柴油机喷油器喷孔堵塞声发射诊断技术

余永华 ，贾海超，胡 嘉，胡 磊 ，杨建国

(1.武汉理工大学 船海与能源动力工程学院，湖北 武汉 430063；2.武汉理工大学 船舶动力工程技术交通运输行业重点实验室，湖北 武汉 430063)

船用柴油机喷油器工作环境恶劣，所用重油杂质较多，喷嘴残余燃油在高温、高压下易形成积碳，发生喷嘴堵塞故障，威胁柴油机安全运行[1].声发射频率范围宽、信噪比高，所含信息丰富，可以发现早期微弱故障，具有适应范围广、准确率高的优点，因而得到了国内外学者的广泛关注，已在柴油机气阀漏气、轴瓦磨损及缸套-活塞环磨损的监测诊断方面得到了广泛应用[2-4].

现有文献的故障诊断判据往往是基于已有工况的特征参数获得的，在相同工况下具有较好的适用性，从传统机器学习的观点来看，这正是因为训练数据与测试数据服从独立同分布规律，而发动机实际运行工况多变，在所有工况下采集充足的数据，既不现实也不可行[5-6]，因此，难以通过传统的机器学习算法获取发动机的故障诊断模型.如何充分利用已有工况的数据，在变工况少量数据条件下，实现柴油机全工况下的高准确度故障诊断和诊断方法的跨机型应用，是柴油机故障诊断工程应用的难题.

迁移学习是一种机器学习算法，能够将某个领域上学习到的知识迁移到不同但相似的领域中，实现已有知识的利用，在模式识别领域广泛应用.崔石玉等[7]将基于参数的迁移方法应用到海水泵的故障诊断，贾锋等[8]和Li等[9]将迁移学习应用于轴承的故障诊断.Dai等[10]提出了一种基于实例的迁移学习算法TrAdaBoost，该方法可以实现利用少量标签数据和大量异分布辅助标签数据建立较高准确率的故障诊断模型，该算法原理简单、易于实现[11]，在目标数据集和辅助数据集具有相似性的时候可以取得很好效果.内燃机结构复杂，不同工况和不同机型的缸盖声发射信号均存在差异，但由于其激励源相似又表现出一定的相似性，特别符合TrAdaBoost迁移学习算法的前提，目前在内燃机故障诊断领域的研究较少.

因此，笔者针对喷油器喷孔堵塞故障，基于缸盖声发射信号，拟借鉴TrAdaBoost迁移学习的思想，提出一种提高柴油机故障诊断模型应用于跨工况和跨机型时诊断精度的方法.

1 试验与测试

以TBD234V6型高速四冲程柴油机为研究对象，其主要技术参数如表1所示.该柴油机标定功率为186kW，标定转速为1500r/min，供油提前角为20°CA BTDC，单喷油器4喷孔，喷孔直径为0.45mm，以A1缸为故障模拟缸，声发射传感器布置在A1缸盖表面靠近排气阀处，如图1所示.试验测量了上止点、缸压和缸盖声发射信号.选用软岛时代RS54A型声发射传感器，工作频带为100～900kHz，试验中声发射采样率为800kS/s，数据采集系统示意如图2所示.

图1 缸盖表面传感器布置Fig.1 Sensors location on the cylinder head

图2 数据采集系统示意Fig.2 Schematic diagram of data acquisition system

表1 TBD234V6型柴油机技术参数Tab.1 Technical parameters of TBD234V6 type diesel engine

表2为故障模拟方案，试验获取了如表3所示两个工况不同故障程度的数据.在喷油器校验台上，利用Photron-675K-C1高速相机记录试验用喷油器的喷油效果，如图3所示.

