对不同机械故障引起的振动特征的了解和分析，建立故障模式库或故障识别模型。通过与振动信号的匹配度，确定发动机是否存在特定的机械故障。（4）进行时频分析，将信号在时间和频率两个维度上进行联合分析，以获得信号的时域和频域特性。常用的时频分析方法包括小波变换、瞬时频率分析等。通过时频分析，观察到振动信号的瞬时变化情况，对于捕捉瞬态故障或非稳态振动有较好的效果。2.2 声音信号分析声音信号分析是发动机机械故障诊断中常用的一种方法，通过对发动机工作时产生的声音信号进行分析，提取与机械故障相关的特征信息。首先，频谱分析将时域声音信号转换为频域信号，通过计算信号的频谱内容来了解发动机声音的频率分布情况3。常用的频谱分析方法包括傅里叶变换、快速傅里叶变换（FFT）、声谱图等。通过对声音信号进行频谱分析，获取声音频率特征的信息，以判断是否存在异常声音。其次，在声音信号中提取多个声音特征参数，用于描述声音的振幅、频率、持续时间等特性。常用的声音特征参数包括能量和频率特征等。通过对这些特作者简介：蔡兰兰，女，硕士，讲师，研究方向为汽车检测与维修。文章编号：2096-3092（2023）08-0031-03 装备及自动化 2023 年 第 8 期 总第 221 期 造纸装备及材料32征参数的计算和分析，判断声音信号是否异常，进一步定位和诊断机械故障。最后，通过声音模式识别将发动机声音信号与已知的机械故障模式进行比较和匹配，实现机械故障的诊断。该方法基于对不同机械故障引起的声音特征的了解和分析，建立故障模式库或故障识别模型。通过与声音信号的匹配度，确定发动机是否存在特定的机械故障。2.3 温度和压力信号分析温度和压力信号分析方法是通过监测和分析发动机的温度和压力信号，提取与机械故障相关的特征信息，具体分析方法如下。（1）通过安装温度传感器，实时监测发动机的温度变化。温度信号的异常变化可能与机械故障有关。通过分析温度信号的变化趋势、异常波动、超过设定阈值等特征，判断发动机是否存在机械故障4。例如，异常升温可能与冷却系统故障、润滑不良或某个部件过热有关。（2）通过安装压力传感器，实时监测发动机的压力变化，如燃烧室压力、油液压力等。压力信号的异常变化可能与机械故障有关。通过分析压力信号的变化趋势、异常波动、压力异常超过设定阈值等特征，判断发动机是否存在机械故障。例如，燃烧室压力异常升高可能与气缸密封不良、活塞环磨损等问题相关。（3）温度和压力关联分析。温度和压力信号之间存在一定的关联关系，通过对温度和压力信号进行关联分析，获得更多的故障特征信息。例如，温度升高伴随着燃烧室压力的异常增加，可能表明存在燃烧不完全或冷却系统故障等问题。通过分析温度和压力之间的关联关系，辅助判断机械故障的类型和程度。具体分析内容如表 1 所示。表 1 温度和压力信号分析信号类型分析方法监测目标相关故障温度信号监测温度变化趋势、异常波动、超过阈值等特征发动机温度冷 却 系 统 故障、润 滑 不良、部 件 过热等压力信号监测压力变化趋势、异常波动、超过阈值等特征燃烧室压力、油液压力等气 缸 密 封 不良、活 塞 环磨 损、润 滑系统故障等温度和压力信号关联分析分析温度和压力之间的关联关系温度和压力信号燃烧不完全、冷 却 系 统 故障等2.4 油液分析通过对发动机使用的油液进行质量分析、金属元素分析、污染分析和气体分析，提取与机械故障相关的特征信息，评估发动机部件的状况和可能的故障类型。（1）油液质量分析主要关注油液的物理和化学特性，包括黏度、酸值、碱值、水分含量等。通过对油液质量的分析，评估油液是否满足发动机的要求，判断是否存在异常情况。例如，油液的黏度异常增加可能与油液老化、杂质污染或润滑性能下降有关。（2）金属元素分析是通过测量油液中的金属元素含量来判断发动机部件的磨损情况。发动机机械部件在使用过程中，会产生摩擦和磨损，释放出微小的金属颗粒，通过对油液中金属元素的分析，评估部件的磨损程度和可能的故障类型。（3）油液污染分析关注油液中的杂质和污染物，包括固体颗粒、水分、氧化产物等。油液污染会影响润滑性能，加剧发动机部件的磨损和故障风险。通过对油液污染的分析，评估油液的清洁程度和是否需要更换或进行油液处理。（4）油液气体分析是通过测量油液中溶解的气体含量来评估发动机部件的异常情况。油液中的气体含量可能与机械故障、泄漏、燃烧等问题有关。通过对油液气体的分析发现潜在的故障迹象，有利于采取相应的故障维修措施。3 发动机机械故障的诊断特征提取算法3.1 基于时域分析的特征提取算法基于时域分析的特征提取算法是通过对发动机振动、声音、温度、压力等时域信号进行分析，提取与机械故障相关的特征信息。该特征提取算法具体分为峰值特征提取、均方根特征提取、脉冲计数特征提取和波形指标特征提取。（1）峰值特征提取是通过检测信号的峰值振幅，获取发动机振动或声音信号中的最大振动幅值。