基于集合经验模态分解的发电机组智能诊断系统设计

吉 哲，吕 飞，张松涛



基于集合经验模态分解的发电机组智能诊断系统设计

吉 哲，吕 飞，张松涛

（海军士官学校，安徽蚌埠 233012）

发电机组作为产生电能的机械设备在陆地和船舶上得到广泛应用，但在运行过程中容易产生故障，且故障种类繁多，通过人的直观观察往往很难判别故障类型。本文介绍一个智能诊断系统，首先采集不同工况下的发电机组声信号，再利用集合经验模态分解对信号进行分解，并提取特征参数，最后使用模糊C均值聚类进行故障分类。通过6135D型柴油发电机组进行实验验证，故障诊断率达到了92.25%，结果表明该系统可以对发电机组常见故障进行准确的智能诊断。

发电机组 集合经验模态分解 模糊C均值聚类 智能诊断

0 引言

随着社会的发展，电能在生活、军事、工业、农业、交通等各个领域发挥着非常重要的作用，尤其是在舰船上，发电机组所产生的电能具有不可替代的作用。发电机组的工作环境比较恶劣，随着在工作过程中故障的产生，发电机组的故障诊断也逐步引起人们的关注。发电机组的故障种类繁多，且故障现象与故障原因往往不是一一对应，给故障诊断带来了难度。在当前的机械故障诊断领域，已不局限于通过故障的外部表现特征和人的经验进行主观判断，而是主要通过信号处理技术、故障特征提取和相对应特征的识别技术进行故障诊断和分析。

近年来，对于机械故障诊断的研究取得不少的进步，但由于发电机组自身的结构复杂性、零件的多样性，使得对发电机组直接诊断难以进行，因此在诊断方向上应选取发电机组的一些状态信息从而简化诊断过程。发电机组的声音信号是一种便于提取且易于操作的状态信息，通过信号处理技术和模式识别技术可建立基于声信号的智能诊断系统，可以取得较好的效果[1]。

本文利用集合经验模态分解（Ensemble empirical mode decomposition, EEMD）对信号准确的分析能力和模糊C均值聚类的柔性判断、模糊划分，建立了发电机组智能诊断系统，通过训练样本对系统进行训练，再通过测试样本验证系统的准确性。

1 发电机组声信号特征提取

1.1 集合经验模态分解算法

针对基于傅里叶变换方法自适应性差的问题，为了精准地描述随时间变化的频率，需要一种能研究变化中信号的方法。1998年美籍华人Huang等人提出了经验模态分解，该方法在本质上是一个平稳化处理的过程，它能将非平稳数据分解成多个数据序列，每个序列都称之为一个本征模函数（Intrinsic Mode Function，IMF）。该算法的具体过程见文献2。

为了更好地解决经验模态分解中模态混叠等方面的问题，Huang在EMD的基础上提出了EEMD，这是一种利用白噪声加入待分解信号的噪声辅助信号处理方法。

EEMD的分解原理是将空间中均匀分布的白噪声加入到信号中。此时在时间和频率尺度上信号都是连续的，然后进行经验模态分解。因为测试信号是声音信号加上白噪声进行处理，得出的结果没有实际意义，所以需要进行多组测试。当测试的样本足够多的时候，取全体测试结果的均值会抵消加入的白噪声，而且随着测试数量的增多，加入的白噪声消除更彻底，最终留下的就是信号本身的信号处理结果[3]。EEMD的具体过程如下：

1）向声信号中加入白噪声；2）将加入白噪声之后的信号进行EMD处理；3）加入新的白噪声，重复1）、2）；4）取每次经验模态分解得到的IMF均值作为最终的IMF。

发电机组声信号是一种典型的非线性、非平稳序列，时频分析方法之一的EMD能很好处理这种类型的信号，同时EEMD可以有效地解决非连续信号在分解成IMF时出现的模态混叠等问题，特征提取将更加精准。

1.2 声信号特征提取

对发电机组声信号进行EEMD处理之后得到的IMF分量特征分布不明显，需要将数据进行特征参数提取，从而得到更具有物理意义的数据，以便于进行故障识别。特征大致可以分成两种，分别是基元特征和属性特征，基元特征指不能继续分割的模式，比如边缘、区域；属性特征则代表信号的属性，比如长度、质量。特征的选择会对识别分类工作产生很大影响，所以在特征选取上需要进行对比选择最优特征。

能量是一种常用的特征，它表示物体做功的本领，表达式为：

2 发电机组智能诊断系统设计

2.1 故障识别方法

聚类算法是模式识别中的一种常用方法。在聚类算法中，常规的聚类都是将被测试样本根据对应算法划分到特定的类别中，但在这种硬性划分中无法看到每个样本与其所对应类别间的紧密程度，而模糊判别法则有效地解决了这一问题。

模糊聚类的基本原理是利用数学中的概率，将被测样本与所对应类别的亲疏程度表示出来。模糊聚类是一种柔性划分，将数据矩阵进行分类时，模糊聚类会给出一个具体信息。如：从0到1的一个数值，数值越趋近于1，表示这个样本属于该类别的可能性越大，反之数值越趋近于0表明该样本属于该类别的可能性相对较低。

模糊聚类主要有系统聚类和逐步聚类两种方法，模糊C均值聚类（Fuzzy c-means clustering，FCM）是在C均值聚类的算法基础上增加了模糊聚类的改进，是一种综合两种聚类方法的新聚类算法，在故障诊断领域取得了较好的效果[5-6]。

