基于改进希尔伯特-黄变换的发动机气门故障诊断

杨恭勇，周小龙，梁秀霞，李家飞

(1.东北电力大学 工程训练教学中心，吉林 吉林 132012；2.河南信宇石油机械制造股份有限公司，河南 濮阳 457001)



基于改进希尔伯特-黄变换的发动机气门故障诊断

杨恭勇1，周小龙1，梁秀霞2，李家飞2

(1.东北电力大学 工程训练教学中心，吉林 吉林 132012；2.河南信宇石油机械制造股份有限公司，河南 濮阳 457001)

由于发动机系统及工作环境等因素的影响，发动机气门故障信号往往呈现出非线性和非平稳性的特点。为此，提出一种基于改进希尔伯特-黄变换的故障诊断方法。以气门声音信号为研究对象，首先，采用快速独立分量分析法去除环境噪声因素对于信号诊断准确性的影响，对降噪后信号进行改进经验模态分解，得到表征信号特性的固有模态函数，并通过相关性分析法去除虚假分量，从而获得信号的希尔伯特谱和边际谱，最后，结合时域和频域特征进行故障诊断。通过仿真研究证实了本文所提方法的准确性，实际试验证明：希尔伯特谱和边际谱能够有效并准确地反映出故障信号的时频信息，为该类问题的解决提供一种切实有效的方法。

希尔伯特-黄变换；相关系数；气门；故障诊断

在发动机系统中，气门是其重要组成部分，气门的工作状态将直接影响发动机的整体性能。研究表明，在汽车发动机的各种故障中，气门机构故障所占比例高达15.1%左右[1]。因此，如何有效地诊断出发动机气门的故障对于发动机的保养和维护具有重要的意义。

引起发动机气门故障的最主要原因是气门漏气。目前，针对发动机气门故障所采集多为振动信号[2]。但对于同一故障，测量位置不同，振动信号表现出的故障特征也不同，诊断的准确性难以保证[3]。同时，由于发动机系统和工作环境的复杂性，气门故障信号常常表现出非平稳特性[4]，此类信号的分析，往往采用时频分析方法。但傅里叶变换、小波变换等方法由于自身的局限性[5]，无法进行准确而有效的分析。

为解决上述问题，本文提出一种基于快速独立分量分析(Fast Independent Component Analysis，FastICA)法和改进希尔伯特-黄变换(Hilbert-Huang Transform，HHT)相结合的方法对发动机气门声音信号进行故障诊断。首先，采用FastICA法对所测信号进行降噪处理；其次，以改进HHT方法所求出降噪信号的Hilbert谱和边际谱为研究对象；最后，通过对Hilbert谱和边际谱的分析，找出正常工作与气门漏气状态下信号时域和频域的细微差别。试验表明，该方法能够有效呈现出两种信号的差别，为发动机气门故障诊断提供了一种切实有效地方法。

1 改进的HHT

HHT理论是由Norden E.Huang[6]提出，现在该方法已经成为在信号处理与分析过程中非常重要的一种方法。相较于传统时频分析方法，HHT方法的时频聚集性能更好，对于非平稳信号的分析效果更好[7]。经验模态分解(Empirical Mode Decomposition，EMD)和Hilbert分析是HHT方法理论的重要组成部分。然而由于EMD算法的自身问题，导致其存在端点效应和虚假模态函数等限制HHT诊断准确性的问题。

本文采用边界局部特征尺度延拓法[9]和敏感IMF判别算法相结合的改进HHT方法来解决上述问题。并将此方法应用于发动机气门故障诊断中。

1.1 边界局部特征尺度延拓法

EMD算法的中心思想是根据信号局部极值点的特性将其分解成不同时间尺度的固有模态函数(Intrinsic Mode Function，IMF)，基于此特点，在此采用基于边界局部特征尺度延拓法的EMD方法来解决EMD分解过程中出现的端点效应问题。

根据待分解信号两侧端点及其相临近的极值点的特性，向信号序列中增加一对极值点，在此，将所增加的极大值点和极小值点分别记作μ(1)，μ(2)和ν(1)，ν(2)。

所添加极值点的横坐标为端点处各极值点横坐标的均值，所添加极值点的纵坐标为与之相对的各极值点纵坐标的均值。即(信号左侧为例，右侧与之相类似)：

(1)

(2)