峰值特征提取可以用于检测异常振动或声音信号，判断是否存在机械故障。（2）均方根特征提取是计算信号的均方根值，用于表示信号的整体能量水平。通过对发动机振动或声音信号进行均方根特征提取，判断信号的能量变化，检测可能存在的机械故障。（3）脉冲计数特征提取是通过计算信号中的脉冲数量，用于表示信号的冲击或脉动特性。发动机的机械故障常常伴随着冲击或脉动信号的产生，可以通过造纸装备及材料 第 52 卷 总第 221 期 2023 年 8 月 装备及自动化33脉冲计数特征提取检测这些特征并判断故障类型。（4）波形指标特征提取是通过计算信号的波形形态参数，如峰度、偏度等，用于描述信号的形状特征。通过对发动机振动或声音信号进行波形指标特征提取，判断信号的形态变化，检测可能存在的机械故障。3.2 基于频域分析的特征提取算法频谱特征提取是通过对信号进行傅里叶变换或快速傅里叶变换（FFT），计算信号在频域上的能量分布情况。常见的频谱特征包括频谱峰值、频带能量、频率分布等。通过频谱特征提取，捕获发动机振动或声音信号中的频率成分，从而判断是否存在机械故障。谱熵特征提取是通过计算信号频谱的信息熵，用于评估信号的复杂程度和不确定性。谱熵特征可以用于判断信号的随机性和非线性特性，检测可能存在的机械故障。频带特征提取是将信号分解为多个频带，然后提取每个频带的特征参数。常见的频带特征包括每个频带的峰值、均方根值、能量等。通过对不同频带的特征提取，获得更详细的故障信息，有助于定位和诊断机械故障。频域指标特征提取是通过计算信号的频域形态参数，如谱峭度、谱偏度等，用于描述信号的频谱形态特征。通过对发动机振动或声音信号进行频域指标特征提取，可以判断信号的频谱形态变化，检测可能存在的机械故障。3.3 基于小波分析的特征提取算法小波包能量特征提取是通过对信号进行小波包分解，计算每个小波包系数的能量，用于表示不同频带的信号能量分布。通过提取各频带的能量特征，捕获发动机振动或声音信号中的频率成分和能量分布，判断是否存在机械故障。小波包熵特征提取是通过计算小波包系数的熵，用于评估信号的复杂程度和不确定性。小波包熵特征用于判断信号的随机性和非线性特性，检测可能存在的机械故障。小波包谱特征提取是通过计算小波包系数的频谱特性，如峰值、谱熵等，用于描述信号在不同频带的频谱分布。通过提取小波包谱特征，获取信号在不同频带的能量和频率分布信息，辅助判断发动机是否存在异常情况和可能的故障类型。小波包包络分析是将信号进行小波包分解，并提取每个小波包的包络曲线，用于表示信号的幅值变化。通过分析小波包包络曲线的特征，如峰值、峰峰值等，可以检测信号的包络变化，判断是否存在机械故障5。3.4 基于机器学习的特征提取算法主成分分析（PCA）是一种常用的降维方法，通过线性变换将原始的多维数据转换为低维的主成分。通过 PCA 算法，从发动机振动、声音、温度、压力等多个信号中提取出与机械故障相关的主要特征，以便进行故障诊断。独立成分分析（ICA）是一种用于分离混合信号的方法，通过估计信号的统计独立性，将混合信号分解为相互独立的成分。在发动机故障诊断中，通过 ICA算法可以分离出与机械故障相关的独立信号成分，以提取故障特征。小波包分解与神经网络相结合的方法可以提取具有频域和时域信息的特征。使用小波包分解将信号分解成多个子带，然后将这些子带的特征作为输入，通过神经网络进行训练和特征提取。这种方法能捕捉到信号的时频特性，提取与机械故障相关的特征。深度学习算法，如卷积神经网络等，可以自动学习信号中的特征表示。通过在大量数据上训练深度学习模型，提取出发动机振动、声音、温度、压力等信号中的故障特征，实现自动化的机械故障诊断。4 结束语发动机机械故障的诊断特征提取算法是一项重要的研究领域，通过合理选择和应用不同的算法，可以提取到与机械故障相关的特征信息，进而实现准确、可靠的发动机故障诊断。文章介绍基于时域分析、频域分析、小波分析以及机器学习的特征提取算法，说明它们在发动机机械故障诊断中的应用。随着数据分析和机器学习技术的不断发展，特征提取算法的效果将进一步优化，为发动机机械故障诊断提供更加高效和可靠的方法。参考文献1 褚良宇.汽车发动机冷却系统故障诊断方法研究D.重庆:重庆邮电大学,2019.2 黄迅迪,庞雄文.基于深度学习的智能设备故障诊断研究综述J.计算机科学,2023,50(5):93-102.3 王子嘉.活塞发动机关键运动部件故障机理与在线检测方法研究D.北京:北京化工大学,2022.4 周正南,刘美,吴斌鑫,等.基于改进的CEEMDAN与关联维数的石化轴承故障特征提取J.机床与液压,2023,51(5):212-217.5 孙东.机械电气系统设计及常见故障的诊断方法分析J.造纸装备及材料,2023,52(5):82-84.