基于能量算子梯度邻域特征提取的核电应急柴油发电机组故障诊断方法

时间：2024-07-28

江志农王子嘉张进杰黄翼飞茆志伟

1.北京化工大学高端机械装备健康监控与自愈化北京市重点实验室，北京，100029

2.北京化工大学发动机健康监控及网络化教育部重点实验室，北京，100029

3.北京博华安创科技有限公司，北京，101399

0 引言

应急柴油发电机组(emergency diesel generator，EDG)主要功能是在核电厂中压母线因为失去厂外正常电源或母线本身故障而导致失压时，为应急交流母线提供电源，向安全系统的负载以及其他指定的非安全物项供应电力，防止重要安全设备因为电源丧失而造成损坏或失效，确保反应堆紧急停堆，避免核泄漏，保证人身安全。2011年3月11日福岛核电中因遭遇海啸，应急柴油机厂房被淹没，导致全部电源失效而引发灾难[1]。EDG是保证核电厂安全可靠运行的重要设备，研究EDG故障诊断方法，对其可靠性提升具有重要意义。

EDG气门间隙往往会由于磨损或误调超出正常值[2-3]。目前，针对该故障的诊断方法，国内外已开展一些研究。文献[4]对EMD-WVD(empirical mode decomposition-Wigner Ville distribution)时频图像进行局部非负矩阵分解，得到图像特征参数用于分类器识别。文献[5]提出一种基于改进变分模态分解、伪魏格纳时频分析与局部非负矩阵分解的柴油机振动谱图像识别诊断方法，应用于气门间隙故障诊断。文献[6]利用Naive-Bayes方法对气门故障进行分类，最低分类精度高达92.45%。文献[7]建立了基于蚁群优化支持向量机的柴油机气门间隙故障诊断模型。随着深度学习算法的发展，概率神经网络应用于振动信号分类。在此基础上，提出新的组合权重自适应调制算法训练神经网络，对振动信号锥形核分布进行分类，进一步提高气门间隙故障识别精度[8-9]。文献[10]利用二载声学法分析压力波形以达到检测气门故障的目的。除机器学习算法外，传统时频分析方法也被大量应用于气门间隙的诊断[11-14]。这些方法普遍需要大量故障数据来训练算法模型，或者需要实际机组全工况运行数据来设置报警阈值，这在实际工程中是难以实现的。

本文根据仿真研究确定EDG气门间隙异常故障不受工况影响而对故障敏感的起始相位特征，结合振动冲击能量变化规律，利用Teager能量算子梯度，提出基于能量算子梯度邻域(k-th maxima on Teager energy operator gradient,k-TEOG)的振动冲击始点自适应精确提取新方法，并基于相位精确提取方法识别气门间隙故障。

1 气门故障动力学机理特征

1.1 配气机构建模

以TBD234V12柴油机的配气机构为对象，通过实际测绘并结合设计参数建立实体模型。实体模型如图1所示，将其导入ADAMS软件，添加约束与驱动构建动力学模型，具体约束施加见表1[15]。

图1 配气机构实体模型

表1 模型约束

配气机构中，气门与缸盖、摇臂与气门等多处均会产生接触碰撞，因此模型约束中接触力的设置密切影响着仿真精度。本文采用ADAMS内置的IMPACT函数来定义接触力(忽略摩擦力)，法向接触力Fn可由下式表示：

(1)

(2)

(3)

其中，i为两个碰撞物体的编号；E为接触物的弹性模量，E=207 GPa；μ为接触物的泊松比，μ=0.29；R为接触面的曲率半径。模型中各部件材料统一选用ADAMS材料库中的steel。

1.2 仿真数据故障特征分析

仿真参数设置如表2和表3所示。

表2 气门间隙异常状态参数设置

本文通过改变模型中摇臂与气门顶部的距离来模拟不同间隙状态。以排气门为研究对象，进气门间隙始终设置为正常状态，改变排气门间隙获得动力学响应。图2为不同间隙气门加速度曲线,图3为不同间隙气门与缸盖接触力曲线。

表3 柴油机不同工况参数设置

可见，气门开启和关闭瞬间产生振动冲击，且关闭冲击显著大于开启冲击；随着间隙增大，气门关闭冲击的强度表现出非线性增大趋势；气门开启相位滞后，关闭相位提前；气门关闭相位对间隙变化的敏感度呈现非线性减小趋势。