图3 喷油器喷孔堵塞效果Fig.3 Nozzle blockage state

表2 故障模拟方案Tab.2 Fault simulation test programs

表3 故障模拟试验工况Tab.3 Working conditions of fault simulation

2 特征参数提取

2.1 声发射信号分析

TBD234V6型柴油机A、B列气缸夹角为60°，发火顺序为A1→B2→A3→B1→A2→B3，以60°～180°CA交替发火.图4为1500r/min、50%负荷正常状态下采集到的A1缸缸盖声发射信号时域波形，图中横坐标的0°CA对应A1缸的排气上止点，纵坐标为声发射信号幅值，图中标注了对应的声发射信号激励源.柴油机的配气相位见图5.可以发现，整周期的声发射信号不仅受试验缸自身激励，还受到了同侧气缸激励的影响，但燃烧段的声发射信号受其他缸影响较小，而喷油器喷孔堵塞故障主要影响燃烧段信号[12]，因此，截取340°～400°CA内的信号进行分析.

图4 柴油机声发射信号时域波形Fig.4 AE waveform of the diesel engine

图5 柴油机配气相位Fig.5 Valve timing diagram of the diesel engine

以1500r/min、50%负荷正常状态和单缸断油时测取的声发射信号为例，结合缸内压力信号，分析声发射信号特征.图6a为A1缸断油后的缸内压力与声发射信号，此时缸内只有压缩过程没有燃烧过程，喷油器也没有任何动作，因此，可推断燃烧段声发射信号主要受本缸内燃烧以及喷油器动作激励.

图6 正常状态与单缸断油燃烧段声发射与缸内压力信号Fig.6AE and cylinder pressure signals of combustion section under normal conditions and one cylinder fuel shut-off

图6b为正常状态缸盖燃烧段的声发射信号，其中包含3段明显的衰减振荡，有3个明显的突变时刻，a点位于发火上止点前20°CA，若忽略供油与喷油时延，对应于喷油始点；b点声发射信号幅值急剧增加，对应于第1个衰减振荡始点；c点对应于燃烧始点；d点对应于第2个衰减振荡的始点；e点对应于缸内爆压点；f点对应于第3个衰减振荡始点；g点燃烧基本结束.参考文献[13—14]关于缸盖振动信号的结论，第1个衰减振荡大部分位于燃烧始点之前，可判断是由喷油器针阀落座引起的，第2个衰减振荡位于燃烧的速燃期，可判断是由缸内燃烧引起的，第3个衰减振荡幅值较小，并且位于燃烧的后燃期，判断是由后燃引起的.

综上可知，确定了燃烧段声发射信号的激励源，这为后续的特征参数提取、故障诊断提供了机理性支撑.图7为1500r/min、50%负荷正常状态与堵3孔下的燃烧段声发射信号.当故障发生时，第1个衰减振荡提前，第2个衰减振荡对应燃烧的速燃期，出现了明显的滞后，主要原因为堵孔后，喷入缸内的燃油变少，可燃混合气变少，燃烧缓慢，图8为正常状态与堵3孔下的缸内压力信号，通过计算压升率得到燃烧始点分别为356°,CA与357°,CA，堵孔后燃烧始点出现了1°,CA的延后，造成了与之对应的声发射信号出现延迟.第3个衰减振荡幅值增大，主要原因是堵孔后造成燃烧不良和后燃现象，甚至可能出现二次喷射.

图7 正常状态与喷油器堵3孔声发射信号Fig.7 AE signal under normal working condition and injector clogged three holes

图8 正常状态与堵3孔缸内压力信号Fig.8 Cylinder pressure signals under normal working condition and injector clogged three holes

为了进一步说明所提结论的可信性与通用性，利用文献[15]在Z6170型柴油机上获取的喷油器喷孔堵塞故障模拟试验数据进行验证.图9为Z6170型柴油机在1000r/min、75%负荷正常状态下的燃烧段声发射和缸内压力信号，图9中标注字母含义与图6b相同.图10为正常状态与堵2孔时燃烧段声发射信号，可以看出，信号特征和故障对信号的影响规律与V型机相似.