式中：Xmax(m)与Xmin(n)，为信号x(t)的第m个极大值点和第n个极小值点。

此方法可有效避免信号序列端点附近缺少约束而造成端点飞翼现象的产生，从而有效解决端点效应问题。

1.2 相关性分析

由EMD算法可知，各IMF分量具有正交特性，因此，对信号自身特性敏感的IMF分量应与原信号具有较高的相关性[10]。所以可依据各IMF分量与原信号间的相关特性来解决虚假模态分量问题。

设两个信号为x(n)与y(n)，则其相关系数为：

(3)

式中：ρx，y为两信号的相关系数。

通过式(3)的计算并结合敏感阈值ξ可有效选取对所分析信号敏感的模态分量，大量实验证实ξ=1/10可有效剔除虚假IMF分量。

1.3Hilbert分析

Hilbert分析主要是对改进EMD分解出来的各阶敏感IMF分量进行Hilbert变换，将得到的各IMF分量的瞬时频率和幅值在Hilbert谱中反映出来。

将各敏感IMF分量进行Hilbert变换：

(4)

构造解析信号：

(5)

进一步可以求出瞬时频率：

(6)

可以得到：

(7)

式中：Re代表取信号实部，在此将残余量rn省略。式(7)称为Hilbert幅值谱，简称Hilbert谱。

信号的时间-频率-能量三者间的关系可在Hilbert中得到准确反映，由此，信号中的突变成分也可在Hilbert谱中准确看出。

对式(7)积分，可得Hilbert边际谱：

(8)

其中，T为信号x(t)的长度。

边际谱的幅值能真实反映频率在信号中是否存在，具有更高的准确性和分辨率，不会产生能量泄露[11]。

2 仿真研究

仿真一个发动机异响故障信号[12]：

z(t)=sin(f12πt)+3sin(f22πt)+rand(n) ，

(9)

式中：f1和f2为有用信号的频率，取f1=20Hz，f2=50 Hz，rand(n)为叠加的高斯白噪声信号。

信号的采样频率为1 000 Hz，时间取1 s。仿真信号时域波形，如图1所示。

图1 仿真信号

对仿真信号分别进行一维离散小波变换和FastICA法进行降噪处理。一维离散小波变换降噪的阈值函数主要有四种：通用阈值函数(sqtwolog)、无偏风险阈值函数(rigrsure)、极大极小值阈值函数(minimaxi)、混合型阈值函数(heursure)。

均方根误差(Root Mean Square Error，RMSE)和峰值信噪比(Peak Signal to Noise Ratio，PSNR)是常用的用于衡量降噪方法有效性的指标。RMSE可以有效地反映出降噪的精密度。PSNR反映了降噪信号偏离原始信号的程度，信噪比越大，说明信号失真越少、降噪精度越高。

表1为采用db6小波，分别选择四种阈值函数，经5层分解以及FastICA方法对信号降噪的效果对比。

表1 降噪效果比较

图2 降噪信号对比

图3 不同EMD方法分解结果对比

通过表1可以看出，FastICA方法相较于小波阈值降噪法，更好地降低了RMSE，同时提高了PSNR，说明该方法能有效去除噪声因素影响。

图2为采用heursure阈值降噪和FastICA法降噪后信号的时域图，由图2可以看出，heursure阈值降噪后的信号中噪声成分对于信号的影响仍然很大，而FastICA法降噪后，信号的原有特征已得到很好的还原，这也说明用FastICA法分离噪声的方法比小波阈值降噪法更加准确、有效。

分别使用传统EMD方法和改进EMD方法对经FastICA法降噪的信号进行分解，分别得到5阶和3阶IMF。图3为两种方法所得第2阶IMF分量。从图3中可清楚看到，传统EMD方法分解得到的IMF2在两侧的端点处出现很大摆动，即出现了端点效应问题。而改进EMD方法所得的此阶IMF分量的两端点附近并未出现明显摆动，信号较为平滑，这说明本文所采用的方法可有效解决EMD分解中所产生的端点效应问题。

去燥信号经改进EMD方法的分解结果如图4所示。其中IMF1代表频率为50 Hz的正弦信号，IMF2代表频率为20 Hz的正弦信号，IMF3为EMD分解所产生的虚假IMF分量。

采用本文所提的相关性分析法，计算各IMF与降噪信号的相关系数，结果如表2所示。

表2 IMF与降噪信号相关系数

由表2可知，IMF1和IMF2与原信号的相关系数较大，为敏感IMF分量，而IMF3的相关系数小于本文所取阈值0.0964，因此判断IMF3为虚假IMF分量，将其剔除，对IMF1和IMF2进行Hilbert变换，求出的Hilbert谱如图5所示。