图2 不同间隙状态下气门加速度

图3 不同间隙状态下气门与缸盖接触力

本文模拟了柴油机的3种工况，每种工况进气门、排气门的间隙均设置为正常值。图4为不同转速下排气门加速度曲线，可见，随着转速升高，气门开启和关闭冲击的强度增大，但气门开启和关闭的相位保持不变。

图4 不同转速下气门加速度

综上，对气门间隙的变化敏感的特征有：①气门关闭冲击的强度；②气门开启和关闭冲击的起始相位，即气门开启和关闭相位。其中气门开启和关闭冲击的起始相位仅随间隙变化，不受工况影响，而气门关闭冲击强度受工况影响严重。由于柴油机运行过程中工况是多变且复杂的，并且气门开启冲击强度较弱，因此将气门关闭冲击起始相位作为气门故障诊断优选特征。更重要的是，气门关闭相位的标准值是柴油机设计参数之一，便于设置合理有效的特征阈值。

2 基于k-TEOG冲击始点提取方法

柴油机在运行过程中会产生一些局部振动冲击信号，其始点特征的准确提取是诊断许多故障的关键。对于振动冲击信号始点提取，阈值判断是最常用的技术之一。对单个局部冲击信号而言，振动幅值首次穿越阈值线的位置一般被当作冲击始点。但由于阈值的设置通常是根据经验确定，在由多个不同幅值冲击组成的实际复杂振动信号中，普遍存在阈值设定不合理或自适应性差的问题。此外，基于能量最大上升梯度的冲击始点识别方法能够达到自适应计算的目的，但实际振动信号受许多干扰因素的影响，冲击起始位置的振动能量上升梯度可能是该冲击区域中的较大者，而不是最大者，基于识别能量梯度最大值位置的提取方法往往存在较大误差。

根据冲击区域能量变化的特点，结合Teager能量算子在识别瞬态振动变化方面的优势，提出一种基于k-TEOG的振动冲击始点自适应精确提取新方法，克服了传统方法中阈值设定自适应性差、计算精度差的问题。

首先对振动信号进行EMD自适应滤波处理；然后计算Teager能量算子，突出瞬态振动冲击能量；再对局部能量算子求梯度，得到Teager能量算子梯度；提出k-梯度和k-梯度邻域的概念，并将k-梯度邻域在时间序列里的第一个点作为冲击起始点；最后根据往复机械振动信号冲击的准周期特性，对计算结果利用3σ准则进行离群点检验，并通过自动调整k值和设定的准则优化离群点的计算结果，从而达到自适应精确提取振动信号冲击始点的目的。该方法具体步骤如下。

(1)对实际采集的整周期振动信号进行EMD自适应分解后，得到各本征模态函数(IMF)分量，计算各IMF分量与原始信号的Pearson相关系数r：

(4)

其中，h为原始信号;j为IMF分量的序号;IIMF(j)为第j个IMF分量;Cov(IIMF(j),h)为IIMF(j)与h的协方差;Var(IIMF(j))和Var(h)分别为IIMF(j)和h的方差;r(j)为IIMF(j)与h的相关系数。

选择相关系数不小于阈值c(c取0.1～0.5之间的数)的IMF分量进行重构，得到滤波后的离散信号s(i)。

(2)对s(i)进行等角度角域重采样，采样角度间隔d取值0.1°～0.5°，获得信号x(i)。

(3)计算经EMD自适应滤波和角域重采样后的离散信号x(i)在每个数据点i处的局部Teager能量算子：

ψd(i)=|x2(i)-x(i-1)x(i+1)|

(5)

(4)计算能量算子的k-梯度和其邻域，确定冲击始点。

首先计算局部能量算子ψd(i)在冲击区域的能量梯度：

Dψd(i)=ψd(i+1)-ψd(i)

(6)

能量算子的k-梯度定义如下。对任意自然数k(计算多组数据在不同k值下提取结果的方差，选择方差最小结果对应的k值作为k初始值)，k-梯度Dψk-grad表示在能量梯度序列里，满足以下两个条件的能量梯度：①在能量梯度序列里，至少存在k个点p满足Dψd(p)≥Dψk-grad；②在能量梯度序列里，至多存在k-1个点p满足Dψd(p)>Dψk-grad。因此k-梯度Dψk-grad的计算方法是，将冲击位置的能量梯度进行降序排列，选择所得序列中第k个值作为k-梯度。k-梯度邻域Nk包含梯度值不小于k-梯度Dψk-grad的所有能量梯度值。

