一种基于GOA-MCKD和层次离散熵的共轨喷油器微弱故障诊断方法
技术领域
本发明涉及的是一种柴油机诊断方法，具体地说是柴油机共轨喷油器诊断方法。
背景技术
高压共轨燃油喷射系统因其高喷油压力、雾化良好和优化动力性能的特点而得到广泛应用，但由于共轨系统喷油器长期处于高温高压的环境中，故障频发，如喷嘴堵塞，电磁阀故障，针阀卡住等。这些故障可能导致异常燃油喷射和每个气缸的不均匀运行，甚至导致燃烧效率进一步降低和废气排放量增加。因此，对高压共轨柴油发动机喷油器进行故障诊断是有重大意义的。但由于柴油机工作环境恶劣，干扰因素多，喷油器故障冲击成分常常因为能量小而被噪声淹没，容易造成误诊和漏诊。最大相关峭度解卷积(Maximumcorrelated Kurtosis deconvolution,MCKD)是一种以相关峭度为为优化目标的降噪方法，在信噪比很低的情况下，能够有效去除信号中的噪声干扰，增强冲击成分。但是参数选择对滤波器性能有直接影响，因此选择最佳的参数组合成为MCKD滤波器亟待解决的难题。
共轨喷油器故障频率无法计算，利用频谱分析难以直接辨识故障模式，因此，如何从非平稳信号中提取故障特征信息是共轨喷油器微弱故障诊断的关键。Pincus提出近似熵的概念。然后针对近似熵存在自匹配的缺陷，Richman等提出了样本熵的概念，样本熵作为常用的一种特征提取方法，具有抗噪能力强、所需时间序列短等优点，但是该方法只能从单一尺度描述故障特征状态。Costa等在样本熵的基础上提出了多尺度熵(Multi-scaleEntropy,MSE)，用来衡量时间序列在不同尺度上的复杂性。针对MSE中样本熵相似性度量易发生突变，郑近德等结合模糊熵的概念，提出了多尺度模糊熵(Multiscale FuzzyEntropy，简称MFE)并将其应用于滚动轴承的故障诊断。Azami为了缓解样本熵、模糊熵与排列熵等方法各自的缺点和不足，提出了多尺度离散熵(Multiscale Dispersion Entropy,DE)，离散熵相比样本熵和模糊熵具有计算简单快捷等优点，但是多尺度离散熵只分析低频分量，忽略了高频分量。
发明内容
本发明的目的在于提供能够解决强噪声环境下共轨喷油器微弱故障特征难以高精度提取问题的一种基于GOA-MCKD和层次离散熵的共轨喷油器微弱故障诊断方法。
本发明的目的是这样实现的：
本发明一种基于GOA-MCKD和层次离散熵的共轨喷油器微弱故障诊断方法，其特征是：
(1)通过安装在高压油管的压力传感器采集高压油管压力波动信号，并将采集的压力信号分为训练信号和测试信号；
(2)使用基于蝗虫优化参数的MCKD算法对压力信号进行滤波处理，获得冲击成分增强的压力信号；
(3)计算滤波后压力信号的层次离散熵，以HDE作为燃油压力信号故障特征；
(4)以所有训练样本的HDE为特征向量输入二叉树支持向量机多分类器进行训练；
(5)采用训练后的二叉树支持向量机多分类器对测试样本的HDE进行故障诊断和模式识别，并输出诊断结果。
本发明还可以包括：
1、步骤(1)中的高压油管压力波动信号包括喷油器状态正常、喷油器针阀卡滞和喷油器喷孔堵塞三种类型。
2、步骤(2)中的GOA-MCKD是利用蝗虫优化算法以包络熵Ep为目标函数寻求MCKD参数滤波器长度L和故障周期T的最优值，设定零均值信号x(n)(n＝1，2，…，N)的包络熵计算如下式：
其中，Pn是a(n)的归一化形式，a(n)是Hilbert解调的x(n)的包络信号。
3、步骤(3)中的HDE计算是对滤波后的压力信号进行层次分析，然后计算各层次的离散熵，组成故障特征子集，HDE计算步骤如下：
a、对燃油压力信号进行层次分析，基于向量
uk,e＝Qγn·Qγn-1·...·Qγ1(u)
b、计算各层次的离散熵，熵值计算结果如下：
uk,e＝Qγn·Qγn-1·...·Qγ1(u)
HDE＝E(uk,e,m,c,d)＝[e1,e2,...,ee]T。
4、步骤(4)、(5)中的二叉树支持向量机采用RBF核函数进行分类，惩罚因子C＝1000。
本发明的优势在于：本发明有效地利用GOA-MCKD自适应的对燃油压力信号进行滤波处理，增强周期冲击成分，降低噪声干扰，通过层次离散熵全面准确的反映燃油压力信号故障信息，适用于强噪声环境下完成共轨喷油器微弱故障诊断，提高共轨喷油器微弱故障诊断率，降低误诊率和漏诊率。
附图说明
图1是本发明的流程图；
图2是三种喷油器状态的高压油管燃油压力信号时域波形图；
图3是GOA寻优收敛曲线图；
图4是经过最佳参数组的MCKD自适应滤波后的压力信号时域波形图；
图5是基于GOA-MCKD和层次离散熵的二叉树支持向量机多分类器故障诊断结果图。