从图5中可以看出，信号的频率主要集中在20 Hz和50 Hz处，并且频率为50 Hz信号的能量较高，这与仿真信号的情况完全吻合，证明了本文所提出方法的可行性与有效性。

图4 改进EMD分解结果图5 敏感IMF的Hilbert谱

3 试验研究

采用本文提出的改进HHT方法对某汽车发动机气门的声音故障信号进行分析。信号采集装置为B&K声音采集系统，该系统中主要包括声音传感器、电荷放大器、数据采集器和计算机等装置构成。

声音传感器和电荷放大器用于采集车发动机声音信号，数据采集器用于收集信号，计算机用于分析所采集到的信号。同发动机振动信号相比，其声音信号的采集过程更为方便，同时准确性更高[13]。

发动机声音信号经改进EMD分解后可求出其Hilbert谱，而这些瞬态物理量中有大量反映气门机构运动状态和发动机工作状态的有用信息。同时，由于发动机气门漏气，其工作和运动状态与正常情况下的并不相同。这些为Hilbert谱能够准确诊断出发动机气门漏气故障提供了有利支持。

3.1 正常发动机信号的Hilbert谱和边际谱

由于现场采集的声音信号受环境噪声等因素的影响较大，因此采用FastICA法对信号进行降噪。如图6为现场采集的发动机声振信号。图7为降噪后信号。从图中可以看出，信号中的高频噪声被有效虑除，原信号的自身信息在降噪后信号中得到较好体现。

图6 发动机声振信号图7 FastICA法降噪后信号

将降噪后信号进行改进EMD分解，得到5阶IMF，表3为IMF与正常状态下发动机降噪信号的相关系数。

表3 IMF分量与正常状态信号相关系数

由上表可知，门限阈值为0.090 2。因此，正常状态信号的第1阶到第3阶IMF分量为敏感IMF，对它们进行Hilbert变换，得出相应的Hilbert谱和边际谱。

气门在发动机中的工作具有周期性，所以其能量分布也应具有周期性。在发动机存在故障时，其能量有向高频转移的趋势，而正常发动机信号能量主要集中在低频区域内。

图8为使用HHT方法得到的降噪后信号Hilbert谱的三维图，它能更加直观地反映时间-频率-幅值三者之间的关系。由图可知，正常发动机信号的Hilbert谱具有如下特征：低频部分周期性地分布着信号几乎所有的能量，而高频部分上基本没有能量分布；能量呈线性分布且稳定。

图9为正常发动机信号的边际谱。边际谱中信号频率集中在0 Hz-450 Hz，频率峰值为204 Hz。主要这说明信号的低频信号真实存在，与上述理论分析完全吻合。通过对Hilbert谱和边际谱的分析可知，Hilbert谱能够准确反映出发动机信号的相关特性。

图8 正常发动机信号Hilbert谱图9 正常发动机信号边际谱

3.2 气门漏气信号的Hilbert谱和边际谱

在漏气的最初阶段，由于漏气量小，不易被察觉。此时若能及时发现并处理，会避免不必要的经济损失。若气门漏气量增大，会使发动机启动困难，功率下降，燃烧不完全，积碳严重。根据发动机声振理论及振动诊断机理，气门漏气时，漏气声音信号表现为高频特性，其能量从低频向高频转移，随着气门漏气程度的加剧，高频能量也随之增加。

降噪后气门漏气信号经改进EMD分解，得到4阶IMF，表4为IMF与气门漏气信号的相关系数。从表4中可知，IMF1和IMF2为敏感的IMF，对其进行Hilbert变换，求出Hilbert谱和边际谱。

表4 IMF与气门漏气信号的相关系数

图10为实测发动机气门漏气信号的Hilbert谱，且气门的漏气量较大。由图10可知，发动机气门漏气信号的Hilbert谱具有以下特性：低频部分有时间间隔地分布着信号绝大多数能量，频率较正常情况时高，同时能量也比正常情况大。个别高频部分有较大能量分布，但这部分能量在所有能量中所占比重小。

图11为漏气信号的边际谱，从边际谱中看出由于发动机气门漏气，500 Hz-1 000Hz的高频区域内有能量出现，同时能量主要集中在300 Hz-500 Hz频率范围内，频率峰值为420 Hz，同正常情况相比，频率向高频区域转移。同时幅值明显增加，这也说明在该范围内其频率幅值出现的最多，与发动机漏气声学及振动诊断机理描述的一致。可见该方法在处理这类问题中的有效性与可靠性。