2.2 智能诊断系统设计

本文目的在于建立一个能够对发电机组故障进行诊断的人工智能系统，具体流程是：利用声音传感器对发电机组声信号进行提取，将模拟信号转换成数字信号，通过EEMD算法对声信号进行分解，取能量作为特征参数，把分解后的信号进行特征化处理，最后用FCM算法对测试样本进行聚类识别，输出故障判别结果，其流程如图1所示。

图1 发电机组故障诊断系统流程

3 发电机组故障诊断实验

3.1 实验验证

实验的研究对象是船用6135D型柴油发电机组。利用传声器在柴油发电机组气缸上方采集声信号[7]，共采集四种类型的声信号，分别是正常信号和三种故障信号。三种故障信号分别为断缸故障、气门间隙偏小故障和气门间隙偏大故障。

实验提取的声信号长度在10秒左右，每种故障需要100个样本进行分类实验，在对声信号进行采样的程序中设置采样频率为44.1 kHz，通过对正常信号和3个故障信号进行采样得到400组样本，每组样本是一个行数为1、列数为4000的矩阵。以正常信号为例，一个样本的采样信号波形如图2所示。

图2 声信号采样波形

对每一组样本进行EEMD算法分解，每一组的矩阵数是100，百分比的噪声标准差取默认数值0.2，该值表示分解过程的阈值，决定分解程度和结束分解时间。经过对样本的EEMD分解，将每个样本分解成了12个IMF分量。其中第一个IMF分量是原来样本，每一个IMF分量的中心频率呈降序排列，图3为一个样本的分解结果，共12个IMF分量。

图3 EEMD分解结果

由于不是每个IMF分量都代表信号样本的状态信息，需要选择适当数量的IMF分量。 Pearson相关系数用于度量两个变量之间的相关程度，可以利用Pearson相关系数法选择最佳数量的IMF分量。分别计算每个IMF分量与原信号的相关性，得到相关性曲线如图4所示。

图4 IMF分量相关性曲线

从图中可以看出，IMF分量与原始信号相关性的趋势大体是先呈增长趋势再呈下降趋势，其中转折点也就是相关性最高的点是在第4个点处，因此选取前5个IMF分量进行特征参数提取。通过公式（1）计算每个IMF分量的能量，n取4000，得到400×5矩阵。经过FCM算法计算后，所有样本被分成4组，具体的聚类结果如表1所示。

表1 聚类结果

表中可以看出，正常工况和断缸故障工况具有100%的故障诊断率，总体达到了92.25%的诊断精度，可以有效协助维护人员对发电机组进行故障诊断。

3.2 实验对比

实验中信号经过EEMD算法分解得到IMF分量的选择个数对诊断精度有一定的影响，通过随机选取IMF分量个数进行比较。当选择前8个IMF分量进行特征参数提取时，得到表2所示。此时总故障诊断率为86.5%，下降了5.75%的精度，说明分解得到的一系列IMF分量中包含冗余分量，通过Pearson相关系数选择最佳数量的IMF分量可以有效剔除冗余分量，进一步提高发电机组的故障诊断率。

4 结论

在使用过程中发电机组难免会出现故障，为了能够及时精准的找到故障部位，保证电能的不间断传输，需要建立一个完整、高效的故障诊断系统。本文将集合经验模态分解引入发电机组故障诊断领域，并通过模糊C均值聚类的模式识别方法，建立了一套故障智能诊断系统。利用Pearson相关系数确定了故障识别的特征参数最佳维度，进一步提升了诊断精度，具有一定的应用价值。

表2 对比实验结果

[1] 蔡振雄, 李玩幽, 李寒林. 利用振动噪声信号诊断柴油机故障研究的现状与发展[J]. 船舶工程, 2006, 28(5): 53-55.

[2] Huang N H, Shen Z, Long S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and nonstationary time series analysis[J]. Proc. R. Soc. London A, 1998, 454: 903-995.

[3] Wu Z H, Huang N E. Ensemble empirical mode decomposition: A noise assisted data analysis method[J].Advances in Adaptive Data Analysis,2009(1): 1-41.

[4] Wu J D, Liu C H. An expert system for fault diagnosis in internal combustion engines using wavelet packet transform and neural network[J]. Expert systems with applications, 2009, 36(3): 4278-4286.

[5] 王志华, 赵冬, 余永华. 基于模糊C均值聚类的柴油机故障诊断[J]. 船海工程, 2007, 36(4): 56-58.

[6] 刘嘉蔚, 李奇, 陈维荣等. 基于多分类相关向量机和模糊C均值聚类的有轨电车用燃料电池系统故障诊断方法[J]. 中国电机工程学报, 2018, 38(20).

[7] Nivesrangsan P, Steel J A, Reuben R L. Source location of acoustic emission in diesel engines[J]. Mechanical systems and signal processing, 2007, 21(2): 1103-1114.

Design of Intelligent Diagnosis System for Generator Units Based on Ensemble Empirical Eode Decomposition

Ji Zhe, Lv Fei, Zhang Songtao

(Naval Petty Officer Academy, Bengbu 233012, Anhui, China)

TM311

A

1003-4862（2019）07-0046-04

2018-04-19

吉哲（1983-），男，讲师。研究方向：舰船电气工程、故障诊断。E-mail: jizhe@mail.ustc.edu.cn