基于声信号特征谱提取的发动机故障诊断系统设计

王剑楠

(西安航空职业技术学院 汽车工程学院, 西安 710089)

0 引言

汽车发动机内部由多种复杂的零部件构成，具备构成要素多、结构精度、复杂性较强等多项特征。尤其是汽车发动机内部的各个功能组件，在汽车运行过程中起到关键性作用。只有汽车发动机内部功能组件之间以相互配合、相互协调的形式进行配合工作，才能确保汽车运行过程中的安全性。目前，在高温燃气工作条件下，汽车发动车在运行过程中的故障频发，此现象给汽车行驶安全造成极大的威胁。关于汽车发动机故障的研诊断与检测，最常用的检测方法为人工经验检测法。这种检测方法对人工经验有着较强的依赖性，最终检测结果缺乏精确性与可靠性。对此，人们开始尝试采用现代信息技术对发动机机械异响进行提取，如通过小波变换，或小波能量包提取的方法，然后在借助智能算法对提取的声信号特征进行分类，从而判断机械的故障。本文则在以往研究的基础上，以摩托车发动机异响作为研究对象，提出一种小波阈值去燥与神经网络的故障诊断方法。

1 小波阈值去燥

1.1 去燥原理

小波阈值去噪是一种于上世纪90年代Donoho等人提出的去噪方法。小波阈值去噪法的提出原理为：原本小波系数小数目大的信号在经过小波变化之后，将变为数目小但系数大的小波系数信号，从而使噪声所对应的小波系数幅值也相对较低，以此达到去噪目的。小波阈值去噪主要分为两种去噪方法，分别为硬阈值小波去噪以及软阈值小波去噪。这两种方法在去噪过程中都是在不同尺度上对合适阈值进行选择，并且将部分小于该阈值的小波系数进行置零处理，对大于该阈值的小波系数进行保留，以此抑制噪声信号中噪声的目的。其中，硬阈值小波去噪的表达为式(1)。

(1)

在式(1)中，w(j,k)代表包含噪声信号小波变换之后的小波系数；λ代表所选的阈值；wh(j,k)代表在硬阈值函数处理之后的小波系数。

软阈值小波去噪表达式为式(2)。

(2)

通过对比式(1)与式(2)后可以得出，硬阈值小波去噪函数主要作用于对幅值较小的小波系数进行抑制；而软阈值小波去噪函数则可以实现所有小波系数的抑制。硬阈值小波去噪法的优势在于简单，软阈值小波去噪则胜在去噪效果好。两种去噪法优势，可通过图1和图2的结果看出。

图1 硬阈值处理函数

图2 软阈值函数

1.2 阈值函数的选取

小波阈值去噪在实际使用过程中，虽然硬阈值小波去噪与软阈值小波去噪自身具备不同的优势，但这些优势却难以弥补其在应用过程中存在的缺陷。因此，还需通过对阈值函数的改进来改善小波阈值去噪存在的自身缺陷。本文则通过对图3和图4的声信号处理结果对比，采用加权平均值函数对阈值进行选取，如式(3)。

(3)

其中，μ代表函数的调节值。

图3 信噪比为2时的声信号特征

2 发动机异响故障诊断模型构建

通过采集系统采集到的发动机声信号除了具备主要的发动机声信号以外，还包含了采集过程中周围空间所产生的不同声波，从而使发动机声信号具备较强的复杂性。神经网络是一种参照人脑微观结构的运算模型，具有非线性、非局限性、非常定性以及非凸性四大特征，主要用于处理难以模糊化的模式类信息，能够对建立复杂发动机声信号识别模型起到极大的帮助。目前，随着神经网络的不断完善与智能时代的推进，越来越多领域开始对神经网络进行广泛应用，具体包括智能控制领域、模式识别领域以及计算机视觉领域等。

图4 信噪比为6时的声信号特征

2.1 PNN分类机理

PNN是一种于上世纪90年代由Specht所提出的网络模型，这种网络模式主要由径向基神经元以及竞争神经元构成。从本质上来看，PNN其实还是一个分类器。通过对PNN的使用能够实现对模式的分类，确定X维向量所属的类别Ci。假设已知各类别概率函数密度fi(X)，参考碑也是分类准则可将X划分为Ci类别中。具体表达式为式(4)。

PiLifi(X)>PjLjfj(X)

(4)

在式(4)中，Pi代表X属于Ci类的先验概率；Li代表将X判定为Ci类的错误分类代价。

2.2 PNN网络结构

PNN主要由四层网络结构构成，分别为输入层、模式层、求和层以及输出层，以下将对这四层网络结构进行详细分析：

第一层：输入层。在PNN网络结构中，输入层主要作用于将样本完全不变的传至下一层中，输入样本记为X=(x1,x2,…,xq)T。

第二层：模式层。模式层主要由径向基神经元构成。在PNN网络结构的模式层中，其神经元个数等同于训练样本矢量个数，各模式单元输出向量Mij(X)代表训练样本属于各类的概率，具体计算式为式(5)。

i∈{1,2,…,n},j∈{1,2,…,m}

(5)

