基于深度学习的柴油机气门健康状态评估

白雲杰，贾希胜，梁庆海，白永生

(1.陆军工程大学石家庄校区装备指挥与管理系，石家庄 050003；2.中国人民解放军66029部队，锡林郭勒 011200；3.河北省机械装备状态监测与评估重点实验室，石家庄 050003)

柴油机作为大型机械装备的主要动力核心，广泛应用于交通运输、工业生产、农业机械、化工和国防军用装备等领域。因此柴油机能否正常健康的工作，往往将直接影响整个装备系统的正常运行，可能导致整个系统故障、停工停产，甚至造成重大事故和经济损失。因此，有效地对柴油机进行状态监测和健康状态评估以实时制定相应的维修维护策略，对保障装备系统的正常使用具有重要意义[1]。

柴油机在运行过程中，由于气缸的往复式做功过程，使其气门受到反复冲击作用。在工程实际中，随着时间的推移和使用时间的延长，气门弹簧可能会逐渐恶化变形，气门产生磨损、积碳现象，导致气门间隙异常增大，降低气缸流量控制效率，影响柴油发动机的正常能量转换过程，引起柴油机功率下降。同时，气门间隙的持续异常增大还有可能出现气缸撞击或气门断裂等恶性故障，造成巨大的经济损失，甚至威胁人身安全[2]。在实际状态监测过程中要直接测量柴油机气门间隙十分困难，且时效性低，而柴油机的缸盖振动信号包含工作循环中的惯性冲击以及各种随机激励等带来的丰富状态信息[3],因此现对柴油机缸盖振动信号进行采集并监测其健康状态。

当前关于装备健康状态评估的研究在军事、工程和交通运输等领域已得到广泛应用[4]。文献[5]构建了车辆健康状态评价指标体系，并建立了基于层次分析法的车辆健康状态评价模型，为城市轨道交通车辆设备单元的实际维修工作提供科学的帮助和指导。姚云峰等[6]在评估装备参数健康状态的基础上，建立了基于改进证据理论的装备健康状态评估模型，并验证了其有效性。曾强等[7]基于模糊理论和贝叶斯网络相结合的方式，对小样本条件下燃气轮机的健康状态进行了有效评估。传统的健康状态评估方法往往存在健康状态指标确定困难、权重确定主观性强，评估结果受专家经验影响较大的问题。

随着人工智能技术的发展，传统的主观经验依赖性较强的健康状态评估方法逐步向以数据挖掘和模式识别技术为核心的智能化健康状态评估发展[8]。余永华等[9]通过监测不同工况下的瞬时转速信号，采用t-分布邻域嵌入和随机森林算法建立了发动机健康状态评估模型，有效评估了发动机健康状态。朱永超[10]通过粒子群算法对支持向量机参数进行优化后实现了齿轮箱健康状态评估。在健康状态指标建立过程中，大多数情况下还需要对健康状态指标进行筛选、以及融合，其筛选过程往往没有统一量化的标准，仅依赖一定的人工经验或数理统计方法，存在丢失部分健康状态信息而导致评估结果不好的情况。同时传统机器学习仅仅是通过算法更新模型的权重参数，对多维特征的学习能力较弱，不具备对表征健康状态的深层特征信息的挖掘能力。

自从Hinton等[11]提出深度学习(deep learning, DL)的概念以来，深度学习广泛应用于图像处理、语音识别、目标检测、信息检索、自然语音处理等领域[12]。卷积神经网络(convolutional neural network，CNN)作为深度学习网络的代表，以其强大的非线性特征提取和模式识别能力，减少了中间步骤带来的累积误差和人工经验造成的信息损失，在故障诊断领域正处于前沿研究方向[13-14]。但当前在装备的健康状态评估研究中，利用卷积神经网络构建评估模型的研究较少[15]。在研究柴油机气门健康状态评估的基础上，现利用小波包分解对柴油机缸盖振动信号进行分解，并从分解后的节点信号中提取多维健康状态向量，通过一维卷积神经网络构建评估模型，以解决在柴油机气门健康状态评估中评估指标确定困难、各指标权重确定受人为经验影响大的问题，实现柴油机气门间隙健康状态的智能评估，并结合柴油发动机状态监测实验台开展气门间隙模拟退化实验，以验证方法的有效性。

1 基本原理

1.1 配气机构基本结构

配气机构是装备柴油发动机的关键组成部分之一，其可在柴油机的工作循环过程中，控制进、排气门的开启和关闭，实现柴油发动机的换气过程。只有配气机构工作正常，才能保证气缸良好的密闭性和较小的进、排气阻力，使柴油机具有稳定的输出功率。配气机构结构基本示意图如图1所示。