最后选择在能量算子梯度的时间序列中第一个属于k-梯度邻域Nk的点作为冲击起始点。

(7)

(8)

其中，y为n组振动信号的冲击始点提取结果组成的数组；q表示y数组的序列号;y(q)为第q个整周期振动信号的冲击始点提取结果。

采用3σ准则进行离群点的判断，对离群点需要调整k值重新提取特征。k值的调整方法为：首先设定调整步长(取1～3)和循环次数m(取5～20)；其次判断k值调整方向，若离群值大于平均值以上3倍标准差则增大k值，若离群值小于平均值以下3倍标准差则减小k值；调整k值并重新计算提取结果，但平均值和方差不更新，依然采用最初计算值。对新的计算结果进行离群点判断，若判定为非离群点，则终止计算；若仍判断为离群点，则继续调整k值重复上述计算过程，直到循环计算次数达到设定值m。

3 基于k-TEOG的气门故障诊断

上述仿真研究明确了气门间隙异常故障的特征，利用k-TEOG振动冲击始点提取算法准确提取该特征可实现对气门故障的有效监测诊断。本文通过实验验证该方法的有效性。

3.1 数据采集

实验台柴油机型号为TBD234 12缸V型直喷式柴油机。表4所示为该柴油机具体的技术参数。图5为实验台照片。

图6所示为缸盖振动加速度传感器，直接安装在气缸盖上表面测量缸盖振动；用于截取柴油机720°整周期振动信号的键相电涡流传感器采用支架固定，该传感器的触发键相块粘贴于飞轮上。所有的振动加速度和键相脉冲信号通过数据采集系统(DAQ)进行采集，采样频率为51.2 kHz。图7为监测系统示意图。

表4 TBD234柴油机技术参数

图5 柴油机实验台

图6 缸盖振动加速度传感器

图7 监测系统示意图

共开展了3组实验，每组实验只调节B1缸排气门的间隙，其余气门间隙均设置正常。实验工况设置如表5所示。

表5 实验工况

3.2 诊断流程

基于k-TEOG冲击始点提取方法的气门间隙故障诊断方法步骤如下：首先从采集的缸盖角域振动信号中采用冲击始点提取方法提取气门关闭冲击起始相位特征，然后从设计手册中查取该气门的理论关闭相位，最后通过比较实际提取值与理论参数完成对气门间隙的诊断。方法流程如图8所示。

图8 诊断流程图

3.3 方法验证

3.3.1正常间隙状态特征提取分析

利用k-TEOG冲击始点提取方法处理第一组正常实验数据，提取排气门关闭相位特征。每种工况处理50个周期的数据。k取不同值时，600个工作循环内排气门关闭相位的提取结果见图9，概率分布见图10。

图9 600个工作循环内排气门关闭相位提取结果

图10 排气门关闭相位概率分布

k取1时，即基于传统冲击始点提取方法提取的特征波动幅度较大，特征均值为20.04°，误差高达33.6%，无法满足诊断要求。当k大于10之后，排气门关闭冲击起始相位提取结果基本相近(均值为14.8469°)，与表5中给出的标准设计参数(13°±2°)基本一致。根据概率分布，k值取15时特征的波动最小，选其为初始值，然后调整个别离群点k值修正特征提取结果。结果表明该方法可根据机组和工况特性自适应地计算设定相应k值，且鲁棒性强，适用于工程应用。

3.3.2异常间隙状态故障特征提取分析

自适应调整k值计算不同间隙状态和工况下的排气门关闭相位特征，计算结果见图11，红色中心线为趋势线。图11中，每种气门间隙对应12种不同工况，每种工况处理50个周期的数据。

图11 不同气门间隙状态气门关闭相位检测结果

由图11可知，基于本文提出的k-TEOG冲击始点提取方法提取的气门关闭相位，在不同间隙时特征区别明显，对比正常间隙时的标准阈值(13°±2°)可以有效诊断气门间隙故障，并且可以根据关闭相位来跟踪监测气门间隙的变化趋势。此外，实验数据再次验证了仿真结果，随着间隙等间距增大，气门关闭相位的提前量逐渐减小，即间隙增大0.2 mm时关闭相位提前大约8°，而间隙增大0.4 mm时关闭相位提前了大约12°，呈现出非线性的变化规律。

综上，基于k-TEOG的冲击始点提取方法能自适应地准确提取气门关闭冲击起始相位特征，对比从设计参数中获取的标准阈值可有效诊断气门间隙异常故障，且可跟踪监测气门间隙的变化。