图10 漏气信号Hilbert谱图11 漏气信号边际谱

4 结 论

(1)针对振动信号测量引起故障诊断的不准确性，本文采用提取声音信号的方法，并取得很好效果；

(2)改进EMD方法可有效解决EMD分解过程中出现的端点效应问题；

(3)相关性分析法可准确判断出EMD分解过程中所产生的虚假IMF分量，为提高故障诊断的精度提供了保证；

(4)通过对实测的发动机气门声振信号的分析表明，本位所提方法能够有效诊断出引起气门故障的原因。显示出了HHT在该问题上的准确性与有效性。

[1] 刘昱，张俊红，毕凤荣，等.基于LMD边际谱的柴油机气门故障诊断[J].内燃机学报，2014，35(6)：96-100.

[2] 黄德中.柴油机振动分析及故障诊断[J].振动工程学报，1995，8(2)：144-149.

[3] 于明进，程勇，吴波，等.发动机故障的振动诊断[J].车用发动机，1998(3)：54-57.

[4] 耿遵敏，宋孔杰，李兆前，等.关于柴油机振声特点及动态诊断方法的研究[J].内燃机学报，1995，13(2)：140-147.

[5] 史东锋，鲍明，屈梁生.小波包络分析在滚动轴承诊断中的应用[J].中国机械工程，2001，11(12)：1382-1386.

[6] N.E.Huang，Z.Shen，S.R.Long，et al.The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J].Proceeding of the Royal Society of London-Series A：Mathematical，Physical and Engineering Sciences，1998，454(1971)：903-995.

[7] 游子跃，王宁，李明明，等.基于EEMD和BP神经网络的风机齿轮箱故障诊断方法[J].东北电力大学学报，2015，35(1)：64-72.

[8] 王艳超，杨立才，刘澄玉.基于模板匹配和镜像延拓的两阶段经验模态分解算[J].山东大学学报：工学版，2012，42(6)：69-73.

[9] 黄诚惕.希尔伯特-黄变换及其应用研究[D].成都：西南交通大学，2006.

[10] 徐斌，徐德城，朱卫平，等.希尔伯特-黄变换方法的改进[J].西北工业大学学报，2011，29(2)：268-272.

[11] 杨宇，于德介，程军圣.基于Hilbert边际谱的滚动轴承故障诊断方法[J].振动与冲击，2005，24(1)：70-72.

[12] C.Smith，C.M.Akujuobi，P.Hamory，et al.An approach to vibration analysis using wavelets in an application of aircraft health monitoring[J].Mechanical Systems and Signal Processing，2007，21(3)：1255-1 272.

[13] 陆汝华，杨胜跃，樊晓平.基于CGHMM的轴承故障音频信号诊断方法[J].计算机工程与应用，2009，45(11)：473-476.

A Study on Improved Hilbert-Huang Transform Diagnosis for Leakage of Engine Valves

Yang Gongyong1，Zhou Xiaolong1，Liang Xiuxia2，Li Jiafei2

(1.The Engineering Training Teaching Center，Northeast Electric Power University，Jilin Jilin 132012；2.Henan Xinyu Petroleum Machinery Manufacturing Company，Puyang Henan 457001)

Because of the influence of engine system and working environment，the leakage of engine valves signal is proved to be non-stationary and non-stationary.In view of this characteristic，a fault diagnosis method based on improved Hilbert-Huang transform is proposed.The engine cylinder knocking sound signals as the research object.Firstly，these signals are pretreated by using the fast independent component analysis method to eliminate ambient noise.Then，with improved empirical mode decomposition method，the intrinsic mode functions are obtained and sensitive intrinsic mode functions are selected by correlation analysis method.Finally，the Hilbert spectrum and marginal spectrum of the signals are obtained with Hilbert transform.By combining the features of time domain and frequency domain，the faults can be diagnosed.The simulation experiment shows the effectiveness of the proposed method.The actual test shows that the Hilbert spectrum and marginal spectrum can display the physical information of the fault signals effectively and accurately.It also provides an effective method for this problem.

Hilbert-Huang transform；Correlation analysis；Engine valve；Fault diagnose

2017-03-12

杨恭勇(1987-)，男，硕士，助理实验师，主要研究方向：机械制造及故障诊断..

1005-2992(2017)03-0066-07

TK401

A

电子邮箱： 76025858@qq.com(杨恭勇)；196389679@qq.com(周小龙)；2598037262@qq.com(梁秀霞)；2241430075@qq.com(李家飞)