1为气缸盖；2为气门导管；3为气门；4为气门主弹簧；5为气门副弹簧；6为气门弹簧座；7为锁片；8为气门室罩；9为摇臂轴；10为摇臂；11为锁紧螺母；12为调整螺钉；13为推杆；14为挺柱；15为凸轮轴

由图1可知，气门顶部位于燃烧室，在柴油发动机的运行过程中，受到高温高压的冲击，气门会受热膨胀变形而伸长，导致气门关闭不严。因此为了避免这一问题，在设计上对气门组和气门传动组之间留有一定间隙以保证气门受热膨胀变形后的余量空间，这就是所谓的气门间隙。在工程实际中，随着工作时间的增加，由于气门弹簧老化和气门的磨损，其气门间隙会产生异常增大情况，通过监测其气门间隙变化情况，可以对气门健康状态进行有效评估，进而开展预防性维修策略，保持柴油机良好的工作性能。因此，通过实验开展发动机气门间隙退化模拟实验以研究其健康状态评估方法。

1.2 小波包分解

在传统的柴油机状态监测中，大多使用时域分析和频域分析方法对柴油机进行特征提取，但柴油机激励多且缸盖振动信号复杂，具有非平稳特性，传统特征提取方法在柴油机振动信号处理存在局限性[16]。小波变换是在傅里叶变化后发展起来的非平稳信号的处理方法，通过小波基的变换可以实现多分辨率下的小波变换，因此可以处理非平稳信号，被广泛应用于时频分析上[17]。小波包分解则是对经过小波分解后的信号高频部分进行进一步分解，可以解决小波分解中存在的高频频率分辨率差，低频时间分辨率差的问题，因此适合对柴油机缸盖振动信号进行分析。对缸盖振动信号进行3层小波包分解，选用db5小波基，其分解结构如图2所示。

图2 3层小波包分解结构图

1.3 一维卷积神经网络

卷积神经网络(CNN)是包含卷积计算且具有深度结构的一类典型前馈神经网络。其经典网络结构模型包括LetNet-5模型、AlexNet网络、GoogleNet网络以及VGG(visual geometry group network)网络等。一维卷积神经网络可以接收一维或二维数据作为输入，通常用于处理序列数据，其采用的一维卷积核和池化层可以适用于一维振动时序信号。目前一维卷积神经网络被研究学者应用于振动信号的研究中，取得了较好的效果[18-19]。因此采用一维卷积神经网络来处理柴油发动机振动信号,构造一个一维卷积神经网络(one-dimensional convolutional neural network, 1DCNN)模型，其网络架构如图3所示。

X1为第1个输入值；Xi为第i个输入值；Xn为第n个输入值；Relu为线性整流函数；Softmax为激活函数；Dropout是深度学习中常用的一种防止过拟合的技术手段，可提高所构建网络的稳定性和鲁棒性

该网络模型结构由一维卷积层(2个)、一维最大池化层(2个)、全连接层(3个)和Flatten层(1个)构成。非线性激活函数选用ReLU，最后一层全连接层使用Softmax作为激活函数以实现对不同健康状态的评估，其中Flatten层连接卷积层和全连接层，在全连接层加入Dropout防止过拟合。

2 基于深度学习的健康状态评估流程

为了解决以往健康状态指标确定、筛选困难，选取的健康状态指标可能表征信息不全，以及评估过程人为经验影响严重的问题，提出了基于深度学习的健康状态评估方法，其流程如图4所示，具体步骤如下。

图4 基于深度学习的健康状态评估流程

(1)通过柴油机状态监测实验台采集不同气门间隙下的柴油机缸盖振动信号。

(2)对采集得到的缸盖振动信号进行小波包分解，对小波包分解后的系数信号分别提取14个常见时域特征和小波包分解能量占比作为健康状态指标，共同构建综合健康指标向量。

(3)明确气门不同间隙下每种健康状态等级与健康指标向量的对应关系，使用一维卷积神经网络构建健康状态评估模型。

(4)划分训练集和测试集，设置训练集标签和测试集标签。将训练集输入健康状态评估模型中进行有监督的训练，得到最优模型下的指标权重。

(5)将测试集输入训练好的一维卷积神经网络评估模型中，得到气门健康状态评估结果。

3 基于深度学习的气门健康状态评估

3.1 柴油发动机气门间隙模拟退化实验

依托陆军工程大学石家庄校区RCM实验室柴油机状态监测实验台开展气门间隙模拟退化实验，以对本文方法进行有效性验证。研究对象为一汽解放汽车有限公司无锡柴油机厂生产的六缸高压共轨柴油发动机，型号为锡柴CA6DF3-20E3。该实验台系统及传感器配置如图5所示，基本参数如表1所示。