具体实施方式
下面结合附图举例对本发明做更详细地描述：
结合图1-5，本发明一种基于GOA-MCKD和层次离散熵的共轨喷油器微弱故障诊断方法，包括如下步骤：
S1、通过安装在高压油管的压力传感器采集高压油管压力波动信号，并将采集的压力信号分为训练信号和测试信号；
S2、使用基于蝗虫优化参数的MCKD算法对压力信号进行滤波处理，获得冲击成分增强的压力信号；
S3、计算滤波后压力信号的层次离散熵，以HDE作为燃油压力信号故障特征；
S4、以所有训练样本的HDE为特征向量输入二叉树支持向量机多分类器进行训练；
S5、采用训练后的二叉树支持向量机多分类器对测试样本的HDE进行故障诊断和模式识别，并输出诊断结果。
步骤S1中的高压油管压力波动信号包括喷油器状态正常、喷油器针阀卡滞和喷油器喷孔堵塞三种类型。
步骤S2中的GOA-MCKD是利用蝗虫优化算法以包络熵Ep为目标函数寻求MCKD参数滤波器长度L和故障周期T的最优值。设定零均值信号x(n)(n＝1，2，…，N)的包络熵计算如下式：
其中，Pn是a(n)的归一化形式，而a(n)是Hilbert解调的x(n)的包络信号。
步骤S3中的HDE计算是对滤波后的压力信号进行层次分析，然后计算各层次的离散熵，组成故障特征子集。HDE计算步骤如下：
步骤1、对燃油压力信号进行层次分析，基于向量
uk,e＝Qγn·Qγn-1·...·Qγ1(u)
步骤2、计算各层次的离散熵，熵值计算结果如下：
uk,e＝Qγn·Qγn-1·...·Qγ1(u)
HDE＝E(uk,e,m,c,d)＝[e1,e2,...,ee]T
步骤S4、S5中的二叉树支持向量机采用RBF核函数进行分类，惩罚因子C＝1000。
本发明具体步骤如下：
S1、通过安装在高压油管的压力传感器采集高压油管压力波动信号，高压油管时域波形如图2所示，并将采集的压力信号分为训练信号和测试信号。
S2、使用基于蝗虫优化参数的MCKD算法对压力信号进行自适应滤波处理，获得冲击成分增强的滤波信号。GOA算法的收敛曲线如图3所示，最佳参数的MCKD滤波结果如图4所示，优化过程可描述如下：
Xi＝Si+Gi+Wi
其中，Xi是第i个蝗虫的位置，Si是社交互动，Gi是第i个蝗虫的重力，Wi表示风向。
社交互动Si定义为：
其中，dij是第i个蝗虫和第j个蝗虫之间的距离，dij＝|xj-xi|,而且
社会作用力的数学表达式可以通过以下公式给出：
其中，f和l分别是引力强度和引力长度尺度。
蝗虫优化算法的G成分计算如下：
其中g是重力常数，
蝗虫优化算法的W成分计算如下：
其中u是恒定漂移，
在GOA算法中，将式S、G与W代入原式，并对代入后的方程进行修改，修改后的方程式不考虑重力(无G分量)并且假设风向(A分量)始终朝向优化目标。方程如下：
其中ubd和lbd分别是Dth维度的上限和下限，
其中，t和T分别表示当前迭代数和迭代总数，cmax和cmin分别表示参数c的最大值和最小值。
S3、计算滤波后的压力信号的层次离散熵，以HDE作为燃油压力信号故障特征。燃油压力信号如图3所示，HDE的计算过程可描述如下：
第一步：给定长度为N的时间序列{u(i),i＝1,2,...,N}，定义平均算子Q0和Q1如下：
其中：N＝2n，n是正整数。算子Q0和算子Q1的长度为2n-1。根据平均算子Q0和Q1原始序列可重构为
u＝{(Q0(u)j+Q1(u)j),(Q0(u)j-Q1(u)j)},j＝0,1,2,...,2n-1
当j＝0或j＝1时，定义矩阵Qj算子如下
第二步：构造一个n维向量
式中，正整数e对应的向量是
第三步：基于向量
uk,e＝Qγ1,Qγ2,...,Qγk(u)
式中，k表示层次分割中的k层，原始时间序列u(i)在k+1层的低频和高频部分分别用uk,0和uk,1表示。
第四步：对所得每一个层次分量求其离散熵，得到2k个层次分量的离散熵值。将uk,e分别映射到标签从1到c的整数类。通过引入正态累积分布函数(normal cumulativedistribution,NCDF)来实现将层次分量序列uk,e映射[y1,y2,...,y2k]，取值范围为0到1区间。对于映射信号的每个成员，我们使用
第五步：引入嵌入维度m和时延参数d，重构序列
第六步：计算每个cm潜在离散模式
第七步：基于信息熵的定义，单一离散熵为
层次离散熵可表示为
HDE＝E(uk,e,m,c,d)
S4、以所有训练样本的HDE为特征向量输入二叉树支持向量机多分类器进行训练。
S5、采用训练后的二叉树支持向量机多分类器对测试样本的HDE进行故障诊断和模式识别，并输出诊断结果，分类结果如图5所示。