图9 Z6170正常状态燃烧段声发射与缸内压力信号Fig.9AE and cylinder pressure signals of combustion section under normal working condition of Z6170 diesel engine

图10 Z6170正常状态与堵2孔声发射信号Fig.10AE signal of normal working condition and injector clogged two holes of Z6170 diesel engine

2.2 特征参数提取

声发射各衰减振荡蕴含着丰富的状态信息.根据燃烧段声发射信号的特点，以50%负荷的信号为基准，将燃烧段信号划分为不同特征窗口范围，窗口0对应于喷油始点a至声发射信号幅值第1个突变点b；窗口1对应于信号的第1个幅值突变点b至第2个幅值突变点d；窗口2对应于信号第2个幅值突变点d至第3个幅值突变点f，窗口3对应于第3个幅值突变点f至燃烧基本结束，此范围将作为基准用在TBD234V6柴油机信号分析和特征参数提取中.

特征窗口划分范围如表4所示.从声发射信号中提取特征参数16个见表5.

表4 特征窗口划分Tab.4 Scope of the characteristic windows

表5 提取的特征参数Tab.5 Extracted feature parameters

2.3 基于KNN算法的故障诊断模型

常见的故障诊断流程包括数据采集、特征参数提取和故障识别模型的建立.KNN算法是使用K个最近邻域点对未知样本进行判定，即计算测试样本点与训练集样本之间的距离，找出与测试样本距离最小的K个点，根据这K个点属于什么类别来判断该样本点属于哪个类别.分类中距离度量的方法有欧氏距离或曼哈顿距离，该算法实现较为简单，已在故障诊断领域被广泛使用[16].

以KNN算法为例建立TBD234V6柴油机故障诊断模型，按上节方法提取特征参数.按照不同的负荷划分训练集和测试集，选取TBD234V6型柴油机工况一(50%负荷，1500r/min)喷油器3种故障程度的特征数据作为训练集，以工况二(75%负荷，1500r/min)喷油器3种故障程度的特征数据为测试集，每个工况320个样本，KNN算法邻域点K＝5，欧式距离作为度量方式.得出模型总体识别率为55%，识别效果用混淆矩阵表示，如图11所示.

图11 KNN识别效果Fig.11 Recognition effect of KNN

由图11可知，模型对各个类别的识别准确率较低，主要原因是基于传统机器学习的故障诊断方法要求训练集与测试集独立同分布，而此次用于模型训练和测试的数据来自不同的负荷，虽然包含的故障程度相同，但由于声发射响应信号的非线性特征，数据分布有一定的差异，导致模型对测试集的识别效果并不理想，泛化能力较差.考虑柴油机的工作特性，难于采集所有工况的足够样本，迁移学习能够充分利用已有的数据，实现不同领域间知识的迁移，可有效解决故障样本不足问题.

3 基于TrAdaBoost的故障诊断

3.1 TrAdaBoost算法原理

TrAdaBoost是一种基于实例的迁移学习算法，该算法针对训练集样本数据较少不足以单独训练模型，通过引入相似辅助训练数据构建故障诊断模型.首先，将相似辅助训练集数据和少量目标训练集数据组成联合训练集，然后通过迭代加权改变各个类别的权重，最终提升模型在目标测试集上的分类效果.算法步骤如下[17].

(1) 辅助训练集Ta(样本数量为n)和目标训练集Tb(样本数量为m)组成联合训练集T、测试集S及基分类器learner，N为迭代次数.

(3) wt为迭代第t次后的样本权值向量，t=1,2,…,N，对权值进行归一化Pt，即

调用learner，结合训练集T、Pt，根据合并后的训练数据T以及T上的权重分布Pt和测试集S，得到一个在S的分类器ht.计算目标训练集Tb在分类器ht上的误诊率为

(4) 设置权值系数βt=εt/(1-εt)，则在迭代中保证：

(5) 更新训练权重，则

(6) 最终分类器为

由式(5)可知分类器输出值仅包含0和1，仅适合单分类或二分类，因而选择决策树作为TrAdaBoost的基分类器learner.当同分布训练数据太少而N过大时，TrAdaBoost容易出现过拟合，也会影响模型训练时间.