图5 柴油机状态监测实验台

表1 柴油发动机技术参数

在振动信号的采集过程中，采样频率为20 kHz，单次采样时间10 s，采样间隔15 s。在实验过程中，共安装了6个传感器，分别沿轴向安装在柴油发动机缸盖上。在本次实验中，通过预置柴油机第3缸进气门气门间隙大小，以模拟在柴油机运行过程中气门间隙退化过程。在实验过程中需要对缸盖进行拆卸，具体气门间隙调整如图6所示。

图6 气门间隙调整过程

本次实验模拟气门间隙退化过程共预置4种健康状态，即正常(健康)、气门间隙略微增大(一般)、气门间隙增大(注意)、气门间隙严重增大(恶化)，具体实验设置如表2所示。经过实验采样，每种故障模式有10组数据，每组数据有6个通道数据，单次采样数据量为200 000。

表2 气门间隙设置

3.2 数据分析与健康状态向量构建

为了更好地针对退化模拟过程进行分析，对实验采集得到的气门间隙不同健康状态下的第3通道缸盖振动信号进行分析，得到其时域波形和频谱图如图7和图8所示。从图7中可以看到，其时域波形成分复杂，且随着气门间隙的增大，并无明显幅值变化。在频谱图中可以发现不同气门间隙下的频谱图幅值略有差异，无明显故障频率出现，难以区分不同状态。

图7 不同气门间隙的时域波形

图8 不同气门间隙频谱图

通过对缸盖振动信号进行小波包分解后对其提取多维特征以构建健康状态综合向量。以正常工况下采集得到的信号为例，观察小波包分解后各节点频带信号频谱，如图9所示。从图9可知，经过小波包分解后，得到的节点(3,0)到(3,7)分别出现不同频带信号，说明在经过小波包分解后，将原始信号可分解成不同高频段和低频段信号，在此基础上对分解得到的各节点信号进行特征提取可以得到更好地反映健康状态的强化性健康状态指标。同时，观察不同气门间隙状态下经过小波包分解后各节点信号的能量分布如图10所示。

图9 小波包分解节点信号频谱

图10 不同健康状态小波包能量特征分布图

从图10可以看出，在气门间隙的不同状态下，其信号能量的分布主要集中在第2个节点信号中，且四种健康状态下的能量分布存在差异，因此考虑使用小波包分解后的能量比作为气门健康状态的评估指标。

在构建综合健康状态向量的过程中，以第3通道振动信号来进行分析，选取每种健康状态下包含柴油机一个运转周期采样点数5 000为一个样本，得到每种状态有400个样本。按照第2节中流程，分别对每种健康状态样本使用db5小波基进行3层小波包分解，对分解后得到的8个节点信号分别提取最大值、最小值、峰峰值、平均值、绝对平均值、方差、标准差、峭度、偏度、均方根、波形因子、峰值因子、脉冲因子和裕度因子共14个特征，则共得到112维的特征向量，与小波包分解得到的8维节点信号能量比特征向量共同构成120维的综合健康指标向量，最终得到每种状态数据样本维度为400×120。将数据样本按照0.8∶0.2随机划分训练集和测试集，得到1 280个训练样本，320个测试样本。

3.3 基于1DCNN的健康状态评估模型

基于1DCNN网络建立健康状态评估模型，在1DCNN网络模型的参数设置中，以one-hot编码方式进行编码，损失函数选择多分类交叉熵损失以满足多分类需求；为了提高模型训练效率和稳定性，确定学习率为0.001；模型迭代次数为200次，批尺寸设置为16，以减少模型训练时间。

通过调整网络结构和神经元个数，最终确定网络结构参数如表3所示。其中，Conv1D(一维卷积层)，MaxPooling1D(一维最大池化层)，Dense(全连接层)。1DCNN网络训练过程如图11所示，实验结果显示本文方法对气门不同健康状态的评估准确率达到96.9%。

图11 模型训练过程

表3 1DCNN网络结构及参数

从模型训练过程的准确率曲线和损失函数曲线可以验证本文所选参数的合理性。结果显示模型在迭代到第25次时开始收敛，到迭代100次后趋于稳定，训练和测试损失曲线近似重合，说明模型表现较好；同时观察准确率曲线也可看到最终模型经过训练后的效果较好。