在式(5)中，n代表总的模式数；m代表模式层神经元个数；Wij代表输入层到模式层连接的权值；δ代表平滑因子，能够起到分类的作用。

第三层：求和层。在PNN网络结构求和层中，各神经元只会和相应类别样本节点进行连接。因此，求和层仅需计算同类样本输出值之和。具体计算式为式(6)。

ωij∈[0,1],i∈{1,2,…,n}

(6)

在式(6)中，ωij代表混合权重，并且能够满足,如式(7)。

(7)

通过式(6)的计算可得出输入样本极有可能属于Ci类。

第四层：输出层。输出层中的神经元属于竞争神经元，主要起到接收求由和层中输出各类概率密度函数的作用。具体PNN网络结构如图5所示。

图5 PNN网络结构

3 发动机声信号采集

3.1 采集示意图

具体发动机声信号采集示意图如图6所示。

图6 发动机声音信号采集示意图

本文主要采用传声器、数据采集前端、笔记本电脑以及声信号采集软件对发动机声音信号进行采集。具体采集设备如图7所示。

3.2 传声器

传声器是一种变换及输出声音信号的装置。在传声器的选择方面，需对传声器性能指标、传声器价格、测试便捷性以及传声器外形尺寸等进行考虑。只有在完全考虑到这种选择因素的情况下，才能从众多传声器型号中选择出最适合本次发动机声音信号采集的传声器。基于此，本文在考虑各项选择因素之后，将选用北京声望声电技术有限公司生产的型号为MPA201的传感器。MPA201是一款集1/2 英寸预极化驻极体测量传声器以及ICCP 前置放大器为一体的传声器，能够对支持500 m以上的多通道与长距离测量提供支持，并且具有较高的性价比。

图7 发动机声音信号采集设备

本文所设定的发动机声音信号采集环境为摩托车发动机生产线。在此环境之下，整个声音信号采集过程将含有电流声、气阀声等多种复杂噪声。本次声音信号采集主要采用近场测量法对发动机直达噪声进行获取。与此同时，将通过在远端布置一个传声器的方式来对背景噪声进行记录，以此确保最终检测结果的有效性。具体传感器布设位置如图8所示。

图8 传感器采集布设

3.3 信号测取过程

具体发动机声信号的采集流程如下：

(1)链接硬件。链接硬件主要是指借助相应的数据线将传声器、信号采集前端等采集设备进行连接。其中，传声器与信号采集前端之间因保持对应且固定的连接状态。对此，本文将采用第1通道对传声器进行链接，以第4通过对感应线圈进行链接；

(2)设置信号采集参数。在开展发动机声音信号的采集工作之前，还需对主要技术参数进行设置，具体包括采样频率、采样时间、传感器类型等。结合实验人员以往常规设置经验，本文将发动机声音信号采集频率设置为20 480 Hz，采用时间设置为2 s；

(3)采集发动机声音。在完成以上步骤之后，将正式开始对发动机声音信号的采集工作。具体采集过程为：首先，将发动机档位调成空挡；其次，启动发动机，并且将发动机转速控制在1 500-1 700 rpm之间；最后，通过有经验师傅对发动机声音进行监听，判断该发动机是否存在异响及异响类型，并且对该异响进行记录；

(4)重复步骤(3)，知道整个发动机检测工作全部结束，并且在结束之后将信号采集前端电源关闭。

3.4 采集界面

对采集界面的设计，则采用MATLAB仿真软件进行编程开发。具体发动机声信号采集界面如图9所示。

4 结果

获取各类摩托车发动机声音类型，建立一个96×20矩阵。结合摩托车发农机声信号类型，以及考虑到摩托车声信号的4种类型易辨识性，本文将分别以数字1,2,3,4对正常发动机、箱体异响发动机、右盖异响发动机以及左盖异响发动机四种声音信号进行表示。因此，可通过在96×20矩阵中增加新一列的方式，获取一个96×21矩阵。具体经去燥处理后的分类效果图以及未经处理后的分类效果如图10、图11所示。

图9 发动机声音信号采集界面

通过上述的结果可以看出，经过处理后的分类效果更佳准确。

5 总结

通过上述的分析可以看出，在对发动机声信号进行分类的过程中，必须对声信号的特征进行准确提取，这样才能提高后续分类判断的准确率。同时，PNN算法在处理声信号分类方面具有其独特的优势，通过PNN的分类，其分类精确度通过上述结果看出要明显高于未经处理的分类效果。