3.2 TrAdaBoost故障诊断效果

为验证方法的有效性，以TBD234V6型柴油机工况一(50%负荷，1500r/min)喷油器3种故障程度的特征数据为源域辅助数据，以工况二(75%负荷，1500r/min)喷油器3种故障程度的特征数据为目标域数据，数据集划分如表6、表7所示.其中源域辅助训练样本总数量为320个(共有4种类别，每种数量为80个).训练集目标域样本数量分别设置为16、32(即每种类别数量Z分别为4、8).测试集中目标域未标记样本共320个.迭代次数N设置为10，邻域点K＝5.将基于TrAdaBoost算法的故障诊断模型与KNN算法进行对比，模型准确率如表8所示.Z＝8时基于不同算法的模型识别效果用混淆矩阵表示，如图12所示.

图12 Z＝8时不同算法模型的识别效果Fig.12Recognition effect of different algorithm models when Z＝8

表6 数据集Tab.6 Data set

表7 训练集和测试集样本Tab.7 Samples of training set and test set

表8 同机型跨工况迁移诊断准确率对比Tab.8 Comparison of transfer diagnostic accuracy across operating conditions for the same type of diesel engine

表8中，一→二表示以工况一特征数据作为源域辅助训练数据，工况二特征数据作为目标域数据.由图12可知，TrAdaBoost算法对故障的识别效果优于KNN算法；由表8可知，当目标域训练样本不足，即训练集中包含5%(样本数量为16)的目标域数据量下，与KNN算法相比，TrAdaBoost算法的准确率有13%的提高，主要原因是TrAdaBoost利用辅助训练数据蕴含的状态信息，提高了对目标域样本的总体识别率；经过综合对比，TrAdaBoost算法的识别效果优于KNN算法，实现了跨工况的特征迁移.

4 不同机型的验证

为进一步验证在特征分布差异较大、不同机型数据集上的有效性，利用文献[15]中Z6170型柴油机喷孔堵塞故障模拟试验数据进行验证.采取与TBD234V6相同的方法划分窗口范围、提取特征参数，划分数据集I(1000r/min，50%负荷)、II(1000r/min，75%负荷)，迭代次数N设置为10，邻域点K＝7，分别定义迁移工况一→I、二→Ⅱ和I→Ⅱ，模型迁移结果如表9所示.

表9 不同机型/工况下迁移诊断准确率对比Tab.9 Comparison of transfer diagnostic accuracy for different engine types and operating conditions

数据集本身的特征分布相似度会对诊断结果产生一定的影响，对来源于同一机型的数据集，特征分布会比较相似(I→Ⅱ、一→二)，最终的识别准确率也越高；数据集一和I、二和Ⅱ数据集来自不同的机型，特征数据分布有一定的差异，模型准确率稍低，但总体识别效果优于传统的KNN算法.综合来看，在不同负荷和不同机型下模型都有较好的识别效果与泛化能力.

5 结 论

针对柴油机故障诊断判据在不同负荷和机型间适用性不足，模型准确率低，提出了基于声发射信号的特征参数，结合TrAdaBoost迁移学习故障诊断方法，对喷油器喷孔堵塞故障进行诊断方法研究，在同机型不同工况和不同机型上进行了验证，得到以下结论：

(1) 燃烧段声发射信号主要受本缸喷油器动作和缸内燃烧激励，包含3个衰减振荡，其振荡特征点与喷油器故障密切相关.

(2) TrAdaBoost算法可以充分利用已有工况数据蕴含的信息，即使当训练集中只有5%的目标域数据量，与KNN相比，仍有较好的准确率，可提高诊断算法对同机型不同工况的鲁棒性；经过不同机型验证，基于声发射信号结合TrAdaBoost算法的故障诊断方法，同样适用于诊断算法的跨机型应用.

本算法只在两个机型少量工况点进行了验证，数据量有限，即现有的辅助训练集不能包含所有故障状态信息，难于直接应用于工程实际.如果对某型柴油机进行全寿命周期的实机测试，利用这些样本辅助其他机型的故障诊断，特别是随着通信技术和船联网的发展，通过迁移学习使得舰(船)柴油机的运行数据相互利用，进一步提高故障诊断精度，尚有一定的借鉴意义.