3.4 实验对比与分析

为了研究本文所提出的健康状态评估方法中，不同参数对模型评估效果的影响，对卷积核个数、卷积核尺寸以及各层神经元个数进行对比测试，其结果如表4所示。

表4 1DCNN参数对比

通过对比发现，在本文所构建的深度学习健康状态评估模型中，卷积核个数对模型评估结果影响较小，卷积核的大小和神经元个数对评估结果的影响较大，但参数变化影响呈随机性。总体来说，本文建立的评估模型在气门间隙健康状态的评估上具有一定的稳定性。

为了验证本文方法的优越性，对比使用原始信号输入1DCNN网络的评估结果及计算效率如表5所示，将每个样本原始信号截取5 000个样本点作为输入。所用计算机配置：Intel Core i7-9850H 2.60 GHz,2.59 GHz；评估模型构建环境为Pycharm(Version: 2020.2.2)，Python 3.8。

表5 效率对比

由表5可以看出，当使用原始信号输入1DCNN网络时，评估准确率较低。原因是数据量过大，需要对网络结构进行调整，构建更复杂的深层网络结构，将导致计算资源的严重占用；同时，从模型训练时间来看，采用本文所用方法训练神经网络时间要远小于原始信号输入，这将大大提高评估效率。

同时，针对本文提出的综合健康指标向量的有效性进行研究，将相同数据样本分别构建以下健康状态指标向量：直接提取原始信号14个时域特征(D-HI)；对原信号进行小波包分解后提取能量比特征(E-HI)；原信号分别提取14个时域特征和小波包分解能量比特征后，构建综合健康指标(DE-HI);原信号进行小波包分解后，分别提取14个时域特征，构建健康指标向量(WD-HI)，以及本文所构建综合健康指标向量(C-HI)，输入1DCNN网络中，观察对气门不同健康状态的评估结果如表6所示。

由表6可以看出，在柴油机气门健康状态指标构建中，对柴油机缸盖振动信号直接提取时域特征的评估效果不佳，总体识别率仅71.9%。对信号进行小波包分解后的能量比指标评估准确率达到90.3%，且对信号进行小波包分解后分别提取时域特征评估准确率达到94.6%，本文方法的评估准确率达到96.9%。验证了本文所提出的小波包分解后提取特征对柴油机气门间隙异常具有敏感性，考虑可能是由于小波包分解后将信号分解到不同频带，对气门间隙故障状态信息进行了分离和加强。通过对比也验证了本文所提出的综合健康指标向量在柴油机气门健康状态评估上的有效性。

表6 不同健康指标评估效果

进一步研究基于1DCNN网络构建健康状态评估模型与传统机器学习算法对气门间隙健康状态的评估效果，结果如表7所示。从表7可以看出本文所提出深度学习模型相对于支持向量机、决策树、朴素贝叶斯以及K近邻算法来说，对气门间隙不同健康状态的评估效果最好，具体模型评估的混淆矩阵如图12所示。

图12 不同方法评估结果混淆矩阵

表7 不同方法对比

从评估结果混淆矩阵可以看出，传统机器学习的方法中支持向量机、朴素贝叶斯模型和K近邻模型仅对“恶化”状态区分度较高，即其在健康状态评估过程中仅能较好区分“正常”和“故障”状态；决策树模型则可以较好地区分“健康”和“恶化”两种状态，但对中间态的评估效果不好；结果表明，本文所提出的深度学习模型在气门间隙健康状态评估中的效果最好。

4 结论

针对柴油机在运行过程中，气门间隙会随其性能退化过程发生变化，提出了一种基于深度学习的柴油机气门健康状态评估方法，并经过实验验证方法的有效性，得到以下结论。

(1)基于深度学习的气门健康状态评估方法能够自适应地实现健康状态信息的深度挖掘，有效解决传统评估方法中健康评估指标的筛选、权重确定困难的问题，避免出现评估结果受主观经验影响较大的情况。

(2)通过小波包分解的方法能够有效处理柴油机缸盖振动信号，分解后各频带信号可以更加全面地反映原始信号中隐藏在不同频带内的状态信息。同时，本文构建的综合健康状态向量对柴油机气门间隙状态变化具有较高敏感性。

(3)基于深度学习的健康状态评估方法能够有效对柴油机气门健康状态进行评估，总体识别率达到96.6%，且与其他方法相比，评估效果更好。